Mon plus grand enseignement de @chipro : 1. Les plus grandes améliorations de votre produit AI proviennent de la discussion avec les utilisateurs et de la compréhension de leurs retours, et non de l'adoption des derniers modèles ou de rester collé aux actualités sur l'IA. De nombreuses entreprises perdent du temps à débattre de la technologie à utiliser, alors que les véritables gains proviennent d'une meilleure expérience utilisateur et d'une préparation des données. 2. La plupart des problèmes de produits AI ne sont pas des problèmes d'IA. Lorsque les entreprises pensent avoir un problème de performance de l'IA, il s'agit généralement d'un problème d'expérience utilisateur, d'un manque de communication organisationnelle ou d'un problème de qualité des données. Une entreprise pensait que son système de scoring des leads AI était cassé, mais le véritable problème était que l'équipe marketing ne posait pas les bonnes questions pour obtenir des données utiles. 3. La façon dont vous préparez vos données compte plus que le choix de votre base de données. Les entreprises constatent leurs plus grands gains de performance AI en organisant et en préparant mieux leurs informations : en découpant le contenu en morceaux de la bonne taille, en ajoutant des résumés, en convertissant le contenu en format question-réponse, plutôt qu'en se torturant l'esprit sur l'infrastructure technique à utiliser. 4. Vos meilleurs performeurs bénéficient le plus des outils AI. Dans une expérience contrôlée, les ingénieurs les plus performants ont obtenu le plus grand gain de productivité grâce aux assistants de codage AI, et non les moins performants. Les ingénieurs seniors qui savaient déjà comment résoudre des problèmes utilisaient l'IA pour travailler encore plus vite, tandis que les moins performants copiaient souvent et collaient du code qu'ils ne comprenaient pas. 5. Le fine-tuning devrait être votre dernier recours. Avant d'investir dans le fine-tuning d'un modèle, essayez d'abord des solutions plus simples : améliorez vos invites, ajoutez des scripts de post-traitement de base ou corrigez votre pipeline de données. Une entreprise a corrigé 90 % des erreurs de son modèle avec un simple script. Le fine-tuning crée des maux de tête de maintenance continus et ne devrait être utilisé que lorsque tout le reste a été maximisé. 6. Vous n'avez pas besoin d'être parfait pour gagner. De nombreuses entreprises prospères choisissent le "suffisamment bon" plutôt que le parfait lors de la mise en œuvre de systèmes AI. Elles calculent si investir deux ingénieurs pour améliorer la précision de 80 % à 85 % est mieux que d'utiliser ces mêmes ingénieurs pour lancer une toute nouvelle fonctionnalité. Souvent, la nouvelle fonctionnalité apporte plus de valeur. 7. La productivité AI est presque impossible à mesurer. Les entreprises investissent massivement dans des outils de codage AI mais ne peuvent pas prouver clairement qu'ils fonctionnent. Lorsqu'on leur demande de choisir entre des abonnements AI coûteux pour leur équipe ou d'embaucher une personne supplémentaire, de nombreux managers choisissent la personne, non pas nécessairement parce que l'IA n'aide pas, mais parce que le nombre de personnes semble plus tangible. 8. La pensée systémique compte plus que le codage. À mesure que l'IA automatise davantage de tâches de codage, la capacité à comprendre comment différents composants fonctionnent ensemble devient la compétence la plus précieuse. Selon le président du programme CS de Stanford, le codage n'est qu'un outil - la véritable compétence est de comprendre comment les systèmes fonctionnent et de concevoir des solutions étape par étape aux problèmes. 9. Nous manquons de texte internet pour nous entraîner. Le monde a essentiellement épuisé les données textuelles disponibles publiquement pour former des modèles AI. Cela signifie que les améliorations futures viendront moins de l'alimentation des modèles avec plus de données et plus de meilleures techniques de formation, de retours humains et de recherche de nouvelles sources de données comme l'audio et la vidéo. 10. Beaucoup de gens ne savent pas quoi construire malgré des outils puissants. Même avec des outils AI capables de construire presque n'importe quoi, de nombreux employés font face à une "crise d'idées" - ils ne savent tout simplement pas quoi créer. La meilleure approche : passez une semaine à remarquer ce qui vous frustre dans votre travail quotidien, puis construisez de petits outils pour résoudre ces points de douleur spécifiques.