Min største takeaway fra @chipro: 1. De største forbedringene til AI-produktet ditt kommer fra å snakke med brukere og forstå tilbakemeldingene deres, ikke fra å ta i bruk de nyeste modellene eller holde seg klistret til AI-nyheter. Mange selskaper kaster bort tid på å diskutere hvilken teknologi de skal bruke, når de virkelige gevinstene kommer fra bedre brukeropplevelse og dataforberedelse. 2. De fleste AI-produktproblemer er ikke AI-problemer. Når bedrifter tror de har et problem med AI-ytelse, er det vanligvis et brukeropplevelsesproblem, et organisatorisk kommunikasjonsgap eller et datakvalitetsproblem. Et selskap trodde at AI-leadscoringssystemet deres var ødelagt, men det virkelige problemet var at markedsføringsteamet ikke stilte de riktige spørsmålene for å få nyttige data. 3. Hvordan du forbereder dataene dine betyr mer enn hvilken database du velger. Bedrifter ser sine største AI-ytelsesgevinster ved å organisere og forberede informasjonen bedre – dele innhold i riktig størrelse, legge til sammendrag, konvertere innhold til spørsmål-og-svar-format – i stedet for å bekymre seg om hvilken teknisk infrastruktur som skal brukes. 4. De beste utøverne drar mest nytte av AI-verktøy. I et kontrollert eksperiment fikk de høyest presterende ingeniørene den største produktivitetsøkningen fra AI-kodeassistenter, ikke de lavest presterende ingeniørene. Senioringeniører som allerede visste hvordan de skulle løse problemer, brukte AI til å jobbe enda raskere, mens lavtpresterende ofte bare kopierte og limte inn kode de ikke forsto. 5. Finjustering bør være din siste utvei. Før du investerer i finjustering av en modell, bør du prøve enklere løsninger først: forbedre ledetekstene, legge til grunnleggende etterbehandlingsskript eller reparere datasamlebåndet. Ett selskap fanget opp 90 % av modellens feil med et enkelt skript. Finjustering skaper kontinuerlig vedlikeholdshodepine og bør bare brukes når alt annet er maksimalt. 6. Du trenger ikke å være perfekt for å vinne. Mange vellykkede selskaper velger "godt nok" fremfor perfekt når de implementerer AI-systemer. De beregner om det er bedre å investere to ingeniører for å forbedre nøyaktigheten fra 80 % til 85 % enn å bruke de samme ingeniørene til å lansere en helt ny funksjon. Ofte gir den nye funksjonen mer verdi. 7. AI-produktivitet er nesten umulig å måle. Bedrifter investerer tungt i AI-kodeverktøy, men kan ikke tydelig bevise at de fungerer. Når de blir tvunget til å velge mellom dyre AI-abonnementer for teamet sitt eller å ansette en ekstra person, velger mange ledere personen, ikke nødvendigvis fordi AI ikke hjelper, men fordi antall ansatte føles mer håndgripelig. 8. Systemtenkning betyr mer enn koding. Etter hvert som AI automatiserer flere kodeoppgaver, blir evnen til å forstå hvordan ulike komponenter fungerer sammen den mest verdifulle ferdigheten. Ifølge Stanfords CS-pensumleder er koding bare et verktøy – den virkelige ferdigheten er å forstå hvordan systemer fungerer og utforme trinnvise løsninger på problemer. 9. Vi går tom for internetttekst å trene på. Verden har i hovedsak brukt opp offentlig tilgjengelige tekstdata for trening av AI-modeller. Dette betyr at fremtidige forbedringer vil komme mindre fra å mate modeller med mer data og mer fra bedre treningsteknikker, menneskelig tilbakemelding og finne nye datakilder som lyd og video. 10. Mange vet ikke hva de skal bygge til tross for at de har kraftige verktøy. Selv med AI-verktøy som kan bygge nesten hva som helst, står mange ansatte overfor en «idékrise» – de vet rett og slett ikke hva de skal lage. Den beste tilnærmingen: bruk en uke på å legge merke til hva som frustrerer deg i ditt daglige arbeid, og bygg deretter små verktøy for å løse de spesifikke smertepunktene.