Мой главный вывод от @chipro: 1. Наибольшие улучшения вашего AI-продукта происходят от общения с пользователями и понимания их отзывов, а не от принятия последних моделей или постоянного следования новостям AI. Многие компании тратят время на обсуждение, какую технологию использовать, когда настоящие победы приходят от улучшения пользовательского опыта и подготовки данных. 2. Большинство проблем с AI-продуктами не являются проблемами AI. Когда компании думают, что у них есть проблема с производительностью AI, это обычно проблема пользовательского опыта, организационного общения или качества данных. Одна компания думала, что их система оценки лидов AI сломана, но настоящей проблемой было то, что маркетинговая команда не задавала правильные вопросы, чтобы получить полезные данные. 3. Как вы подготавливаете свои данные, имеет большее значение, чем какой базу данных вы выбираете. Компании видят свои наибольшие приросты производительности AI от лучшей организации и подготовки своей информации — разбивая контент на правильные размеры, добавляя резюме, преобразуя контент в формат вопрос-ответ — а не мучаясь над тем, какую техническую инфраструктуру использовать. 4. Ваши лучшие исполнители получают наибольшую выгоду от инструментов AI. В контролируемом эксперименте инженеры с наивысшей производительностью получили наибольший прирост продуктивности от AI-ассистентов по кодированию, а не низшие исполнители. Старшие инженеры, которые уже знали, как решать проблемы, использовали AI, чтобы работать еще быстрее, в то время как низкие исполнители часто просто копировали и вставляли код, который не понимали. 5. Тонкая настройка должна быть вашим последним средством. Прежде чем инвестировать в тонкую настройку модели, попробуйте сначала более простые решения: улучшите свои подсказки, добавьте базовые скрипты постобработки или исправьте свой конвейер данных. Одна компания поймала 90% ошибок своей модели с помощью простого скрипта. Тонкая настройка создает постоянные головные боли по обслуживанию и должна использоваться только тогда, когда все остальное исчерпано. 6. Вам не нужно быть идеальным, чтобы победить. Многие успешные компании выбирают "достаточно хорошо" вместо идеального при внедрении систем AI. Они рассчитывают, лучше ли инвестировать двух инженеров для повышения точности с 80% до 85%, чем использовать тех же инженеров для запуска совершенно новой функции. Часто новая функция приносит больше ценности. 7. Производительность AI почти невозможно измерить. Компании сильно инвестируют в инструменты кодирования AI, но не могут четко доказать, что они работают. Когда их заставляют выбирать между дорогими подписками на AI для своей команды или наймом одного дополнительного человека, многие менеджеры выбирают человека, не обязательно потому, что AI не помогает, а потому, что численность персонала кажется более осязаемой. 8. Системное мышление важнее, чем кодирование. Поскольку AI автоматизирует все больше задач по кодированию, способность понимать, как разные компоненты работают вместе, становится самым ценным навыком. По словам председателя кафедры CS Стэнфорда, кодирование — это всего лишь инструмент — настоящий навык заключается в понимании того, как работают системы, и в проектировании пошаговых решений для проблем. 9. У нас заканчивается текст в интернете для обучения. Мир фактически исчерпал общедоступные текстовые данные для обучения моделей AI. Это означает, что будущие улучшения будут происходить меньше от подачи моделям большего объема данных и больше от лучших методов обучения, человеческой обратной связи и поиска новых источников данных, таких как аудио и видео. 10. Многие люди не знают, что строить, несмотря на наличие мощных инструментов. Даже с инструментами AI, которые могут построить почти все, многие сотрудники сталкиваются с "кризисом идей" — они просто не знают, что создать. Лучший подход: проведите неделю, замечая, что вас раздражает в вашей повседневной работе, а затем создайте небольшие инструменты для решения этих конкретных проблем.