Jak zlepšit svou práci v rozvíjející se ekonomice AI

Technologické projekty vyžadují architektonické dovednosti na vyšší úrovni a ekonomika AI vyžaduje hodnocení a schopnosti logického myšlení.

Umělá inteligence (AI) - stejně jako cloud computing před několika lety - zvedá ekonomiku informačních technologií. Umělá inteligence má v mnoha ohledech moc učinit technologii mnohem efektivnější. Výzvou však je pomoci lidem a organizacím posunout se na další úroveň a přizpůsobit se nové realitě umělé inteligence.

Měl jsem příležitost diskutovat o vyvíjející se technologické ekonomice s Dr. Susan Athey, která byla nedávno jmenována hlavní vědeckou poradkyní Keystone Strategy. Athey je také profesorem ekonomie na Stanfordské univerzitě a bývalým hlavním ekonomem společnosti Microsoft.

„Je těžké kvantitativně plně zachytit výhody svižnějšího přístupu a možnosti přidávat další funkce a dělat více projektů a experimentovat a inovovat, které byste jinak neudělali,“ řekl Athey. Pokud jsou lidé a organizace řádně připraveni, vidí před sebou příležitosti.

"Je obtížné a nákladné budovat a nasazovat systémy řízené umělou inteligencí, ale čistým výsledkem jsou technologické infrastruktury a aplikace, které poskytují rychlejší a efektivnější provoz. Provozování těchto systémů může být o něco snazší, jakmile budou spuštěny," řekla. "Ve srovnání se strojovým učením, které jsem dělal posledních 16 až 17 let v průmyslu, je toto poslední kolo jednodušší na údržbu a vyžaduje méně složité kódování."

Celkově pokračovala: "Mám pocit, že vidíme konvergenci a konečně vidíme návratnost spousty investic, které jsme společně jako průmysl v průběhu času provedli. Lidé se naučili, jak vytvářet modulární kód. Naučili se Spousta optimalizace, která byla dříve velmi rafinovaná a nyní je tato velmi výkonná, univerzální optimalizační rutina. Nejnovější algoritmus se může do těchto optimalizačních rutin prostě zapojit."

V důsledku této transformace Athey řekl, že technologičtí profesionálové musí přehodnotit své role a kariéry. "Myslím, že se kódování zjednodušilo. Moji studenti na Stanfordu pravděpodobně píší 80 % svého kódu pomocí Copilota," řekla. "Je to dobré při hledání syntaktických chyb a psaní únavného kódu. Znalost konkrétního jazyka je méně důležitá. Od začátku své kariéry jsem kódoval asi v 10 různých jazycích."

Ale zatímco tyto technologie pomáhají s přímočařejšími procesy kódování, Athey řekl, že pro technologické projekty jsou vyžadovány architektonické dovednosti vyšší úrovně - „struktura a jak by se věci měly dělat“. Ekonomika umělé inteligence bude navíc vyžadovat hodnocení a schopnosti logického myšlení.

"Na Stanfordu každoročně vysíláme tisíce studentů informatiky a inženýrství. Všichni jsou velmi dobří ve stahování datových souborů z webu a práci s nimi. Školení, optimalizace věcí, předpovídání věcí, klasifikace věcí, porovnávání modelu A k modelu B a porovnávání jejich výkonu však mají velmi, velmi málo školení v otázce: „Jak byste věděli, kdy nebo proč se to daří? Jaké jsou slabiny? zlepšit to?"

Výzva s modely AI spočívá v tom, že „budou vám dávat nesprávné odpovědi část času,“ řekl Athey. "Nemáme vědu, abychom věděli, kdy vám dává špatné odpovědi a kdy vám dává správné odpovědi. Jako možná nemáte ve svých souborech dostatek mladých lidí. Snažíte se jich více halucinovat. Ale to vám může nebo nemusí pomoci dozvědět se více o mladých lidech. Potřebuji posoudit, že tyto rysy mladých lidí jen halucinuji. A model to neví - nebude modelka to nemá jak vědět přímo."

Řekli, že základem je, že současní a budoucí technologičtí profesionálové budou zpracovávat a ukládat data, která pohání podniky řízené umělou inteligencí. "Při používání nových druhů umělé inteligence se trochu naučíte o hodnotě vašich dat. Jaká je hodnota externích datových zdrojů? Jaké iniciativy jste zkoušeli dříve nebo které nefungovaly, protože jste neměli dostatek dat." Existují nějaké iniciativy, které byste teď mohli zkusit znovu?" Řekla, že součástí výzvy je, že modely umělé inteligence mohou potřebovat spotřebovávat „historická nestrukturovaná chaotická data“.

Vedoucí pracovníci a profesionálové se musí orientovat "v další vrstvě analýzy, která vyžaduje hodně logického myšlení. Vyžaduje porozumění statistikám a podmíněným očekáváním. Potřebujete matematické rámce. Zeptat se: "Co to znamená, aby to bylo správné? A dát také přesnou odpověď?'“ A právě teď je tato úroveň kritického myšlení a nástrojů na jeho podporu stále nedostatková, řekl Athey.