AIは人材のギャップを拡大していますか?

@chiproからの私の最大の収穫: 1. AI 製品の最大の改善は、最新のモデルを採用したり、AI ニュースに釘付けになったりすることではなく、ユーザーと話し合い、フィードバックを理解することから生まれます。多くの企業は、どのテクノロジーを使用するかを議論するのに時間を無駄にしていますが、本当の利益はユーザーエクスペリエンスの向上とデータ準備からもたらされます。 2. ほとんどの AI 製品の問題は AI の問題ではありません。企業がAIのパフォーマンスに問題があると考える場合、それは通常、ユーザーエクスペリエンスの問題、組織のコミュニケーションギャップ、またはデータ品質の問題です。ある企業は、AI リード スコアリング システムが壊れていると考えていましたが、本当の問題は、マーケティング チームが有用なデータを取得するための適切な質問をしていないことでした。 3. どのデータベースを選択するかよりも、データをどのように準備するかが重要です。企業は、どの技術インフラストラクチャを使用するか悩むのではなく、コンテンツを適切なサイズのチャンクに分割し、要約を追加し、コンテンツを質問と回答形式に変換するなど、情報をより適切に整理して準備することで、AI のパフォーマンスが最大に向上すると考えています。 4. 最高のパフォーマーは AI ツールから最も恩恵を受けます。対照実験では、最もパフォーマンスの高いエンジニアが、最もパフォーマンスの低いエンジニアではなく、AI コーディング アシスタントから最大の生産性の向上を得ました。問題の解決方法をすでに知っているシニアエンジニアは、AIを使用してさらに迅速に作業しましたが、パフォーマンスの低いエンジニアは、理解できないコードをコピーして貼り付けるだけであることがよくありました。 5. 微調整は最後の手段であるべきです。モデルの微調整に投資する前に、まずプロンプトの改善、基本的な後処理スクリプトの追加、データ パイプラインの修正など、より単純な解決策を試してください。ある企業は、モデルのミスの 90% を簡単なスクリプトで発見しました。微調整は継続的なメンテナンスの頭痛の種となるため、他のすべてが最大になった場合にのみ使用する必要があります。 6. 勝つために完璧である必要はありません。多くの成功している企業は、AI システムを導入する際に完璧ではなく「十分に良い」を選択します。彼らは、2 人のエンジニアを投資して精度を 80% から 85% に向上させることが、同じエンジニアを使用してまったく新しい機能をリリースするよりも優れているかどうかを計算します。多くの場合、新機能はより多くの価値を提供します。 7. AI の生産性を測定することはほぼ不可能です。企業は AI コーディング ツールに多額の投資を行っていますが、それが機能することを明確に証明することはできません。チームに高額な AI サブスクリプションを購入するか、さらに 1 人を雇うかの選択を迫られる場合、多くのマネージャーは、必ずしも AI が役に立たないからではなく、人員がより具体的に感じられるため、その人を選択します。 8. システム思考はコーディングよりも重要です。AI がより多くのコーディング タスクを自動化するにつれて、さまざまなコンポーネントがどのように連携するかを理解する能力が最も価値のあるスキルになります。スタンフォード大学の CS カリキュラム委員長によると、コーディングは単なるツールであり、本当のスキルはシステムがどのように機能するかを理解し、問題に対する段階的な解決策を設計することです。 9. トレーニングできるインターネットテキストが不足しています。世界は、AI モデルをトレーニングするために公開されているテキスト データを実質的に使い果たしています。これは、将来の改善が、モデルにより多くのデータを与えることではなく、より優れたトレーニング技術、人間のフィードバック、オーディオやビデオなどの新しいデータソースの発見によってもたらされることを意味します。 10. 多くの人は、強力なツールを持っているにもかかわらず、何を構築すればよいかわかりません。ほとんど何でも構築できる AI ツールを使用しても、多くの従業員は「アイデアの危機」に直面しており、何を作ればよいかわかりません。最善のアプローチは、日々の仕事で何がイライラしているのかに 1 週間かけて気づき、それらの特定の問題点を解決するための小さなツールを構築することです。