Ask HN: Welche sind die nützlichsten, konkreten AI-Fähigkeiten, die man sich selbstständig aneignen kann?

Ask HN: What are the most useful, concrete AI skills to independently learn?

Ich möchte wissen, welche konkreten Fähigkeiten ich mir als Einzelperson aneignen kann, um wirtschaftlich von den Fortschritten bei LLMs, Agents und den damit verbundenen neuen technologischen Möglichkeiten zu profitieren. Was kann ich allein durch das Internet und Experimentieren lernen, ohne ein Studium, vorausgesetzt, ich habe einen mäßig technischen Hintergrund? Je klarer und spezifischer (z. B. „Lerne, wie man x mit y macht“), desto besser.

Suche nach AI-Zertifizierungswegen von BigTech. Alle von ihnen (Google, Amazon, Microsoft usw.) und ihre größten Kunden sind verzweifelt auf der Suche nach Leuten. Sie nennen es „frontier“ zertifizierter Operator/Engineer/Manager/Analyst/Cybersec usw.
Da du einen mäßig technischen Hintergrund hast, kannst du sofort PhD-Material von deinem Schreibtisch aus studieren, das im gesamten Web weit verbreitet ist. Die Zeit, die du dafür aufwenden musst, ist jedoch nicht viel anders. Ich denke, jeden Tag für zehn Jahre ist eine gute Zeitspanne, um in ein Fach zu investieren, es sei denn, du hast mehrere Interessengebiete (du hast drei genannt) – multipliziere das mit ein paar Jahren des bloßen Überfliegens des Materials für jedes, damit du ein mittelmäßiges Verständnis hast, um „lerne, wie man x mit y macht“ für x und y zu lösen. Hoffe, das hilft.
Es gibt keine, das ist irgendwie das Ziel dieser Sache: die Fähigkeitsschwelle zu erhöhen, jeden austauschbar zu machen, damit Unternehmen die Gehälter senken können. Wenn du deine Karriere sichern willst, freunde dich mit mächtigen Leuten an, lerne, wie man sich einschleimt. Oder tue gute Taten und bete für Reinkarnation als Kind einer reichen Familie. Wenn du denkst, ich liege falsch, musst du dich nur fragen, warum die rücksichtslosesten Kapitalisten Billionen von Dollar in AI investieren. Es ist nicht, weil sie ein besseres Produkt liefern wollen.
  1. cadamsdotcom

    Die modernsten und effizientesten Slopftware-Fabriken haben einen Engpass dabei, die Dinge rauszubekommen.

    Das ist eine riesige Chance für dich.

    Lerne die vielen Techniken, die die Industrie für die Skalierung von Verifikation entwickelt hat.

    Ich meine nicht Infrastruktur; CI ist gelöst. Ich meine Red-green & testgetriebene Entwicklung, die Testpyramide (die meisten Unit-Tests/weniger funktionale/Integrationstests/Happy-Path-E2E-Tests), lerne, wie man das Beste aus Tools wie Playwright und Test-Frameworks wie pytest und vitest sowie der Testing-Tooling von Go und Rust herausholt. Lerne, wann man mockt und wann man die Abhängigkeiten deines Codes in einen Test einbezieht (Testgrenzen). Lerne Muster wie Dependency Injection, damit deine Tests kein I/O haben und SCHNELL sind.

    Lerne, Verifikation zu skalieren, und du wirst den größten Engpass deines Teams lösen.

  2. lmf4lol

    Ich persönlich würde sagen: Lerne, wie ein Ingenieur zu denken. Das heißt:

    - Eine Situation in Prozesse und diskrete Schritte zerlegen können

    - Das tatsächliche (!) Problem beschreiben können, das gelöst werden soll

    - Beschreiben können, wie man überprüft, dass das Problem tatsächlich gelöst ist

    - Die richtigen Fragen dazu stellen können, WIE das Problem gelöst wurde, um Verständnis zu gewinnen und die nächsten Schritte und Verbesserungen zu identifizieren

    - Erkennen können, wann die KI feststeckt oder in ein Rabbit Hole gerät, und sie da wieder herausführen können.

    - Verstehen, worin LLMs gut sind und worin nicht. Und es gibt jede Menge Dinge, in denen sie nicht gut sind.

    Disclaimer: Das basiert absolut nicht auf irgendeiner wissenschaftlichen Studie oder so :-) Nur meine persönliche Erfahrung! Fühlt euch frei, zu widersprechen.

    Aber meine Erfahrung kommt direkt aus meiner Arbeit: Ich habe viele Kunden auf meiner Plattform, die keine Ingenieure sind, aber KI nutzen, um Geschäftsprobleme durch Automatisierungen zu lösen. Fast jedes Mal, wenn sie feststecken (oder in kürzester Zeit eine Unmenge an Tokens verbrennen), liegt es daran, dass eine dieser Fähigkeiten fehlt. Also versuche ich, ihnen immer mehr beizubringen, wie man „wie ein Ingenieur denkt“. Und oft, wenn es Klick macht, werden sie in sehr kurzer Zeit viel besser darin, KI zu nutzen. Die besten Lernenden sind oft diejenigen, die bereits einen irgendwie gearteten Ingenieurhintergrund hatten.

    Zugegeben, die Frontier-Modelle können sich selbst ziemlich gut helfen und oft erstaunliche Ergebnisse mit sehr schlechtem Input produzieren. Aber sie sind auch teuer. Wenn du mit […]

  3. hypfer

    Die beste KI-Fähigkeit, die man lernen kann, ist tatsächlich People Management.

    Um KI erfolgreich zu steuern, braucht man im Wesentlichen dasselbe, was man bräuchte, um Menschen in einer Managementrolle zu steuern.

    Also Kommunikation, Introspektion, Remote-Introspektion, emotionale Intelligenz und all das Zeug.

    Erkennen, wenn dir jemand Bullshit erzählt. Erkennen, wenn jemand unsicher ist und das überkompensiert. Die tatsächlichen Probleme erkennen, mit denen Menschen kämpfen, und nicht die, die sie behaupten, noch ihre vorgeschlagenen Lösungen.

    Formulieren, was man von jemandem will, und zwar so, dass es ihn tatsächlich befähigt, es zu tun. Wissen, was man tun will, auf einem Level, auf dem das möglich ist.

  4. hypendev

    Ich würde sie so einordnen – das kommt aus der Anwendung von LLMs seit der GPT-3-Autocomplete-API, dem Unterrichten von Leuten, wie man sie benutzt, dem Halten von Vorträgen für Entwickler, dem Beantworten ihrer Fragen, dem Trainieren meiner eigenen Modelle und dem Beobachten, wie Menschen mit ihnen interagieren:

    1. Sein eigenes Modell bauen – das kostet dich ein bisschen was, ist aber ohne Zweifel der beste Weg, konkrete KI-Fähigkeiten zu erwerben. Von der Datenauswahl bis zum Training, zu sehen, wie es sich entwickelt, verbessert und skaliert. Du wirst die „Hyperebenen“ der inneren Welt eines Modells besser verstehen, als alles andere es dir beibringen kann. Du wirst lernen, wie man Daten auswählt, wie sie die Modellqualität, die Denkweise, die Scores, die Persönlichkeit beeinflussen. Wenn dir das eigene Training zu viel ist, fang mit einem fertigen Pretrain an und spiele damit herum.

    2. Einen Harness um ein Completion-Modell bauen – das würde ich als zweitbesten Weg einordnen, um die inneren Welten von LLMs zu verstehen. Es hilft dir, eine Intuition dafür zu entwickeln, wie Prompting wirklich funktioniert, wie sie die Antworten formen, wie man darum herum baut. Dann kannst du ein SFT für deinen eigenen Harness machen.

    3. Einen Harness und einen Orchestrator um fertige Modelle bauen – das nimmt Bronze. Es lehrt dich, wie Harnesses, Agenten und Swarms tatsächlich funktionieren, wie sie die Gedanken und Handlungen des Modells formen, wie Modelle mit ihnen interagieren, wie sie angewendet werden können und wie sie ohne Menschen funktionieren können.

    .

  5. OgsyedIE

    Ich denke, die Antwort auf den Titel ist „sich psychologisch auf kurze Zeitlinien vorbereiten“ und dass man eine gute Erklärung bekommt, wenn man genau diesen Satz googelt, aber es gibt eine andere Antwort auf den Text des Posts.

    Auf die Frage im Text des Posts: Schau dir Jeremy Utleys etwa 11-minütiges YouTube-Video „How Stanford teaches AI“ an. Es ist ein paar Jahre alt, aber er hat die richtige Haltung herausgefunden und sie viel früher als alle anderen kommuniziert. Schau es dir vollständig und ohne Ablenkungen an und wende die Lektion sofort auf die verschiedenen Fragen im OP-Post an.

Mehr von diesem Tag

2026-11-14