Ask HN: Какие самые полезные и конкретные навыки в области AI можно освоить самостоятельно?
Ask HN: What are the most useful, concrete AI skills to independently learn?
Я хочу понять, какие конкретные навыки стоит освоить, чтобы получить экономическую выгоду от достижений в LLM, агентах и связанных технологиях. Что доступно для изучения только через интернет и эксперименты, без дипломной программы, при наличии умеренного технического бэкграунда? Чем конкретнее (например, «научиться делать X с помощью Y»), тем лучше.
Ищите пути сертификации по AI от BigTech. Все они (Google, Amazon, Microsoft и т.д.) и их крупнейшие клиенты отчаянно нуждаются в людях. Это называют «frontier» сертифицированный оператор/инженер/менеджер/аналитик/специалист по кибербезопасности и т.д.
Раз у вас есть умеренный технический бэкграунд, вы можете начать изучать материал уровня PhD прямо сейчас со своего рабочего места, он широко доступен по всему интернету, однако время, которое вам нужно потратить, не сильно отличается. Я думаю, ежедневно в течение десяти лет — хороший срок для инвестирования в любой один предмет, если у вас нет нескольких областей интересов (вы назвали три), умножьте это на несколько лет только поверхностного просмотра материала для каждой, чтобы иметь посредственное понимание, чтобы решить «научиться делать x с помощью y» для x и y. Надеюсь, это поможет.
Их нет, в этом и заключается цель всего этого — поднять базовый уровень навыков, сделать всех взаимозаменяемыми, чтобы компании могли снизить зарплаты. Если вы хотите обеспечить свою карьеру, заводите друзей среди влиятельных людей, учитесь подлизываться. Или делайте добрые дела и молитесь о реинкарнации в ребенке богатой семьи. Если вы думаете, что я ошибаюсь, просто спросите себя, почему самые безжалостные капиталисты инвестируют триллионы долларов в AI. Не потому, что они хотят предложить лучший продукт.
- cadamsdotcom
Самые современные и эффективные фабрики софтверного шлака сейчас упираются в узкое место, пытаясь выпустить продукт за дверь.
Это огромная возможность для вас.
Изучите множество техник, которые индустрия разработала для масштабирования верификации.
Я не имею в виду инфраструктуру; CI — решённая задача. Я имею в виду Red-green и разработку через тестирование, пирамиду тестирования (больше юнит-тестов / меньше функциональных / интеграционных тестов / e2e-тесты по счастливому пути), научитесь выжимать максимум из таких инструментов, как Playwright, и тестовых фреймворков вроде pytest, vitest, а также тестовых инструментов Go и Rust. Узнайте, когда использовать моки, а когда включать зависимости вашего кода в тест (границы тестирования). Изучите такие паттерны, как внедрение зависимостей, чтобы ваши тесты могли не выполнять ввод-вывод и быть БЫСТРЫМИ.
Научитесь масштабировать верификацию — и вы решите самое узкое место вашей команды.
- lmf4lol
Лично я бы сказал: научитесь думать как инженер. А именно:
- Уметь анализировать ситуацию, разбивая её на процессы и дискретные шаги.
- Уметь описывать фактическую (!) проблему, которую вы хотите решить.
- Уметь описывать, как проверить, что проблема действительно решена.
- Уметь задавать правильные вопросы о том, КАК проблема была решена, чтобы понять и определить следующие шаги и улучшения.
- Уметь распознавать, когда ИИ застревает или уходит в кроличью нору, и выводить его оттуда.
- Понимать, в чём LLM хороши, а в чём нет. И есть куча вещей, в которых они не хороши.
Дисклеймер: это абсолютно не основано на каких-либо научных исследованиях :-) Просто мой личный опыт! Не стесняйтесь не соглашаться.
Но мой опыт исходит непосредственно из моей работы: у меня на платформе много клиентов, которые не инженеры, но используют ИИ для решения бизнес-задач через автоматизации. Почти каждый раз, когда они застревают (или сжигают кучу токенов за считанные секунды), это происходит потому, что одного из этих навыков не хватает. Поэтому я стараюсь всё больше учить их «думать как инженер». И часто, когда это доходит, они становятся намного лучше в использовании ИИ за очень короткое время. Лучшие ученики — часто те, у кого уже есть какой-то инженерный бэкграунд.
Конечно, передовые модели довольно хорошо справляются сами и часто выдают потрясающие результаты при очень плохом вводе. Но они также дороги. Если вы работаете с […]
- hypfer
Лучший навык в области ИИ, который стоит освоить, — это на самом деле управление людьми.
Чтобы успешно управлять ИИ, вам нужно по сути то же самое, что понадобилось бы для управления людьми на руководящей должности.
То есть коммуникация, самоанализ, дистанционный самоанализ, эмоциональный интеллект и всё такое прочее.
Умение читать, когда вам вешают лапшу на уши. Читать, когда кто-то неуверен и гиперкомпенсирует это. Читать настоящие проблемы, с которыми люди борются, а не те, о которых они заявляют, и не их предложенные решения.
Умение формулировать, что вам нужно, чтобы кто-то сделал, так, чтобы это действительно позволило ему это сделать. Знать, чего вы хотите, на том уровне, на котором это возможно.
- hypendev
Я бы расставил их так — это исходит из применения LLM начиная с API автодополнения GPT-3, обучения людей их использованию, выступлений перед разработчиками, ответов на их вопросы, обучения собственных моделей и наблюдения за тем, как люди с ними взаимодействуют:
1. Создание собственной модели — это будет стоить немного, но, без сомнения, это лучший способ приобрести конкретные навыки в области ИИ. От выбора данных до обучения, наблюдения за тем, как она развивается, улучшается и масштабируется. Вы поймёте «гиперплоскости» внутреннего мира модели лучше, чем что-либо ещё может вас научить. Вы узнаете, как выбирать данные, как они влияют на качество модели, образ мышления, оценки, личность. Если обучение своей модели — это слишком, начните с готовой предобученной и поиграйте с ней.
2. Создание обвязки вокруг модели-дополнителя — я бы поставил это на второе место для понимания внутренних миров LLM. Это помогает построить интуицию о том, как на самом деле работает промптинг, как они формируют ответы, как строить вокруг этого. Затем вы можете сделать SFT для своей собственной обвязки.
3. Создание обвязки и оркестратора вокруг готовых моделей — это бронза. Это учит вас, как на самом деле работают обвязки, агенты и рои, как они формируют мысли и действия модели, как модели взаимодействуют с ними, как их можно применять и как они могут работать без людей.
.
- OgsyedIE
Я думаю, ответ на заголовок — «психологическая подготовка к коротким срокам», и вы можете найти хорошее объяснение, загуглив эту точную фразу, но на тело поста есть другой ответ.
На вопрос в теле поста взгляните на примерно 11-минутное видео Джереми Атли на YouTube «How Stanford teaches AI». Ему пару лет, но он разобрался в правильном подходе и передал его гораздо раньше всех остальных. Посмотрите его полностью, без отвлечений, и сразу примените урок к различным вопросам в посте OP.