ChatGPT ist ein typisches einmonatiges Praktikumsproblem im Datenbereich. Das Drawback wurde in gewisser Weise „gelöst“, aber ich bin mir nicht sicher, ob es das bedeutet, was ich mir vorgestellt habe. Für Daten- und KI-Praktiker ist dies mittlerweile eine sehr praktische Frage. Viele Groups nutzen Praktikanten oder Forschungsspitzen, um Ideen zu erkunden: Ist KI jetzt intestine genug? Geht es bei diesen Projekten nur um das endgültige Artefakt?

Praktikanten als Entdecker

Die Erstellung einer Technologie-Roadmap bei einem Daten-Startup in der Frühphase unterscheidet sich nicht wesentlich von einer typischen Videospiel-Karte:

Die Roadmap ist nicht nur viel umfassender als das, was Sie tun können, sondern auch was Sie können sehen. Wenn wir nur einen Blick über den „(Produkt-)Horizont“ werfen könnten, indem wir einen Entdecker schicken, um die Karte zu räumen, dann würden wir uns darüber im Klaren sein, was Sie erwartet sobald du dort angekommen bist (Der Entdecker könnte sterben, daher ist die Analogie bis zu einem gewissen Punkt intestine).

Bauplan (welches Ich conflict Mitbegründer im Jahr 2024) hat die (für seine Größe) ungewöhnliche Entscheidung getroffen, Sommerpraktika an Prime-Institutionen (Columbia College, CMU, College of Wisconsin–Madison) anzubieten, um einen Blick über den Horizont zu werfen. Es hat bisher sehr intestine funktioniert. Abgesehen von einem besseren Einstellungstrichter, einem besseren Ansehen in der Gemeinschaft und einer gewissen sozialen Schlagkraft wurden Untersuchungen durchgeführt ihren Weg in unser Produktund werden im Zuge des Unternehmenswachstums zu strategischen Vermögenswerten.

Während ich Praktikumsangebote für den Sommer 2026 verschicke, sagt mir die Hälfte meines X-Feeds, dass ich alles falsch mache. Alles andere als ein hypothetisches Drawback, in unterschiedlichen Stadien, Größen und Einschränkungen, alle Daten- und KI-Groups Heute stehen vor der gleichen Frage: Gibt es jetzt eine bessere Möglichkeit, Forschungsspitzen mit Agenten durchzuführen? Wenn ja, was ist ein gutes, getestetes KI-Setup, das sich leicht anpassen lässt?

In der Hoffnung, dass unsere Erfahrung und Perspektive für viele Datenpraktiker wertvoll sein werden, ist dies unser Aufbau und die Lehren, die wir aus einem echten Forschungsschub durch die Kombination mit ChatGPT gezogen haben.

Zuerst kamen sie, um die Berater zu holen, und ich habe mich nicht dazu geäußert …

In einer Zeit, in der KI eine Bedrohung für Wissensarbeiter darstellt, scheinen die Junior-Positionen diejenigen zu sein, die zuerst fallen. Warum sollte McKinsey einen Ivy-League-Analysten engagieren, wenn ein 200-Greenback-Abonnement schneller mehr Berichte produziert? In letzter Zeit scheint mein Feed darauf hinzudeuten, dass die KI möglicherweise auch hinter Forschern her ist und Akademiker versuchen, sich selbst zu automatisieren – „völlig autonome Forschung von der Idee zum Papier“ – und Professoren diskutieren darüber, ob das so ist Stellen Sie keine Assistenten mehr ein.

Es gibt offensichtliche Argumente, sich dem Development zu widersetzen. Wir können das angreifen Ergebnisund argumentieren, dass die Technologie immer noch fehlerhaft ist, sodass die versprochene „Ivy League“-Parität einfach nicht gegeben ist. Wir können argumentieren, dass die Gesellschaftsvertrag wird gebrochen: Natürlich waren junge Forscher immer (in gewissem Sinne) eine „Final“, aber diese Final conflict sowohl eine Möglichkeit, sie voranzutreiben, als auch eine Investition in die nächste Era. Wir können auch das Potenzial hervorheben Langzeitschäden einen wohlverstandenen Denkprozess durch einen neuen, ungetesteten Arbeitsablauf zu ersetzen.

Obwohl hinter all diesen Argumenten Gewicht steckt, könnten oberflächlich betrachtet parallele Argumente für die Erfindung von Autos oder was auch immer ausgelegt werden. Es gibt immer eine Zeit und einen Ort für diese Debatten, aber mein Interesse Heute ist viel lokaler und persönlicher: Wie würde es sich anfühlen, wenn ICH Sollte ich meine Praktikanten für ein 200-Greenback-Abonnement im Stich lassen?

Additionally (nicht unähnlich diese Physik (Experiment, das ich kürzlich entdeckt habe) Ich habe versucht, den Monat eines Praktikanten mit ChatGPT in ein Wochenende zu quetschen.

Auch wenn das genaue Drawback nicht besonders wichtig ist, kann es hilfreich sein, den Rahmen des Praktikums festzulegen, um ein Gefühl dafür zu bekommen Typ was Praktikanten bei Bauplan machen (gerne überspringen!). Bauplan ist eine verzweigte Datenplattform: Agenten und Menschen können Git-ähnliche Zweige auf ihrer Plattform öffnen Tische. Infolgedessen kann dieselbe Tabelle in verschiedenen Zweigen unterschiedliche Versionen haben. In unserem motivierenden Beispiel Acme Inc. ist ein On-line-Händler, bei dem ein Schwarm von Datenagenten damit beauftragt ist, unterschiedliche Vorhersagen über die Verkäufe von morgen zu treffen:

Im Idealfall würde ein Mensch die Arbeit überprüfen, die Ergebnisse vergleichen und gegenüberstellen und sie dann zusammenführen Vorhersagen Tabelle als Die kanonische Datendarstellung. Was aber, wenn jemand eine Frage stellt, bevor das passiert?

Bestehende Systeme würden sich einfach weigern, eine Antwort zu geben, selbst wenn sich das intuitiv als Verschwendung anfühlt: Zwei Agenten, die den monatlichen Umsatz berechnen, sind sich möglicherweise nicht einig über die genaue Zahl, aber beide sind sich einig, dass der Umsatz im Vergleich zum Vorquartal um mehr als 10 % gestiegen ist. Mit anderen Worten: Auch wenn es keine systemweit vereinbarte Model der Daten gibt, können wir könnte noch viele interessante Fragen beantworten.

Unser Praktikumsziel ist es dann, einen Prototyp eines solchen Techniques zu bauen. Es erfordert das Erlernen von Verzweigungen, das Erlernen neuer Mathematik, das Entwerfen einer Lösung auf der Grundlage von Bauplan sowie die Erstellung eines Textual content-zu-SQL-Moduls (einfach) und eines benutzerdefinierten Abfragepfads (schwer).

Das KI-Setup

Bauplaner hatten kürzlich das Privileg, den einzigartigen Wes McKinney bei einer Dwell-Demo seines Setups zu sehen, additionally habe ich beschlossen, es zu übernehmen (mit einigen kleinen Änderungen):

• ChatGPT 5.2 zum Planen und Entscheiden von Strategien (z. B. wie man einen Benchmark entwirft, der den Unterschied zwischen technischen Ansätzen hervorhebt);
• Claude Code in Visible Studio, um die eigentliche Entwicklungsschleife durchzuführen;
• Roborev um Commits lokal kontradiktorisch zu überprüfen. Die von Codex unterstützten Bewertungen heben potenzielle Probleme hervor und schlagen Verbesserungen vor.
• Roborev überprüft etwa alle 10 Commits, um die Projektkomplexität zu bändigen: Diese Überprüfungen nehmen einen architektonischen Standpunkt ein und helfen dabei, die Aufblähung zu reduzieren.

Der wahre Schatz waren die Freunde, die wir unterwegs kennengelernt haben

Da ich den Gedanken nicht ertragen kann, dass KI für mich schreibt (weil ich ehrlich gesagt auch den Gedanken nicht ertragen kann, dass Praktikanten das für mich tun), habe ich den letzten Textual content geschrieben ich selbst. Da Praktika in der Regel damit enden, dass die Ergebnisse mit der Group geteilt werden, hatte ich am Ende genug Dinge für ein ACM SAO Papier, „Alles überall auf einmal abfragen“.

In gewisser Hinsicht hatte die X-Crowd Recht: Selbst wenn man eine Qualitätsinkongruenz zugab, habe ich die KI 48 Stunden lang betreut, um, sagen wir, 80 % dessen zu erledigen, was Wochen gedauert hätte. Interessanterweise ist Babysitten von anderer Natur: Die KI ist so begierig darauf, zufrieden zu sein, dass sie am Ende oft „schummelt“, um durch fest codierte Verknüpfungen oberflächliche Ergebnisse zu erzielen. Während viele Daten- und KI-Probleme oberflächlich betrachtet leicht zu überprüfen sind, lassen sie sich unserer Erfahrung nach auch leicht ausspielen: Dies gilt insbesondere dann, wenn die Interpretation des Versuchsaufbaus differenziert ist oder die endgültige Metrik nicht eindeutig ist: Sie sollten dreimal überprüfen, ob Ihre KI-Agenten bergauf klettern oder nur so tun.

Andererseits muss die KI nicht über Tarskis Modelle oder Wahrheitsschwemme aufgeklärt werden, da das Anhängen einiger Papiere ausreicht, um sofort loslegen zu können. Die Ergebnisse waren auch „greifbar“: Ich habe eine intestine aussehende Net-App, ohne D3.js erneut in die Hand nehmen zu müssen (10 Jahre nach meinem letzten Mal!), und ein Demo-Skript, das Agenten-Pipelines und Geschäftsfragen über Zweige simuliert. Wenn Sie das glauben (wie ich). Prototypen schlagen im Allgemeinen PowerPoint (oder Papiere) besteht kein Zweifel am gelieferten KI-Stack etwas.

Schwieriger in Worte zu fassen ist, was nicht geliefert wurde, oder genauer gesagt, was ICH dabei verloren. Bei aller Aufregung über das unglaubliche Diagramm und den überraschenden Benchmark hat nichts davon wirklich mehr hervorgebracht Verständnis. Ich bin nicht klüger geworden, weil ich den Forschungsvorgang durchlaufen habe: Ich habe etwas mehr Instinct als zuvor (z. B. wie ich besser zu guten SQL-Übersetzungen auffordern kann), aber meine mentalen Modelle haben weitgehend die gleiche Auflösung wie zu Beginn. Die Arbeit mit Praktikanten kann zeitaufwändig und manchmal sogar frustrierend sein, aber sie bringt bei ihnen immer bessere Gedanken hervor Und mich selbst: Indem sie sie erklären und betreuen, erklären und betreuen sie mich in gewisser Weise auch.

Wenn ich jetzt Ergebnisse bekomme, ohne viel zu lernen, fühle ich mich unwohl, vor allem weil nicht klar ist, ob das so ist sollte wichtig sein. Ich meine nicht, ob es auf globaler Ebene wichtig ist: Natürlich Wenn unsere Kinder nicht mehr lernen und unsere Wissenschaftler das Denken auf ein Gespräch verlagern, ist das schlecht. Ich bin jetzt nur noch bescheiden darauf konzentriert Das: Ist es für mich, für mein Unternehmen, für meine Investoren von Bedeutung?

Die lokale, persönliche Antwort ist weniger eindeutig – es sei denn, Sie haben ein sehr übertriebenes Selbstbewusstsein. Ich weiß, wie man programmiert, und ich könnte wahrscheinlich noch ein wenig mathematische Logik beibringen, daher geht dieses Projekt in gewisser Weise sowieso nicht auf neue Wege: Vielleicht ist es das auch nicht so viel zu lernen Hier (abgesehen von der Machbarkeit des Ganzen, die ich natürlich von Anfang an vermutet habe) und dem Unbehagen, das ich empfinde, ist das Erbe einer früheren Denkweise. OderVielleicht gibt es keine Aufgabe, die zu bescheiden ist, um eine etwas bessere Model von mir selbst zu werden: die Kleinarbeit zu erledigen, unsere APIs mit einem Diagramm zu verbinden, DataFusion 13 Mal nicht zu kompilieren, hin und her zu gehen, wie man Abfragen für einen überzeugenden Benchmark auswählt, bei dem kein anderes System unseren Abfragepfad ausdrücken – geschweige denn berechnen – kann. Ich fühle mich unwohl, weil reale Projekte für reale, nicht zu sehr egoistische Menschen eine sehr große Oberfläche von Problemen aufweisen, bei denen es sich offensichtlich weder um das Denken nach den ersten Prinzipien noch um offensichtliche Implementierungsdetails handelt.

Ich habe kein Drawback Heute (Morgen werden wir sehen…) mit der vereinfachenden Ansicht, dass Menschen denken sollten und LLMs die Matplotlib-Syntax korrigieren sollten. Aber ich habe mit der großen Grauzone zu kämpfen dazwischenund die innere Stimme flüstert das durch die Behandlung alles Als Implementierungsdetail werden meine Gedanken bald nicht mehr scharf sein. Werden wir wie diese VCs, die „Muster anpassen“ und alle Nuancen verlieren? Ist der Sinn eines Beweises, der einen Satz beweist (jedoch Außerirdisch aussehend, könnte der Beweis sein) oder uns einen Roman geben Verständnis?

Die Zukunft kann (ein bisschen) warten

Beobachten meine Entscheidungen (und nicht meine Gefühle) für den Sommer 2026 offenbaren tatsächlich die Konsequenzen dieses Experiments. Bauplan hat zwei (menschliche) Praktikanten eingestellt, zwei junge, talentierte, motivierte Informatiker, die dafür verantwortlich sind, die Grenzen unserer Produktkarte im Hinblick auf die Finish-to-Finish-KI-Optimierung (Fähigkeitsentwicklung mit GEPA) und die Skalierung von Git-for-Knowledge zu erkunden. Aus praktischer Sicht habe ich die gleiche Entscheidung getroffen wie vor diesem Projekt. Allerdings glaube ich nicht, dass ich unversehrt davongekommen bin: Meine Gefühle werden sich irgendwann in neuen Konzepten kristallisieren und dann meine Entscheidungen beeinflussen.

Einerseits als großer Fan des Kleiner PrinzMir ist nicht entgangen, dass es die mit dieser Rose verschwendete Zeit conflict, die es wichtig gemacht hat: Die Zeit, die ich diesen Sommer mit meinen Praktikanten verbringe, wird sie (glaube ich) und unser gemeinsames Projekt noch wichtiger machen. Andererseits trifft das meine heutige Stimmung nur teilweise zu. Ich musste im Internetarchiv stöbern, um etwas wiederherzustellen, an das ich mich kürzlich aus dem Jahr 2006 erinnerte (anscheinend ist die mathematische Logik nicht das Einzige, woran ich mich aus meinen Zwanzigern erinnere). Dies ist der Eintrag Nr. 1 in Blenders „50 Am schlimmsten Dinge, die mit Musik passieren können“:

#01. KINDER HEUTE

Damals hatten wir keine Ihrer schicken iPods, Klingeltöne und Downloads. Wir hatten nicht den Luxus und die Bequemlichkeit Ihrer Hodensackringe und Ihrer World Broad Net-Protokolle. Als wir das neue URIAH HEEP-Album stehlen wollten, konnten wir nicht einfach im Web danach suchen, sondern mussten es auf die altmodische Artwork und Weise tun – indem wir zum Laden gingen (bergauf, in beide Richtungen) und 12″ Vinyl unter unsere Pullover schoben (die wir selbst stricken mussten). Das ist der Grund, warum ihr heulenden Peitschenhiebe den wahren Wert der Musik nicht zu schätzen weißt. Oder Uriah Heep. Und jetzt verschwinde von unserem Rasen!

Werden wir den „wahren Wert der Dinge“ immer noch zu schätzen wissen, wenn wir sie jetzt bequem von unseren Laptops aus „stehlen“ können?

Wir sehen uns, Agenten-Cowboys

Vielen Dank an Luca, Colin und Ethan für ihre Kommentare zu einem früheren Entwurf dieses Artikels.

Wenn Sie ein Bauplan-Praktikant werden und coole Daten- und KI-Sachen machen möchten (wie Das oder Das oder Das), ich akzeptiere immer noch menschliche Kandidaten: Nehmen Sie Kontakt auf!

Arbeit als Ingenieur für maschinelles Lernen bei a Große Technologie Unternehmen.

Auf dem Papier hatte ich einen Traumjob:

• Flexibles Arbeiten
• Intelligente und freundliche Kollegen
• Tolle Vergünstigungen und Vorteile
• Gute Work-Life-Stability
• Kaum Treffen
• Und meine Vergütung betrug weit über 100.000 US-Greenback

Trotz alledem hatte ich immer das Gefühl, dass etwas fehlte.

Anfangs dachte ich, es wäre eine Part und ich müsste ihr mehr Zeit geben, aber das Gefühl schien im Laufe der Monate nie zu verschwinden.

Wenn überhaupt, wurde es stärker und ich begann, mich unmotiviert zu fühlen.

Ich liebe diesen Bereich so sehr; Ich blogge und filme buchstäblich seit über drei Jahren YouTube-Movies über Datenwissenschaft und maschinelles Lernen, aber im vergangenen Jahr hatte ich nicht mehr den gleichen Spaß daran.

Das hat mich wirklich genervt, da ich mich noch relativ am Anfang meiner Reise befinde und es noch so viel zu lernen gibt.

Ich wusste, dass sich etwas ändern musste.

Ich wollte die Leidenschaft und Aufregung wiedererlangen, die ich noch vor zwei Jahren hatte.

In diesem Artikel möchte ich daher erläutern, warum ich schließlich meinen Job als Ingenieur für maschinelles Lernen gekündigt habe, und eine various Sichtweise darauf bieten, wie diese „Traumjobs“ tatsächlich aussehen.

Selbstverständlich ist dies nur meine Meinung zu meiner kurzen Erfahrung in einem einzelnen Workforce und sollte nicht als Spiegelbild des Unternehmens oder seiner Mitarbeiter verstanden werden.

Tempo

Auch wenn Huge Tech offensichtlich Technologieunternehmen sind, heißt das nicht, dass sie beim Testen und Iterieren von Ideen so schnell vorankommen.

Wenn Unternehmen wachsen, stellen sie natürlich mehr Mitarbeiter ein und fügen ihrer Unternehmensstruktur weitere Ebenen hinzu. Anschließend schleicht sich langsam die Bürokratie ein.

Es gibt nicht viel, was Sie tun können, um es zu vermeiden.

Dies geschieht, wenn es dem Unternehmen normalerweise sehr intestine geht und es erhebliche Gewinne erzielt.

Wie das alte Sprichwort sagt:

Wenn es nicht kaputt ist, reparieren Sie es nicht

Daher ist es weniger wahrscheinlich, dass diese Unternehmen neue Ideen oder Strategien testen, um ihr Geschäftsergebnis zu schützen.

Sie sind sozusagen weniger bereit, größere und riskantere Schwankungen vorzunehmen.

Ich verstehe, es macht absolut Sinn.

Für Menschen wie mich passt diese Artwork von Kultur jedoch einfach nicht.

Ehrlich gesagt bin ich ein sehr kämpferischer, pragmatischer und handlungsorientierter Mensch.

Ich mache mir nicht die Mühe, jedes einzelne komplizierte Element zu testen oder zu viel Zeit mit völlig zufälligen Dingen zu verbringen „was ist, wenn“ Fragen und das Abtauchen in den Analyse-Lähmungs-Kaninchenbau.

Meiner Meinung nach besteht die beste Strategie darin, zu 80 % darauf zu vertrauen, dass Ihre Idee durch Offline-Exams, Worst-Case-Szenario-Modellierung usw. funktioniert, und sie dann in die Produktion zu schicken, um zu sehen, was passiert.

Manche Leute denken vielleicht, dass das leichtsinnig und irgendwie dumm ist.

Das ist in Ordnung, ich habe gelernt, dass man nie alle zufriedenstellen kann.

Für mich macht dieser Ansatz viel mehr Spaß und ist motivierender, da man seine Kreation regelmäßig in die Welt hinausgehen sieht.

Sicher, manchmal wird man völlig aussteigen, aber das ist der Sinn dieses Prozesses.

Es ist iterativ, und Sie lernen und bauen beim nächsten Mal ein besseres Produkt.

Leider passt diese Arbeitsweise meiner Erfahrung nach nicht zur Kultur großer Unternehmen oder zumindest nicht zu bestimmten Groups.

Um es deutlich zu sagen: Es passte nicht zu meiner Arbeitsweise und ich hatte Mühe, motiviert zu bleiben.

Mangel an Zweck

Es ist ein Klischee zu sagen, man sei nur ein kleines Rädchen in einer großen Maschine, aber genau so habe ich mich gefühlt.

Nach ein paar Monaten wurde mir klar, dass meine Arbeit nicht so wichtig struggle.

Sicher, es erzeugte Wirkung, aber im Großen und Ganzen struggle es nur ein Tropfen auf den heißen Stein.

Ob ich dort struggle oder nicht, das Unternehmen würde reibungslos laufen, Gewinne erwirtschaften und den Aktionären weiterhin Einnahmen bescheren.

Verstehen Sie mich nicht falsch, ich verstehe, dass es ein perfektes Beispiel für gutes Geschäft und die Artwork und Weise ist, wie ein Unternehmen geführt werden sollte.

Allerdings fühlte ich mich dadurch ein wenig wertlos und sinnlos. Alles, was ich tat, struggle im Grunde zwecklos, und das hat meine Motivation wirklich beeinträchtigt.

Das hat wahrscheinlich etwas mit meinem Ego zu tun, aber ich wollte das Gefühl haben, wirklich geschätzt zu werden und letztendlich die Verantwortung dafür zu haben, wohin das Unternehmen geht.

Wenn ich ein Unternehmen verlasse, möchte ich, dass sie es spüren.

Nützlich zu sein ist das, was mir Sinn verleiht, und das habe ich im letzten Jahr letztendlich nicht gespürt.

Interne Werkzeuge

Dies ist zwar etwas abwegig, aber viele dieser großen Unternehmen verfügen über zahlreiche interne Instruments, die sie im Laufe der Jahre entwickelt haben, um die Produktivität zu steigern.

Anstatt beispielsweise direkt mit AWS zusammenzuarbeiten, lässt das Unternehmen seine Infrastrukturingenieure Wrapper rund um AWS erstellen, um die Nutzung seiner Kerndienste zu vereinfachen und Rollenberechtigungen besser zu verwalten.

Google ist ein Unternehmen, das dafür bekannt ist, über viele interne Instruments zu verfügen, aber Viele Quellen geben an, dass sie sehr intestine sind.

Auch wenn das auf dem Papier großartig klingt, lernt man nicht, wie man Dinge wie AWS richtig nutzt, sodass man keine übertragbaren Fähigkeiten erwirbt, die man in anderen Rollen anwenden kann, wenn man sich entschließt, das Unternehmen zu verlassen.

Meiner Erfahrung nach gab es viele interne Instruments für grundlegende Fähigkeiten, die ich erlernen wollte:

1. Nutzung von Cloud-Systemen
2. Aufbau einer Modellbereitstellungsinfrastruktur
3. Automatisierungen auf Git/GitHub einrichten

Diese wurden einem einfach auf einem Teller serviert und ich musste nicht zweimal darüber nachdenken.

Klar, es verbessert die Produktivität, das gebe ich Ihnen zu.

Aber ich bin jemand, der ständig wirklich verstehen möchte, was unter der Haube vor sich geht, denn wenn etwas kaputt geht, möchte ich wissen, wie ich es reparieren kann.

Ich hatte nicht das Gefühl, daraus viel gelernt zu haben, und das ist auch nicht das, was ich an diesem Punkt meiner Karriere will.

Kleiner Umfang

Im gesamten Unternehmen gab es rund 100 Ingenieure für maschinelles Lernen und in der gesamten Daten-, maschinellen Lern- und Wissenschaftsorganisation etwa fünfmal so viele.

Angesichts dieser Mitarbeiterzahl waren viele Produkte und Algorithmen so ausgereift, dass es äußerst schwierig struggle, weitere Fortschritte zu erzielen oder eine wesentliche Wirkung zu erzielen.

Es ist nicht unbedingt eine schlechte Sache, und es ist eindeutig meine Aufgabe, Wege zur Verbesserung zu finden.

Dafür wurde ich bezahlt.

Wenn jedoch Hunderte von Personen über ein Jahrzehnt hinweg an demselben Algorithmus arbeiten oder gearbeitet haben, ist der Umfang der Verbesserungen, die Sie vornehmen können, sehr gering.

Die einzige wirkliche Various besteht darin, die Herangehensweise an das Downside neu zu definieren. Aber wie ich eingangs sagte, wird kein etabliertes, profitables Unternehmen ein Jahr damit verbringen wollen, ein ganzes System neu zu gestalten.

Es ist einfach nicht praktikabel und in den Augen der Führungsebene auch nicht lohnenswert.

Ein Großteil der Arbeit, die ich verrichtete, bestand aus mehr Wartung und der Aufrechterhaltung des Betriebs.

Es gab nicht viel Spielraum, um neue Funktionen oder Algorithmen zu implementieren, und mit der Zeit wurde die Arbeit langweilig und unmotivierend, wie ich eingangs erwähnte.

Was kommt als nächstes?

Der einfache Weg bestand für mich darin, zu bleiben, schließlich zum leitenden Ingenieur für maschinelles Lernen befördert zu werden und für das nächste Jahrzehnt einen bequemen, intestine bezahlten Job zu haben.

Aber wo ist da der Spaß?

Ich bin erst 26 Jahre alt und eines habe ich im letzten Jahr über mich selbst gelernt: Ich scheue keine Risiken und bin viel unternehmerischer als ich zunächst dachte.

Ich möchte große Dinge bauen, die sonst niemand hat, und der Welt meinen kleinen Stempel aufdrücken.

Viele Leute werden mit den Augen rollen oder sich über mich lustig machen, wenn ich das sage, was sie schon einmal direkt vor meinen Augen getan haben.

Aber das ist der Preis, den Sie zahlen, wenn Sie wahnhaft optimistisch sind und Dinge wollen, vor denen andere zu viel Angst haben, sie auszuprobieren oder gar zu sagen.

Deshalb habe ich beschlossen, eine volle 180-Grad-Kurve zu machen. Ich werde vom Huge Tech zum sechsten Mitarbeiter bei einem Startup.

Große Veränderung, mit großem Risiko. Aber wie heißt es so schön:

Nichts ändert sich, wenn sich nichts ändert.

Ich freue mich sehr auf dieses neue Abenteuer und kann es kaum erwarten, beim Bau eines Einhorns zu helfen.

Eine andere Sache!

Abonnieren Sie meinen kostenlosen E-newsletter, in dem ich wöchentlich Tipps, Einblicke und Ratschläge aus meiner Erfahrung als praktizierender Datenwissenschaftler und Ingenieur für maschinelles Lernen teile. Außerdem erhalten Sie als Abonnent meine KOSTENLOSE Lebenslaufvorlage!

Die Daten verteilen
Wöchentliche E-Mails, die Ihnen helfen, Ihren ersten Job im Bereich Datenwissenschaft oder maschinelles Lernen zu findenE-newsletter.egorhowell.com

Verbinde dich mit mir

Das sah oberflächlich betrachtet großartig aus, struggle es aber nicht wirklich sagen irgendetwas?

Als ich an einem Samstagnachmittag zum ersten Mal versuchte, meinen Datensatz zu verstehen, schien mir die Erstellung eines Dashboards der nächste vernünftige Schritt auf meiner datenwissenschaftlichen Reise zu sein.

Ich habe mir genug YouTube-Tutorials angesehen, um zu glauben, ich wüsste, wie ein „gutes“ Tutorial aussehen sollte, wahrscheinlich etwas mit einem klaren Format und vielleicht ein paar Filtern am Rande.

Bei all dem bin ich direkt reingesprungen.

Ich erstellte eine Struktur, wie ich sie haben wollte, und legte die Komponenten für mein Armaturenbrett an, aber als ich schließlich alles zusammenfügte, fühlte sich etwas nicht richtig an.

Ich trat einen Schritt zurück, um es mir im wahrsten Sinne des Wortes anzusehen. Ich ging durch den Raum und betrachtete ihn aus verschiedenen Blickwinkeln. Das machen wir doch alle, oder?

Nach ein paar langen Blicken konnte ich nicht erklären, welche Geschichte das Dashboard eigentlich erzählte.

Und verstehen Sie mich nicht falsch, für den ersten Versuch struggle es ziemlich anständig. Aber als ich es betrachtete, kam es mir so vor, als würde ich einer Gruppe von Menschen dabei zusehen, wie sie übereinander redeten.

Ich hatte verschiedene Diagrammtypen eingefügt – Balkendiagramme neben Kreisdiagrammen neben Liniendiagrammen –, die alle auf einem Bildschirm um Aufmerksamkeit kämpften. Jedes Diagramm hatte etwas Interessantes zu sagen, aber nicht auf eine Weise, die zu einem klaren Punkt führte.

Später am Abend wurde mir flau im Magen, als ich dasaß und auf meinen Bildschirm starrte, dessen blauer Schein sich in meiner Kaffeetasse spiegelte. Wenn mein eigenes Dashboard keine Verbindung zu mir herstellen könnte, wie könnte ich dann erwarten, dass es sich mit jemand anderem verbindet?

Ich begann zu lesen, warum manche Dashboards keine Verbindung zu Menschen herstellen. Ich bin zufällig auf eins gestoßen Artikel im Harvard Enterprise Evaluate Das erklärt, wie viele Dashboards keine echten Entscheidungen ermöglichen, weil sich die meisten Analysten zu sehr auf das Aussehen und nicht auf die Klarheit konzentrieren.

Es wurde etwas von „Chart-Müll“ erwähnt, lediglich dekorative Elemente, die keine Bedeutung hinzufügen.

Das hat mich getroffen. Autsch.

Schauen Sie, beim Knowledge Storytelling geht es nicht nur darum, Erkenntnisse zu erklären. Vielmehr geht es darum Helfen Sie den Menschen, zu sehen, was Sie gesehen haben in Ihre Analyse einbeziehen und diese auf eine für sie sinnvolle Weise erklären.

In diesem Artikel geht es nicht um die technische Seite der Dashboard-Erstellung; Es gibt bereits unzählige Tutorials, die dir das beibringen können.

Es geht vielmehr um die Teile, die wir oft übersehen: wie Dashboards Bedeutung und Absicht kommunizieren. Ich werde auch die Fehler und Lehren teilen, die die Artwork und Weise verändert haben, wie ich Daten sehe, nachdem ich mein erstes Dashboard erstellt habe.

---

Warum mein Dashboard richtig aussah, sich aber falsch anfühlte

Ich brauchte ein wenig Demut, um zuzugeben, dass das Downside nicht das Design struggle.

Ich struggle es.

Ich habe versucht, eine Geschichte zu erzählen, die ich noch nicht wirklich entdeckt hatte.

Mir wurde langsam klar, dass Daten nicht wirklich die Geschichte selbst sind; Stattdessen ist es so etwas wie die Sprache, die wir verwenden, um es einem zu sagen. Und wie bei jeder Sprache ergibt sich die Bedeutung aus der Artwork und Weise, wie wir sie arrangieren.

Da wurde mir klar, dass ich innehalten musste, bevor ich etwas baute, und mir zunächst ein paar wichtige Fragen stellen musste. Ich nenne sie die drei Ws:

• Warum sind diese Daten wichtig?
• Für wen entwerfe ich?
• Welche Frage versuche ich wirklich zu beantworten?

Diese einfachen Fragen haben alles verändert. Meine Dashboards waren nicht mehr nur visuelle Elemente, sondern fühlten sich eher wie echte Gespräche an.

Es dauerte eine Weile, bis mir klar wurde, dass das Downside nicht am Instrument oder gar am Datensatz lag.

Es struggle die Artwork und Weise, wie ich an die Geschichte herangegangen bin.

Ich hatte so viel Zeit damit verbracht, das Dashboard richtig aussehen zu lassen, dass ich nie nachgefragt habe, was es eigentlich sagt. Es struggle wie dieser Second in „Matrix“, als Neo endlich den Code sieht. Als mir dieser Gedanke in den Sinn kam, wusste ich, dass ich von vorne beginnen musste.

(Wenn Sie tiefer in die Designprinzipien von Dashboards eintauchen möchten, diesen Leitfaden ist solide.)

Wieder bauen, aber anders

Als ich zum Projekt zurückkam, beschloss ich, noch einmal von vorne anzufangen. Aber dieses Mal habe ich es noch nicht eilig, mein Visualisierungstool zu öffnen. Was sich ehrlich gesagt seltsam anfühlte. Es juckte mich in den Fingern, etwas anzuklicken.

Ich saß eine Weile mit den Daten da und versuchte zu verstehen, was sie wirklich aussagten und wie ich diese Geschichte in interaktive visuelle Darstellungen umwandeln könnte.

Etwas an der Entschleunigung fühlte sich richtig an. Mir fielen Dinge auf, die ich vorher nicht gesehen hatte, vor allem kleine Particulars, die scheinbar keine Rolle spielten, es aber tatsächlich waren.

Anstatt zu versuchen, alles zu zeigen, habe ich beschlossen, mich auf eine Idee zu konzentrieren und darauf aufzubauen. Ich hatte zum Beispiel all diese Verkaufskennzahlen vor mir, aber eine Frage fiel mir besonders auf:

Warum gingen die monatlichen Verkäufe zurück, obwohl die Kundenanmeldungen zunahmen?

Das hat alles verändert. Plötzlich kämpften meine Bilder nicht mehr um Aufmerksamkeit. Stattdessen arbeiteten sie zusammen, um dieselbe Geschichte zu erzählen.

Je weniger ich hinzufügte, desto klarer wurde alles. Ich habe ein paar unnötige Diagramme entfernt und kurze Notizen hinzugefügt, um zu erklären, was bestimmte Zahlen bedeuten.

Ich habe eine einfache Anmerkung mit der Aufschrift „Abgabepunkt“ und einem Pfeil hinzugefügt, der auf die Stelle zeigt, an der die Dinge zu sinken begannen. Kein ausgefallenes Design, nur Klarheit. Es struggle nicht perfekt, aber es fühlte sich viel absichtlicher an.

Ich habe drei Tage damit verbracht, die erste Model zu erstellen. Der Zweite? Sechs Stunden.

Sechs.

Nicht weil ich mich beeilte, sondern weil ich endlich wusste, worauf es ankam.

Als ich es teilte, nickten die Leute nicht nur höflich. Sie beugten sich näher, stellten nachdenkliche Fragen und versuchten auch zu erraten, was die Tendencies antreiben könnte. Eine Particular person zückte sogar ihr Useful, um ein Foto davon zu machen.

Es fühlte sich anders an, auf eine gute Artwork und Weise. Ich werde nicht lügen, ich struggle ziemlich stolz.

Rückblickend hat dieser Second die Artwork und Weise verändert, wie ich später an Projekte herangegangen bin. Ich fing an, Dashboards weniger als etwas zu sehen, das man anzeigen konnte, sondern mehr als eine Möglichkeit, das, was ich sah, zu übersetzen und anderen zu helfen, es zu verstehen.

Manchmal ertappe ich mich immer noch dabei, dass ich mich frage, ob ich es richtig mache, aber vielleicht ist das der Punkt. Vielleicht geht es beim Geschichtenerzählen mit Daten nicht darum, alles perfekt zu machen.

Vielleicht geht es darum, lange genug innezuhalten und zu fragen: Welche Geschichte versuche ich hier wirklich zu erzählen?

Was ich meinem früheren Ich erzählen würde

Wenn ich zu diesem ersten Versuch zurückkehren könnte, würde ich mir Folgendes sagen:

Beginnen Sie mit Stift und Papier, bevor Sie das Werkzeug öffnen. Skizzieren Sie zunächst die Geschichte. Was ist der Anfang, die Mitte und das Ende? Dafür benötigen Sie keine Software program.

Löschen Sie ein Diagramm für jeweils zwei hinzugefügte Diagramme. Wenn es Ihren Hauptpunkt nicht direkt unterstützt, ist es nur eine Ablenkung. Seien Sie rücksichtslos mit dem, was Sie investieren.

Lesen Sie Ihr Dashboard laut vor. Wenn Sie es nicht in einem Atemzug erklären können, vereinfachen Sie es. Ihr Publikum wird nicht mehr Geduld haben als Sie.

Diese einfachen Regeln haben mir unzählige Stunden erspart und mich davon abgehalten, noch überladenere Dashboards zu erstellen, die überfüllt aussehen, aber nichts sagen.

Ich glaube, dass jeder Datensatz eine Stimme hat, aber es erfordert Geduld, genau genug hinzuhören, um zu verstehen, was er wirklich sagt. Und glauben Sie mir, sobald Sie dies tun, stimmt alles, von der visuellen Darstellung bis hin zu den Erkenntnissen, mit dem Zweck überein.

---

Fazit und Erkenntnisse

Als ich anfing, wollte ich beweisen, dass ich etwas Großartiges bauen kann. Aber am Ende? Es stellt sich heraus, dass die besten Dashboards nicht die auffälligsten sind. Sie sind es, die die Leute dazu bringen, innezuhalten und zu sagen: „Oh, jetzt verstehe ich es.“

Dieses Projekt hat mir etwas beigebracht, was ich nicht erwartet hatte: Beim Knowledge Storytelling geht es weniger um die Daten als vielmehr um Empathie.

Es gab dieses befriedigende Klicken, als endlich alles einen Sinn ergab – nicht nur für mich, sondern für alle, die es betrachteten. Dieses Gefühl der Verbundenheit und des Verständnisses hat den ganzen Umbau gelohnt.

Wenn ich jetzt einen neuen Datensatz öffne, erinnere ich mich an diese Lektion: Fangen Sie langsam an, hören Sie genau zu und bauen Sie mit Absicht auf. Manchmal vermassele ich es immer noch. Aber zumindest weiß ich jetzt, was ich anstrebe.

Das Ziel besteht nicht darin, zu beeindrucken, sondern darin, Kontakte zu knüpfen.

Im maschinellen Lernen sind gleich.

Codierung, Warten auf Ergebnisse, Interpretation, Rückkehr zur Codierung. Außerdem einige Zwischenpräsentationen des eigenen Fortschritts. Aber die Dinge, die meistens gleich sind, bedeutet nicht, dass es nichts zu lernen gibt. Ganz im Gegenteil! Vor zwei bis drei Jahren begann ich die tägliche Gewohnheit, Lektionen aufzuschreiben, die ich aus meiner ML -Arbeit gelernt habe. Beim Rückblick einige der Lektionen aus diesem Monat fand ich drei praktische Lektionen, die auffallen:

1. Protokollieren Sie weiter einfach
2. Verwenden Sie ein experimentelles Notizbuch
3. Über Nacht rennen im Auge

Protokollieren Sie weiter einfach

Jahrelang habe ich Gewichte und Vorurteile (W & B) als mein Experiment-Logger verwendet. Tatsächlich conflict ich einmal unter den High 5% aller aktiven Benutzer. Die Statistiken in der folgenden Abbildung zeigen mir, dass ich zu diesem Zeitpunkt quick 25000 Modelle trainiert habe, kumulative 5000 Stunden Berechnung verwendet und mehr als 500 Hyperparameter -Suchvorgänge durchgeführt habe. Ich habe es für Papiere, für große Projekte wie Wettervorhersage mit großen Datensätzen und für die Verfolgung unzähliger kleiner Experimente verwendet.

Und W & B ist wirklich ein tolles Werkzeug: Wenn Sie schöne Dashboards wünschen und mit einem Workforce zusammenarbeiten, sind W & B SHINES. Und bis vor kurzem, als ich Daten aus geschulten neuronalen Netzwerken rekonstruierte, leitete ich mehrere Hyperparameter -Sweeps und die Visualisierungsfunktionen von W & B waren von unschätzbarem Wert. Ich könnte Rekonstruktionen direkt über Läufe vergleichen.

Aber ich erkannte, dass W & B für die meisten meiner Forschungsprojekte übertrieben conflict. Ich habe selten individuelle Läufe überprüft, und sobald ein Projekt abgeschlossen conflict, saßen die Protokolle nur da, und ich machte nichts mit ihnen. Als ich das genannte Datenrekonstruktionsprojekt dann neu gestaltete, habe ich die W & B -Integration explizit entfernt. Nicht, weil etwas daran nicht stimmte, sondern weil es nicht notwendig conflict.

Jetzt ist mein Setup viel einfacher. Ich habe gerade ausgewählte Metriken bei CSV- und Textdateien protokolliert und direkt auf die Festplatte geschrieben. Bei Hyperparameter -Suchanfragen verlasse ich mich auf Optuna. Nicht einmal die verteilte Model mit einem zentralen Server – nur lokaler Optuna, speichern Sie Studienzustände in einer Gurkendatei. Wenn etwas abstürzt, lade ich neu und gehe fort. Pragmatisch und ausreichend (für meine Anwendungsfälle).

Der wichtigste Einblick hier ist Folgendes: Protokollierung ist nicht die Arbeit. Es ist ein Unterstützungssystem. Verbringen Sie 99% Ihrer Zeit damit, sich für das zu entscheiden, was Sie protokollieren möchten – Gradienten? Gewichte? Verteilungen? Und mit welcher Frequenz? – kann Sie leicht von der tatsächlichen Forschung ablenken. Für mich sind einfache, lokale Protokollierungsabdeckungen alle Bedürfnisse mit minimaler Einrichtungsanstrengung.

Führen Sie experimentelle Labornotizenbücher

Im Dezember 1939 schrieb William Shockley eine Idee in sein Labor -Notizbuch: Ersetzen Sie Vakuumrohre durch Halbleiter. Ungefähr 20 Jahre später erhielten Shockley und zwei Kollegen in Bell Labs Nobelpreise für die Erfindung des modernen Transistors.

Während die meisten von uns keine nobelwürdigen Einträge in unsere Notizbücher schreiben, können wir trotzdem aus dem Prinzip lernen. Zugegeben, im maschinellen Lernen verfügen unsere Laboraten weder Chemikalien noch Testrohre, wie wir uns alle vorstellen, wenn wir an ein Labor denken. Stattdessen sind unsere Labore oft unsere Laptop; Das gleiche Gerät, mit dem ich diese Zeilen schreibe, hat im Laufe der Jahre unzählige Modelle geschult. Und diese Labors sind von Natur aus portabel, insbesondere wenn wir uns aus der Ferne auf Hochleistungs-Berechnen-Clustern entwickeln. Noch besser ist diese Cluster dank von hochqualifiziertem administrativen Zeug rund um die Uhr-also ist immer Zeit, ein Experiment durchzuführen!

Aber die Frage ist, welches Experiment? Hier stellte mich ein ehemaliger Kollege die Idee vor, ein Labornotiok aufzuspalten, und in letzter Zeit bin ich in einfachster Type zurückgekehrt. Bevor ich langjährige Experimente beginne, schreibe ich auf:

Was ich teste und warum ich es teste.

Dann, wenn ich später – normalerweise am nächsten Morgen – zurückkomme, kann ich sofort sehen, welche Ergebnisse bereit sind und was ich gehofft hatte zu lernen. Es ist einfach, aber es verändert den Workflow. Anstatt nur „erneut zu übertragen“, bis es funktioniert, werden diese speziellen Experimente Teil einer dokumentierten Rückkopplungsschleife. Fehler sind leichter zu interpretieren. Erfolge sind leichter zu replizieren.

Führen Sie Experimente über Nacht durch

Das ist ein kleiner, aber schmerzhafter Unterricht, den ich diesen Monat (wieder) gelernt habe.

An einem Freitagabend entdeckte ich einen Fehler, der meine Experimentergebnisse beeinflussen könnte. Ich habe es gepatcht und die Experimente zur Validierung wieder aufgenommen. Am Samstagmorgen waren die Läufe beendet – aber als ich die Ergebnisse inspizierte, wurde mir klar, dass ich vergessen hatte, eine wichtige Ablation aufzunehmen. Was bedeutete … ein weiterer ganzen Tag des Wartens.

In ML ist über Nacht Zeit kostbar. Für uns Programmierer ist es Ruhe. Für unsere Experimente ist es Arbeit. Wenn wir während des Schlafenes kein Experiment laufen, verschwenden wir freie Rechenzyklen effektiv.

Das bedeutet nicht, dass Sie Experimente nur aus Gründen des Himmels durchführen sollten. Aber wann immer es einen sinnvollen Begin gibt, ist es die perfekte Zeit, sie abends zu starten. Cluster werden oft untergeblieben und Ressourcen sind schneller verfügbar, und vor allem werden Sie Ergebnisse zum Analysieren am nächsten Morgen haben.

Ein einfacher Trick ist, dies absichtlich zu planen. Wie Cal Newport in seinem Buch „Deep Work“ erwähnt, beginnen gute Arbeitstage in der Nacht zuvor. Wenn Sie heute die Aufgaben von morgen kennen, können Sie die richtigen Experimente rechtzeitig einrichten.

---

* Das ist W & B nicht verprügelt (es wäre genauso gewesen mit, z. B. MLFlow), sondern die Benutzer aufzufordern, zu bewerten, was ihre Projektziele sind, und dann die meiste Zeit damit verbringen, diese Ziele mit äußerster Fokus zu verfolgen.

** Fußnote: Nur Zusammenarbeit reicht in meinen Augen nicht aus, um mit solchen gemeinsamen Dashboards zu rechtfertigen. Sie müssen mehr Einblicke aus solchen gemeinsamen Instruments erhalten als die Zeit, die sie aufgebraucht haben.

Forschung und Experimente stehen im Mittelpunkt jeder Übung, bei der es um KI geht. Beim Erstellen von LLM-Anwendungen ist das nicht anders. Im Gegensatz zu herkömmlichen Net-Apps, die einem vorab festgelegten Design folgen, das kaum oder gar keine Variationen aufweist, basieren KI-basierte Designs stark auf Experimenten und können sich je nach ersten Ergebnissen ändern. Der Erfolgsfaktor besteht darin, in Iterationen mit klar definierten Erwartungen zu experimentieren und anschließend jede Iteration kontinuierlich zu bewerten. Bei der LLM-nativen Entwicklung ist das Erfolgskriterium in der Regel die Qualität des Outputs, das heißt, der Fokus liegt auf der Erzielung präziser und hochrelevanter Ergebnisse. Dies kann entweder eine Antwort eines Chatbots, eine Textzusammenfassung, eine Bildgenerierung oder sogar eine von LLM definierte Aktion (Agentischer Ansatz) sein. Die konsistente Generierung hochwertiger Ergebnisse erfordert ein tiefes Verständnis der zugrunde liegenden Sprachmodelle, eine ständige Feinabstimmung der Eingabeaufforderungen und eine strenge Bewertung, um sicherzustellen, dass die Anwendung den gewünschten Requirements entspricht.

Welche technischen Fähigkeiten benötigen Sie im Staff?

Sie gehen vielleicht davon aus, dass ein Staff mit nur einer Handvoll Datenwissenschaftlern ausreicht, um eine LLM-Anwendung zu erstellen. Aber in Wirklichkeit sind technische Fähigkeiten mindestens genauso wichtig, um das Zielprodukt tatsächlich zu „liefern“, da LLM-Anwendungen nicht dem klassischen ML-Ansatz folgen. Sowohl für Datenwissenschaftler als auch für Softwareentwickler ist ein Umdenken erforderlich, um sich mit dem Entwicklungsansatz vertraut zu machen. Ich habe gesehen, dass sich beide Rollen auf diesem Weg befinden, zum Beispiel Datenwissenschaftler, die sich mit der Cloud-Infrastruktur und Anwendungsbereitstellung vertraut machen, und andererseits Ingenieure, die sich mit den Feinheiten der Modellnutzung und der Bewertung von LLM-Ausgaben vertraut machen. Letztendlich brauchen Sie KI-Praktiker im Staff, die nicht nur zum „Programmieren“ da sind, sondern vielmehr für die Forschung, Zusammenarbeit und Verbesserung der KI-Anwendbarkeit.

Muss ich wirklich „experimentieren“, da wir vorab trainierte Sprachmodelle verwenden werden?

Beliebte LLMs wie GPT-4o sind bereits auf große Datenmengen trainiert und in der Lage, Texte, Bilder usw. zu erkennen und zu generieren, sodass Sie diese Modelltypen nicht „trainieren“ müssen. In sehr wenigen Szenarien ist möglicherweise eine Feinabstimmung des Modells erforderlich, dies ist jedoch auch ohne klassischen ML-Ansatz problemlos möglich. Verwechseln wir den Begriff „Experiment“ jedoch nicht mit der „Modelltraining“-Methode, die im prädiktiven ML verwendet wird. Wie ich oben erwähnt habe, ist die Qualität der Anwendungsausgabe wichtig. Das Einrichten von Iterationen von Experimenten kann uns dabei helfen, die angestrebte Ergebnisqualität zu erreichen. Wenn Sie beispielsweise einen Chatbot erstellen und steuern möchten, wie die Bot-Ausgabe für den Endbenutzer aussehen soll, hilft Ihnen ein iterativer und experimenteller Ansatz zur sofortigen Verbesserung und Feinabstimmung von Hyperparametern dabei, den richtigen Weg zu finden, um die meisten zu generieren genaue und konsistente Ausgabe.

Erstellen Sie zu Beginn Ihrer Reise einen Prototyp

Erstellen Sie so früh wie möglich, idealerweise innerhalb von 2–4 Wochen, einen Prototypen (auch MVP genannt – Minimal Viable Product), der nur die Kernfunktionen enthält. Wenn Sie eine Wissensdatenbank für den RAG-Ansatz verwenden, verwenden Sie eine Teilmenge der Daten, um eine umfangreiche Datenvorverarbeitung zu vermeiden.

• Das schnelle Suggestions einer Untergruppe von Zielbenutzern hilft Ihnen zu verstehen, ob die Lösung ihren Erwartungen entspricht.
• Überprüfen Sie die Ergebnisse mit den Beteiligten, um nicht nur die guten Ergebnisse zu zeigen, sondern auch um die Einschränkungen und Einschränkungen zu besprechen, die Ihr Staff während der Prototypenerstellung festgestellt hat. Dies ist von entscheidender Bedeutung, um Risiken frühzeitig zu mindern und eine fundierte Entscheidung hinsichtlich der Lieferung zu treffen.
• Das Staff kann den Tech-Stack, die Sicherheits- und Skalierbarkeitsanforderungen finalisieren, um den Prototyp in ein voll funktionsfähiges Produkt zu überführen und den Zeitplan für die Lieferung festzulegen.

Stellen Sie fest, ob Ihr Prototyp für den Einbau in das „Produkt“ bereit ist.

Durch die Verfügbarkeit mehrerer KI-fokussierter Muster ist es sehr einfach, einen Prototyp zu erstellen, und erste Assessments solcher Prototypen liefern in der Regel vielversprechende Ergebnisse. Bis der Prototyp fertig ist, verfügt das Staff möglicherweise über mehr Verständnis für Erfolgskriterien, Marktforschung, Zielbenutzerbasis, Plattformanforderungen usw. An diesem Punkt kann die Berücksichtigung der folgenden Fragen dabei helfen, die Richtung zu bestimmen, in die sich das Produkt entwickeln kann:

1. Erfüllen die im Prototyp entwickelten Funktionalitäten den primären Bedarf der Endbenutzer oder des Geschäftsprozesses?
2. Welchen Herausforderungen stand das Staff während der Prototypenentwicklung gegenüber und könnten auf dem Weg zur Produktion auftreten? Gibt es Methoden, um diese Risiken zu mindern?
3. Stellt der Prototyp ein Risiko im Hinblick auf verantwortungsvolle KI-Prinzipien dar? Wenn ja, welche Leitplanken können dann umgesetzt werden, um diese Risiken zu vermeiden? (Auf diesen Punkt gehen wir in Teil 2 näher ein)
4. Wenn die Lösung in ein bestehendes Produkt integriert werden soll, was könnte dafür ein Hingucker sein?
5. Wenn die Lösung smart Daten verarbeitet, wurden wirksame Maßnahmen zum Schutz des Datenschutzes und der Datensicherheit ergriffen?
6. Müssen Sie Leistungsanforderungen für das Produkt definieren? Sind die Ergebnisse des Prototyps in dieser Hinsicht vielversprechend oder können sie noch verbessert werden?
7. Welche Sicherheitsanforderungen benötigt Ihr Produkt?
8. Benötigt Ihr Produkt eine Benutzeroberfläche? (Ein häufiger LLM-basierter Anwendungsfall ist Chatbot, daher müssen UI-Anforderungen so früh wie möglich definiert werden)
9. Haben Sie von Ihrem MVP einen Kostenvoranschlag für die LLM-Nutzung? Wie sieht es aus, wenn man den geschätzten Umfang der Nutzung in der Produktion und Ihr Finances berücksichtigt?

Wenn Sie nach der ersten Prüfung zufriedenstellende Antworten auf die meisten Fragen erhalten und gleichzeitig gute Ergebnisse mit Ihrem Prototyp erzielen, können Sie mit der Produktentwicklung fortfahren.

Seien Sie gespannt auf Teil 2, über den ich sprechen werde Wie sollten Sie bei der Produktentwicklung vorgehen, wie Sie verantwortungsvolle KI frühzeitig in die Produkt- und Kostenmanagementtechniken integrieren können?

Bitte folgen Sie mir, wenn Sie mehr solcher Inhalte über neue und aufregende Technologien lesen möchten. Wenn Sie Suggestions haben, hinterlassen Sie bitte einen Kommentar. Danke