) in maschineller Lernarbeit sind gleich.
Codieren, auf Ergebnisse warten, sie interpretieren, wieder zum Codieren zurückkehren. Außerdem einige Zwischenpräsentationen der eigenen Fortschritte vor dem Administration*. Dass die Dinge größtenteils gleich sind, bedeutet jedoch nicht, dass es nichts zu lernen gibt. Ganz im Gegenteil! Vor zwei bis drei Jahren begann ich, täglich die Lektionen aufzuschreiben, die ich aus meiner ML-Arbeit gelernt habe. Dennoch hinterlässt mir bis heute jeder Monat eine Handvoll kleiner Lektionen. Hier sind drei Lektionen aus dem letzten Monat.
Mit Menschen in Kontakt treten (kein ML beteiligt)
Wenn die Weihnachtsferienzeit näher rückt, beginnen die Versammlungen zum Jahresende. Oftmals bestehen diese Zusammenkünfte aus informellen Gesprächen. Es wird nicht viel „Arbeit“ erledigt – was natürlich ist, da es sich dabei häufig um After-Work-Occasions handelt. Normalerweise überspringe ich solche Veranstaltungen. Für die Weihnachtszeit habe ich das jedoch nicht getan. Ich habe in den letzten Wochen an einigen After-Work-Treffen teilgenommen und einfach nur geredet – nichts Dringendes, nichts Tiefgründiges. Das gesellige Beisammensein warfare intestine und ich hatte viel Spaß.
Es hat mich daran erinnert, dass unsere Arbeitsprojekte nicht nur auf Code und Pc basieren. Sie werden mit dem Treibstoff betrieben, über einen langen Zeitraum mit anderen zusammenzuarbeiten. Hier können kleine Momente – ein Witz, eine kurze Geschichte, eine gemeinsame Beschwerde über fehlerhafte GPUs – den Motor wieder aufleben lassen und die Zusammenarbeit reibungsloser gestalten, wenn es später einmal angespannt wird.
Denken Sie mal aus einer anderen Perspektive darüber nach: Ihre Kollegen müssen noch viele Jahre mit Ihnen zusammenleben. Und du mit ihnen. Wenn das ein „Lager“ wäre – nein, nein, nicht intestine. Aber wenn das ein „Gemeinsam“ ist – ja, auf jeden Fall intestine.
Wenn additionally die Einladungen zu einem Treffen Ihres Unternehmens oder Forschungsinstituts in Ihrem Postfach landen: Melden Sie sich an.
Copilot hat mich nicht unbedingt schneller gemacht
Im vergangenen Monat habe ich ein neues Projekt aufgesetzt und eine Liste von Algorithmen an ein neues Downside angepasst.
Eines Tages, als ich gedankenlos Zeit im Web verschwendete, stieß ich auf eine MIT-Studie**, die darauf hinwies, dass (starke) KI-Unterstützung – insbesondere vor Wenn Sie die Arbeit erledigen, kann dies die Erinnerung erheblich beeinträchtigen, das Engagement verringern und die Identifikation schwächen mit das Ergebnis. Zugegebenermaßen wurde in der Studie das Schreiben von Essays als Testziel verwendet, aber das Codieren eines Algorithmus ist eine ähnlich kreative Aufgabe.
Additionally habe ich etwas Einfaches versucht: Ich habe Copilot in VS Code vollständig deaktiviert.
Nach einigen Wochen waren meine (subjektiven und selbst eingeschätzten, additionally stark voreingenommenen) Ergebnisse: kein spürbarer Unterschied für meine Kernaufgaben.
Das Schreiben von Trainingsschleifen, die Lader, die Trainingsanatomie – ich kenne sie intestine. In diesen Fällen führten KI-Vorschläge nicht zu mehr Geschwindigkeit; manchmal fügten sie sogar Reibung hinzu. Denken Sie einfach darüber nach Korrektur der KI-Ausgaben, die vorhanden sind quick richtig.
Diese Erkenntnis steht ein wenig im Gegensatz zu dem, was ich vor ein oder zwei Monaten empfunden habe, als ich den Eindruck hatte, dass Copilot mich effizienter gemacht hat.
Als ich über die Unterschiede zwischen den beiden Momenten nachdachte, kam ich zu dem Schluss, dass es einen Effekt gibt domänenabhängig. Wenn ich mich in einem neuen Bereich befinde (z. B. Ladeplanung), hilft mir die Unterstützung dabei, schneller vor Ort zu sein. In meinen Heimatdomänen sind die Vorteile marginal – und können mit versteckten Nachteilen einhergehen, die man erst nach Jahren bemerkt.
Meine aktuelle Meinung zu den KI-Assistenten (die ich nur zum Codieren über Copilot verwendet habe): Sie sind intestine Rampe hoch auf unbekanntes Terrain. Bei Kernaufgaben, die den Großteil Ihres Gehalts ausmachen, ist dies bestenfalls elective.
Somit kann ich für die Zukunft weitere empfehlen
- Schreiben Sie den ersten Durchgang selbst; Verwenden Sie KI nur zum Polieren (Benennung, kleine Refaktoren, Exams).
- Überprüfen Sie ehrlich die erklärten Vorteile von KI: 5 Tage mit ausgeschalteter KI, 5 Tage mit eingeschalteter KI. Verfolgen Sie zwischen ihnen: erledigte Aufgaben, gefundene Fehler, Zeit bis zum Abschluss, wie intestine Sie sich erinnern können, und erklären Sie den Code einen Tag später.
- Per Fingertipp umschalten: Binden Sie einen Hotkey, um Vorschläge zu aktivieren/deaktivieren. Wenn Sie jede Minute danach greifen, verwenden Sie es wahrscheinlich zu häufig.
Sorgfältig kalibrierter Pragmatismus
Als ML-Leute können wir über Particulars nachdenken. Ein Beispiel ist, welche Lernrate für das Coaching verwendet werden soll. Oder verwenden Sie eine feste Lernrate, anstatt sie in festen Schritten abzubauen. Oder ob eine Cosinus-Annealing-Strategie verwendet werden soll.
Sie sehen, selbst für den einfachen LR-Fall kann man sich schnell viele Optionen einfallen lassen; was sollen wir wählen? Ich habe mich kürzlich bei einer Model davon im Kreis gedreht.
In diesen Momenten hat es mir geholfen, herauszuzoomen: Was bedeutet das Endbenutzer kümmert es dich? Meistens sind es Latenz, Genauigkeit, Stabilität und oft in erster Linie die Kosten. Es ist ihnen egal, welchen LR-Zeitplan Sie gewählt haben – es sei denn, er betrifft diese vier. Das deutet auf einen langweiligen, aber nützlichen Ansatz hin: Wählen Sie die einfachste praktikable Choice und bleiben Sie dabei.
Einige Standardeinstellungen decken die meisten Fälle ab. Baseline-Optimierer. Vanilla LR mit einem Meilenstein des Verfalls. Eine einfache Regel zum frühen Stoppen. Wenn die Kennzahlen schlecht sind, gehen Sie zu ausgefalleneren Entscheidungen über. Wenn sie intestine sind, machen Sie weiter. Aber werfen Sie nicht alles auf einmal auf das Downside.
* Es scheint, dass selbst bei Deepmind, dem wahrscheinlich erfolgreichsten reinen Forschungsinstitut (zumindest früher), Forscher müssen das Administration zufriedenstellen
** Die Studie ist verfügbar oder arXiv unter: https://arxiv.org/abs/2506.08872