ist für mich der effektivste Ansatz zur Lösung von Problemen geworden. Die meisten Probleme, auf die ich bei der Arbeit stoße, können durch den Einsatz von Agenten effektiv gelöst werden. Dies steht im Gegensatz dazu, Aufgaben manuell zu lösen oder selbst eine Lösung zu programmieren.

In diesem Artikel gebe ich einen allgemeinen Überblick darüber, wie ich mit Claude Code an Probleme herangehe und sie löse. Als Ingenieur sind Sie im Wesentlichen ein Problemlöser. Ihr Job sollte etwa so aussehen:

1. Entdecken und identifizieren Sie die wichtigsten zu lösenden Probleme
2. Finden Sie eine Lösung für das Downside
3. Ausführen

Und das gilt nicht nur für Programmieraufgaben. Dies gilt auch für Aufgaben im Advertising, Vertrieb und Kundenmanagement. Ich weiß das, weil ich das jeden Tag bei der Arbeit als Knowledge Science Lead eines Sequence-A-finanzierten Startups mache.

Warum Sie Probleme mit Claude Code lösen sollten

Ich denke immer, dass es wichtig ist zu wissen, warum man etwas tut. Wenn Sie an der Universität ein Ingenieurstudium absolvieren, wird Ihnen diese Einstellung vermittelt.

Verstehe immer das Warum von dem, was du tust

Sie sollten Probleme einfach mit Claude Code lösen, weil dies normalerweise der effektivste Weg ist, ein Downside zu lösen. Jetzt können Sie natürlich auch Claude Code-Alternativen wie Cursor verwenden, obwohl ich mich in diesem Artikel durchgehend auf Claude Code beziehen werde, da es das Device ist, das ich verwende.

Claude Code ist jedoch nicht nur in Schritt 3 des Problemlösungsprozesses (Ausführen der Lösung) wirksam. Es ist auch effektiv bei der Entdeckung und Identifizierung von Problemen sowie deren Bedeutung. Es ist auch äußerst effektiv, Lösungen für die von Ihnen entdeckten Probleme zu finden.

Sie können beispielsweise wichtige Probleme entdecken, indem Sie:

• Lassen Sie Claude Produktionsprotokolle analysieren und Sie über etwaige Probleme informieren
• Geben Sie Claude Zugriff auf Ihr CRM-System, um es zu bereinigen und Sie über die wichtigsten Bereiche zu informieren, auf die Sie sich konzentrieren sollten
• Geben Sie Claude Zugriff auf alle Ihre Social-Media-Beiträge und deren Leistung, um zu analysieren, was funktioniert und was nicht

Nachdem Sie Probleme wie die unten aufgeführten entdeckt haben, ist es wichtig, sie zu priorisieren. Eines der einfachsten Instruments hierfür ist der Worth-Effort-Graph.

Sie pay attention einfach alle zu lösenden Probleme in einem 2D-Diagramm auf, wobei die Achsen den Wert darstellen, den Sie durch die Lösung des Issues erhalten, und den zur Lösung des Issues erforderlichen Aufwand. Anschließend wählen Sie einfach die Probleme aus, die im Verhältnis zum zu ihrer Lösung erforderlichen Aufwand den höchsten Wert haben.

So wenden Sie Claude Code an, um Probleme zu entdecken und zu lösen

In diesem Abschnitt gehe ich die drei Schritte des Problemlösungsprozesses durch, die ich zuvor hervorgehoben habe: Probleme identifizieren und priorisieren, eine Lösung für das Downside finden und die Lösung umsetzen.

Um den Artikel übersichtlich zu halten, gliedere ich jeden Schritt des Problemlösungsprozesses in einen Unterabschnitt.

Schritt 1: Probleme entdecken und priorisieren

Zu Beginn des Artikels habe ich einige spezifische Möglichkeiten hervorgehoben, um wichtige Probleme mit Claude Code zu entdecken.
Ich denke, der wichtigste Faktor bei der Suche nach wichtigen Problemen, die es zu lösen gilt, ist:

Geben Sie Claude Code Zugriff auf alle Informationen, auf die Sie Zugriff haben

Wenn Sie Ihren Codierungsagenten diesen Zugriff nicht gewähren, können Sie einfach keine gute Leistung von ihnen erwarten. Sie können sich vorstellen, dass Sie einen Produktionsfehler beheben müssten, ohne die Protokolle einsehen zu dürfen. Natürlich könnten Sie es nicht lösen, da Sie das Downside nicht verstehen können, ohne einen Blick auf die Protokolle zu werfen.

Stellen Sie daher sicher, dass Ihr Coding-Agent Zugriff auf alle relevanten Ressourcen hat:

• Projektmanagement-Instruments wie Linear
• Notizen von Notion
• Protokollgruppen in AWS
• GitHub, um sich Commits anzusehen
• Browserzugriff zum Reproduzieren von Problemen
  Und wahrscheinlich noch viele weitere Plattformen. Der Punkt ist: Wenn Sie die Plattform zur Lösung eines Issues nutzen, sollten Sie Ihren Programmieragenten ebenfalls Zugriff gewähren.

Schritt 2: Lösungen für Probleme finden

Okay, an diesem Punkt haben Sie den schwierigsten Teil geschafft: Sie haben ein wichtiges Downside identifiziert, das Sie lösen müssen. In der Softwareentwicklung sagen wir oft:

Den Fehler zu finden, warum er auftritt und ihn zu reproduzieren, ist der schwierigste Teil. Von dort aus ist es einfach, das Downside zu lösen

Wenn Sie additionally hier angekommen sind, sollten Sie sich darüber freuen, dass Sie bisher nur den einfachen Teil haben. Wie Sie eine Lösung finden, hängt natürlich stark von dem Downside ab, das Sie lösen möchten.

Wenn es sich um einen Produktionsfehler handelt, können Sie Claude Code oft einfach dazu auffordern:

Downside

Das reicht für über 50 % der Probleme, mit denen ich arbeite, und es funktioniert intestine, um Produktionsfehler zu beheben und einfache Funktionen zu implementieren. Wenn das Downside etwas komplizierter ist, müssen Sie den Plan, den Claude Code für Sie erstellt, oft mehrmals wiederholen, ihn gründlich durchlesen und sicherstellen, dass alles richtig aussieht. Dies alles hängt mit allgemeinen Techniken und Ansätzen zusammen Ich habe bereits darüber gesprochen, wie man das Beste aus Claude Code herausholt.

Bei anderen Problemen müssen Sie Claude Code möglicherweise anders auffordern oder sicherstellen, dass es Zugriff auf die richtigen Instruments hat. Wenn Sie beispielsweise Ihr CRM-Device analysieren, müssen Sie API-Zugriff auf das Device bereitstellen und Claude Code alle erforderlichen Zugriffsrechte gewähren.

Im Allgemeinen charge ich Ihnen dringend, großzügig mit dem Zugriff umzugehen, den Sie Ihrem Codierungsagenten gewähren, denn ohne ordnungsgemäßen Zugriff kann er einfach keine Probleme für Sie lösen. Das ist genau das Gleiche, als ob man Menschen bitten würde, ein Downside zu lösen. Wenn sie keinen Zugriff auf die richtigen Plattformen und Instruments haben, können Sie nicht erwarten, dass sie gute Problemlöser sind.

Dennoch sollten Sie natürlich darauf achten, dass der Agent keine destruktiven Aktionen ausführen kann. Wenn Sie ihm beispielsweise AWS-Zugriff gewähren, sollten Sie sich wahrscheinlich nur mit Viewer-Zugriff und nicht mit einem Admin-Benutzer anmelden. Im Allgemeinen können Sie einfach gute Sicherheitspraktiken befolgen.

Schritt 3: Lösungen ausführen

Der letzte Teil des Problemlösungsprozesses besteht darin, die Lösung auszuführen. Wenn Sie mit Claude Code einen guten Plan ausgearbeitet haben, können Sie ihn einfach anweisen, seinen Plan auszuführen.

Auch dies funktioniert bei den meisten Problemen, auf die ich Claude Code anwende. Es ist so intestine geworden, dass es die Lösung auf einen Schlag bietet.

Allerdings stoße ich immer noch auf komplexere Probleme, bei denen dies nicht funktioniert. Manchmal müssen Sie mit Claude Code mehrere Iterationen durchführen. Wenn ich zum Beispiel Marketingmaterial erstelle wie:

• Skripte für Webinare
• PDF-Karussells für LinkedIn
• Poster

Oft lasse ich den Agenten einen ersten Entwurf erstellen und mit der Überprüfung und Iteration beginnen. Im Allgemeinen ist dies eine großartige Technik, wenn man an komplexen Problemen arbeitet. Überlegen Sie sich eine gute Anfangslösung, testen Sie sie, überprüfen Sie, was funktioniert und was nicht, und wiederholen Sie den Vorgang. Wenn Sie dies einfach ein paar Mal wiederholen, erhalten Sie normalerweise eine großartige Lösung.

Abschluss

In diesem Artikel habe ich besprochen, wie ich Claude Code zur Lösung von Problemen anwende. Im Allgemeinen denke ich immer, wenn ich auf ein neues Downside stoße: „Wie kann ich Claude Code anwenden, um dieses Downside für mich zu lösen?“ Oft wird Ihnen klar, dass Sie ein Downside mit einer einfachen Eingabeaufforderung lösen können. In anderen Fällen sind mehrere Iterationen erforderlich, entweder um die richtigen Probleme zu entdecken, die Probleme zu priorisieren, einen Plan zur Lösung des Issues zu erstellen oder das Downside auszuführen. Generell empfehle ich Ihnen dringend, die Denkweise der Iteration an den Tag zu legen, bei der Sie mit einer anständigen Lösung beginnen Lösung und iterieren Sie daran, bis Sie damit zufrieden sind. Die meisten Probleme erfordern keine perfekte Lösung.

Mein kostenloses E-Ebook und Webinar:

Verzehnfachen Sie Ihr Engineering mit LLMs (kostenloser 3-tägiger E-Mail-Kurs)

Holen Sie sich mein kostenloses E-Ebook „Imaginative and prescient Language Fashions“.

Mein Webinar zum Thema Imaginative and prescient Language Fashions

Finden Sie mich in den sozialen Netzwerken:

Unterstapel

LinkedIn

X / Twitter

Um große Sprachmodelle (LLMs) bei der Beantwortung schwierigerer Fragen genauer zu machen, können Forscher dem Modell mehr Zeit zum Nachdenken über mögliche Lösungen geben.

Aber gängige Ansätze, die LLMs diese Fähigkeit verleihen, legen für jedes Drawback ein festes Rechenbudget fest, unabhängig davon, wie komplex es ist. Dies bedeutet, dass das LLM möglicherweise Rechenressourcen für einfachere Fragen verschwendet oder nicht in der Lage ist, komplizierte Probleme zu lösen, die mehr Überlegungen erfordern.

Um dieses Drawback anzugehen, haben MIT-Forscher eine intelligentere Methode zur Zuteilung des Rechenaufwands entwickelt, während das LLM ein Drawback löst. Ihre Methode ermöglicht es dem Modell, sein Rechenbudget basierend auf der Schwierigkeit der Frage und der Wahrscheinlichkeit, dass jede Teillösung zur richtigen Antwort führt, dynamisch anzupassen.

Die Forscher fanden heraus, dass ihr neuer Ansatz es LLMs ermöglichte, nur die Hälfte des Rechenaufwands im Vergleich zu bestehenden Methoden zu nutzen und gleichzeitig eine vergleichbare Genauigkeit bei einer Reihe von Fragen mit unterschiedlichen Schwierigkeiten zu erreichen. Darüber hinaus ermöglicht ihre Methode, dass kleinere, weniger ressourcenintensive LLMs bei komplexen Problemen genauso gute oder sogar bessere Leistungen erbringen als größere Modelle.

Durch die Verbesserung der Zuverlässigkeit und Effizienz von LLMs, insbesondere wenn sie komplexe Argumentationsaufgaben bewältigen, könnte diese Technik den Energieverbrauch generativer KI-Systeme senken und den Einsatz von LLMs in anspruchsvolleren und zeitkritischeren Anwendungen ermöglichen.

„Die Rechenkosten der Inferenz sind schnell zu einem großen Engpass für Anbieter von Frontier-Modellen geworden, und sie versuchen aktiv, Möglichkeiten zu finden, die Recheneffizienz professional Benutzerabfrage zu verbessern. Beispielsweise unterstreicht die aktuelle Model von GPT-5.1 die Wirksamkeit des in unserem Artikel vorgeschlagenen Ansatzes des ‚adaptiven Denkens‘. Indem wir die Modelle mit der Fähigkeit ausstatten, zu wissen, was sie nicht wissen, können wir ihnen ermöglichen, mehr Rechenleistung für die schwierigsten Probleme und vielversprechendsten Lösungspfade aufzuwenden und weit weniger zu verwenden.“ „Das macht das Denken sowohl zuverlässiger als auch weitaus effizienter“, sagt Navid Azizan, Assistenzprofessor für Karriereentwicklung bei Alfred H. und Jean M. Hayes in der Abteilung für Maschinenbau und am Institut für Daten, Systeme und Gesellschaft (IDSS), leitender Forscher am Labor für Informations- und Entscheidungssysteme (LIDS) und leitender Autor von a Papier über diese Technik.

Azizan wird bei dem Artikel vom Hauptautor Younger-Jin Park unterstützt, einem LIDS/MechE-Absolventen; Kristjan Greenewald, Forschungswissenschaftler im MIT-IBM Watson AI Lab; Kaveh Alim, ein IDSS-Doktorand; und Hao Wang, Forschungswissenschaftler am MIT-IBM Watson AI Lab und dem Crimson Hat AI Innovation Staff. Die Forschung wird diese Woche auf der Konferenz über neuronale Informationsverarbeitungssysteme vorgestellt.

Berechnung zur Kontemplation

Ein neuerer Ansatz namens Inferenzzeitskalierung sorgt dafür, dass ein großes Sprachmodell mehr Zeit benötigt, um über schwierige Probleme nachzudenken.

Mithilfe der Inferenzzeitskalierung kann das LLM mehrere Lösungsversuche gleichzeitig generieren oder verschiedene Argumentationspfade erkunden und dann aus diesen Kandidaten die besten auswählen.

Ein separates Modell, das sogenannte Prozessbelohnungsmodell (PRM), bewertet jede potenzielle Lösung oder jeden möglichen Argumentationspfad. Das LLM verwendet diese Ergebnisse, um die vielversprechendsten zu identifizieren.

Typische Ansätze zur Inferenzzeitskalierung weisen dem LLM einen festen Rechenaufwand zu, um das Drawback aufzuschlüsseln und die Schritte zu begründen.

Stattdessen passt die Methode der Forscher, die als instanzadaptive Skalierung bekannt ist, die Anzahl potenzieller Lösungen oder Argumentationsschritte dynamisch an, je nachdem, wie wahrscheinlich es ist, dass sie erfolgreich sind, während das Modell mit dem Drawback ringt.

„So lösen Menschen Probleme. Wir finden einige Teillösungen und entscheiden dann, ob ich mit einer dieser Lösungen weitermachen soll oder ob ich aufhören und sie überarbeiten soll oder sogar zu meinem vorherigen Schritt zurückkehren und das Drawback von dort aus weiter lösen soll?“ Wang erklärt.

Zu diesem Zweck nutzt das Framework das PRM, um die Schwierigkeit der Frage abzuschätzen, und hilft dem LLM dabei, zu beurteilen, wie viel Rechenbudget für die Generierung und Überlegungen zu möglichen Lösungen aufgewendet werden muss.

Bei jedem Schritt im Argumentationsprozess des Modells betrachtet der PRM die Frage und die Teilantworten und bewertet, wie vielversprechend jede einzelne davon ist, zur richtigen Lösung zu gelangen. Wenn das LLM sicherer ist, kann es die Anzahl der potenziellen Lösungen oder zu verfolgenden Argumentationspfade reduzieren und so Rechenressourcen sparen.

Die Forscher stellten jedoch fest, dass bestehende PRMs die Erfolgswahrscheinlichkeit des Modells häufig überschätzen.

Selbstüberschätzung überwinden

„Wenn wir einfach den aktuellen PRMs vertrauen würden, die die Erfolgsaussichten oft überschätzen, würde unser System das Rechenbudget zu stark reduzieren. Additionally mussten wir zunächst einen Weg finden, PRMs besser zu kalibrieren, um die Skalierung der Inferenzzeit effizienter und zuverlässiger zu machen“, sagt Park.

Die Forscher führten eine Kalibrierungsmethode ein, die es PRMs ermöglicht, eine Reihe von Wahrscheinlichkeitswerten anstelle eines einzelnen Werts zu generieren. Auf diese Weise erstellt das PRM zuverlässigere Unsicherheitsschätzungen, die die tatsächliche Erfolgswahrscheinlichkeit besser widerspiegeln.

Mit einem intestine kalibrierten PRM kann ihr instanzadaptives Skalierungsframework die Wahrscheinlichkeitswerte nutzen, um den Rechenaufwand effektiv zu reduzieren und gleichzeitig die Genauigkeit der Modellausgaben beizubehalten.

Als sie ihre Methode bei einer Reihe mathematischer Argumentationsaufgaben mit Standardansätzen zur Inferenzzeitskalierung verglichen, stellte sie fest, dass zur Lösung jedes Issues weniger Rechenaufwand erforderlich warfare und gleichzeitig eine ähnliche Genauigkeit erzielt wurde.

„Das Schöne an unserem Ansatz ist, dass diese Anpassung spontan erfolgt, während das Drawback gelöst wird, und nicht auf einmal zu Beginn des Prozesses“, sagt Greenewald.

Zukünftig sind die Forscher daran interessiert, diese Technik auf andere Anwendungen anzuwenden, beispielsweise auf die Codegenerierung und KI-Agenten. Sie planen außerdem, weitere Einsatzmöglichkeiten für ihre PRM-Kalibrierungsmethode zu erkunden, beispielsweise für das verstärkende Lernen und die Feinabstimmung.

„Menschliche Mitarbeiter lernen bei der Arbeit – einige CEOs haben sogar als Praktikanten angefangen –, aber heutige Agenten bleiben weitgehend statische Teile probabilistischer Software program. Arbeiten wie dieses Papier sind ein wichtiger Schritt, um das zu ändern: Agenten zu helfen, zu verstehen, was sie nicht wissen, und Mechanismen für die kontinuierliche Selbstverbesserung zu entwickeln. Diese Fähigkeiten sind unerlässlich, wenn wir Agenten wollen, die sicher arbeiten, sich an neue Situationen anpassen und konsistente Ergebnisse in großem Maßstab liefern können“, sagt Akash Srivastava, Direktor und Chefarchitekt von Core AI bei IBM Software program, der nicht beteiligt warfare mit dieser Arbeit.

Diese Arbeit wurde teilweise vom MIT-IBM Watson AI Lab, dem MIT-Amazon Science Hub, dem MIT-Google Program for Computing Innovation und MathWorks finanziert.

Information Science, zunächst mal intestine gemacht.

Sie haben sich für eine der lukrativsten und am schnellsten wachsenden Karrieren im Technologiebereich entschieden.

Aber hier ist die Wahrheit: Die meisten Studenten verschwenden Monate (sogar Jahre) damit, sich mit den falschen Dingen auseinanderzusetzen. Vermeiden Sie diese Fehler, um Ihre Karriere als Datenwissenschaftler voranzutreiben.

Nachdem ich mehr als vier Jahre in diesem Bereich gearbeitet habe, habe ich genau gesehen, was diejenigen, die schnell ihren ersten Job im Bereich Information Science bekommen, von denen unterscheidet, die es nie über endlose Tutorials hinaus schaffen.

In diesem Artikel werde ich die fünf größten Fehler aufschlüsseln, die unerfahrene Datenwissenschaftler zurückhalten, damit Sie sie aktiv vermeiden können.

Grundlegende Mathematik nicht lernen

Mathematik ist bei weitem die wichtigste … und doch auch die am meisten übersehene.

Viele Menschen, sogar Praktiker, denken, dass man die zugrunde liegenden mathematischen Grundlagen der Datenwissenschaft und des maschinellen Lernens nicht kennen muss.

Es ist in der Tat sehr unwahrscheinlich, dass Sie es ausführen Rückausbreitung von Hand, erstellen Sie einen Entscheidungsbaum von Grund auf oder konstruieren Sie ein A/B-Experiment auf der Grundlage erster Prinzipien.

Es ist additionally leicht, dies als selbstverständlich zu betrachten und das Erlernen der Hintergrundtheorie zu vermeiden.

Dies ist jedoch gefährlich und ich empfehle es nicht.

Sicher, Sie können mit ein paar Zeilen PyTorch ein neuronales Netzwerk aufbauen, aber was passiert, wenn es sich seltsam verhält und Sie es debuggen müssen?

Oder was wäre, wenn Sie jemand fragen würde, wie groß das Vorhersageintervall um Ihre Ausgabe aus einem linearen Regressionsmodell ist?

Diese Szenarien kommen häufiger vor, als Sie denken, und die einzige Möglichkeit, sie zu beantworten, besteht darin, ein solides Verständnis der zugrunde liegenden Mathematik zu haben.

Stellen Sie sich Mathematik als das Betriebssystem Ihres Gehirns für die Datenwissenschaft vor. Jedes Modell, jeder Algorithmus, jede Erkenntnis, die Sie gewinnen, läuft darauf ab.

Wenn Ihr Betriebssystem fehlerhaft oder veraltet ist, läuft nichts anderes reibungslos, egal wie ausgefeilt Ihre Instruments sind.

Legen Sie bereits in der Lernphase den Grundstein, damit Sie später in Ihrer Karriere viel schneller vorankommen.

Versuchen, den „besten“ Kurs zu finden

Ich werde oft gefragt:

Was ist der beste Kurs?

Ich liebe euch alle wirklich, aber diese Frage muss verschwinden.

Als absoluter Anfänger ist der beste Kurs der, den Sie auswählen und absolvieren.

In vielen Einführungskursen in Datenwissenschaft, maschinelles Lernen und Python lernen Sie dasselbe.

Möglicherweise finden Sie einen Lehrer oder einen Unterrichtsstil besser als einen anderen, aber im Grunde erwerben Sie ein sehr ähnliches Wissen wie eine andere Particular person, die einen anderen Kurs besucht.

Am Anfang tendieren Sie zum Handeln und zum Loslegen, später können Sie Ihre Richtung anpassen, wenn Sie das Gefühl haben, dass Sie falsch ausgerichtet sind. Hören Sie auf, zu viel nachzudenken.

Als die berühmtes Sprichwort geht:

Der beste Zeitpunkt, einen Baum zu pflanzen, conflict vor 20 Jahren. Die zweitbeste Zeit ist heute.

Jeder Werdegang und Hintergrund sind unterschiedlich und es gibt keinen „einzigen Weg“, in die Datenwissenschaft einzusteigen.

Nehmen Sie additionally jeden Rat (auch meinen) immer mit Vorsicht und passen Sie ihn individuell an. Tun Sie, was sich für Sie richtig und am besten anfühlt.

Kein projektbasiertes Lernen durchführen

Eine weitere häufige Gefahr in diesem Zusammenhang ist die Hölle mit den Tutorials.

Vertrauen Sie mir, das ist kein Ort, an dem Sie sein möchten.

Wenn Sie nicht wissen, was die Tutorial-Hölle ist, hier Blogbeitrag erklärt es sehr intestine:

In der Tutorial-Hölle schreiben Sie Code, den andere Ihnen erklären, wie man ihn schreibt, aber Sie verstehen nicht, wie man ihn selbst schreibt, wenn Sie eine leere Tafel haben. Irgendwann ist es an der Zeit, die Stützräder abzunehmen und selbst etwas aufzubauen

Sie folgen grundsätzlich einem Tutorial nach dem anderen und versuchen nicht, selbst etwas zu bauen.

Um die Konzepte zu erlernen, müssen Sie sie selbstständig in Ihrer Arbeit üben und anwenden. So festigen Sie Ihr Verständnis und das actual Das Lernen ist erledigt.

Stellen Sie sich vor, Sie hätten immer nur eine gebaut XGBoost Modellfolgende On-line-Tutorials.

Wenn Sie dann im Rahmen eines Vorstellungsgesprächs eine Fallstudie zum Mitnehmen erhalten, werden Sie wirklich Schwierigkeiten haben, da Sie noch keine Erfahrung mit der Erstellung von Modellen ohne eine Schritt-für-Schritt-Anleitung haben.

Was ich befürworte, ist „projektbasiertes Lernen“.

Sie möchten gerade genug lernen und dann sofort ein Projekt erstellen.

Vertrauen Sie mir, dieser Ansatz ist exponentiell besser als die Durchführung zahlreicher Tutorials (ich spreche hier aus schmerzhafter Erfahrung!).

Bei Projekten geht Quantität vor Qualität

Auch wenn das Durchführen von Projekten der beste Weg zum Lernen ist, sollten Sie Ihren GitHub nicht mit einer Menge „einfacher“ Projekte übersättigen.

Wenn sich alle Ihre Projekte um einen bereits vorgefertigten Datensatz von Kaggle und die Verwendung von Sci-Package-Learns drehen .match() Und .predict() Methoden ist es wahrscheinlich an der Zeit, etwas härteres auszuprobieren.

Nun, ich habe diese Einsteigerprojekte nicht geplant, da sie eine großartige Möglichkeit sind, sich die Hände schmutzig zu machen.

Irgendwann wird jedoch die Qualität Ihrer Projekte wichtiger sein als die Quantität.

Größere, tiefgreifende Projekte werden diejenigen sein, die Ihnen tatsächlich eine Anstellung verschaffen. Personalvermittler möchten kein weiteres Downside mit Titanic-Datensätzen sehen. Wenn überhaupt, wäre es heutzutage ein Warnsignal.

Einige Ideen zum Ausprobieren:

• Erstellen Sie ML-Algorithmen von Grund auf mit nativem Python.
• Neuimplementierung einer Forschungsarbeit und Versuch, die Ergebnisse der Autoren zu reproduzieren.
• Bauen Sie ein grundlegendes Empfehlungssystem für etwas Persönliches in Ihrem Leben auf.
• Feinabstimmung eines LLM.

Dies ist keineswegs eine erschöpfende Liste, und das beste Projekt ist das, das für Sie persönlich ist, wie ich immer sage.

Direkt zur KI springen

Ich werde ehrlich zu dir sein.

Ich bin ein KI-Hasser.

Nein, ich glaube nicht, dass es Datenwissenschaftler ersetzen wird.

Nein, ich glaube nicht, dass es so intestine ist, wie die Leute denken.

Und ich bin mir absolut sicher, dass ich mir darüber in den nächsten fünf Jahren überhaupt keine Sorgen machen werde.

Die Gründe, warum ich mir keine Sorgen mache, könnten ein ganzes Video füllen, additionally werde ich das für später aufheben. Aber es ist eigentlich schon komisch, wie wenig ich mich darum kümmere.

Wie auch immer, der Grund, warum ich das sage, ist, dass es mich verblüfft, wenn ich sehe, dass Anfänger direkt in das Erlernen von KI und LLMs einsteigen.

Dies ist ein Paradebeispiel für das Shiny-Object-Syndrom.

Konzentrieren Sie sich als Anfänger auf die Grundlagen der Mathematik und Statistik sowie auf altmodische Algorithmen wie Entscheidungsbäume, Regressionsmodelle und Assist-Vektor-Maschinen.

Da sie immergrün sind und lange bestehen bleiben, ist es ratsam, frühzeitig in sie zu investieren.

KI ist immer noch ein unbekanntes Wesen und ob sie in ein paar Jahren genauso beliebt und hilfreich sein wird, ist schwer zu sagen.

Wenn das Thema jetzt beliebt und tatsächlich hilfreich ist, wird es in einem Jahr, in drei Jahren und sogar in einem Jahrzehnt beliebt sein. Machen Sie sich additionally keine Sorgen, Sie haben genügend Zeit, sich mit aktuellen Themen zu beschäftigen.

Erinnern Sie sich daran, was ich vorhin gesagt habe, dass Sie nicht bei allen Projekten eingestellt werden?

Dass längere, ausführlichere Texte den Unterschied ausmachen?

Doch wie sehen diese Projekte eigentlich aus?

Schauen Sie sich meinen vorherigen Artikel an, in dem bestimmte Projekte vorgestellt werden helfen Ihnen, sich von der Masse abzuheben (und welche davon sind reine Zeitverschwendung).

Wir sehen uns dort!

library(lme4)
library(survey)
library(arm)

set.seed(1)
S = 1000

raw_means = rep(NA, S)
IPW_means = rep(NA, S)
cal_X_means = rep(NA, S)
equiv_LS_means = rep(NA, S)
equiv_MR_means = rep(NA, S)
true_means = rep(NA, S)

for (s in 1:S) {

Eintritt in die Simulationsschleife….

In jeder Simulation generieren wir Bevölkerungsdaten mit einem kategorischen X als Y | X ~ N(b_X, 6).

  p_incl_k = exp(-0.8* (b_true-mean(b_true)))
  p_incl_k = 0.02+0.18*p_incl_k/max(p_incl_k)
  p_i = p_incl_k(pop$X) # true E(R|X) = f(b_X)
  maintain=rbinom(Npop,1,p_i)==1
  whereas (any(desk(pop$X(maintain)) ==0)) { maintain=rbinom(Npop,1,p_i)==1 }
  samp=pop(maintain, )

Diese Stichprobe ist nicht vernachlässigbar, weil (Bayesianische Datenanalyse S.204):

Parameter des Datenerfassungsmechanismus unterscheiden sich nicht von den Parametern, die die Datenverteilung indizieren

Als nächstes erhalten wir Stichprobengrößen und geschätzte Einschlusswahrscheinlichkeiten für IPW:

  nk=as.integer(desk(samp$X))
  samp$nk=nk(samp$X)
  pop$nk=nk(pop$X)
  phat_incl_k=nk/N_per
  phat_i = phat_incl_k(pop$X) # Ehat(R|X)
  samp$w_hat=1/phat_i(maintain)
  pop$w_hat=1/phat_i

  fit_ls=lm(Y~X,knowledge=samp)
  fit_mr=lmer(Y~1+ (1|X),knowledge=samp)
  samp$Yhat_LS=predict(fit_ls,newdata=samp)
  samp$Yhat_MR=predict(fit_mr,newdata=samp)
  pop$Yhat_LS=predict(fit_ls,newdata=pop)
  pop$Yhat_MR=predict(fit_mr,newdata=pop)

  tot_X=as.vector(colSums(mannequin.matrix(~X-1,knowledge=pop)))
  names(tot_X) =colnames(mannequin.matrix(~X-1,knowledge=pop))
  tot_Yhat_LS=sum(pop$Yhat_LS)
  tot_Yhat_MR=sum(pop$Yhat_MR)
  Npop=nrow(pop)

  d0=svydesign(ids=~1,weights=~1,knowledge=samp)
  d_IPW=svydesign(ids=~1,weights=~w_hat,knowledge=samp)

  pop_xtab=as.knowledge.body(desk(X=pop$X))
  names(pop_xtab)(2) = "Freq"
  d_X=postStratify(d0,~X,pop_xtab)

  d_LS=calibrate(d0, ~1+Yhat_LS, 
        inhabitants=c(`(Intercept)`=Npop,Yhat_LS=tot_Yhat_LS), 
        calfun="linear")

  d_MR=calibrate(d0, ~1+Yhat_MR,
        inhabitants=c(`(Intercept)`=Npop,Yhat_MR=tot_Yhat_MR),
        calfun="linear")

  raw_means(s) =coef(svymean(~Y,d0))
  IPW_means(s) =coef(svymean(~Y,d_IPW))
  cal_X_means(s) =coef(svymean(~Y,d_X))
  equiv_LS_means(s) =coef(svymean(~Y,d_LS))
  equiv_MR_means(s) =coef(svymean(~Y,d_MR))
  true_means(s) =true_mean

} # finish loop over simulations s

survey::calibrate(design,
method = ~Yhat, # Yhat = Ehat(Y | X, pattern)
inhabitants = c(yhat = pop_total_Yhat))

Ein guter Augustmorgen für Sie! Es conflict eine geopolitisch gewichtete Woche in der Welt von HPC-AI. Hier finden Sie einen schnellen (8:29) Überblick über die jüngsten Entwicklungen, einschließlich:

– Wird die US -Regierung in Intel investieren?

– Wie spielen chinesische KI -Chips für neue LLMs?

– Keine Verlangsamung der Finanzierung für neue KI -Chip -Startups

-NSF und Nvidia Chip-In für KI für die Wissenschaft

Sie finden unsere Podcasts bei InsideHPCs @HPCPodcast -SeiteAn Twitterauf der Podcast -Seite orionx.web auf iTunes Und Google. Hier ist das Das RSS -Futter. Wir sind auch verfügbar Spotify Und iTunes.

In der Autor Highlight -Serie chatten die TDS -Redakteure mit Mitgliedern unserer Neighborhood über ihren Karriereweg in Knowledge Science und KI, ihr Schreiben und ihre Inspirationsquellen. Heute sind wir begeistert, unser Gespräch mit zu teilen Mariya Mansurova.

Mariyas Geschichte ist ein ewiges Lernen. Ausgehend von einer starken Grundlage für Software program -Engineering, Mathematik und Physik hat sie mehr als 12 Jahre damit verbracht, Experience in Produktanalysen in allen Branchen zu bauen, von Suchmaschinen und Analyseplattformen bis hin zu Fintech. Ihr einzigartiger Weg, einschließlich praktischer Erfahrung als Produktmanager, hat ihr einen 360-Grad-Blick darauf gegeben, wie analytische Groups Unternehmen helfen können, die richtigen Entscheidungen zu treffen.

Jetzt als Produktanalysemanager fungiert, zieht sie Energie aus und entdeckt neue Erkenntnisse und revolutionary Ansätze. Jeder ihrer Artikel über in Richtung Knowledge Science spiegelt ihre neueste „AHA!“ Wider, die Second: Ein Beweis für ihre Überzeugung, dass Neugier den wirklichen Fortschritt treibt.

Sie haben ausführlich über geschrieben Agenten AI und Frameworks wie Smolagents und Langgraph. Was begeistert Sie am meisten über diesen aufstrebenden Raum?

Ich fing an, generative KI weitgehend aus Neugier und zugegebenermaßen ein bisschen FOMO zu erkunden. Jeder um mich herum schien LLMs zu verwenden oder zumindest darüber zu sprechen. Additionally habe ich Zeit geschliffen, um praktisch zu werden, angefangen mit den Grundlagen wie der Aufforderung von Techniken und LLM-APIs. Und je tiefer ich ging, desto aufgeregter wurde ich.

Was mich am meisten fasziniert, ist, wie Agentensysteme die Artwork und Weise beeinflussen, wie wir leben und arbeiten. Ich glaube, dass dieser Einfluss nur im Laufe der Zeit weiter wachsen wird. Aus diesem Grund verwende ich jede Probability, Agenten -Instruments wie Copilot oder Claude Desktop zu verwenden oder meine eigenen Agenten mit Technologien wie Smolagents, Langgraph oder Crewai zu erstellen.

Der wirkungsvollste Anwendungsfall von Agentic AI für mich struggle für mich Codierung. Es ist wirklich beeindruckend, wie Instruments wie Github Copilot die Geschwindigkeit und die Qualität Ihrer Arbeit verbessern können. Während Jüngste Forschungen Von METR hat gefragt, ob die Effizienzgewinne wirklich so erheblich sind, ich bemerke definitiv einen Unterschied in meiner täglichen Arbeit. Es ist besonders hilfreich bei sich wiederholenden Aufgaben (wie Pivoting -Tabellen in SQL) oder bei der Arbeit mit unbekannten Technologien (z. B. Erstellen einer Net -App in TypeScript). Insgesamt würde ich etwa 20% der Geschwindigkeitssteigerung schätzen. Bei diesem Schub geht es jedoch nicht nur um Produktivität. Es ist eine Paradigmenverschiebung, die auch das erweitert, was sich möglich anfühlt. Ich glaube, dass wir mit der Entwicklung von Agentenwerkzeugen eine wachsende Effizienzkluft zwischen Einzelpersonen und Unternehmen feststellen werden, die gelernt haben, diese Technologien und diejenigen zu nutzen, die es nicht getan haben.

Wenn es um Analysen geht, freue ich mich besonders über automatische Berichtsagenten. Stellen Sie sich eine KI vor, die die richtigen Daten ziehen, Visualisierungen erstellen, bei Bedarf eine Grundursache für Ursachen durchführen kann, offene Fragen beachten und sogar den ersten Entwurf der Präsentation erstellen. Das wäre einfach magisch. Ich habe gebaut ein Prototyp Das erzeugt solche KPI -Erzählungen. Und obwohl es eine signifikante Lücke zwischen dem Prototyp und einer Produktionslösung gibt, die zuverlässig funktioniert, werden wir glaube, dass wir dort gelangen werden.

Sie haben drei Artikel unter dem „geschrieben“Praktische Computersimulationen für Produktanalysten”Serie. Was hat diese Serie inspiriert und wie kann Simulation die Produktanalyse neu formen?

Die Simulation ist ein stark nicht ausgelastetes Werkzeug in der Produktanalyse. Ich habe diese Serie geschrieben, um den Menschen zu zeigen, wie mächtig und zugänglich die Simulationen sein können. In meiner täglichen Arbeit begegne ich immer wieder, was-wenn Fragen wie “Wie viele operative Agenten brauchen wir, wenn wir diese KYC -Kontrolle hinzufügen?“ oder „Was hat die wahrscheinliche Auswirkungen der Einführung dieser Funktion in einem neuen Markt?“. Sie können jedes System simulieren, egal wie komplex. Simulationen gaben mir additionally eine Möglichkeit, diese Fragen quantitativ und ziemlich genau zu beantworten, selbst wenn noch harte Daten noch nicht verfügbar waren. Ich hoffe additionally, dass mehr Analysten diesen Ansatz verwenden werden.

Simulationen leuchten auch bei der Arbeit mit Unsicherheit und Verteilungen. Persönlich bevorzuge ich Bootstrap -Methoden, um eine lange Liste statistischer Formeln und Signifikanzkriterien auswendig zu lernen. Das Simulieren des Prozesses fühlt sich oft intuitiver an und ist in der Praxis weniger fehleranfällig.

Schließlich finde ich es faszinierend, wie sich die Technologien in der Artwork und Weise verändert haben, wie wir Dinge tun. Mit der heutigen Rechenleistung, bei der ein Laptop computer in Minuten oder sogar Sekunden Tausende von Simulationen durchführen kann, können wir leicht Probleme lösen, die vor dreißig Jahren eine Herausforderung gewesen wären. Das ist ein Spielveränderer für Analysten.

Einige Ihrer Beiträge konzentrieren sich auf den Übergang von LLM -Anwendungen von Prototyp Zu Produktion. Welche häufigen Fallstricke sehen Sie Groups in dieser Section?

Durch die Praxis habe ich festgestellt, dass zwischen LLM -Prototypen und Produktionslösungen, die viele Groups unterschätzen. Die häufigste Fallstricke ist die Behandlung von Prototypen, als ob sie bereits produktionsbereit sind.

Die Prototypphase kann täuschend glatt sein. Sie können in ein oder zwei Stunden etwas Funktionales bauen, es an einer Handvoll Beispiele testen und das Gefühl haben, das Drawback zu knacken. Prototypen sind großartige Werkzeuge, um die Machbarkeit zu beweisen und Ihr Crew über die Chancen zu begeistern. Aber hier stolpern Groups oft: Diese frühen Versionen bieten keine Garantien für Konsistenz, Qualität oder Sicherheit, wenn es sich um unterschiedliche, reale Szenarien handelt.

Was ich gelernt habe ist, dass eine erfolgreiche Produktionsbereitstellung mit einer strengen Bewertung beginnt. Bevor Sie etwas skalieren, benötigen Sie klare Definitionen darüber, wie „gute Leistung“ in Bezug auf Genauigkeit, Tonfall, Geschwindigkeit und andere für Ihren Anwendungsfall spezifische Kriterien aussieht. Dann müssen Sie diese Metriken kontinuierlich verfolgen, während Sie es iterieren, um sicherzustellen, dass Sie sich tatsächlich verbessern, anstatt nur die Dinge zu ändern.

Stellen Sie sich dies wie Software program -Exams vor: Sie würden keinen Code ohne ordnungsgemäße Exams versenden, und LLM -Anwendungen erfordern denselben systematischen Ansatz. Dies wird in regulierten Umgebungen wie Fintech oder Healthcare besonders wichtig, wo Sie nicht nur Ihrem internen Crew, sondern auch den Stakeholdern der Compliance zuverlässig sind.

In diesen regulierten Räumen benötigen Sie umfassende Überwachung, Überprüfungsprozesse und Prüfungswege, die der Prüfung standhalten können. Die Infrastruktur, die erforderlich ist, um all dies zu unterstützen, braucht häufig weit mehr Entwicklungszeit als der Aufbau des ursprünglichen MVP. Das ist etwas, das Groups konsequent überrascht, die sich hauptsächlich auf die Kernfunktionalität konzentrieren.

Ihre Artikel verbinden manchmal Engineering -Prinzipien mit den Greatest Practices von Knowledge Science/Analytics, wie z. B. Ihre “High 10 Engineering -Lektionen, die jeder Datenanalyst kennen sollte.Denken Sie, dass die Grenze zwischen Daten und Engineering verwischt ist?

Die Rolle eines Datenanalystens oder eines Datenwissenschaftlers erfordert heute häufig eine Mischung aus Fähigkeiten aus mehreren Disziplinen.

• Wir schreiben Code und teilen uns gemeinsam mit Software program -Ingenieuren.
• Wir helfen Produktteams, Strategie zu überdenken und Entscheidungen zu treffen, sodass Produktmanagementfähigkeiten nützlich sind.
• Wir stützen uns auf Statistiken und Datenwissenschaften, um strenge und umfassende Analysen aufzubauen.
• Und um unsere Erzählungen zu überzeugen und Entscheidungen tatsächlich zu beeinflussen, müssen wir die Kunst der Kommunikation und Visualisierung beherrschen.

Persönlich hatte ich das Glück, früh in der Schule und in der Universität verschiedene Programmierkenntnisse zu erwerben. Dieser Hintergrund hat mir bei der Analytik enorm geholfen: Er hat meine Effizienz erhöht, mir besser mit Ingenieuren zusammenarbeiten und mir beigebracht, wie man skalierbare und zuverlässige Lösungen aufbaut.

Ich ermutige Analysten nachdrücklich, die Greatest Practices für Software program -Engineering zu übernehmen. Dinge wie Versionskontrollsysteme, Exams und Codeüberprüfung helfen analytische Groups, zuverlässigere Prozesse zu entwickeln und Ergebnisse höherwertiger Qualität zu liefern. Ich denke nicht, dass die Grenze zwischen Daten und Engineering vollständig verschwindet, aber ich glaube, dass Analysten, die eine technische Denkweise annehmen, in modernen Knowledge -Groups weitaus effektiver sein werden.

Sie haben beide erforscht kausale Inferenz und modernste LLM-Tuning-Techniken. Sehen Sie diese als Teil eines gemeinsam genutzten Toolkits oder separaten Denkweisen?

Das ist eigentlich eine großartige Frage. Ich bin fest davon überzeugt, dass all diese Werkzeuge (von statistischen Methoden bis hin zu modernen ML -Techniken) zu einem einzigen Toolkit gehören. Wie Robert Heinlein berühmt sagte: „Spezialisierung ist für Insekten.“

Ich denke an Analysten als Datenassistent, die ihren Produktteams helfen, ihre Probleme mithilfe von Instruments zu lösen, die am besten passen: unabhängig davon, ob es sich um einen LLM-angetriebenen Klassifizierer für NPS-Kommentare erstellt, wobei kausale Schlussfolgerungen zur Treffen strategischer Entscheidungen oder zum Erstellen einer Net-App zur Automatisierung von Workflows verwendet werden.

Anstatt sich auf bestimmte Fähigkeiten zu spezialisieren, konzentriere ich mich lieber auf das Drawback, das wir lösen, und halte das Toolset so weit wie möglich. Diese Denkweise führt nicht nur zu besseren Ergebnissen, sondern fördert auch eine kontinuierliche Lernkultur, die in der heutigen schnelllebigen Datenbranche von wesentlicher Bedeutung ist.

Sie haben eine breite Palette von Themen behandelt, von Texteinbettungen Und Visualisierungen Zu Simulation Und Multi -AI -Agent. Welches Schreibgewohnheit oder das Leitprinzip hilft Ihnen, Ihre Arbeit so kohärent und zugänglich zu halten?

Normalerweise schreibe ich über Themen, die mich im Second erregen, entweder weil ich gerade etwas Neues gelernt habe oder eine interessante Diskussion mit Kollegen geführt habe. Meine Inspiration stammt oft von On-line-Kursen, Büchern oder meinen täglichen Aufgaben.

Wenn ich schreibe, denke ich immer an mein Publikum und wie dieses Stück sowohl für andere als auch für mein zukünftiges Selbst wirklich hilfreich sein kann. Ich versuche, alle Konzepte klar zu erklären und jedem, der tiefer graben möchte, Brotkrumen hinterlassen. Im Laufe der Zeit ist mein Weblog zu einer persönlichen Wissensbasis geworden. Ich kehre oft zu alten Beiträgen zurück: Manchmal nur um ein Code -Snippet zu kopieren, manchmal um eine Ressource mit einem Kollegen zu teilen, der an etwas Ähnlichem arbeitet.

Wie wir alle wissen, ist alles in Daten miteinander verbunden. Das Lösen eines realen Issues erfordert häufig eine Mischung aus Werkzeugen und Ansätzen. Wenn Sie beispielsweise die Auswirkungen des Begins in einem neuen Markt schätzen, können Sie Simulation für die Szenarioanalyse, LLMs verwenden, um die Kundenerwartungen und die Visualisierung zu untersuchen, um die endgültige Empfehlung zu ermitteln.

Ich versuche, diese Verbindungen in meinem Schreiben zu reflektieren. Technologien entwickeln sich, indem sie sich auf früheren Durchbrüchen aufbauen, und das Verständnis der Fundamente hilft Ihnen, tiefer zu gehen. Deshalb verweisen sich viele meiner Beiträge gegenseitig und lassen die Leser ihrer Neugier folgen und aufdecken, wie unterschiedliche Teile zusammenpassen.

Ihre Artikel sind beeindruckend strukturiert und wandeln sich häufig von grundlegenden Konzepten bis hin zu fortgeschrittenen Implementierungen. Was ist Ihr Prozess, um ein komplexes Stück vor dem Schreiben zu skizzieren?

Ich glaube, ich habe diese Artwork der Präsentation von Informationen in der Schule entwickelt, da diese Gewohnheiten tiefe Wurzeln haben. Als Buch Die Kulturkarte Erklärt, unterschiedliche Kulturen unterscheiden sich in der Artwork und Weise, wie sie die Kommunikation strukturieren. Einige sind Konzept-First-First (ausgehend von Grundlagen und iterativ zu Schlussfolgerungen), während andere Anwendungen zuerst sind (beginnend mit den Ergebnissen und bei Bedarf tiefer). Ich habe den Konzept-ersten Ansatz definitiv verinnerlicht.

In der Praxis sind viele meiner Artikel von On-line -Kursen inspiriert. Während ich einen Kurs ansehe, skizziere ich die grobe Struktur parallel, damit ich keine wichtigen Nuancen vergesse. Ich notiere auch alles, was unklar ist, und markiere es für zukünftiges Lesen oder Experimentieren.

Nach dem Kurs überlege ich, wie ich dieses Wissen auf ein praktisches Beispiel anwenden kann. Ich bin fest davon überzeugt, dass Sie etwas nicht wirklich verstehen, bis Sie es selbst versuchen. Obwohl die meisten Kurse praktische Beispiele haben, sind sie oft zu poliert. Nur wenn Sie dieselben Ideen für Ihren eigenen Anwendungsfall anwenden, werden Sie auf Kantenfälle und Reibungspunkte begegnen. Zum Beispiel kann der Kurs OpenAI -Modelle verwendet, aber ich möchte vielleicht ein lokales Modell ausprobieren, oder die Standardsystemaufforderung im Framework funktioniert für meinen speziellen Fall nicht und muss optimiert werden.

Sobald ich ein arbeitendes Beispiel habe, wechsle ich zum Schreiben. Ich bevorzuge separate Zeichnen von der Bearbeitung. Zunächst konzentriere ich mich darauf, alle meine Ideen und den Code zu räumen, ohne mich um Grammatik oder Ton zu kümmern. Dann wechsle ich in den Bearbeitungsmodus: Verfeinerung der Struktur, die Auswahl der richtigen Grafiken, die Zusammenstellung der Einführung und die Hervorhebung der wichtigsten Imbissbuden.

Schließlich habe ich das Ganze von Anfang an gelesen, um etwas zu fangen, was ich verpasst habe. Dann bitte ich meinen Accomplice, es zu überprüfen. Sie bringen oft eine neue Perspektive und weisen auf Dinge hin, die ich nicht in Betracht gezogen habe, was dazu beiträgt, dass der Artikel umfassender und zugänglicher wird.

Um mehr über Mariyas Arbeit zu erfahren und mit ihren neuesten Artikeln auf dem Laufenden zu bleiben, folgen Sie ihr hier auf Tds und weiter LinkedIn.

Laut einer Reihe von Studien von Forschern am MIT stöbern Menschen, die mit ihrer psychischen Gesundheit zu kämpfen haben, häufiger nach negativen Inhalten im Web, und diese negativen Inhalte verschlimmern wiederum ihre Symptome.

Die Gruppe hinter der Forschung hat eine entwickelt Internet-Plug-in-Instrument um denjenigen, die ihre psychische Gesundheit schützen möchten, dabei zu helfen, fundiertere Entscheidungen über die Inhalte zu treffen, die sie ansehen.

Die Ergebnisse wurden in einem Open-Entry-Artikel von dargelegt Tali Sharotaußerordentlicher Professor für kognitive Neurowissenschaften am MIT und Professor am College School London, und Christopher A. Kelly, ein ehemaliger Gastdoktorand, der zum Zeitpunkt der Durchführung der Studien Mitglied von Sharots Affective Mind Lab warfare und jetzt Postdoc an der Stanford College ist Institut für menschenzentrierte KI. Die Ergebnisse waren veröffentlicht am 21. November in der Zeitschrift Natur menschliches Verhalten.

„Unsere Studie zeigt einen kausalen, bidirektionalen Zusammenhang zwischen Gesundheit und dem, was Sie on-line tun. Wir haben herausgefunden, dass Menschen, die bereits psychische Symptome haben, eher on-line gehen und eher nach Informationen suchen, die am Ende negativ oder ängstlich sind“, sagt Sharot. „Nachdem sie diese Inhalte durchgesehen haben, werden ihre Symptome schlimmer. Es ist eine Rückkopplungsschleife.“

Die Studien analysierten die Surfgewohnheiten von mehr als 1.000 Teilnehmern, indem sie mithilfe der Verarbeitung natürlicher Sprache eine adverse und eine optimistic Bewertung für jede besuchte Webseite sowie Bewertungen für Wut, Angst, Vorfreude, Vertrauen, Überraschung, Traurigkeit und Freude berechneten , und Ekel. Die Teilnehmer füllten außerdem Fragebögen zur Beurteilung ihrer psychischen Gesundheit aus und gaben direkt vor und nach den Sitzungen zum Surfen im Web ihre Stimmung an. Die Forscher fanden heraus, dass die Teilnehmer eine bessere Stimmung ausdrückten, nachdem sie weniger adverse Webseiten besucht hatten, und Teilnehmer mit schlechterer Stimmung vor dem Surfen tendierten dazu, eher adverse Webseiten zu durchsuchen.

In einer anschließenden Studie wurden die Teilnehmer gebeten, Informationen von zwei Webseiten zu lesen, die zufällig aus entweder sechs negativen Webseiten oder sechs neutralen Seiten ausgewählt wurden. Anschließend gaben sie ihre Stimmungslage sowohl vor als auch nach dem Betrachten der Seiten an. Eine Analyse ergab, dass Teilnehmer, die adverse Webseiten besuchten, angaben, in einer schlechteren Stimmung zu sein als diejenigen, die neutrale Seiten betrachteten, und anschließend negativere Seiten besuchten, als sie gebeten wurden, zehn Minuten lang im Web zu surfen.

„Die Ergebnisse tragen zur anhaltenden Debatte über den Zusammenhang zwischen psychischer Gesundheit und On-line-Verhalten bei“, schreiben die Autoren. „Die meisten Untersuchungen, die sich mit diesem Zusammenhang befassen, haben sich auf die Menge der Nutzung konzentriert, beispielsweise auf die Bildschirmzeit oder die Häufigkeit der Nutzung sozialer Medien, was zu gemischten Schlussfolgerungen geführt hat. Hier konzentrieren wir uns stattdessen auf die Artwork des durchsuchten Inhalts und stellen fest, dass seine affektiven Eigenschaften kausal und bidirektional mit der psychischen Gesundheit und Stimmung zusammenhängen.“

Um zu testen, ob eine Intervention die Auswahl beim Surfen im Web verändern und die Stimmung verbessern könnte, stellten die Forscher den Teilnehmern Suchmaschinen-Ergebnisseiten mit drei Suchergebnissen für jede von mehreren Suchanfragen zur Verfügung. Einige Teilnehmer erhielten für jedes Suchergebnis Labels auf einer Skala von „fühlen sich besser“ bis „fühlen sich schlechter“. Andere Teilnehmer erhielten keine Etiketten. Diejenigen, die mit Labels versehen wurden, wählten weniger wahrscheinlich adverse Inhalte als vielmehr optimistic Inhalte. Eine Folgestudie ergab, dass diejenigen, die sich mehr optimistic Inhalte ansahen, von einer deutlich besseren Stimmung berichteten.

Basierend auf diesen Erkenntnissen erstellten Sharot und Kelly ein herunterladbares Plug-in-Instrument „Digital Weight loss plan“ genannt, das Bewertungen für Google-Suchergebnisse in drei Kategorien bietet: Emotion (ob Menschen den Inhalt im Durchschnitt positiv oder negativ finden), Wissen (inwieweit Informationen auf einer Webseite den Menschen im Durchschnitt helfen, ein Thema zu verstehen), und Umsetzbarkeit (inwieweit Informationen auf einer Webseite im Durchschnitt nützlich sind). Jonatan Fontanez ’24, Pupil der Elektrotechnik und Informatik am MIT, ein ehemaliger Bachelor-Forscher am MIT in Sharots Labor, trug ebenfalls zur Entwicklung des Instruments bei. Das Instrument wurde diese Woche zusammen mit der Veröffentlichung des Artikels öffentlich vorgestellt Natur menschliches Verhalten.

„Menschen mit einer schlechteren psychischen Gesundheit tendieren dazu, nach eher negativen und angstauslösenden Inhalten zu suchen, was wiederum ihre Symptome verschlimmert und eine bösartige Rückkopplungsschleife erzeugt“, sagt Kelly. „Wir hoffen, dass dieses Instrument ihnen dabei helfen kann, mehr Autonomie darüber zu erlangen, was ihnen in den Sinn kommt, und adverse Kreisläufe zu durchbrechen.“