Как повысить уровень своей работы в условиях развивающейся экономики искусственного интеллекта

Для реализации технологических проектов необходимы архитектурные навыки более высокого уровня, а для экономики ИИ - способности к оценке и логическому мышлению.

Искусственный интеллект (ИИ), как и облачные вычисления несколькими годами ранее, меняет экономику информационных технологий. Во многих отношениях ИИ способен сделать технологии гораздо более эффективными. Однако проблема заключается в том, чтобы помочь людям и организациям перейти на новый уровень и адаптироваться к новой реальности ИИ.

У меня была возможность обсудить развивающуюся технологическую экономику с доктором Сьюзан Атей, которая недавно была назначена главным научным консультантом компании Keystone Strategy. Атей также является профессором экономики в Стэнфордском университете и бывшим главным экономистом Microsoft.

«Трудно в полной мере оценить количественно преимущества более гибкой работы и возможности добавлять больше функций и выполнять больше проектов, проводить эксперименты и внедрять инновации, которые в противном случае вы бы не смогли сделать», - говорит Атей. Она считает, что если люди и организации будут должным образом подготовлены, то перед ними откроются новые возможности.

«Создавать и внедрять системы, основанные на искусственном интеллекте, сложно и дорого, но в итоге мы получим технологическую инфраструктуру и приложения, которые будут работать быстрее и эффективнее. Эксплуатация этих систем может стать немного проще, как только они будут запущены», - говорит она. «По сравнению с машинным обучением, которым я занималась последние 16-17 лет в промышленности, этот последний раунд проще в обслуживании и требует менее сложного кодирования».

В целом, - продолжила она: «Я чувствую, что мы видим сближение и наконец-то видим отдачу от многих инвестиций, которые мы коллективно сделали как индустрия в течение долгого времени. Люди научились создавать модульный код. Они научились многому в оптимизации, которая раньше была очень привередливой, а теперь стала очень высокопроизводительной, универсальной оптимизационной рутиной. Новейший алгоритм может просто подключаться к этим оптимизационным рутинам».

По словам Атея, в результате этой трансформации специалистам в области технологий необходимо переосмыслить свои роли и карьеру. «Я думаю, что кодировать стало проще. Мои студенты в Стэнфорде, вероятно, пишут 80 % своего кода с помощью Copilot», - сказала она. «Он отлично справляется с поиском синтаксических ошибок и написанием утомительного кода. Знание конкретного языка стало менее важным. С начала своей карьеры я написала код примерно на 10 разных языках».

Но хотя эти технологии помогают в более простых процессах кодирования, по словам Атея, для технологических проектов необходимы архитектурные навыки более высокого уровня - «структура и то, как все должно быть сделано». Кроме того, в экономике ИИ потребуются способности к оценке и логическому мышлению.

«В Стэнфорде мы ежегодно выпускаем тысячи студентов, изучающих информатику и инженерию. Все они прекрасно умеют загружать данные из Интернета и что-то с ними делать. Обучать, оптимизировать, предсказывать, классифицировать, сравнивать модель A с моделью B и сравнивать их производительность. Однако они очень, очень мало обучены задавать вопросы «Что это значит? Как узнать, когда или почему модель работает хорошо? Каковы слабые места? Какие данные помогут ее улучшить?«».

Проблема с моделями ИИ заключается в том, что «в большинстве случаев они будут давать неправильные ответы», - говорит Атей. «У нас нет научных данных, чтобы понять, когда они дают неправильные ответы, а когда - правильные. Например, может быть, у вас недостаточно молодых людей в наборе данных. Вы пытаетесь галлюцинировать их больше. Но это может помочь вам узнать больше о молодых людях, а может и не помочь. Мне нужно убедиться, что я не просто галлюцинирую эти черты молодых людей. А это не предусмотрено. И модель не знает - она не скажет вам. У модели нет способа узнать это напрямую».

По словам Атея, суть в том, что сегодняшние и завтрашние специалисты по технологиям будут обрабатывать и передавать данные, которые питают предприятия, работающие на основе ИИ. «При использовании новых видов ИИ необходимо изучить ценность ваших данных. Какова ценность внешних источников данных? Какие инициативы вы уже пробовали, но они не сработали, потому что у вас не было достаточно данных? Есть ли инициативы, которые вы могли бы попробовать повторить сейчас?» По ее словам, часть проблемы заключается в том, что моделям ИИ может потребоваться использовать «исторические неструктурированные данные».

Руководителям и специалистам необходимо владеть «следующим уровнем анализа, который требует большого количества логического мышления. Это требует понимания статистики и условных ожиданий. Вам нужно математическое обоснование. Чтобы спросить: «Что означает, что это правильно? И при этом дать точный ответ?«». А сейчас этот уровень критического мышления и инструменты для его поддержки все еще в дефиците, говорит Атей.