Pre Adama M. Roota, inštruktora pre riadenie produktov AI, zmysluplný vplyv umelej inteligencie pochádza z kladenia správnych otázok, uplatňovania štruktúrovaných strategických rámcov a udržiavania ľudských znalostí v centre. Na Maven Root navrhuje a vyučuje živé kohortové programy pre produktových manažérov, dizajnérov a zakladateľov, ktorí chcú vytvárať produkty založené na umelej inteligencii, a zároveň slúži ako frakčný produktový riaditeľ - stratégia produktov AI. Jeho vlajkové kurzy pokrývajú stratégiu produktov AI-first, prototypovanie pre dizajnérov, vývoj agilnej umelej inteligencie a stratégiu pre produkty AI - všetko vytvorené na pomoc tímom presunúť sa od zvedavosti k schopnostiam v rýchlo sa meniacich prostrediach AI. Mnoho podnikov teraz tlačí na škálovanie agentúrnej AI, ale väčšina sa snaží pochopiť, prečo ich iniciatívy zriedka presahujú pilotné fázy. Namiesto toho, aby zakotvili svoju prácu v jasnom obchodnom probléme, tímy často naháňajú nástroje, modely alebo dodávateľov, dúfajúc, že technológia sama odomkne vplyv. Prečo podniky bojujú o škálu agentúrnej AI Podniky sú pod intenzívnym tlakom zo strany výborov, aby ukázali merateľné výsledky AI, a táto naliehavosť ich často poháňa do vykonávania predtým, než pochopí, čo skutočne potrebuje riešenie. Root vidí rovnakú chybu, ktorá sa opakuje: tímy pretekajú smerom k výsledkom bez toho, aby svoje úsilie založili na jasnom pochopení základného problému. „Technológia nie je dostatočne pokročilá na to, aby to urobila sama,“ vysvetľuje. „Ľudia si myslia, že môžu pripojiť viac počítačov alebo najať iného dodávateľa a vyriešiť ho. Nebude to fungovať.“ Ľudské odborné znalosti musia existovať v jadre agentúrnych pracovných postupov. Spoločnosti, ktoré sa spoliehajú na AI na replik Architektúra škálovateľných pracovných postupov: rámec PURSUIT Využíva rámec PURSUIT, ktorý poskytuje podnikom praktickú cestu vpred a ponúka jasné usmernenia o tom, ako sa vyhnúť týmto pasciam. Aký je skutočný ľudský problém, ktorý sa snažíme vyriešiť, pod povrchovými príznakmi? Problem:  Pre koho je to naozaj, a čo si cenia, obávajú sa a uprednostňujú? User:  Prečo je riešenie tohto problému strategicky dôležité a relevantné práve teraz? Rationale:  Aká je najmenšia, najtransformatívnejšia produktová skúsenosť, ktorá rieši problém zmysluplne? Solution:  Aké dôkazy potrebujeme zhromaždiť na potvrdenie alebo vyvrátenie našich predpokladov? Understanding:  Aké vzory, pravdy a behaviorálne faktory vyplývajú z dôkazov a ako by mali formovať produkt? Insight: Aký je strategický produktový smer, ktorý spája všetko do jedného obranného príbehu? Thesis:  Technológia nie je v rámci... úmyselne. „Väčšina ľudí robí svoju tech prácu. Začnú s nástrojom a potom pracujú spätne,“ hovorí Root. Pre neho správne otázky záleží ešte viac ako správne modely. Tímy sa často ponáhľajú do výskumu, paralelných modelov a agregácie vyhľadávania bez objasnenia toho, čo sa potrebujú naučiť. „Pýtajte sa lepšie otázky a získate lepšie výsledky.“ Root stavia ľudské preskúmanie na začiatku každého agentívneho pracovného postupu a často vyzýva LLM, aby pred začatím úloh zdokonaľoval svoje pochopenie problému. Nadchádzajúca vlna: multimodálne a paralelné systémy Root verí, že ďalšie veľké pokroky v oblasti umelej inteligencie budú pochádzať zo systémov, ktoré môžu používať rôzne typy vstupov naraz, ako sú text, obrázky, video, audio a údaje zo senzorov v reálnom svete, z viacerých modelov umelej inteligencie pracujúcich spoločne súčasne.Tieto modely budú potom schopné porovnať to, čo každý nájde a spojiť svoje uvažovanie, aby vytvorili lepšie odpovede.AI bude môcť naraz pozerať na mnoho druhov informácií a nechať niekoľko modelov premýšľať o probléme spoločne, aby vytvorili jasnejší a silnejší výsledok. Avšak nové schopnosti nevyriešia základné problémy. Bez dobre navrhnutých otázok, validovaných vstupov a v ranom štádiu ľudského vedenia multimodálne systémy jednoducho urýchľujú chybné uvažovanie. „Ak stále začnete bez správnych otázok, nebudete mať správne riešenie,“ hovorí Root. Očakáva korekciu trhu za 12 až 18 mesiacov, pretože táto novinka dáva miesto prevádzkovej realite. Spoločnosti, ktoré odstránili odborníkov na tému v nádeji na efektívnosť riadenú AI, sa môžu ocitnúť v ťažkostiach s obnovením strateného kontextu. Konkurenti, ktorí si ponechajú tribalové vedomosti, budú mať výhodu, ktorú softvér sám nemôže replikovať. The Overlooked Risk and the Undervalued Hire Napriek rýchlej automatizácii úloh na úvodnej úrovni riadených umelou inteligenciou zostávajú skúsení odborníci nenahraditeľní. „Vaši odborníci na predmety nie sú nahraditeľní umelou inteligenciou,“ hovorí, zdôrazňujúc, že podniky uprednostňujú najímanie hlavných produktových manažérov, ktorí môžu premeniť chaotické organizačné výzvy na spoľahlivé, škálovateľné pracovné postupy. Pre spoločnosti v počiatočnom štádiu, ktoré predávajú na podnikové trhy, navrhuje nábor nedávno prepustených PM, ktorí prinášajú roky perspektívy. „Získate tribalové vedomosti, ktoré by ste sa naučili roky,“ hovorí, argumentujúc, že to môže definovať strategickú výhodu spoločnosti. Potenciál AI je obrovský, ale iba vtedy, keď je zakorenený v silnej stratégii a premyslenom vykonávaní.Podniky, ktoré začínajú s jasnosťou, ľudským odborným znalosťou a lepšími otázkami, budú schopné architektúry agentúrnych pracovných postupov AI, ktoré nielen fungujú, ale aj rozširujú. Sledovať Adam Root on alebo navštíviť jeho Pre viac vhľadov. Linkedin → webstránka

This story contains new, firsthand information uncovered by the writer.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Adam M. Root: Ako vytvoriť pracovné postupy agentúry AI, ktoré sa rozširujú v podniku

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

Behavior of a shapely Spider

When Blood Told

16 Best Sklearn Datasets for Building Machine Learning Models

Mutmut: a Python mutation testing system

Behavior of a shapely Spider

When Blood Told

16 Best Sklearn Datasets for Building Machine Learning Models

Mutmut: a Python mutation testing system

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps