Mühendislik ekibinizde üretici yapay zeka yutturmacasında nasıl gezinebilirsiniz?

Son altı ayda, yapay zeka, özellikle üretken yapay zeka, OpenAI’nin ChatGPT ve DALL-E’yi genel halka sunmasıyla ana akım haline geldi. İlk kez, internet bağlantısı olan herkes, yalnızca ilginç ve havalı bir prototip değil, akıllı ve yararlı hissettiren bir yapay zeka ile etkileşim kurabilir.

Yapay zekanın bilimkurgu oyuncağından gerçek hayat aracına bu yükselişiyle birlikte, yaygın olarak duyurulan endişelerin bir karışımı ortaya çıktı (buna ihtiyacımız var mı? yapay zeka deneylerini duraklat?) ve heyecan (dört günlük çalışma haftası!). Kapalı kapılar ardında, yazılım şirketleri yapay zekayı ürünlerine dahil etmek için çabalıyor ve mühendislik liderleri şimdiden yönetim kurulundan ve müşterilerden daha yüksek beklentilerin baskısını hissediyor.

Bir mühendislik lideri olarak, ekibinize yönelik artan taleplere hazırlanmanız ve rekabette öne geçmek için yeni teknolojik gelişmelerden en iyi şekilde yararlanmanız gerekecek. Aşağıda özetlenen stratejileri takip etmek, sizi ve ekibinizi başarıya hazırlayacaktır.

Fikirleri gerçekçi projelere kanalize edin

Üretici Yapay Zeka, Şişirilmiş Beklentilerin Zirvesine Yaklaşıyor Gartner’ın Heyecan Döngüsü. Fikirler akmaya başlıyor. Akranlarınız ve yönetim kurulu, AI dalgasını sürmek için fırsat olarak gördükleri yeni projelerle size gelecek.

İnsanlar nelerin mümkün olduğu ve teknolojinin onları nasıl sağlayabileceği konusunda büyük düşündüklerinde, bu mühendislik için harika bir şey! Ama işte zor kısım geliyor. Masanıza gelen birçok fikre eşlik edecek Nasılgerçekte sabitlenmemiş olabilir.

OpenAI’den bir modeli uygulamanıza ve presto, yüksek kaliteli otomasyona bağlayabileceğiniz varsayımı olabilir. Ancak, geri soyarsanız Nasıl ve ayıklayın Ne Bu fikir sayesinde, güçlü paydaş desteğiyle gerçekçi projeler keşfedebilirsiniz. Daha önce bazı görevler için otomasyonun erişilebilir olduğundan şüphe duyan şüpheciler, kullanmayı seçtiğiniz temel araçtan bağımsız olarak artık yeni olasılıkları değerlendirmeye istekli olabilir.

Üretken yapay zekanın fırsatları ve zorlukları

Başlıkları yakalayan yeni teknolojiye sahip yapay zeka, hızlı bir şekilde metin, kod ve görüntüler oluşturmada gerçekten iyidir. Bazı uygulamalar için insanlar için potansiyel zaman tasarrufu çok fazladır. Ancak mevcut teknolojilere göre ciddi zafiyetleri de var. ChatGPT’yi örnek olarak ele alırsak:

• ChatGPT’nin “güven düzeyi” kavramı yoktur. İfadelerini destekleyen çok fazla kanıt olduğu zaman ile kelime çağrışımlarından en iyi tahminde bulunduğu zaman arasında ayrım yapmanın bir yolunu sağlamaz. Bu en iyi tahmin aslında yanlışsa, yine de kulağa şaşırtıcı derecede gerçekçi geliyor ve ChatGPT’lerin hatalarını daha da tehlikeli hale getiriyor.
• ChatGPT’nin “canlı” bilgilere erişimi yoktur. Size son birkaç ay hakkında hiçbir şey söyleyemez.
• ChatGPT, web’den kazımak için herkese açık olmayan, alana özgü terminoloji ve kavramlardan habersizdir. Şirket içi proje adlarınızı ve kısaltmalarınızı internetin karanlık köşelerinden ilgisiz kavramlarla ilişkilendirebilir.

Ancak teknolojinin cevapları var:

• Bayes makine öğrenimi (ML) modelleri (ve birçok klasik istatistik aracı), hata olasılığı hakkında akıl yürütme için güven sınırları içerir.
• Modern akış mimarileri, ister bilgi alma sistemlerini ister makine öğrenimi modellerini güncellemek için verilerin çok düşük gecikmeyle işlenmesine olanak tanır.
• GPT modelleri (ve HuggingFace gibi kaynaklardan önceden eğitilmiş diğer modeller), alana özgü örneklerle “ince ayar” yapılabilir. Bu, sonuçları önemli ölçüde iyileştirebilir, ancak ayarlama için anlamlı bir veri kümesi oluşturmak da zaman ve çaba gerektirir.

Bir mühendislik lideri olarak işinizi ve paydaşlarınızdan gereksinimleri nasıl çıkaracağınızı bilirsiniz. Halihazırda sahip değilseniz, bundan sonra ihtiyacınız olan şey, hangi aracın bu gereksinimler için uygun olduğunu değerlendirme konusunda kendinize güvenmenizdir. Basit regresyon modellerinden en son “AI” vızıltısının arkasındaki büyük dil modellerine (LLM’ler) kadar bir dizi teknik içeren makine öğrenimi araçlarının, artık o araç kutusunda güvenle değerlendirebileceğiniz seçenekler olması gerekiyor.

Potansiyel makine öğrenimi projelerini değerlendirme

Her mühendislik organizasyonunun makine öğrenimine veya veri bilimine adanmış bir ekibe ihtiyacı yoktur. Ancak çok geçmeden, her mühendislik kuruluşunun ortalığı karıştıracak ve makine öğreniminin işletmeleri için neleri yapıp neleri yapamayacağını açıkça ifade edebilecek birine ihtiyacı olacak. Bu yargı, başarılı ve başarısız veri projelerinde çalışma deneyiminden gelir. Bu kişiyi ekibinizde adlandıramıyorsanız, onları bulmanızı öneririm!

Bu arada, paydaşlarla konuşurken ve hayallerindeki projeler için beklentileri belirlerken şu kontrol listesini gözden geçirin:

Daha basit bir yaklaşıma sahiptir, kurallara dayalı bir algoritma gibi, Bu sorun için zaten denendi mi? Bu daha basit yaklaşım, ML’nin yapabileceğini tam olarak başaramadı?

“Akıllı” bir algoritmanın bir sorunu, bir alan uzmanıyla yapılan görüşmeden elde edilen bir düzine “eğer” ifadesinden daha az çabayla daha iyi çözeceğini düşünmek cazip gelebilir. Üretimde öğrenilen bir modeli sürdürmenin ek yükü düşünüldüğünde, durum neredeyse kesinlikle böyle değil. Kurallara dayalı bir yaklaşım inatçı veya engelleyici derecede pahalı olduğunda, makine öğrenimini ciddi şekilde düşünmenin zamanı gelmiştir.

Bir insan, başarılı bir makine öğrenimi algoritmasının çıktısının ne olacağına dair birkaç özel örnek sağlayabilir mi?

Bir paydaş, bir veri setinde bazı belirsiz “içgörüler” veya “anomaliler” bulmayı umar, ancak belirli örnekler veremezse, bu bir tehlike işaretidir. Herhangi bir veri bilimcisi, istatistiksel aykırı değerleri keşfedebilir, ancak bunların yararlı olmasını beklemeyin.

Yüksek kaliteli veriler hazır mı?

Çöp içeri, çöp dışarı, dedikleri gibi. Veri hijyeni ve veri mimarisi projeleri, bir makine öğrenimi projesinin ön koşulları olabilir.

Belgelenmiş bir makine öğrenimi çözümünde benzer bir sorun var mı?

Olmazsa, makine öğreniminin yardımcı olamayacağı anlamına gelmez, ancak ekipte daha derin makine öğrenimi uzmanlığına ve nihai başarısızlık potansiyeline ihtiyaç duyan daha uzun bir araştırma döngüsüne hazırlıklı olmalısınız.

‘Yeterince iyi’ tam olarak tanımlanmış mı?

Çoğu kullanım durumunda, bir makine öğrenimi modeli hiçbir zaman %100 doğru olamaz. Aksine net bir rehberlik olmadan, bir mühendislik ekibi, her bir iyileştirme yüzdesi bir öncekinden daha fazla zaman harcayarak, zor olan %100’e yaklaşarak kolayca zaman kaybedebilir.

Sonuç olarak

Tıpkı üretim yığınınıza yeni bir veri deposu ekleme teklifinde yapacağınız gibi, sağlıklı bir dozda şüphecilikle üretime yeni bir makine öğrenimi modeli dahil etmeye yönelik herhangi bir teklifi değerlendirmeye başlayın. Etkili bekçilik, makine öğreniminin paydaşların bir engel olarak algıladığı bir şey değil, ekibinizin repertuarında yararlı bir araç haline gelmesini sağlayacaktır.

Hype Cycle’ın korkunç Hayal Kırıklığı Çukuru kaçınılmazdır. Ancak derinliği, belirlediğiniz beklentiler ve sunduğunuz değer tarafından kontrol edilir. Yapay zeka olsun ya da olmasın, şirketinizdeki yeni fikirleri gerçekçi projelere yönlendirin ve makine öğrenimindeki ilerlemelerin yarattığı yeni fırsatları hızla fark edip bunlardan yararlanabilmeniz için ekibinizin becerilerini geliştirin.

Stephen Kappel, şirketin veri başkanıdır. Kod İklim.