Nopea suunnittelu: integroitu unelma

Julkaissut Platon

seuraajia: 0

Nopea suunnittelu: integroitu unelma
Kuva, jonka olen luonut Microsoft Image Creatorilla

Sen jälkeen kun OpenAI julkaisi ChatGPT:n yleisölle, verkossa on syntynyt keskustelua uudesta unelmatyöstä: Prompt Engineeringistä. Sitä mainostetaan nimellä "Tekoälyn kuumin työ”, lupaavat kuusinumeroiset palkat ilman ohjelmointikokemusta. Harrastajat kuvaavat sitä a tulevaisuuden työ, Jossa kuka tahansa voi ansaita jopa $ 335K puhumalla hienoa kaikentietävää robottia antamaan oikeita vastauksia. Ei yllätys, Instagram rahaa tekeviä viisaita, YouTube-ura saarnaajat, ja TikTokin itsensä julistaneet oraakkelit ovat puhuneet siitä erittäin äänekkäästi. Vaikka tämä kuulostaa unelmatyöltä, onko se todella saavutettavissa? Tutustutaanpa työmarkkinoiden todellisuuteen hypen takana selvittääksemme.

Työpaikkailmoitustietojen analysointi antaa arvokasta tietoa työvoiman kysynnän suuntauksista, vastuista, pätevyydestä ja palkka-odotuksista. Niinpä päätin katsoa ns.Tekoälyn kuumin työ” ilman spekulaatioita tai olettamuksia. Keräsin 73 äskettäin julkaistua ainutlaatuista työpaikkailmoitusta suosituilta online-työpaikkailmoituksilta. Lue tiedonkeruumenetelmistäni ja käytä tietojoukkoa tätä. Vaikka 73 ei ehkä ole ihanteellinen otoskoko, se on kattava lähtökohta analyysillemme. Ensimmäinen paljastus on järkyttävä: "nopeaa insinööriä" etsiviä työnantajia on vähän.

Katsotaanpa nyt tietoja. Useimmin mainittu tehtävänimike on "nopea insinööri". Esiin tulee kuitenkin myös muita nimikkeitä, kuten "IT Innovation Analyst", "Freelance ML/AI Engineer", "Data Scientist" ja "AI Engineer". Tein sanapilviä työnkuvauksissa mainituille pätevyyksille ja vastuille. Mielestäni sanapilvien ei ole tarkoitus paljastaa poikkeuksellisia oivalluksia, mutta ne voivat edustaa kompaktia versiota tekstin tärkeistä kohokohdista. Kuten näette, työnantajat puhuvat työpaikkailmoituksissa kokemuksesta tietojenkäsittelytieteestä, mallinkehityksestä, pythonista, nopeasta suunnittelusta, koneoppimisesta, suurista kielimalleista, luonnollisen kielen käsittelystä ja tekoälystä enemmän kuin muista asioista.

Nopea suunnittelu: integroitu unelma
1. Tämä on huomattavasti suurempi otoskoko, jos vertaat sitä moniin niihin anekdoottisiin varhaisiin artikkeleihin, jotka rakensivat koko väitteensä kuusinumeroisesta palkasta ilman koodausta vain yhdestä työpaikkailmoituksesta.

Seuraavaksi tein ChatGPT:n ja Clauden yhteenvedon kerätyistä mainostekstikorpuksista tunnistaakseni parhaat nopeat insinööritutkinnot ja pätevyydet. Tein useita kehotteita eri lähestymistavoilla, minkä jälkeen tarkistin tiedot manuaalisesti varmistaakseni, että saan vakaan ja kelvollisen tulosteen.

Prompt Engineer -työhön vaadittavat pätevyydet:

Python-ohjelmointitaitoa (2-5 vuoden kokemus) mukaan lukien kokemus tekoäly-/koneoppimiskehyksistä, kuten TensorFlow, PyTorch, Keras.
NLP- ja LLM-työtaitoa (2-5 vuoden kokemus) kuten BERT, GPT-3/4, T5 jne. Tietoa näiden mallien toiminnasta ja niiden hienosäätämisestä.
Vahvat analyyttiset ja ongelmanratkaisutaitot. Kyky ajatella kriittisesti, suunnitella tehokkaita kehotteita, analysoida mallin suorituskykyä ja etsiä ongelmia on elintärkeää.
Asiantuntemus nopeista suunnitteluperiaatteista ja tekniikoista kuten ajatusketju, kontekstin sisäinen oppiminen, ajatuspuu jne. Tämä mahdollistaa mallien ohjaamisen haluttuun lopputulokseen.
Erinomaiset viestintätaidot, sekä suullisesti että kirjallisesti. Tätä tarvitaan tiimien väliseen yhteistyöhön, teknisten käsitteiden selittämiseen ja työn dokumentointiin.

Ja nopean insinöörityön keskeiset vastuut ovat:

Nopea suunnittelu ja optimointi: Tekoälyn luomien tekstikehotteiden suunnittelu, kehittäminen, testaaminen ja jalostaminen tehokkuuden maksimoimiseksi eri sovelluksissa. Tämä sisältää tekniikoiden, kuten oppimisen siirtämisen ja kielellisen asiantuntemuksen hyödyntämisen laadukkaiden ja monipuolisten kehotteiden luomiseksi.
Integrointi ja käyttöönotto: Optimoitujen kehotteiden saumattoman integroinnin varmistaminen koko tuotteeseen tai järjestelmään. Yhteistyötä insinöörien kanssa kehotteiden ja mallien toteuttamiseksi tuotantoympäristöissä.
Suorituskyvyn arviointi ja parantaminen: Arvioi tiukasti nopeaa suorituskykyä mittareiden ja käyttäjäpalautteen avulla. Jatkuva testaus ja analyysi optimointi- ja iterointialueiden tunnistamiseksi.
Yhteistyö ja vaatimusten kerääminen: Tee tiivistä yhteistyötä monitoimitiimien, kuten datatieteilijöiden, sisällöntuottajien ja tuotepäälliköiden, kanssa ymmärtääkseen vaatimuksia ja varmistaakseen, että kehotteet vastaavat liiketoiminnan tavoitteita ja käyttäjien tarpeita.
Tiedon jakaminen: Nopeiden suunnitteluprosessien ja tulosten dokumentointi. Kouluttaa tiimejä nopeista parhaista käytännöistä. Pysy ajan tasalla uusimmista tekoälykehityksistä tuodaksesi innovatiivisia

On reilua sanoa, että ns. "AI's Hottest Job" -lähtökohta "ei ohjelmointikokemusta" on kaukana todellisuudesta, sillä nopean suunnittelun markkinoilla vaaditut taidot ovat ohjelmointitaito sekä NLP- ja LLM-kokemus. Eikä he puhu mikkihiiriohjelmointitaidoista, vaan etsivät asiantuntijoita, jotka tuntevat ML- ja AI-kehykset. Työnantajat eivät vaadi pelkästään LLM:ien ja koodauksen tuntemusta, vaan he etsivät keskimäärin asiantuntijoita, joilla on 2-5 vuoden kokemus strukturoidun ja strukturoimattoman datan, koodauksen, NLP:n, ML:n ja tekoälyn parissa.

Ylimpien vastuiden lukeminen tekee selväksi, miksi tämä työnimike vaatii niin korkeaa ohjelmointi- ja LLM-taitoja. Nopea suunnittelu ammattityönä ei ole tietokoneen takana istumista ja pelaamista Generative AI -malleilla saadaksesi oikean vastauksen. Kyse on yritysten tietojärjestelmien rakentamisesta, jotka optimoivat syötteet, integroivat ne saumattomasti muihin tietojärjestelmiin ja tuotteisiin sekä tuottavat arvoja käyttäjille ja asiakkaille. Toisin sanoen yritykset eivät etsi henkilöä, joka voi keskustella ChatGPT:n kanssa, vaan he haluavat palkata asiantuntijoita, jotka voivat optimoida GPT:n kaltaisia malleja ja integroida ne omiin tuotteisiinsa.

Työpaikkailmoitustietojen tutkintovaatimusten analyysi osoittaa, että tekninen koulutustausta suosii tietojenkäsittelytieteen, matematiikan, analytiikan, tekniikan, fysiikan tai kielitieteen aloilla. Yleisesti vaaditaan tietojenkäsittelytieteen tai siihen liittyvän alan kandidaatin tutkinto, ja ylemmissä tehtävissä edellytetään tai vaaditaan edistyneempiä tutkintoja. Palkat vaihtelevat suuresti tehtävien ja iän mukaan. Se voi olla niinkin alhainen kuin 30 90 ja jopa puoli miljoonaa dollaria vuodessa. Palkkatietoja sisältävät työilmoitukset maksavat keskimäärin 195 XNUMX - XNUMX XNUMX vuodessa.

Alkuinnostuksesta huolimatta on ilmaantunut epäilyksiä nopean suunnittelun kannattavuudesta unelmatyönä. Kuten Ethan Mollick, Wharton Schoolin professori, kirjoitti a twitter-viesti viime vuonna "kehotusinsinööri ei ole tulevaisuuden työ", koska "AI helpottaa" ja älykkäämpää peruskehotteiden tulkitsemisessa. Kuukausi sitten Coursera julkaisi hyvän ajatuksen uraopas nopeaa suunnittelua varten (katso myös tätä). Se näyttää alkuperäiseltä Gen AI:ltä muoti hiipuu hitaasti, ja meillä on paremmat mahdollisuudet ymmärtää tekoälyn nykytila ja tulevaisuuden trendit. Älä ymmärrä minua väärin. Gen AI -tulosteiden laatu riippuu voimakkaasti tuloista. Näiden monimutkaisten mallien käytön ja vuorovaikutuksen oppimisesta on tulossa tärkeä taito melkein kaikille. Yhä useammat tieteelliset tutkimukset viittaavat siihen, että järjestelmällinen lähestymistapa kehotuksiin voi parantaa merkittävästi näiden mallien tuloksia (ks. 1, 2, 3, 4, 5, 6, 7). "Nopea suunnittelu" ei kuitenkaan ole (ja se ei koskaan ollut) unelmatyö, jonka jotkut ihmiset halusivat sen olevan. Ilman merkittävää kokemusta ohjelmoinnista, luonnollisen kielen käsittelystä, koneoppimisesta, tuotekehityksestä ja ohjelmistointegraatiosta kukaan ei maksa sinulle kuusinumeroista palkkaa vain sujuvasta ChatGPT:n oikeasta vastauksesta puhumisesta.

Nopean suunnittelun ja sukupolven tekoälysovellusten nykyhetkeen ja tulevaisuuteen näyttää vaikuttavan kaksi tärkeää suuntausta: Ensinnäkin, kuten Ethan Mollick mainitsi, sukupolven AI-mallit ovat tulossa taitavammiksi luomaan hyviä tuloksia vaatimattomista yksinkertaisista kehotteista, ehkä samalla tavalla kuin Internetissä. hakukoneet ovat entistä parempia palauttamaan osuvampia tuloksia yksinkertaisista hakukyselyistä. Toiseksi Gen AI -malleja integroidaan yhä enemmän yrityksen tuotteisiin, palveluihin ja alustoihin. Tämä mukautuminen on ratkaisevan tärkeää tekoälytalouden menestykselle. Siksi sukupolven AI-mallien optimointi, hienosäätäminen, mukauttaminen ja integrointi nykyisten tietojärjestelmien ja tuotteiden kanssa on ja tulee olemaan arvokas taitosarja. Siksi nykyisissä pikatyöilmoituksissa on valtava kysyntä ohjelmoijille, järjestelmäsuunnittelijoille ja niille, jotka voivat tehdä yhteistyötä muiden tuotekehitystiimin jäsenten kanssa.

Mahdi Ahmadi on kliininen apulaisprofessori Pohjois-Texasin yliopiston Information Technology & Decision Sciences -osastolla, jossa opetan tiedon louhintaa, business intelligenceä ja data-analytiikkaa. Ensisijainen tutkimusalueeni on koneoppimisen ja tiedon louhintatekniikoiden soveltaminen yrityksissä. Konsultoin myös yrityksiä, korkeakouluja ja voittoa tavoittelemattomia järjestöjä data-analytiikkaongelmissaan.