Como melhorar seu trabalho na economia emergente de IA

A inteligência artificial (IA) – tal como aconteceu com a computação em nuvem alguns anos antes – está a revolucionar a economia da tecnologia da informação. De muitas maneiras, a IA tem o poder de tornar a tecnologia muito mais eficiente. O desafio, no entanto, é ajudar as pessoas e as organizações a passarem para o próximo nível e a adaptarem-se à nova realidade da IA.

Tive a oportunidade de discutir a evolução da economia tecnológica com a Dra. Susan Athey, que foi recentemente nomeada consultora científica principal da Keystone Strategy. Athey também é professor de economia na Universidade de Stanford e ex-economista-chefe da Microsoft.

Além disso: em uma reviravolta surpreendente, Meta está subitamente esmagando a Apple na batalha da inovação

“É difícil capturar quantitativamente os benefícios de ser mais ágil e ser capaz de adicionar mais recursos e fazer mais projetos, e fazer experimentação e inovação que você não teria feito de outra forma”, disse Athey. Ela vê oportunidades futuras se as pessoas e organizações estiverem devidamente preparadas.

“É difícil e caro construir e implementar sistemas baseados em IA, mas o resultado líquido são infra-estruturas tecnológicas e aplicações que fornecem resultados mais rápidos e eficientes. Operar estes sistemas pode ser um pouco mais fácil quando estiverem em funcionamento”, disse ela. “Em relação ao aprendizado de máquina que tenho feito nos últimos 16 a 17 anos na indústria, esta última rodada é mais fácil de manter e requer codificação menos complexa.”

No geral, ela continuou: “Sinto que estamos vendo a convergência e finalmente vendo a recompensa de muitos investimentos que fizemos coletivamente como indústria ao longo do tempo. As pessoas aprenderam como criar código modular. Eles aprenderam um grande parte da otimização, que costumava ser muito meticulosa e agora é uma rotina de otimização de uso geral e de alto desempenho. O mais novo algoritmo pode simplesmente ser conectado a essas rotinas de otimização.

Como resultado desta transformação, Athey disse que os profissionais de tecnologia precisam repensar as suas funções e carreiras. “Acho que a codificação ficou mais fácil. Meus alunos em Stanford provavelmente estão escrevendo 80% de seus códigos usando o Copilot”, disse ela. “É bom para encontrar erros de sintaxe e escrever códigos tediosos. Conhecer uma linguagem específica é menos importante. Codifiquei em cerca de 10 linguagens diferentes desde que comecei minha carreira.”

Além disso: três maneiras de ajudar sua equipe a usar IA generativa com confiança e produtividade

Mas embora essas tecnologias ajudem em processos de codificação mais simples, Athey disse que habilidades arquitetônicas de alto nível – “estrutura e como as coisas devem ser feitas” – são necessárias para projetos de tecnologia. Além disso, a economia da IA ​​também exigirá capacidades de avaliação e de pensamento lógico.

“Recebemos milhares de estudantes de ciência da computação e engenharia em Stanford todos os anos. Todos eles são muito bons em baixar um conjunto de dados da web e fazer coisas com ele. Treinamento, otimização, previsão, classificação, comparação do modelo A ao modelo B e comparando seu desempenho. No entanto, eles têm muito pouco treinamento para perguntar: 'O que isso significa? melhorá-lo?'”

O desafio dos modelos de IA é que “eles darão respostas erradas durante uma parte do tempo”, disse Athey. “Não temos ciência para saber quando isso está lhe dando respostas erradas e quando está lhe dando respostas certas. Talvez você não tenha jovens suficientes em seus conjuntos de dados. Você tenta ter alucinações com mais deles. Mas isso pode ou não ajudar você a aprender mais sobre os jovens. Preciso avaliar que não estou apenas alucinando essas características dos jovens. E isso não está embutido. E o modelo não sabe – não vai. dizer a você. O modelo não tem como saber isso diretamente.”

Além disso: Como sua empresa pode explorar melhor a IA: diga ao seu conselho estas quatro coisas

Athey disse que o resultado final é que os profissionais de tecnologia de hoje e de amanhã irão manusear e canalizar os dados que alimentam as empresas orientadas pela IA. “Ao usar os novos tipos de IA, há um pouco de aprendizado sobre o valor dos seus dados. Qual é o valor das fontes de dados externas? Que iniciativas você já tentou antes ou que não funcionaram porque você não tinha dados suficientes ? Existem iniciativas que você poderia tentar novamente agora? Ela disse que parte do desafio é que os modelos de IA podem precisar consumir “dados históricos não estruturados e confusos”.

Executivos e profissionais precisam ser versados ​​”na próxima camada de análise que requer muito pensamento lógico. Requer compreensão de estatísticas e expectativas condicionais. Você precisa de enquadramento matemático. Perguntar: 'O que significa para isso estar certo? E para dar uma resposta precisa também?'” E neste momento, esse nível de pensamento crítico e as ferramentas para apoiá-lo ainda são escassos, disse Athey.