详细内容或原文请订阅后点击阅览
AI 原生工程的能力架构
人工智能转变几年后，工程师之间的差距不再是人才。它是协调：关于人工智能如何融入日常工程工作的共享规范和共享语言。一些团队已经获得了真正的价值。他们已经超越了一次性实验，开始构建可重复的人工智能工作方式。其他人则没有，即使 [...]
来源:O'Reilly Media _AI & ML人工智能转变几年后，工程师之间的差距不再是人才。它是协调：关于人工智能如何融入日常工程工作的共享规范和共享语言。一些团队已经获得了真正的价值。他们已经超越了一次性实验，开始构建可重复的人工智能工作方式。其他人则没有，即使有动机。原因通常很简单：培训成本激增。环境中充满了工具和建议，一旦你关心生产现实，就很难知道什么是重要的、从哪里开始以及什么是“好”。
丢失的地图
缺少的是共享参考模型。不是另一个工具。一张地图。人工智能可以负责任地支持哪些工程活动？质量对于这些产出意味着什么？当工作流程的一部分变得概率化时，会发生什么变化？什么样的护栏可以保证集成的安全、可观察和负责任？如果没有这张地图，人们很容易被新奇事物淹没，并且很容易将广泛的实验与可靠的集成混淆。时间、预算和本地支持最少的团队付出的代价最高，而且差距会进一步扩大。
这种差距现在在组织层面上显而易见。越来越多的组织正在尝试将人工智能转化为商业价值，炒作和集成之间的差异正在实践中显现出来。发布令人印象深刻的演示很容易。在现实世界的限制下，让人工智能辅助的工作变得可靠要困难得多：可测量的质量、可控的故障模式、清晰的数据边界、运营所有权以及可预测的成本和延迟。这是工程学科最重要的地方。人工智能并没有消除对它的需求；它放大了错过它的成本。问题是我们如何从分散的实验转向综合实践，而不需要在工具流失上浪费时间。为了大规模地做到这一点，我们需要共享脚手架：一个公共模型和共享语言，以表达人工智能原生工程中“好”的样子。