Metodologia per la Valutazione, la Progettazione e la Sicurezza per "Non Lasciare Che l'IA Finisca Come un Semplice Strumento Comodo"
Se consideri Yusuke Narita solo come uno "studioso che parla molto di IA", ti stai perdendo l'essenza. Il suo modo di affrontare l'IA non rientra nel normale ambito del miglioramento della produttività, come creare frasi con chatbot, riassumere riunioni o scrivere buoni prompt. Piuttosto, la sua caratteristica sta nel considerare l'IA come un "dispositivo che attua il processo decisionale" e nel pensare collettivamente a come progettarlo, come valutarlo e come implementarlo in modo sicuro nella società.
Sul suo sito ufficiale, spiega la sua specializzazione come "progettazione di business e politiche pubbliche utilizzando dati, algoritmi e pensiero", e "sviluppo di metodi per progettare algoritmi decisionali sociali in modo basato sui dati". Nel suo profilo ufficiale dell'Università di Yale, il fulcro della sua ricerca è la progettazione di algoritmi decisionali nelle politiche e nel business, utilizzando una combinazione di inferenza causale, machine learning e stima strutturale. In altre parole, per lui, l'IA non è un'applicazione a sé stante, ma il fondamento dell'"intelligenza che guida i giudizi del mondo reale" come raccomandazioni, pubblicità, ricerca e allocazione di risorse.
E infine, solo una cosa.
L'uso introdotto in questo articolo—"non lasciare che l'IA scriva le risposte, ma lasciare che organizzi i materiali in modo che tu possa giudicare"—tornerà all'uso originale domani se ti limiti a leggere e concordare. Diventa significativo solo quando lo esegui effettivamente nel tuo lavoro.
Pertanto, ho preparato un kit pratico gratuito in modo che tu possa integrare direttamente questo modo di pensare nelle tue operazioni.
Puoi ricevere quanto segue:
Non devi partecipare a consulenze o seminari gratuiti. Puoi riceverlo direttamente dopo aver aggiunto il LINE.
Ottienilo qui:
Ora, andiamo.
1. Il Cuore dell'Utilizzo dell'IA alla Narita è "Giudicare il Giudizio dell'IA" Piuttosto Che "Chiedere all'IA"
Molte persone usano l'IA come una versione superiore di un motore di ricerca o come un esternalizzazione per la scrittura. Certo, questo è efficace, ma il modo di affrontare l'IA alla Narita va oltre. Nel suo pensiero, l'IA non si limita a rispondere alle domande; attua essa stessa il "processo decisionale", come quali prodotti raccomandare, quali annunci mostrare e quali coupon distribuire. E la cosa importante non è lasciare quel giudizio senza controllo, ma progettarlo in modo che possa sempre essere valutato in seguito.
Fatto dimostrato da Narita: l'IA non è una "scatola di risposte" ma un "soggetto che formula giudizi"
In un articolo scritto in collaborazione da Narita, si afferma che "gli algoritmi stanno iniziando a svolgere molte delle decisioni nelle politiche e nel business". La prima tecnica di utilizzo che emerge da qui è trattare l'IA non come una "scatola che restituisce risposte" ma come un "soggetto che formula giudizi", e creare prima un sistema per misurare la qualità di quel giudizio. Se usi l'IA solo per abbreviare le email, il vantaggio competitivo è scarso. Tuttavia, se crei una struttura in cui affidi il processo decisionale all'IA, verifichi la qualità di quel giudizio con i dati e lo migliori prevenendo il deterioramento, l'IA diventa non solo uno strumento di efficienza ma un motore di giudizio per il business.
Applicazione a individui e aziende
Se sostituisci questo modo di pensare con individui o aziende, diventa così. Prima di lasciare che l'IA faccia qualcosa, decidi "qual è il giudizio da migliorare?" e "come misureremo in seguito se quel giudizio era buono?". Per le vendite, non creare solo proposte; imposta come unico insieme il giudizio su quale proposta dare a quale cliente e la verifica del relativo tasso di chiusura. Per l'e-commerce, non limitarti a descrivere i prodotti; valuta il giudizio su quale prodotto mostrare a chi, includendo non solo il tasso di acquisto ma anche l'efficienza dell'inventario. Lo stile Narita è l'idea di progettare il "sistema di giudizio" piuttosto che la "risposta" dell'IA.
2. Decidere l'Utilizzo dell'IA con "Valutazione Prima"
La parte più coerente del modo di pensare di Narita è l'idea della valutazione prima. Nei suoi articoli scritti in collaborazione, sottolinea che mentre i test A/B sono affidabili, richiedono tempo e denaro e comportano il rischio di fallimento. Pertanto, sostiene ripetutamente che, invece di provare improvvisamente in produzione, si dovrebbe prima stimare "cosa sarebbe successo se si fosse fatto diversamente" dai dati dei log passati.
Cosa significa valutazione prima?
La valutazione prima nell'utilizzo dell'IA non significa "introdurre l'IA perché è di moda". Prima, decidi "come misurare se il giudizio di questa IA era buono" in anticipo.
Ad esempio, considera il lavoro di automatizzare l'assistenza clienti con l'IA. Superficialmente, è un "lavoro per generare automaticamente risposte", ma quando lo scomponi con la valutazione prima, la progettazione viene prima: cosa si considera una buona risposta (tasso di risoluzione, soddisfazione o tempo di risposta?), quali dati verranno utilizzati per misurarla e come noterai quando si deteriora?
Applicazione a individui e aziende
L'utilizzo dell'IA alla Narita è preciso in questa separazione. Invece di gettare tutto nell'IA, definisci prima "cos'è un buon giudizio", prepari un metro per misurarlo e poi muovi l'IA per la prima volta. Prima di pensare a cosa far fare all'IA, ti chiedi cosa vuoi migliorare in primo luogo. Questa è l'introduzione dell'IA con valutazione prima.
3. "Valutare con i Dati Passati Prima di Andare in Produzione" = L'Idea della Valutazione Controfattuale
Al centro della ricerca di Narita c'è una tecnologia chiamata Off-Policy Evaluation (OPE). È una parola difficile, ma il contenuto è semplice: "valutare in anticipo le misure non ancora attuate dai dati dei log passati".
Perché "andare improvvisamente in produzione" è pericoloso?
Questo modo di pensare può essere utilizzato direttamente per l'utilizzo dell'IA. Molte organizzazioni falliscono perché eseguono improvvisamente in produzione nuovi metodi a cui hanno pensato. Va bene se funziona, ma se sbaglia, peggiora la risposta del cliente e perde tempo e costi.
Applicazione a individui e aziende
Se pensi in stile Narita, l'ordine di introduzione dell'IA è questo. Innanzitutto, se pensi a un nuovo prompt o a una nuova policy, non metterli tutti subito in produzione. Successivamente, utilizza i log di casi passati simili per stimare "cosa sarebbe successo con quel nuovo metodo". Quindi, solo quelli che hanno dimostrato di non deteriorarsi chiaramente vengono messi in produzione poco a poco.
L'IA è potente, ma se la metti in produzione senza verifica, il fallimento raggiunge l'utente nella sua totalità. Al contrario, se produci dopo aver valutato prima con i dati passati, puoi ridurre notevolmente il tasso di incidenti. In altre parole, ciò che è importante come fase preliminare dell'utilizzo dell'IA non è provare vigorosamente, ma leggere in anticipo in modo sicuro con i dati storici.
4. "Mettere in Discussione il Metro di Giudizio Stesso" = Non Credere in un Singolo Indicatore
Indispensabile nel modo di affrontare l'IA alla Narita è lo scetticismo verso il metodo di valutazione stesso. Nei suoi articoli scritti in collaborazione, ce n'è uno che afferma che "quale metodo di valutazione sia migliore cambia a seconda del compito e non esiste un unico vincitore". Pertanto, dovresti preparare più metri di giudizio e scegliere quello più adatto per ogni situazione.
Perché un singolo indicatore è pericoloso?
Questo mostra un pilastro importante dell'utilizzo dell'IA alla Narita. Cioè, non giudicare i risultati dell'IA solo con "un singolo numero". Negli affari, è facile saltare su un singolo indicatore come il tasso di clic è aumentato o la reazione è stata buona. Ma quel numero misura davvero ciò che vuoi migliorare?
Applicazione a individui e aziende
Se un individuo imita questo, quando valuta i risultati dell'IA, dovrebbe sempre guardarli da più angolazioni. Ad esempio, se misuri un chatbot solo con il "tasso di risoluzione", anche se il tasso di risoluzione aumenta, se l'utente lo percepisce come "freddo" e se ne va, in realtà è un fallimento. Quindi, guarda separatamente al tasso di risoluzione, alla soddisfazione, al tasso di abbandono e al tempo di risposta.
L'utilizzo dell'IA alla Narita mette in discussione se il metro di giudizio sia corretto prima di confrontare i modelli. L'IA ottimizzerà verso il metro di giudizio che imposti. Pertanto, se il metro è sbagliato, più diventa intelligente, più correrà nella direzione sbagliata. Consolidare questo prima è lo stile Narita.
5. Non Rimandare i "Fastidiosi Vincoli del Mondo Reale"
Comune alle recenti ricerche di Narita è incorporare i problemi del mondo reale nel sistema di valutazione fin dall'inizio, non come ripensamento. Il problema dell'aumento continuo di nuovi prodotti e articoli, il problema dei limiti superiori di inventario e budget dei coupon, e il problema del comportamento diverso per ogni utente. Lui tiene conto di questi vincoli fin dall'inizio.
Perché l'IA fatta con idealismo si rompe in produzione
Ciò che è importante qui è che l'utilizzo dell'IA non finisce con "condizioni ideali". Le operazioni del mondo reale hanno sempre budget, ore-uomo, condizioni vietate e diversità degli utenti. Anche se crei un prompt che funziona bene in uno stato ideale, si rompe quando incontra i vincoli del mondo reale.
Ad esempio, il limite superiore dell'inventario. Se comandi all'IA solo di "continuare a pubblicare prodotti che sembrano avere una buona reazione", i prodotti popolari si esauriranno in un istante e non potrai pubblicare nulla per i clienti che arrivano dopo. La ricerca di Narita tiene conto di tali vincoli di fornitura fin dall'inizio e valuta guardando all'"allocazione per i futuri utenti" piuttosto che solo alla "reazione in questo momento".
Applicazione a individui e aziende
Questa idea può essere applicata anche al lavoro generale. Quando pensi a misure basate sull'IA, invece di costruire prima con idealismo e aggiustare dopo, incorpora fin dall'inizio come presupposti il "budget utilizzabile", le "ore-uomo che possono essere spese", le "cose che non devono mai essere fatte" e la "gamma di utenti target". L'utilizzo dell'IA alla Narita non rimanda i vincoli del mondo reale. Più un'IA è fatta bene, più fallirà in produzione se i vincoli vengono ignorati.
6. Trattare l'IA Non Come una "Macchina per Rispondere" ma Come una "Macchina per Evitare il Deterioramento"
Ciò che rappresenta bene la ricerca di Narita è l'idea di trattare il "non peggiorare" stesso come un risultato. Nella sua ricerca, ci sono cose che impongono un vincolo per cui non scende al di sotto della policy attualmente in funzione con un'alta probabilità, e cose che allentano il freno di sicurezza poco a poco in un numero limitato di introduzioni.
L'idea di considerare "evitare il deterioramento" come un risultato
Qui c'è un grande salto nell'utilizzo dell'IA alla Narita. Molti utilizzi dell'IA guardano solo a "quanto è migliorato". Ma Narita tratta "quanto deterioramento è stato evitato" come un risultato altrettanto importante.
Applicazione a individui e aziende
Questo è anche significativo nell'utilizzo dell'IA nelle aziende. Quando si cerca di migliorare la qualità delle risposte, invece di passare improvvisamente tutto a un nuovo metodo, garantisci prima che non scenda al di sotto del metodo attuale, e poi prova poco a poco. Nello specifico, prova la nuova policy solo con l'1-5% del totale e decidi in anticipo una linea di stop come "fermati se si deteriora chiaramente".
Ciò che fa la differenza nell'utilizzo dell'IA non è solo lo spettacolo dell'attacco. È quanto puoi espandere il raggio di esplorazione sopprimendo la probabilità di deterioramento. Nelle parole di Narita, solo progettando il miglioramento della qualità dell'IA e la soppressione della fuga, delle risposte errate e dei pregiudizi allo stesso tavolo allo stesso tempo, l'IA può crescere in sicurezza.
7. Incorporare l'"Etica" nei Calcoli, Non Come una Nota a Piè di Pagina
Una caratteristica del modo di vedere l'IA di Narita è il modo in cui viene gestita l'etica. Mentre l'etica tende ad essere una "nota aggiunta alla fine" in molti campi, nella ricerca di Narita l'etica è incorporata nel problema di ottimizzazione.
Incorporare l'etica nell'ottimizzazione
Ad esempio, nella ricerca sulla progettazione di esperimenti medici, sottolinea che i metodi convenzionali hanno problemi etici come assegnare trattamenti noti per essere meno efficaci o trattamenti che i partecipanti non gradiscono. Pertanto, incorpora le preferenze dei partecipanti e gli effetti previsti nel calcolo dell'allocazione fin dall'inizio per cercare di aumentare la soddisfazione dei partecipanti.
Applicazione a individui e aziende
Se riporti questo all'utilizzo dell'IA, diventa una storia essenziale. Non è "va bene se la precisione è alta", ma "mettere i sentimenti delle persone che lo usano e il costo del danno nella valutazione fin dall'inizio".
Ad esempio, quando si pubblicano nuove raccomandazioni con l'IA. Se non pubblichi nuovi candidati, il sistema ristagna, ma se ne pubblichi troppi, sbagli e causi un incidente. La ricerca di Narita cerca di soddisfare contemporaneamente questa "novità (esposizione equa)" e "sicurezza". Se insegui solo l'efficienza, il peso ricadrà su qualcuno da qualche parte. Lo stile Narita incorpora il costo di quel peso nel calcolo fin dall'inizio. Tratta l'etica non come un freno ma come parte del progetto.
8. Valutare il Valutatore Stesso = Meta-Ottimizzazione a un Livello Superiore
Ciò che è interessante nella ricerca di Narita è che, prima di confrontare i modelli di IA, colloca una fase per verificare "se il metodo di confronto (valutatore) stesso è corretto". Nella sua ricerca, esiste un metodo per scegliere automaticamente quale metodo di valutazione è buono in base al compito.
Verificare il "metro di giudizio" prima del modello
Ciò che si può vedere da questo è che la visione di Narita dell'ottimizzazione delle prestazioni è un passo avanti rispetto alla messa a punto del modello. Molte persone competono su "quale modello è superiore", ma Narita conferma "se il metro stesso per valutare il modello è correttamente giusto" prima di quello.
Applicazione a individui e aziende
Se un'azienda normale imita questo, prima di confrontare gli strumenti di IA, mette in discussione i criteri di confronto. Ad esempio, quando si cerca di confrontare due IA in base alla "velocità di risposta", si chiede prima se la velocità sia la cosa più importante in questo business in primo luogo. Se confronti con criteri spostati, anche se adotti quello che ha vinto, in realtà peggiorerà.
L'utilizzo dell'IA sembra una battaglia su "quale modello scegliere", ma in realtà è una battaglia su "con quali criteri scegliere". Se impari dallo stile Narita, dovresti misurare la validità del metro di giudizio prima di misurare le prestazioni del modello.
9. Sapere Che i Metodi Convenzionali si Rompono con "Scelte Ampie"
Nella ricerca di Narita, c'è il riconoscimento che i metodi di valutazione convenzionali si rompono in situazioni in cui ci sono moltissime scelte (azioni). Sostiene che in situazioni che trattano scelte ampie come raccomandazioni e ricerche con troppi candidati, e modelli linguistici, sia necessaria una valutazione che utilizzi caratteristiche e embedding piuttosto che un semplice confronto di tassi di vincita.
Perché la valutazione si rompe con un numero elevato di scelte
Questo colpisce direttamente l'utilizzo odierno degli LLM. L'IA generativa ha un numero enorme di candidati per l'output e di scelte per gli strumenti che possono essere utilizzati. In una situazione del genere, se confronti semplicemente "quale era meglio, A o B", il confronto stesso diventa instabile.
Applicazione a individui e aziende
Se un individuo applica questo, più il lavoro ha molte scelte di IA, più evita confronti approssimativi a due opzioni. Ad esempio, non decidere immediatamente "quale dei 10 candidati prompt è il migliore" con un piccolo campione. Quando ci sono molti candidati, non affrettare il giudizio e guarda attentamente in più condizioni.
L'utilizzo dell'IA alla Narita presuppone che la valutazione diventi più difficile all'aumentare del numero di scelte. Pertanto, in situazioni con molti candidati, si attiene a una valutazione progettata piuttosto che a un semplice confronto.
10. Comprendere l'Importanza di "Ridurre l'Attrito di Input"
Alla base della ricerca di Narita c'è l'idea di continuare a lasciare i dati correttamente per poter eseguire continuamente il sistema di giudizio. Nell'infrastruttura dati in cui è coinvolto, vengono registrate informazioni come quale scelta è stata proposta con quale probabilità, in modo che "perché si è verificato quel risultato" possa essere valutato equamente in seguito.
Continuare a lasciare uno "stato verificabile"
L'utilizzo dell'IA qui non è solo efficienza. È "continuare a creare uno stato che può essere verificato in seguito senza trovarlo fastidioso". Se la verifica è fastidiosa, le persone smetteranno di farla. Ecco perché è necessario un progetto che abbassi la barriera per la registrazione e la valutazione.
Applicazione a individui e aziende
Se porti questa idea nell'utilizzo quotidiano dell'IA, ciò che è importante è "ridurre l'attrito della verifica". Valutare manualmente i risultati dell'IA ogni volta non è sostenibile. Pertanto, crea modelli per i prompt che usi spesso, decidi in anticipo le metriche per misurare i risultati e fai in modo che i risultati vengano automaticamente registrati. Più accorci la distanza dalla verifica, più il ciclo di miglioramento dell'IA continuerà a girare.
Il modo di affrontare l'IA alla Narita è in definitiva diretto verso "gli esseri umani che definiscono un buon giudizio, l'IA che lo esegue, i risultati che vengono sempre registrati e che vengono migliorati di nuovo".
11. Usare con un Senso di Crisi
Nella visione dell'IA di Narita, c'è un senso di tensione nell'affidare il giudizio agli algoritmi, prestando allo stesso tempo attenzione alle possibilità. In un dialogo, dice qualcosa del tipo: "il denaro" è solo una rappresentazione unidimensionale approssimativa di ciò che le persone hanno fatto in passato, e se ci sono dati più dettagliati, può essere sostituito da quelli. Considera l'IA e i dati come una base che può sostituire i criteri di giudizio della società stessa.
La responsabilità diventa ambigua quanto più si affida il giudizio
Questo punto è importante anche come tecnica di utilizzo dell'IA. È pericoloso usare l'IA solo perché è comoda. Quanto più affidi il giudizio all'IA, tanto più ambiguo diventa di chi sia la responsabilità di quel giudizio e in base a quali criteri sia stato preso. Perdita di informazioni, disinformazione, pregiudizi, attribuzione di responsabilità e dipendenza eccessiva. Se affidi il processo decisionale all'IA ignorando questi aspetti, perdi la fiducia a lungo termine in cambio di efficienza a breve termine.
Applicazione a individui e aziende
Se impari dallo stile Narita, non fermarti per paura dell'IA, ma progetta con i rischi come presupposto. Crea regole per non inserire informazioni riservate. Lascia la conferma umana per i giudizi importanti. Lascia i log dei giudizi dell'IA. Decidi l'ambito di responsabilità quando si verifica un giudizio errato. L'utilizzo dell'IA significa progettare non solo l'acceleratore ma anche il freno.
12. Ripetere "Provare con un'Introduzione Limitata"
Ciò che è coerente nella ricerca di Narita è l'idea di iniziare da un numero limitato di introduzioni piuttosto che da un passaggio completo. Nella sua ricerca, il flusso di non applicare una nuova policy all'intero sistema improvvisamente, ma prima provarla in una parte, osservare i risultati, riapprendere ed espandere poco a poco appare ripetutamente.
"Provare in piccolo" funziona meglio in un'era in cui il prototyping è veloce
Nell'era dell'IA, questo atteggiamento di "provare in piccolo" diventa ancora più importante. Questo perché il costo del prototyping diminuisce drasticamente grazie all'IA, ma diventa anche più forte la tentazione di eseguire senza verifica. Documenti di pianificazione, codice, testi pubblicitari, report di analisi. Cose che una volta richiedevano diversi giorni ora diventano una prima bozza in pochi minuti. Ecco perché è efficace non accontentarsi della prima bozza e provare in piccolo e verificare.
Applicazione a individui e aziende
Nelle tecniche di utilizzo dell'IA alla Narita, l'IA non è una "magia che produce un prodotto finito in un colpo solo". Piuttosto, è un dispositivo per aumentare il numero di volte in cui provi in piccolo e verifichi. Prova con l'1-5%. Osserva i risultati. Conferma il deterioramento. Torna indietro. Migliora. Riprova. Le persone che possono accelerare in sicurezza questo ciclo riceveranno i benefici dell'IA. Le persone che usano l'IA ma non ottengono risultati stanno scommettendo troppo su un'unica introduzione su larga scala.
13. Metodo Pratico per Individui per Imitare l'Utilizzo dell'IA alla Narita
Non devi avere una base di ricerca universitaria o dati su larga scala come Narita. Se è solo l'idea, anche un individuo può imitarla da oggi.
5 passi che puoi fare da oggi
Primo, prima di lasciare che l'IA faccia qualcosa, scrivi in una frase "cosa voglio migliorare?" Tutti si perdono perché saltano questo passaggio. Secondo, decidi in anticipo "con quale numero misurerò quella qualità?" Terzo, anche se pensi a un nuovo prompt, non usarlo per tutto improvvisamente; prima provalo in casi passati simili o in una parte. Quarto, non giudicare i risultati con un solo numero; guardali da più angolazioni. Quinto, prepara un sistema in anticipo in cui puoi notare e fermarti quando si deteriora.
Se continui questo flusso, l'IA passerà da un semplice strumento di comodità a una tua base di giudizio che continua a migliorare senza rompersi.
14. Se un'Azienda Imita, Crei un "Sistema di Giudizio" Piuttosto Che "Precisione delle Risposte"
Il punto più importante che le aziende dovrebbero imparare dallo stile Narita è non concentrarsi solo sull'aumento della precisione delle risposte dell'IA. Ciò che la ricerca di Narita ha sempre affinato è stato il sistema per "fare un giudizio, valutarlo e migliorarlo in sicurezza" piuttosto che la correttezza delle singole risposte.
"Sistema di giudizio" piuttosto che intelligenza del modello
In molte aziende, l'introduzione dell'IA si ferma al confronto di "quale modello è intelligente". Ma se pensi in stile Narita, ciò che è importante non è l'intelligenza del modello, ma se esiste un progetto per valutare quel giudizio, prevenire il deterioramento, seguire i vincoli del mondo reale e incorporare l'etica. Se introduci l'IA mentre lo scopo e i KPI sono ambigui, finirà come un evento interno che utilizza l'ultima tecnologia.
Cultura che le aziende dovrebbero avere
Se un'azienda è seria nell'usare l'IA, ha prima bisogno di definire "cosa è considerato un buon giudizio" come management, organizzare i dati per misurarlo, creare un sistema per rilevare il deterioramento e avere una cultura di espansione a partire da un'introduzione limitata. L'IA non è un tema solo per il reparto sistemi informativi. Il "sistema di giudizio" viene messo in discussione nelle vendite, nello sviluppo, nella produzione, nel legale, nelle risorse umane, nella finanza e nella risposta al cliente. In altre parole, l'utilizzo dell'IA è la progettazione del processo decisionale stesso.
15. Insidie dell'Utilizzo dell'IA alla Narita e Cosa Si Dovrebbe Dire Onestamente
Certo, non c'è bisogno di lodare lo stile Narita così com'è. Mentre l'atteggiamento di valutazione, verifica e sicurezza approfondita riduce gli incidenti, ci sono anche situazioni in cui rallenta la velocità. Se stai valutando cautamente tutto, ci sono momenti in cui non sarai in grado di muoverti in situazioni in cui dovresti provare rapidamente. Ciò che è importante nell'utilizzo dell'IA non è copiare superficialmente lo stile Narita, ma incorporare i principi in base al proprio ambiente.
Per essere onesti: questa parte è "non confermata"
E c'è un'altra cosa che voglio scrivere onestamente. Il "metodo stile Narita" introdotto in questo articolo non è qualcosa che Narita stesso ha detto "è così che uso l'IA". È un "modo" ricostruito con alta probabilità leggendo attentamente i suoi materiali pubblici (sito, CV, articoli). Le routine personali, come quale LLM usa Narita nella sua vita quotidiana e quali prompt digita, non possono essere confermate dalle informazioni pubbliche. Quindi, non lo riempirò di immaginazione e lo lascerò onestamente come "non confermato".
Principi che possono comunque essere incorporati
Al di là di questo, i principi da incorporare sono: pensare con la valutazione prima, valutare con i dati passati prima della produzione, mettere in discussione il metro di giudizio stesso, incorporare i vincoli del mondo reale fin dall'inizio, trattare l'evitare il deterioramento stesso come un risultato e incorporare l'etica nei calcoli. E non fingere di non vedere i rischi.
Conclusione: La Tecnica di Utilizzo dell'IA di Yusuke Narita è "Far Crescere un Buon Sistema di Giudizio Senza Romperlo"
Se si esprime in una parola il modo di affrontare l'IA di Yusuke Narita, è trattare l'IA non come una "macchina per rispondere" ma come un "dispositivo di giudizio", e creare un sistema per valutare quel giudizio e migliorarlo senza romperlo. Invece di cercare i prompt più potenti o gli strumenti divini, progettare le fondamenta di ciò che l'IA decide, come misurare se è stato buono e come prevenire il deterioramento.
Riassunto dei principi dello stile Narita
I principi per questo sono chiari. Con l'approccio "valutazione prima di tutto", definisci prima cosa vuoi migliorare. Valuta con i dati passati prima di andare in produzione. Non credere a un singolo numero e metti in discussione il metro di misura stesso. Non rimandare i vincoli del mondo reale e incorporali dall'inizio. Considera l'evitare il deterioramento come un risultato a sé stante. Incorpora l'etica nei calcoli piuttosto che come una nota. E prova su piccola scala con un'introduzione limitata ed espandi in sicurezza.
Ciò che fa davvero la differenza nell'era dell'IA non è solo "quale IA stai usando". È quanto riesci a valutare e continuare a migliorare il giudizio dell'IA senza romperlo. La forza di Narita sta nel fatto che non ha inseguito le risposte delle tendenze dell'IA. Invece, ha costantemente affrontato la crescita del sistema di giudizio dell'IA senza lasciarlo crollare.
Pertanto, ciò che dovremmo imparare non è "fare la stessa ricerca di Narita". È scegliere un giudizio da affidare all'IA nel proprio lavoro, decidere i criteri per migliorarlo e migliorarlo poco a poco prevenendo il deterioramento. Invece di accontentarsi di lasciare che l'IA scriva frasi, misura la qualità del giudizio dell'IA e fallo crescere senza romperlo. Le tendenze dei prompt cambiano in sei mesi, ma questo modo di pensare basato sulla valutazione continuerà a funzionare non importa quanto l'IA si evolva.
Questa è la cosa più pratica che si possa imparare dalle tecniche di utilizzo dell'IA di Yusuke Narita.
