چطور با هوش مصنوعی جاه‌طلب‌تر کار کنیم
هوش مصنوعیخلاصهٔ کامل‌تر
فلیکس ریسبرگ، که خودش روی Claude کار می‌کنه، تو این مقاله می‌گه توانایی مدل‌ها یکنواخت رشد نمی‌کنه و خیلی‌ها هنوز ازشون فقط برای سؤال‌های ساده یا مؤدب‌تر کردن یه ایمیل استفاده می‌کنن. به گفتهٔ اون، شعار «باید جاه‌طلب‌تر باشیم» رو همه تکرار می‌کنن ولی عمل‌کردنش سخته. پس جاه‌طلبی رو چهار جور تقسیم می‌کنه: سرعت (همون کار تو زمان کمتر، که ازش رد میشه)، ارتفاع، عمق و گستره. به گفتهٔ خودش این توصیه‌ها مخصوص یه مدل خاص نیست.
ارتفاع یعنی به جای یه کار مشخص، نتیجهٔ نهایی رو به مدل بسپری. نویسنده می‌گه قبلاً از Claude می‌خواست کرش‌های تکی رو درست کنه، ولی بعد فقط ازش خواست اپ‌ها رو بدون کرش نگه داره. برای این کار اول باید دسترسی‌ها رو جور می‌کرد، مثل گرفتن گزارش کرش، وصل کردن نسخهٔ اپ به commit و دسترسی به ویندوز، مک و لینوکس. مثالش یه ارائهٔ فصلی (QBR) هست: به جای پر کردن قالب، اول بپرسی چی عوض شده و چرا. بعد سه تصمیم فوری رو پیدا کنی. آخرش هم یه روش بهتر از خود ارائهٔ فصلی طراحی کنی.
عمق یعنی مدل رو وادار کنی با ابزار و روش بهترین متخصص‌های اون حوزه کار کنه. نویسنده می‌گه مدل‌ها وقتی بهشون می‌گی حرفه‌ای باش، اغلب فقط کلماتشون رو عوض می‌کنن نه روششون رو. پس اگه سراغ جدول markdown رفت، اصرار کن از دیتابیس و مدل آماری استفاده کنه. هدف‌های غیرمنطقی بذار، مثلاً به جای ۵ ثانیه لود شدن، ۲۰۰ میلی‌ثانیه بخواه. فرض‌هات رو با دادهٔ خام به چالش بکش. و نذار مدل خودش کار خودش رو قضاوت کنه؛ یه داور بیرونی، ترجیحاً یه ابزار، لازمه.
گستره یعنی کار رو از دید چند رشتهٔ مختلف ببینی، چیزی که قبلاً به‌صرفه نبود. یه ترفندش اینه که اسم‌ها رو با فعل عوض کنی: ارائهٔ فصلی «یه اسلاید» نیست، «قانع کردن آدم‌های سرشلوغ به یه داستان علت و معلولی و تصمیم‌گیری تو ۳۰ دقیقه‌ست». این کمک می‌کنه بفهمی کدوم رشته‌ها به کار میان. ترفند دیگه جمع کردن یه تیمه، مثلاً تحلیلگر، روزنامه‌نگار و حتی یه حسابرس قانونی. ولی نویسنده هشدار می‌ده نقش‌بازی نکن؛ از مدل بخواه کاری که اون آدم انجام می‌ده رو انجام بده، نه اینکه ادای اونو دربیاره.
آخر مقاله نویسنده می‌گه مشکل اصلی باور خود ماست و به مفهوم self-efficacy (یعنی باور آدم به توانایی خودش) اشاره می‌کنه. تحقیقات لاک و لاتهام نشون می‌ده هدف‌های مشخص و سخت عملکرد رو بهتر می‌کنن. مثال‌هاش جورج دانتزیگه که دو مسئلهٔ حل‌نشده رو به خیال تکلیف حل کرد، و شکسته شدن رکورد یک مایل زیر چهار دقیقه که بعدش بقیه هم تکرارش کردن. همهٔ این روش‌ها هم به گفتهٔ اون لازم دارن مدل به یه کامپیوتر و داده‌های مرتبط دسترسی داشته باشه.
نکات کلیدی:
- چهار نوع جاه‌طلبی: سرعت، ارتفاع، عمق و گستره
- ارتفاع یعنی سپردن نتیجهٔ نهایی، مثل «اپ‌ها رو بدون کرش نگه دار» به جای درست کردن یه کرش
- تو عمق، مدل باید ابزار واقعی متخصص‌ها مثل دیتابیس و مدل آماری رو استفاده کنه
- نویسنده تأکید می‌کنه تا اکتبر ۲۰۲۶ مدل نباید کار خودش رو قضاوت کنه و داور بیرونی لازمه
- تو گستره، از مدل بخواه کار یه متخصص رو انجام بده، نه اینکه نقشش رو بازی کنه
