Saya bekerja di Microsoft dan mengajar kursus Stanford Online tentang AI

Saya mulai bekerja di AI sekitar satu dekade lalu. Saya memulai magang ilmu data di Uber, kemudian melakukan konsultasi AI di McKinsey, dan kemudian bergabung dengan Microsoft, tempat saya sekarang bekerja di Copilot.

Saya mulai mengajar tamu di Stanford empat tahun lalu dan baru-baru ini ikut membuat kursus bernama Menguasai AI Generatif untuk Inovasi Produk, yang diluncurkan di Stanford Online pada Agustus 2024. Ini adalah kursus online mandiri yang berlangsung sepanjang tahun. Semua penelitian berasal dari pembicaraan dengan lebih dari 300 pengguna dan lebih dari 50 eksekutif.

Banyak orang yang mengikuti kelas ini adalah orang-orang yang ahli dalam bidang teknologi, seperti perwakilan dukungan pelanggan untuk produk teknis, atau manajer produk untuk produk perangkat lunak atau perangkat keras. Mereka sering kali mengerjakan produk teknis dan kursus ini membantu mereka lebih memahami gen AI.

Kami mengajarkan tiga modul dalam kursus ini. Modul pertama menjelaskan apa itu Gen AI dan di mana peluang terbesarnya. Pada modul kedua, kita membahas tentang seperti apa produk Gen AI yang hebat.

Modul ketiga membahas tentang bagaimana produk-produk Gen AI yang hebat dibuat dan apa yang dapat dilakukan individu untuk menjadikan diri mereka lebih berpengaruh, relevan, dan berguna ketika membuat produk-produk Gen AI.

Ketika saya keluar dan berbicara dengan para pemimpin Fortune 500, mereka mengatakan bahwa kebutuhan mereka yang paling mendesak adalah para profesional yang menjembatani kedua dunia, mereka yang memahami persyaratan bisnis namun juga memahami persyaratan teknis.

Ini tidak berarti bahwa Anda harus mempelajari cara membuat kode, tetapi Anda setidaknya harus memiliki pengetahuan teknis yang cukup sehingga Anda dapat menerjemahkan visi produk ke dalam persyaratan teknis.

Versi pemula semakin mahir dalam rekayasa cepat. Ini kedengarannya cukup mendasar, namun memahami batasan sebenarnya dari perintah dan semua alat yang berbeda di seluruh teks, audio, dan gambar membuat Anda sudah sangat berharga dalam lingkungan bisnis karena Anda dapat membantu menghasilkan ide bahkan sebelum ide tersebut sampai ke dunia bisnis. tim teknis.

Pada tahap peralihan, Anda juga harus mulai memahami sedikit tentang cara kerja sistem gen AI dalam desain sistem, seperti bagaimana model gen AI dapat dipanggil dalam batas data Anda.

Perusahaan memiliki batasan data yang mereka sepakati dengan pelanggannya bahwa data mereka tidak dapat melampauinya. Jadi jika Anda adalah bank, Anda mungkin memiliki perjanjian dengan nasabah Anda bahwa hanya bank yang akan menggunakan informasi mereka. Jika Anda mengirimkannya dalam bentuk obrolan ke OpenAI, itu akan melanggar batas data perusahaan. Jadi sesuatu yang sederhana seperti mengetahui hal itu sudah sangat membantu.

Beberapa orang yang tidak bekerja di perusahaan besar lebih mendalami pemahaman coding. Orang yang bekerja di perusahaan Big Tech biasanya mendalami arsitektur sistem lebih dalam. Jadi mereka akan memahami hal-hal seperti batasan data dan diagram aliran data dengan lebih detail.

Jalur keahlian domain adalah tempat para pebisnis secara otomatis condong ke arah dan mendapatkan keuntungan. Hal ini tidak berarti mengetahui lebih banyak tentang industri ini, namun mengetahui bagaimana gen AI dapat diterapkan pada domain secara lebih detail.

Misalnya saja di bidang keuangan, Anda harus mengetahui hal-hal seperti data apa yang dapat Anda gunakan untuk melatih model tertentu. Anda juga harus mengetahui hal-hal seperti jenis peraturan privasi dan keamanan apa yang harus Anda lalui agar aplikasi disetujui atau merilis aplikasi terkait gen AI.

Keahlian ini sangat berharga sehingga perusahaan membayar sejumlah besar uang kepada konsultan yang memiliki keahlian khusus ini. Saya mengenal orang yang pernah bekerja sebagai manajer operasi di sebuah bank dan dia mengetahui di mana gen AI adalah yang paling berharga. Sekarang, perusahaan hanya akan meneleponnya untuk mencari tahu di mana akan meluncurkan produk gen AI mereka.

Hal terbaik yang saya lihat dilakukan orang-orang adalah mencoba mengotomatisasi sebagian besar kehidupan mereka dengan gen AI. Mereka menggunakan ChatGPT atau Claude untuk segala hal dan itu membantu mereka memahami keterbatasan AI dengan sangat baik dan cara mendorongnya.

Ketika para pemula mulai menggunakan gen AI, mereka belum terbiasa dengan apa yang saya sebut dengan kecerdasan yang berlimpah. Mereka akan berkata, “Bisakah Anda memberi saya tanggapan terhadap pesan teks ini?”

Pakar yang banyak menggunakan gen AI akan mengatakan sesuatu seperti, “Bisakah Anda memberi saya 20 tanggapan untuk pesan teks ini?” Dan kemudian mereka akan pergi dan menggunakan selera mereka untuk memilih satu.

Di luar pekerjaan, saya menggunakannya dalam banyak cara untuk memikirkan banyak rencana. Ini sangat membantu sebagai mitra pemikiran bagi saya, bahkan untuk komunikasi, untuk perencanaan umum, atau untuk sesuatu yang sepele seperti perencanaan perjalanan.

Daripada meminta nasihat teman, Anda sebaiknya mempertimbangkan untuk meminta nasihat dari LLM atau chatbot. Saat itulah Anda benar-benar mulai memahami manfaatnya.

Sumber: businessinsider.com

Alamat Lengkap Kami

Email:  info@konsultanpendidikan.com

Ekonom Nobel Simon Johnson: ‘Perusahaan teknologi besar tidak menyukai ide-ide kita’

Putra seorang produsen sekrup Sheffield, Simon Johnson mulai memikirkan dunia kerja jauh sebelum ia belajar ekonomi.

“Ayah saya mengelola bengkel kecil – dia mempekerjakan delapan orang – jadi saya sangat sadar bahwa mencari nafkah sangat sulit,” ungkap profesor kewirausahaan di Massachusetts Institute of Technology, yang dianugerahi Nobel ekonomi tahun ini – Sveriges Riksbank Hadiah dalam Ilmu Ekonomi – atas karyanya bersama rekannya di MIT Daron Acemoglu dan James Robinson dari Universitas Chicago tentang mengapa beberapa negara lebih kaya dibandingkan negara lain.

“Saya juga sangat sadar akan sejarah, bahwa Sheffield dulunya merupakan kota yang hebat, namun secara industri sedang mengalami kemunduran,” Profesor Johnson mengenang masa remajanya di akhir tahun 1970-an dan awal tahun 1980-an ketika “kota baja” di Inggris tersebut kehilangan sekitar 1.000 pekerjaan di bidang teknik setiap bulannya.

Hal ini membawanya untuk belajar sejarah dan ekonomi di Universitas Oxford, akhirnya beralih ke politik, filsafat dan ekonomi di tahun kedua dan menyelesaikannya di tahun pertama. Setelah meraih gelar master di Universitas Manchester, ia meraih gelar PhD di MIT, tempat ia bekerja sejak tahun 1997.

Belakangan ini Profesor Johnson rutin muncul di televisi Amerika dan dengan penuh percaya diri membahas segala hal mulai dari rencana tarif Donald Trump hingga gagasan mengenakan pajak pada perusahaan-perusahaan teknologi besar – ia menginginkan pungutan 50 persen pada pendapatan iklan digital di atas $500 juta (£385 juta) – namun ia Diakui, awal-awal menjadi mahasiswa doktoral di MIT memang membuatnya mempertanyakan diri sendiri.

“Ya Tuhan, itu sulit,” renungnya. “Saya melawan orang-orang dari École Polytechnique, ahli matematika terapan dan insinyur dari perguruan tinggi terkemuka di Amerika. Itu adalah 25 orang yang dipilih dari tempat terbaik, atau dari sekolah yang tidak dikenal, tapi yang terbaik yang pernah mereka dapatkan dalam 25 tahun,” katanya.

Semangat untuk tetap bertahan di MIT tidak pernah hilang darinya, meskipun ia pernah berkarier cemerlang di universitas Harvard dan Duke, serta menjadi kepala ekonom di Dana Moneter Internasional. “Saya membutuhkan waktu 13 tahun untuk mendapatkan jabatan tersebut – seharusnya memakan waktu enam atau tujuh tahun,” katanya. “Saya lebih fokus untuk bersenang-senang, bekerja dengan teman-teman saya pada hal-hal yang saya minati.”

Membangkitkan rasa kegembiraan pada pembacanya adalah sifat yang terlihat dalam karya Profesor Johnson, yang sering merujuk pada fiksi ilmiah atau detektif untuk menjelaskan konsep ekonomi yang rumit. Novel Player Piano karya Kurt Vonnegut tahun 1952 – tentang para pekerja yang menganggur karena teknologi – merupakan salah satu batu ujian, sementara ia mencatat bagaimana Sherlock Holmes sering naik kereta kuda ke stasiun kereta api dalam petualangannya, yang menggambarkan bagaimana teknologi baru secara paradoks dapat menghasilkan produktivitas yang lebih tinggi. penggunaan gadget lama.

Tepatnya, tindakan detektif yang dilakukan oleh penggemar Conan Doyle itulah yang membuahkan penghargaan Nobel – mengidentifikasi penyakit sebagai faktor penentu utama mengapa negara-negara Eropa akan mendirikan lembaga-lembaga yang sangat ekstraktif di beberapa koloni, namun memiliki struktur yang lebih inklusif dan demokratis di negara-negara lain, yang memiliki struktur yang lebih inklusif dan demokratis di negara-negara lain. sejak berkembang pesat secara ekonomi. “Daron dan saya berbicara tentang bagaimana geografi dapat menjelaskan hasil, namun hal tersebut kurang tepat. Saya kembali kepadanya dengan ide-ide lain, tetapi tidak berhasil juga.”

Akhirnya Profesor Johnson bertanya-tanya apakah tingkat kelangsungan hidup yang rendah di beberapa koloni abad ke-19 mungkin telah menghalangi negara-negara imperialis untuk mendirikan lembaga-lembaga yang mendorong pertumbuhan dan malah mendukung perekonomian yang kekurangan sumber daya jangka pendek seperti yang masih berkuasa saat ini. “Itulah yang membuat saya memenangkan Nobel, momen penemuan itu,” Profesor Johnson merenungkan gagasan di balik makalah penting ketiganya pada tahun 2001.

Tindakan kedua ini terkenal sulit bagi para peraih Nobel – yang sering dianggap gagal mencapai prestasi akademis yang sama setelah malam mereka di Stockholm – namun hal ini tampaknya tidak mungkin terjadi bagi Profesor Johnson, yang sedang memulai proyek besar, MIT Shaping the Future of Work Initiative. . Pekerjaan ini mencakup pertimbangan serius tentang bagaimana “kecerdasan buatan yang pro-pekerja” dapat dikembangkan untuk mendukung lapangan kerja, dibandingkan penerimaan suram bahwa AI pasti akan menyebabkan PHK massal.

Meskipun ia bersikeras bahwa dirinya “pro-sektor swasta”, revolusi teknologi sering kali berdampak buruk bagi sebagian besar masyarakat, kata Profesor Johnson. “Pembacaan kami terhadap sejarah adalah bahwa teknologi tidak baik atau buruk bagi manusia – itu tergantung pada bagaimana Anda menggunakannya. Anda dapat memiliki visi yang pro-pekerja dalam bidang teknologi, atau Anda dapat memiliki visi di mana hanya kepala biara atau orang-orang dekat raja yang dapat melakukannya dengan baik ketika kincir air ditemukan.

“Ada saat-saat dimana hal ini berjalan dengan baik – paruh kedua abad ke-19 dengan bangkitnya serikat pekerja – namun ada saat dimana hal tersebut sangat sulit; lihatlah pabrik kapas di Manchester, dan 40 tahun terakhir ini bukanlah masa yang baik bagi kesejahteraan bersama.”

Peran teknologi besar saat ini tidak dapat diabaikan, katanya, sambil menganjurkan pajak yang besar di media sosial. Dia mencatat keinginan sarjana Harvard, Larry Lessig, untuk mengenakan pajak pada “merokok, junk food, dan media sosial” dengan cara yang mengakui bahayanya. “Kami melihat diri kami mempunyai ide-ide yang masuk akal dan bertanggung jawab. Ide ini belum menjadi ide yang umum, namun berdasarkan pengalaman saya mengenai kebijakan publik, jawabannya selalu ‘tidak’ sampai seseorang menelepon Anda dan mengatakan bahwa dunia telah bergerak maju: ‘Di mana rencananya?’.

“Perusahaan teknologi besar tidak menyukai kita, namun kita memerlukan rencana untuk mengatasi hal ini, dan peran ekonom seperti kita adalah untuk menyebarkan ide-ide seperti ini sehingga dapat diterapkan dalam dunia kebijakan.”

Sumber: timeshighereducation.com

Alamat Lengkap Kami

Email:  info@konsultanpendidikan.com