La sfida di comprendere l’immagine complessiva di AI.

The challenge of understanding the big picture of AI.

È diventato sempre più difficile avere conversazioni ponderate sul cambiamento (e la rapida crescita) dell’impronta dell’IA nelle nostre vite quotidiane, un effetto collaterale inaspettato, forse, del fatto che la tecnologia sta passando dalle comunità di ricerca e di industria in ogni angolo dei social media. Certamente c’è molta enfasi, così come non trascurabili quantità di profezie di sventura e un infinito parata di nuovi strumenti e app. Ma cosa significa tutto ciò?

Abbiamo condiviso con i nostri lettori eccellenti risorse pratiche negli ultimi mesi per aiutarti a familiarizzare con argomenti pratici come l’ingegneria delle prompt e l’automazione della voce in testo. Oggi, ti invitiamo a fare un passo (o due) indietro per esplorare alcuni dei temi più ampi di cui hanno scritto i nostri autori mentre affrontavano il cambiamento del ruolo dell’IA nei flussi di lavoro della scienza dei dati e dell’apprendimento automatico. Scendiamo in profondità.

• Molte delle più entusiasmanti innovazioni degli ultimi anni devono il loro successo a progetti open source fondamentali. Clemens Mewald crede che quell’era stia finendo : “Anche se sembra esserci un movimento Robin Hood-esco attorno all’IA open source, i dati indicano una direzione diversa”.
• Anche il più fervido fan di ChatGPT dovrebbe ammettere che il chatbot ha seri limiti, dalla sua tendenza ad allucinare alla sua incapacità di fornire informazioni in tempo reale (o anche solo moderatamente fresche). Mary Newhauser ha recentemente esaminato il vasto panorama dei plugin ChatGPT —app che aggiungono nuove funzionalità allo strumento e lo connettono ad altre fonti di dati— e ha riferito sui loro benefici e rischi.
• Per molti professionisti dell’ML, l’arrivo di ChatGPT segna un momento di svolta che ha spinto a una seria ripensamento dei loro progetti, delle loro pratiche e dei loro modelli di business. Janna Lipenkova delinea quattro tendenze emergenti in questo ecosistema post-ChatGPT e riflette su come influenzeranno lo sviluppo futuro dell’IA.

• Ogni giorno, la lista delle professioni che rientrano nella categoria “l’IA la renderà obsoleta?” si allunga sempre di più. Galen Okazaki porta questa domanda vicino a casa (almeno per i lettori di Variable) e si chiede cosa riserva il futuro per gli analisti dei dati mentre gli strumenti generativi dell’IA diventano sempre più sofisticati. (Spoiler: gli umani hanno ancora una possibilità di combattere!)
• Se l’IA deve davvero trasformare il modo in cui il mondo opera, una delle aree che faciliterà questo cambiamento è la gestione della catena di approvvigionamento. Ezequiel Ortiz Recalde analizza alcune delle possibilità in questo enorme campo globale, dall’ottimizzazione dell’inventario alla logistica intermodale.

Come ci piace ricordare (e a chiunque altro stia ascoltando), c’è così tanto lavoro affascinante là fuori su altri argomenti non legati all’IA; se hai bisogno di ulteriori prove, qualsiasi delle seguenti letture consigliate farà al caso tuo:

• Christabelle Pabalan ci ha guidato attraverso il suo importante lavoro sull’uso dell’apprendimento multi-task e dell’ensemble per prevedere il funzionamento cognitivo dell’Alzheimer.
• Cosa succederebbe se i grafi di input nelle reti neurali a grafo fossero diretti ? L’ultimo articolo di Michael Bronstein ed Emanuele Rossi esplora questa domanda in dettaglio.
• Il nuovo e utile tutorial di Subha Ganapathi introduce i trigger del database come approccio alternativo per accedere ai dati quando non sono disponibili endpoint API.
• Come puoi assicurarti che il tuo team dati sia proattivo invece che reattivo ? Barr Moses riflette sulle pratiche e le caratteristiche che fanno la differenza.
• Scegliere l’hardware giusto per il tuo progetto di apprendimento profondo è cruciale; la guida di Chaim Rand offre punti chiari sulle domande che dovresti fare e sui fattori che dovrai tenere a mente.

Grazie per il supporto ai nostri autori! Se ti piacciono gli articoli che leggi su TDS, considera di diventare un membro Nisoo — sblocca l’intero archivio (e ogni altro post su Nisoo, anche).

• Evitare il Burnout durante il cambio di carriera in Data Science
• 5 libri gratuiti su Julia per la scienza dei dati
• Ricercatori della NTU e di Microsoft propongono MIMIC-IT un dataset di tuning delle istruzioni multimodale in contesto su larga scala.

Fino alla prossima Variable,

Gli editor di TDS