AI带来的思维转变

在之前的一篇文章中，我曾提到过，“数据科学并没有死亡，但它确实发生了变化”。现在我认为，反思一下作为数据科学家的工作方式是如何改变的，已经迫在眉睫了。我可以看到三个领域受到了引入AI的影响：

• 更多提示，更少工作流构建或编码
• 更多AI代理和工具，更少组件或功能
• 思考提示而不是操作

让我们看看这到底意味着什么。

1、更多提示，更少工作流构建/编码

无可否认，提示已经席卷了数据科学家的职业生活。现在你不需要再为文本数据集构建和训练LSTM（长短期记忆）网络来进行情感分析了。现在你只需要提示：

“你是一家旅行社的员工，应该评估客户的酒店评论。 从这段文字中提取情感<包含文本>。将情感分类为正面、中性、负面”

然后你就能轻松地从文本中提取出隐藏的情感。

我是否可以构建一个性能更好的模型？可能在性能上不行，但在可重复性方面或许可以。即使将温度参数设置为0，AI引擎仍然高度非确定性。然而，这并不值得。创建自己的模型需要花费相当长的时间：收集数据、构建网络、训练网络、优化网络并部署最终模型。所有这些都是昂贵的步骤。另一方面，使用AI来评估文本中的情感只需几分钟，只要写一个正确、清晰且详尽的提示即可。

提示变得如此普遍，以至于一个新的学科诞生了：提示工程。

2、更多AI代理，更少KNIME组件/Python函数

另一个重大变化是AI代理的引入。我不再以Python函数或KNIME组件的形式思考，而是开始以AI工具和代理的形式思考。这并不是全新的概念。它让我想起了几年前的服务导向架构，在那里服务的实现是模块化软件架构的关键。

过去的服务与现在的工具或代理之间的主要区别在于其背后的推理过程。工具和代理基于AI或由AI协调，它们是一种服务。在一个理想的世界里，你会拥有一个完整的工具和代理目录，你可以或者你的AI代理可以将它们组合起来解决特定任务。关于工具、AI工具、AI代理和代理系统的更多信息，请查看这篇关于自主AI和KNIME的文章。

3、思考提示而非操作

这可能是我在日常数据分析工作中最大的变化之一；一种需要思维方式转变的变化。也就是说，我开始以提示而非操作的方式来思考。

我给你举个例子。最近我们正在开发一个应用程序，用于检查图像是否符合公司的品牌指南。我们提示AI来验证这种合规性。结果是我们得到了详细的文本评论，解释为什么某张图片符合或不符合指南。

下一步是删除符合要求的图片，只保留有问题的图片。这看起来很简单，但请记住，我们只有评论文本可用。我们努力找到一种方法从LLM的结果评论中提取合规标志，但这比我们想象的要困难得多……直到我们有了一个启发性的想法。与其尝试从评论中提取相关单词，不如再次将评论输入AI模型，并提示它标记描述不符合要求的图片的评论。就这样！它轻松而顺利地完成了。

在那里我意识到我的思维方式发生了变化：从考虑序列中的下一个操作转变为考虑另一个提示，甚至考虑现有提示的更好优化版本（见图1）。虽然花了一些时间，但现在思维转变已经完成。我现在更多地以提示而不是操作序列的方式来思考。

请注意，提示也是按顺序组织的，就像操作一样。然而，一个写得好的提示可以包含许多基本操作，而无需严格的语法。

4、结束语

虽然花了点时间，但思维转变已经发生。自从引入AI以来，我的日常工作作为数据科学家经历了一些变化，我必须扩展自己的思维方式以包括新技术。

在这篇文章中，我列出了三个主要变化——至少是我所意识到的——AI的引入给我的日常工作作为数据科学家带来了哪些影响。

• 更多提示，更少黑客行为
• 更多AI代理和工具，更少组件和函数
• 更多通过提示而不是操作进行思考

引用在柏林最近一次KNIME峰会上“金融、审计和AI”小组讨论中的Philipp Kowalski的话，我们正从编写一系列语法规则化的操作转向与数据对话。

对你来说情况如何？AI的引入对你的专业思维产生了怎样的影响？

原文链接：The mind shift produced by AI

汇智网翻译整理，转载请标明出处