Вокруг ИИ хватает противоположных прогнозов: от полного отрицания возможностей технологии до уверенности, что она вот-вот заменит всех. Крайние позиции часто объединяет одно — недостаточная компетентность в вопросе.
Поэтому, когда я слышу сильное утверждение, то сначала спрашиваю себя: можно ли доверять мнению этого человека? В такой формулировке вопрос слишком размыт, поэтому я раскладываю его на части.
Откуда дровишки?
- Есть ли у человека подтверждённый практический опыт в том, о чём он говорит?
- Достаточен ли этот опыт для сделанного вывода?
- Понимает ли человек базу под собственным опытом? Написать «свой GPT» с помощью LLM не означает понять, как создаются модели.
- Какие явные и скрытые допущения есть в утверждении? Чем они обоснованы?
- Насколько человек заинтересован в конкретном выводе? Когда руководитель AI-компании говорит, что ИИ захватит мир, полезно помнить, на чём он зарабатывает.
Каждый вопрос помогает понять, насколько компетентен источник и стоит ли опираться на его выводы. Это не проверка на право говорить, а способ подобрать вес утверждению.
Проверить себя тем же фильтром
Эти вопросы я задаю и себе. Самый надёжный способ улучшить собственные выводы — повышать компетентность. Поэтому я читаю книги о построении моделей и приложений на базе AI, а ещё прошёл на работе базовый курс по ML. Мозги скрипели особенно громко: десять лет математики не видали.
Это сложнее, чем выбрать лагерь и топить за него. Зато такой фильтр помогает отделять практический опыт от уверенного пересказа чужих прогнозов.
Моя позиция по применению технологии тоже не укладывается в крайности: ИИ полезен как дополнительная пара рук, но не как замена собственному мышлению. Проверять компетентность источника важно, но ответственность за решение всё равно остаётся на мне.