告別AI焦慮,普通人快速上手AI大模型的3個關鍵能力

2 評論 3865 瀏覽 38 收藏 13 分鐘

AI時代到來,很多人興沖沖地加入和體驗AI大模型,結果卻發現大模型給出的答案并不是自己想要的答案,這是怎么回事兒?想要用好大模型,我們又該怎么做呢?本文總結了三個關鍵能力,不妨來看。

機器學習項目成功的關鍵,在于對問題的深刻理解,而非算法的選擇。

——彼得·諾維格(Peter Norvig)谷歌研究總監,人工智能專家

24年初開始,圍繞大模型如何落地到企業,我進行了大量調研工作,參考了很多行業案例和知識付費課程。

但遺憾的是,很多人仍會對這項新技術持懷疑態度。就在前兩天,還有一位產品經理找到我說:

“AI剛出來的時候,我既興奮又好奇,心想終于能有個幫手分擔工作了。我還試著用kimi、文心一言幫我解答問題、生成文檔。但幾次后發現,AI在具體工作任務上還是很難幫到我。比如讓它輸出一份調研報告,它給的框架很完整,但內容填充上卻很水,還得自己來改,這和網上找個模版有啥區別。經過幾次之后,我就只能讓AI幫我做一些不重要的事,結果就是食之無味棄之可惜?!?/p>

想一想,面對滾滾而來的AI焦慮,你是不是也有過類似的疑惑:

  • 注冊了幾個大模型產品,但打開后腦子一片空白,不知道怎么和它對話
  • 問了幾個問題,發現給的答案就像大廠黑話——看似說了一堆,實際跟沒說一樣
  • 用軟件自帶的智能體試了幾套提示詞,似乎輸出比之前好了,但也只限于寫公文、發郵件這種文案生成工作,我想讓它幫我在審核App的時候提高效率,怎么做?

這篇文章,我想來嘗試給出些解法。

我認為:想用好大模型,首先要學的,不是工具、不是提示詞,而是要具備業務理解+流程抽象+方法論沉淀的能力。我稱之為:業、流、法三步模型。

這套方法,源自業內很有名的一句話:

成功的本質,就是把一件正確的事,重復做一萬遍。

AI能做的,是重復一萬遍。但在這之前,你要先知道什么是正確的事,以及如何正確地把這件事做一萬遍。

  • 業務理解,鍛煉的是對正確事情的判斷力。
  • 流程抽象,鍛煉的是把事情做一萬遍的自動化能力。
  • 方法論沉淀,鍛煉的是把如何正確地把自動化方法傳達給AI的能力。

具體怎么做,展開講下。

第一步,業,具備特定領域的業務理解能力

也就是行業know how的能力。即知道一個行業的商業模式、競爭格局、涉及領域上下游和具體的業務運轉方式。

以上面提到的“幫我在審核App的時候提高效率”為例,你要知道應用分發這個領域,都有哪些角色參與其中,再思考平臺在其中擔任什么職責,靠什么盈利。其中利益分配的鏈條,如何從開發者,傳導到消費者,再到廣告商,再到平臺方。你也要知道行業里為了爭取到最大利益,可能會發生什么情況,出現哪些風險,其中哪些是可能被發現的,可能有辦法解決的。這些風險可能有什么特征。

你對應用開發者、平臺運營者和用戶之間的互動方式越清楚,越能從中發現規律,進而能很容易地步入第二步:流程抽象。

第二步,流,具備把業務流程抽象建模的能力

也就是知道如何用節點+連線的方式,把一個業務的經營邏輯,抽象成:角色+行為+數據+流轉線路的形式。

  • 角色。規定完成業務的崗位職責和分工。
  • 行為,規定角色完成一件事,需要做哪些具體執行動作。
  • 數據,規定角色執行前的參考環境,執行后的產出結果。
  • 流轉線路,規定角色在什么數據的前提下,執行什么動作,產生什么數據,從而影響到下一個角色。

還是以“幫我在審核App的時候提高效率”為例,簡單抽象了一下,可以按這樣的結構理解:

  • 角色:開發者、平臺審核員、用戶。
  • 行為:開發者,提交應用資料和安裝包;平臺,審核資料確保合規;用戶,下載應用、使用產品、提出反饋。
  • 數據:包括應用的類目數據、資質數據、簡介數據和產品本身的數據,以及用戶下載應用后的反饋數據等。
  • 流轉線路,如下圖所示。開發者根據要求,產生提交行為,形成待審核數據;審核員讀取數據,根據規則,完成審核動作;用戶則能看到審核通過的應用,執行下載動作并提出反饋;審核員再根據反饋情況,做出修正規則或回復反饋的動作。

第三步,法,具備把流程事件結構化成方法論的能力

也就是把成功的過程,以結構化文本方式表達出來,本質上是沉淀可復用的方法論。而方法論在AI時代的外化形式,就是prompt。

還是延續上面的例子,想讓AI在這個流程中發揮作用,就要給它安排一個角色,讓它能參與到流轉線路中,作為一個節點,讀取數據,執行規則并輸出結果。

你的目的,就是盡可能讓AI這個角色,幫你執行藍框所示的行為,讓你從你的角色中解脫出來。

假設想讓AI幫你執行“審核類目”這個動作,可以怎么描述?

角色:類目審核員

目的:判斷類目數據和資質數據,是否匹配類目審核規則

執行流程:

1、讀取資質數據

2、提取資質數據的關鍵信息,如所屬行業、證書編號等

3、判斷資質數據是否真實有效(對接第三方接口)

4、如果有效,查看資質信息,是否和類目要求的規則相匹配。如:經營范圍、員工數量等

5、如果匹配,審核通過,進入下一環節,執行審核應用行為

6、如果不匹配,審核不通過,生成不通過的說明文案,附帶不通過原因,輸出給審核員二次確認

輸出格式:

結論+原因+驗證依據

這套方法論一出來,聰明的你一定會發現,它就是一套結構化提示詞。

實際上,稍加整理,你還可以把它寫成新員工培訓資料,甚至作為需求文檔提交給技術,寫成代碼。自然語言和代碼之間的轉化,也正是大模型的拿手好戲。

看到這里,你可能會問,這是不是太復雜了?

我就想用好大模型,還要先成為領域專家,沉淀方法論,這個要求很多行業資深人士都做不到,我就一普通人,要具備這樣的能力,太難了!

是不是現在不懂這些,就沒法把AI用起來了?

當然不是。在沒有方法論沉淀的前提下用好AI,我再給你三招錦囊:

第一招:拜師學藝,快速上道。

不是去學零星的工具技巧,而是先找到那些已經借助AI,在垂直領域拿到結果的大佬們,向他們取經。

這些大佬們不僅理論知識扎實,也切實讓AI幫到了自己。你可以直接找他們請教、模仿他們的做法,先讓自己先達到一個“及格線”。當然,這招不是讓你滿足于平庸,而是幫你快速建立信心,打好基礎。站在巨人的肩膀上,你很快就能明白AI的能力邊界可以有多寬,及它在你的領域里怎么能大展拳腳。

第二招:記錄反饋,不斷試錯。

用AI的時候,把每次嘗試都記錄下來。不管結果好壞,這些都是寶貴的經驗。

遇到問題了,別急著打退堂鼓。要有那種“我偏不信邪”的勁兒,相信AI一定能幫到自己。帶著這個信念找問題、想辦法,如果自己搞不定,就找大佬請教,一步步來,總能越來越接近你的目標。

在這個過程中,解決問題的經驗特別寶貴,它能幫你在以后遇到類似問題時能舉一反三。這種邊做邊學,邊學邊改的方法,是提升AI技能的不二法門。

第三招:內化經驗,融會貫通。

當你感到自己已經能熟練運用AI,并且實現了預期效果,別到這兒就滿足了。要把這個過程中學到的前人經驗,結合你的理解和創新,形成一套自己的獨門招法。這就意味著你要分析你的做法,找到還能改進的地方,然后不斷打磨,不斷優化。等招式形成了,它就是屬于你的領域沉淀下來的獨家方法論。

總的來看,面對AI的來勢洶洶,每個人都不應該獨善其身。。AI不僅是一個工具,它更像是一位智者,一位導師,引導我們深入理解業務,抽象流程,沉淀方法。但別忘了,AI也是一面鏡子,它反映出我們對問題的理解,對工作的熱愛,對生活的執著。用好AI,不是一蹴而就的,它需要我們不斷地學習、嘗試、反思。就像彼得·諾維格所說,機器學習項目的成功,源于對問題的深刻理解。所以,不要害怕開始,不要害怕失敗,因為每一次的嘗試,都是通往成功的一步。

我堅信AGI的時代一定會到來,積極擁抱這一趨勢,不是淺嘗輒止,而是深度體驗,找到那個最佳解法,等AI真正大規模普及,你一定會由此受益。

你和AI對話的時候遇到了哪些問題?你的業務有沒有和AI結合的可能性?如果你有任何關于AI的疑問或建議,不妨發在留言區,我來幫你看看怎么解~

專欄作家

申悅,微信公眾號:互聯網悅讀筆記(ID:pmboxs),人人都是產品經理專欄作家,前360產品總監,起點學院優秀導師。

本文原創發布于人人都是產品經理。未經作者許可,禁止轉載。

題圖來自Unsplash,基于CC0協議。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 這是不是也算是一種漢化的編程呢?程序員是不是學的更快?

    來自湖北 回復
  2. 優秀

    來自安徽 回復