Trend-Themen
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
"In der traditionellen Softwareentwicklung plant man v1, v2, v3 des neuen Produkts basierend auf der Funktionstiefe oder den Benutzerbedürfnissen. Bei KI-Systemen verschiebt sich der Fokus.
Jede Version wird stattdessen durch den Grad der Autonomie des Systems und den Grad der Kontrolle, den man bereit ist aufzugeben, definiert.
Beginnen Sie damit, eine Reihe von Funktionen zu identifizieren, die hohe Kontrolle und geringe Autonomie haben (Version 1 im Bild unten).
Diese sollten klein, testbar und leicht zu beobachten sein. Überlegen Sie von dort aus, wie sich diese Fähigkeiten im Laufe der Zeit entwickeln können, indem Sie die Autonomie schrittweise erhöhen, eine Version nach der anderen. Das Ziel ist es, einen ehrgeizigen Endzustand in frühe Verhaltensweisen zu zerlegen, die Sie bewerten, iterieren und von dort aus aufbauen können.
Wenn Ihr Endziel beispielsweise darin besteht, den Kundenservice in Ihrem Unternehmen zu automatisieren, wäre ein hochkontrollierter Ansatz, v1 (Version 1) einfach als das Routing von Tickets an die richtige Abteilung zu definieren, dann zu v2 überzugehen, wo das System mögliche Lösungen vorschlägt, und erst in v3 zuzulassen, dass es automatisch mit menschlichem Rückgriff löst.
Hier sind ein paar weitere Beispiele:
Marketing-Assistent
v1: Entwurf von E-Mails, Anzeigen oder Social-Media-Texten aus Eingabeaufforderungen
v2: Erstellung von mehrstufigen Kampagnen und deren Durchführung
v3: Starten, A/B-Tests durchführen und Kampagnen über Kanäle hinweg automatisch optimieren
Coding-Assistent
v1: Inline-Vervollständigungen und Boilerplate-Snippets vorschlagen
v2: Größere Blöcke (wie Tests oder Refaktorisierungen) zur Überprüfung durch Menschen generieren
v3: Eingeschränkte Änderungen anwenden und Pull-Requests (PRs) autonom öffnen
Wenn Sie verfolgt haben, wie sich Tools wie GitHub Copilot oder Cursor entwickelt haben, ist dies genau das Handbuch, das sie verwendet haben. Die meisten Benutzer sehen nur die aktuelle Version, aber das zugrunde liegende System hat diese Leiter schrittweise erklommen. Zuerst Vervollständigungen, dann Blöcke, dann PRs, wobei jeder Schritt durch Nutzung, Feedback und Iteration verdient wurde."
Mehr hier:


Vor 21 Stunden
Man kann KI-Produkte nicht wie andere Produkte entwickeln.
KI-Produkte sind von Natur aus nicht deterministisch, und man muss ständig den Kompromiss zwischen Handlungsspielraum und Kontrolle aushandeln.
Wenn Teams diese Unterschiede nicht erkennen, stehen ihre Produkte vor unerwarteten Fehlern, sie stecken fest, während sie große, komplizierte Systeme debuggen, die sie nicht zurückverfolgen können, und das Vertrauen der Nutzer in das Produkt schwindet leise.
Nachdem sie dieses Muster bei über 50 KI-Implementierungen in Unternehmen wie @OpenAI, @Google, @Amazon und @Databricks beobachtet haben, entwickelten Aishwarya Naresh Reganti und Kiriti Badam eine Lösung: das Continuous Calibration/Continuous Development (CC/CD) Framework.
Der Name ist eine Anspielung auf Continuous Integration/Continuous Deployment (CI/CD), aber im Gegensatz zu seinem Namensvetter ist es für Systeme gedacht, bei denen das Verhalten nicht deterministisch ist und Handlungsspielraum verdient werden muss.
Dieses Framework zeigt Ihnen, wie man:
- Mit hochkontrollierten, niedrig-agency Funktionen beginnt
- Evaluierungssysteme aufbaut, die tatsächlich funktionieren
- KI-Produkte skaliert, ohne das Vertrauen der Nutzer zu brechen
Es ist darauf ausgelegt, die Einzigartigkeit von KI-Systemen zu erkennen und Ihnen zu helfen, bewusstere, stabilere und vertrauenswürdigere KI-Produkte zu entwickeln.
Sie teilen es zum ersten Mal öffentlich:

40,58K
Top
Ranking
Favoriten