Inteligența artificială și învățarea: scepticismul, competența cheie pentru studenți
Miriam Friedel a lucrat la Capital One din 2020 până în 2026, când a plecat în calitate de vicepreședinte pentru inginerie în machine learning. În acest interval, inteligența artificială generativă a trecut de la statutul de curiozitate de cercetare la instrumente care scriu cod, construiesc aplicații și transformă modul de lucru. Friedel s-a alăturat recent facultății Școlii de Știința Datelor din cadrul Universității Virginia, unde vorbește despre competențele cerute de angajatori și despre modul în care AI poate sprijini, fără a înlocui, învățarea.
Problema corectă contează mai mult decât instrumentul
În opinia lui Friedel, partea cea mai dificilă a științei datelor rămâne identificarea problemei corecte. AI poate ajuta la explorarea datelor și la modelare, dar nu poate stabili dacă problema abordată este cea potrivită. Este nevoie de context de business și de înțelegerea impactului asupra oamenilor reali. Fundamentele predate la școală — funcții de pierdere, regresie liniară, coborâre pe gradient — stau la baza arhitecturilor transformator, pe care se construiesc modelele lingvistice mari. Înțelegerea tehnică solidă le permite studenților să folosească aceste instrumente cu rigoare și scepticism.
De ce scepticismul este esențial
Friedel avertizează că dependența oarbă de modelele lingvistice poate fi problematică, pentru că acestea tind să spună utilizatorului ceea ce vrea să audă. Rezultatul poate fi complet lipsit de valoare, iar lipsa unei înțelegeri a modului în care funcționează tehnologia duce la încredere nejustificată. Este nevoie de un scepticism sănătos, care vine atât din experiență, cât și din cunoașterea fundamentelor datelor și ale modelelor.
Cum să folosești AI fără să-ți sabotezi învățarea
Există o diferență majoră între a folosi AI când ai ani de expertiză și a-l folosi când înveți ceva pentru prima dată. Profesioniștii știu să evalueze rezultatul; studenții nu au încă această bază. Friedel recomandă ca AI să fie folosit pentru lucruri al căror răspuns poate fi verificat. Trecerea prin frustrarea rezolvării unei probleme grele este modul în care se produce învățarea și inovația. AI poate ajuta la reactualizarea cunoștințelor, la depășirea unui blocaj sau la învățarea sintaxei, dar gândirea dificilă trebuie făcută de student. Instrumentul poate fi un partener de exersare, nu un substitut pentru efort.
Ce caută angajatorii la candidații cu competențe de AI
Friedel spune că angajatorii nu caută persoane care tastează un prompt, așteaptă câteva minute și copiază răspunsul fără verificare. Ei vor discernământ: capacitatea de a recunoaște când AI accelerează inovația și când greșește. La Capital One, cine comitea cod scris de un agent își asuma responsabilitatea umană pentru comportamentul acelui cod. Angajatorii cer judecată bună, cunoașterea bunelor practici de programare și a designului de sisteme, precum și capacitatea de a identifica punctele de eșec. În funcție de rol, aceștia vor să vadă cum este folosit AI pentru a construi pipeline-uri, a accelera dezvoltarea modelelor, a contribui la cercetarea de frontieră sau a integra un model lingvistic într-un ecosistem mai amplu, cu testare adecvată.
Lecția din industrie: problemele grele rămân umane
Cele mai dificile provocări din cariera de executive nu au fost tehnologice, ci legate de identificarea problemei corecte, de execuție și de lucrul cu oamenii. Competențele tehnice contează, dar comunicarea eficientă și dorința de a rezolva probleme sunt esențiale. Friedel menționează gestionarea dezamăgirii, oferirea și primirea de feedback dificil, gestionarea punctelor de vedere conflictuale și luarea deciziilor care pot supăra pe cineva. Pentru cei interesați de leadership, întrebarea centrală este dacă pot munci din greu la probleme grele și dacă pot trata oamenii corect și cu bunăvoință.
