Gjennomsnittlig

Modellen er en strikk

Modellen trekkes alltid mot gjennomsnittet, den mest sannsynlige løsningen. Med krav, eksempler og kontekst kan du dra den ut fra gjennomsnittet og mot løsningen du vil ha. Men strikken vil noe annet: slipper du taket, glir svarene tilbake mot gjennomsnittet.

Å holde modellen borte fra gjennomsnittet krever kontinuerlig kraft, og det kan bli slitsomt over tid. Modellen husker ingenting mellom samtaler, så hver ny økt starter strikken i hvilestilling. Velg derfor kampene dine: hva er verdt å dra i, og hva kan få være gjennomsnittlig? Er det verdt å velge et esoterisk språk eller kan dette være Python?

Innenfor eller utenfor fordelingen?

Spør deg selv: hva er vanlig kode på internett? Hvilke rammeverk og teknologier er vanlige? Det er der modellen er hjemme. Velger du det samme som alle andre, jobber fordelingen med deg, og forslagene treffer nesten av seg selv. Dette er kjent som å treffe det modellen er trent på, «within distribution», i kontrast til «out of distribution» (det uvanlige).

Divergerer du fra det vanlige, må du jobbe med modellen for å få den til å forstå: forklare valgene, vise eksempler og rette kursen oftere. Noen ganger er det verdt det, domenet ditt, brukerne dine og sikkerheten kan kreve noe annet enn det vanlige. Andre ganger er ikke valget viktig, og da kan du like gjerne følge strømmen og la modellen jobbe på hjemmebane. Å vite hvilke valg som er viktige og hvilke som ikke er det, er en del av arkitektrollen din.

Det er du som lærer, ikke modellen

Modellen lærer ikke av feilene sine, den husker ingenting mellom samtaler. Men du lærer. Når du ser modellen gjøre feil, se på det som at du lærer modellen å kjenne: du ser preferansene dens, hvilke mønstre den strekker seg mot og hvor du må trekke i strikken for å få noe som passer.

Med den kunnskapen vurderer du om du skal dra modellen i en annen retning, og du blir stadig bedre til å øke sannsynligheten for ønsket resultat. Det er bare du som kan flytte modellen og forme resultatet.

---

Hva skjer når du slutter å styre modellen aktivt?

Den fortsetter i retningen du satteSvarene glir tilbake mot gjennomsnittet, som en strikk som vil hjemDen stopper å svareDen velger en tilfeldig retning

Dere vurderer et sjeldent rammeverk fremfor det alle andre bruker. Hva bør du regne med?

Ingen forskjell, modellen kan alt like godtAt du må jobbe mer med modellen: forklare valg, vise eksempler og rette kursen oftereAt modellen nekter å bruke detAt koden blir bedre fordi den er uvanlig

Modellen gjør samme type feil flere ganger. Hvordan bør du se på det?

Modellen lærer av feilene, så det går over av seg selvSom at du lærer modellens preferanser å kjenne, og bør vurdere å gjøre noe annerledes for å få bedre resultat neste gangSom et tegn på at KI ikke passer til oppgavenSom en feil i verktøyet som bør rapporteres