AI ಕಲಿಯಲು ಪ್ರಾರಂಭಿಸಿ ಮೂರು ವಾರಗಳಾದವು ಮತ್ತು ನನ್ನ ಅತ್ಯುತ್ತಮ ಕೌಶಲವೆಂದರೆ ಟ್ಯಾಬ್‌ಗಳನ್ನು ಮುಚ್ಚುವುದು

AI ಕಲಿಯುವುದು ಒಂದೇ ಬೆಟ್ಟವನ್ನು ಏರುವಂತೆ ಅಲ್ಲ. ಇದು ಪದರಗಳಂತಿದೆ. ಪ್ರತಿಯೊಂದು ಹೊಸ ಪದರವು ಅದರ ಕೆಳಗಿರುವ ಪದರವನ್ನು ಅಪೂರ್ಣವಾಗಿ ಕಾಣುವಂತೆ ಮಾಡುತ್ತದೆ.

ನನಗೆ decision trees ಅರ್ಥವಾಗಿದೆ ಎಂದು ನಾನು ಭಾವಿಸಿದ್ದೆ. ನಂತರ ಅವು ಅಸ್ಥಿರವಾಗಿವೆ ಎಂದು ತಿಳಿದುಬಂದಿತು. ಅದಕ್ಕೆ ಇರುವ ಪರಿಹಾರ ನನಗೆ ತಿಳಿದಿದೆ ಎಂದು ನಾನು ಭಾವಿಸಿದ್ದೆ. ನಂತರ ensembles ಬಗ್ಗೆ ತಿಳಿಯಿತು. ಪ್ರತಿಯೊಂದು ಹಂತವೂ ಹೊಸ ಪದರವನ್ನು ಅನಾವರಣಗೊಳಿಸುತ್ತದೆ.

ಇದು ಒಂದು ಬಲೆಯಲ್ಲಿ ಸಿಲುಕುವಂತೆ ಮಾಡುತ್ತದೆ. ನೀವು ಒಂದು ವಿಷಯವನ್ನು ಕಲಿಯುತ್ತೀರಿ. ನಿಮಗೆ ನೀವು ಬುದ್ಧಿವಂತರು ಎಂದು ಅನಿಸುತ್ತದೆ. ನಂತರ ಅದರ ಮೇಲಿರುವ ಮತ್ತೊಂದು ವಿಷಯವನ್ನು ಕಲಿಯುತ್ತೀರಿ. ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಮೊದಲನೆಯ ವಿಷಯವು ಕೇವಲ ಒಂದು ವಾರ್ಮ್-ಅಪ್‌ನಂತೆ ಕಾಣಿಸುತ್ತದೆ.

ಇದು 'ಟ್ಯಾಬ್ ಬಲೆಯಲ್ಲಿ' (tab trap) ಸಿಲುಕುವಂತೆ ಮಾಡುತ್ತದೆ.

ನೀವು trees ಬಗ್ಗೆ ಕಲಿಯುತ್ತೀರಿ. ensembles ಬಗ್ಗೆ ಕೇಳುತ್ತೀರಿ. ಒಂದು ಟ್ಯಾಬ್ ತೆರೆಯುತ್ತೀರಿ. ಆ ಟ್ಯಾಬ್ XGBoost ಬಗ್ಗೆ ತಿಳಿಸುತ್ತದೆ. XGBoost gradient boosting ಬಗ್ಗೆ ತಿಳಿಸುತ್ತದೆ. ಮೂರು ಗಂಟೆಗಳ ನಂತರ ನಿಮ್ಮಲ್ಲಿ ಹನ್ನೊಂದು ಟ್ಯಾಬ್‌ಗಳು ತೆರೆದಿರುತ್ತವೆ. ಆದರೆ ನೀವು ಏನನ್ನೂ ನಿರ್ಮಿಸಿರುವುದಿಲ್ಲ.

ನೀವು ನಿಮ್ಮ ವಿಧಾನವನ್ನು ಬದಲಾಯಿಸಿಕೊಳ್ಳಬೇಕು:

• ಹೊಸ ಪರಿಕಲ್ಪನೆಯನ್ನು ಬರೆದಿಟ್ಟುಕೊಳ್ಳಿ. • ಟ್ಯಾಬ್ ಅನ್ನು ಮುಚ್ಚಿ. • ನೀವು ಪ್ರಸ್ತುತ ಮಾಡುತ್ತಿರುವ ಕೆಲಸವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.

ಬರೆದಿಟ್ಟುಕೊಳ್ಳುವುದು ನೀವು ಮರೆಯದಂತೆ ನೋಡಿಕೊಳ್ಳುತ್ತದೆ. ಟ್ಯಾಬ್ ಮುಚ್ಚುವುದು ನೀವು ವಿಷಯದಲ್ಲಿ ಮುಳುಗಿ ಹೋಗದಂತೆ ನೋಡಿಕೊಳ್ಳುತ್ತದೆ. ಆಳವಾಗಿ ಕಲಿಯುವುದು ಒಳ್ಳೆಯದು. ಆದರೆ ತಪ್ಪು ಸಮಯದಲ್ಲಿ ಅತಿಯಾದ ಆಳವು ಕೇವಲ ಕಾಲಹರಣ (procrastination) ಮಾತ್ರ.

ಇದೇ ನಿಯಮವು ಪರಿಕರಗಳಿಗೂ (tools) ಅನ್ವಯಿಸುತ್ತದೆ.

ತಾಂತ್ರಿಕ ಜಗತ್ತಿನಲ್ಲಿ ಅಪಾರವಾದ ಪರಿಕರಗಳ ಸಂಗ್ರಹವಿದೆ. APIs, REST, GraphQL, gRPC, ಮತ್ತು WebSockets. ಆರಂಭಿಕರು ತಾವೇನಾದರೂ ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ಇವೆಲ್ಲವನ್ನೂ ಕಲಿಯಲೇಬೇಕು ಎಂದು ಭಾವಿಸುತ್ತಾರೆ.

ನೀವು ಅನಿವಾರ್ಯವಾಗಿ ಕಲಿಯಬೇಕಿಲ್ಲ.

  • REST ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳನ್ನು ನಿಭಾಯಿಸುತ್ತದೆ.
  • gRPC ವೇಗದ backend ಸಂವಹನಕ್ಕಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ.
  • WebSockets ಚಾಟ್‌ನಂತಹ ಲೈವ್ ಡೇಟಾಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ.

ಹೆಚ್ಚಿನ ತಂಡಗಳು ಇದರ ಬಗ್ಗೆ ಅತಿಯಾಗಿ ಯೋಚಿಸುತ್ತವೆ. ಆರಂಭದಲ್ಲೇ ಸಂಕೀರ್ಣ ಪರಿಕರಗಳನ್ನು ಬಳಸಲು ಹೋಗಬೇಡಿ. ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗೆ ಏನು ಬೇಕು ಎಂದು ಕೇಳಿ. ಕೆಲಸ ಸರಳವಾಗಿದ್ದರೆ, ಸರಳ ಪರಿಕರವನ್ನೇ ಬಳಸಿ.

ಮೊದಲು ಒಂದು ಮೂಲಭೂತ ಆವೃತ್ತಿಯನ್ನು (basic version) ನಿರ್ಮಿಸಿ. ತಜ್ಞರು ಏನನ್ನು ಬಳಸುತ್ತಿದ್ದರು ಎಂದು ಕೇಳಿ. ಮೂಲಭೂತ ಆವೃತ್ತಿಯು ಎಂದಿಗೂ ವ್ಯರ್ಥವಲ್ಲ. ಅದು ನಿಮಗೆ ನಿಜವಾದ ಸಮಸ್ಯೆಯನ್ನು ಕಲಿಸುತ್ತದೆ.

'ಹೈಪ್' (hype) ಬಲೆಯನ್ನು ಸಹ ತಪ್ಪಿಸಿ.

ಆಟೊಮೇಷನ್‌ಗೆ (automation) LLM ಅಗತ್ಯವಿದೆ ಎಂದು ಅನೇಕರು ಭಾವಿಸುತ್ತಾರೆ. ಅದು ಅಗತ್ಯವಿಲ್ಲ. ಹೆಚ್ಚಿನ ಆಟೊಮೇಷನ್ ಕೇವಲ ಸರಳ ತರ್ಕವನ್ನು (logic) ಹೊಂದಿರುತ್ತದೆ. "ಇದು ನಡೆದರೆ, ಅದು ಆಗಲಿ" (If this, then that) ಎಂಬ ತರ್ಕವಷ್ಟೇ.

ಒಂದು ಪ್ರಮುಖ ಕೌಶಲವೆಂದರೆ, ವೈಭವಯುತವಾದ ಪರಿಕರದ ಬದಲಿಗೆ ಯಾವಾಗ ಸಾಮಾನ್ಯ ಪರಿಕರವನ್ನು ಬಳಸಬೇಕು ಎಂದು ತಿಳಿಯುವುದು.

ಕೊನೆಯದಾಗಿ, ಡೇಟಾ ಬಗ್ಗೆ ಸಂಶಯಾಸ್ಪದವಾಗಿರಿ.

ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳು (Research papers) ಹೆಚ್ಚಾಗಿ ಪರಿಪೂರ್ಣ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಅವು ಅತ್ಯಂತ ದುರ್ಬಲ ಸ್ಪರ್ಧಿಗಳ ವಿರುದ್ಧದ ಅತ್ಯುತ್ತಮ ಅಂಕಿಅಂಶಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಒಂದು ಅಂಕಿಅಂಶವು ಅತಿಯಾಗಿ ಪರಿಪೂರ್ಣವಾಗಿ ಕಂಡರೆ, ಅವರು ಏನನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟಿದ್ದಾರೆ ಎಂದು ಕೇಳಿ.

ಪ್ರಾರಂಭಿಸಲು ನನ್ನ ಸಲಹೆಗಳು:

• ಒಂದು ನೈಜ ಸಮಸ್ಯೆಯನ್ನು ಆರಿಸಿ. • ಅತ್ಯಂತ ಸರಳವಾದ ಪರಿಹಾರವನ್ನು ಹುಡುಕಿ. • ನೀವು ಯಾವುದಾದರೂ ವಿಷಯದಲ್ಲಿ ಅತಿಯಾಗಿ ಮುಳುಗುತ್ತಿದ್ದರೆ (rabbit hole), ಅದನ್ನು ಬರೆದಿಟ್ಟುಕೊಳ್ಳಿ ಮತ್ತು ಟ್ಯಾಬ್ ಅನ್ನು ಮುಚ್ಚಿ. • ಪರಿಕರವನ್ನು ಕೆಲಸಕ್ಕೆ ಹೊಂದಿಸಿ, ಹೈಪ್‌ಗೆ ಅಲ್ಲ.

ಸವಾಲುಗಳು ಮತ್ತೆ ಎದುರಾಗಬಹುದು. ಅದು ಕೇವಲ ಕೆಲಸದ ಒಂದು ಭಾಗ.

Source: https://dev.to/asfiya_tech/three-weeks-into-ai-and-my-best-skill-is-closing-tabs-1lkj

Optional learning community: https://t.me/GyaanSetuAi