AI கற்றலில் மூன்று வாரங்கள் முடிந்துவிட்டன, இப்போது எனது சிறந்த திறமை டேப்களை (tabs) மூடுவதுதான்

AI கற்றல் என்பது ஒரே ஒரு மலையல்ல. அது பல அடுக்குகளைக் கொண்டது. ஒவ்வொரு புதிய அடுக்கையும் காணும்போது, அதற்கு கீழே உள்ள அடுக்கு முழுமையடையாதது போலத் தோன்றும்.

நான் decision trees-ஐப் புரிந்து கொண்டதாக நினைத்தேன். பிறகு அவை நிலையற்றவை (unstable) என்று தெரிந்து கொண்டேன். அதற்கான தீர்வை நான் புரிந்து கொண்டதாக நினைத்தேன். பிறகு ensembles பற்றித் தெரிந்து கொண்டேன். ஒவ்வொரு படியும் ஒரு புதிய அடுக்கை வெளிப்படுத்துகிறது.

இது ஒரு பொறியை உருவாக்குகிறது. நீங்கள் ஒன்றை கற்றுக்கொள்கிறீர்கள். நீங்கள் புத்திசாலியாக உணர்கிறீர்கள். பிறகு அதன் மேல் உள்ள ஒன்றைக் கற்றுக்கொள்கிறீர்கள். திடீரென்று முதல் விஷயம் வெறும் ஒரு பயிற்சி (warm-up) போலத் தோன்றும்.

இது 'டேப் பொறியை' (tab trap) நோக்கி இட்டுச் செல்கிறது.

நீங்கள் trees பற்றிப் படிக்கிறீர்கள். ensembles பற்றி கேள்விப்படுகிறீர்கள். ஒரு டேப்பைத் திறக்கிறீர்கள். அந்த டேப்பில் XGBoost பற்றி குறிப்பிடப்பட்டிருக்கிறது. XGBoost-இல் gradient boosting பற்றி குறிப்பிடப்பட்டிருக்கிறது. மூன்று மணிநேரம் கழித்து, உங்களிடம் பதினொரு டேப்கள் திறந்திருக்கும். ஆனால் நீங்கள் எதையும் உருவாக்கவில்லை.

நீங்கள் உங்கள் அணுகுமுறையை மாற்ற வேண்டும்:

• புதிய கருத்தை எழுதி வைத்துக்கொள்ளுங்கள். • டேப்பை மூடிவிடுங்கள். • தற்போது நீங்கள் செய்து கொண்டிருக்கும் வேலையை முடித்துவிடுங்கள்.

எழுதி வைப்பது நீங்கள் மறக்காமல் இருப்பதை உறுதி செய்கிறது. டேப்பை மூடுவது நீங்கள் அதில் மூழ்கிவிடாமல் இருப்பதை உறுதி செய்கிறது. ஆழமாகப் படிப்பது நல்லது. ஆனால் தவறான நேரத்தில் ஆழமாகப் போவது வெறும் காலதாமதமே (procrastination).

இதே விதி கருவிகளுக்கும் (tools) பொருந்தும்.

தொழில்நுட்ப உலகில் கருவிகளின் ஒரு மிகப்பெரிய உலகம் உள்ளது. APIs, REST, GraphQL, gRPC மற்றும் WebSockets. தொடக்க நிலையில் இருப்பவர்கள், எதையும் உருவாக்கத் தொடங்குவதற்கு முன் இவை அனைத்தையும் கற்றுக்கொள்ள வேண்டும் என்று நினைக்கிறார்கள்.

நீங்கள் அப்படிச் செய்யத் தேவையில்லை.

  • REST பெரும்பாலான சூழல்களைக் கையாளும்.
  • gRPC வேகமான backend தொடர்புகளுக்குப் பயன்படும்.
  • WebSockets சாட் போன்ற நேரடித் தரவுகளுக்கு (live data) பயன்படும்.

பெரும்பாலான குழுக்கள் இதைத் தேவையில்லாமல் அதிகம் யோசிக்கிறார்கள். ஆரம்பத்திலேயே சிக்கலான கருவிகளைத் தேடிப் போகாதீர்கள். குறிப்பிட்ட பிரச்சனைக்கு என்ன தேவை என்று கேளுங்கள். வேலை எளிமையானது என்றால், எளிமையான கருவியைப் பயன்படுத்துங்கள்.

முதலில் ஒரு அடிப்படைப் பதிப்பை (basic version) உருவாக்குங்கள். நிபுணர்களிடம் அவர்கள் எதைப் பயன்படுத்துவார்கள் என்று கேளுங்கள். அடிப்படைப் பதிப்பு என்பது ஒருபோதும் வீணானது அல்ல. அது உண்மையான பிரச்சனையை உங்களுக்குக் கற்றுக்கொடுக்கும்.

விளம்பரப் பொறியையும் (hype trap) தவிர்க்கவும்.

ஆட்டோமேஷனுக்கு (automation) ஒரு LLM தேவை என்று பலர் நினைக்கிறார்கள். அது தேவையில்லை. பெரும்பாலான ஆட்டோமேஷன் என்பது வெறும் எளிய தர்க்கம் (simple logic) மட்டுமே. "இது நடந்தால், அது நடக்கும்" (If this, then that) என்பது போன்றதுதான்.

ஒரு ஆடம்பரமான கருவிக்கு பதிலாக எப்போது ஒரு சாதாரணக் கருவியைப் பயன்படுத்த வேண்டும் என்று தெரிந்து கொள்வதே ஒரு முக்கியத் திறமையாகும்.

இறுதியாக, தரவுகளை (data) சந்தேகத்துடன் அணுகுங்கள்.

ஆராய்ச்சித் தாள்கள் (research papers) பெரும்பாலும் மிகச்சிறந்த முடிவுகளைக் காட்டுகின்றன. அவை பலவீனமான போட்டியாளர்களைக் கொண்டு சிறந்த எண்களைக் காட்டுகின்றன. ஒரு எண் மிகவும் துல்லியமாகத் தெரிந்தால், அவர்கள் எதை விட்டுவிட்டார்கள் என்று கேளுங்கள்.

தொடங்குபவர்களுக்கான எனது அறிவுரை:

• ஒரு உண்மையான பிரச்சனையைத் தேர்ந்தெடுங்கள். • எளிமையான தீர்வைத் தேடுங்கள். • நீங்கள் ஒரு சிக்கலான பாதையில் (rabbit hole) சிக்கிக்கொள்ளும்போது, அதை எழுதி வைத்துவிட்டு டேப்பை மூடிவிடுங்கள். • விளம்பரத்திற்குப் பின்னால் செல்லாமல், வேலைக்குத் தகுந்த கருவியைத் தேர்ந்தெடுங்கள்.

தரை மீண்டும் கீழிறங்கும். அதுதான் இந்தத் தொழில்.

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