非理工科专业毕业生加入AI团队能干啥?
本文作者:杨昌@okjike。发文时间:2023.10
这大半年来,市面上被报道的 AI 团队,核心人才大多有技术背景,至少得是个理工科背景。
包括在很多 AI 社群里,懂技术的开发者,往往更受欢迎。
作为中文系毕业的文科生,我也一直在想:难道在 AI 领域,就没有咱文科生的一席之地了吗?
从事 AI 3 个月后,我参与开发的一款内部 AI 工具,终于有了点阶段性的进展。回顾这 3 个月的经历,我隐约找到了点文科生在 AI 团队可以做的事儿。
![非理工科专业毕业生加入AI团队能干啥?](https://ytm.app/wp-content/uploads/2024/05/1716306176-aiteam0521.jpg)
先说个太长不看版:
内部AI 产品的开发,至少有 3 个里程碑
1、找到 AI 可以帮到忙的高价值场景
2、开发出能解决问题的傻瓜式 AI 工具
3、帮助业务一线员工真正用出效果
每个里程碑达成过程中,我这个文科生起到的作用是
1、找场景阶段:调研和科普 AI 在行业中的应用
2、产品开发阶段:通过提示词,把专家经验放进产品
3、用户成功阶段:在真实业务中,帮助种子用户成功
如果你对细节感兴趣,欢迎查看下面的详细内容:
一、找到 AI 可以帮到忙的高价值场景
1、找高价值场景
6月份初,在参与筹建「开源 AI 解决方案社区」的过程中,经过跟多位AI从业者深入交流,我得出了一个结论:
“和行家/专家一道,找到行业的高价值场景,做出该场景的AIGC解决方案,可能更赚钱。”
这段话被转发出去之后,得到过几位行业领袖级人物的肯定。我后来参与的AI工具,也是在这个思路下开展的。
2、技术之外要做的事
想要“和行家/专家一道,找到行业的高价值场景”,AI团队就不能只懂技术。
我们还需要花更多的时间,去找行家/专家沟通,去了解该细分领域的知识和商业模式,去了解服务公司的核心优势。
就像那些搞运输的司机,懂发动机原理固然不错,但真想要赚钱,他们更需要搞清楚:运什么人、什么货性价比更高,走哪些路线更有赚头。
3、我这个文科生能做的事儿
对于绝大多数的行业专家来说,AI到底发展到了什么程度,其实是个谜。
因为新闻一会儿说AI会取代他们,一会儿又说 AI 到了冷静期,很多 AI 公司都黄了,也没个准数。
于是,我就冲了上来,做了些较为细致的调研。然后,用专家能懂的话,把AI 的真实情况,尤其是对行业的真实影响,科普给他们。
等专家对「AI 能干啥和不能干啥」有个基本概念过后,我再试着用他们能接受的方式,一起测试 AI 在解决业务真实问题方面的效果。
整体来看,专家们更喜欢业务导向的专题式调研报告,测试过且有know-how 层面的SOP更佳,有客户/用户的数据最好。而对于市面上常见的技术向、产品向的科普文章(和软广),他们其实兴趣不大。
二、开发出能解决问题的傻瓜式 AI 工具
1、确保 AI 能解决业务中的真实问题
5月下旬,OpenAI的创始人之一,大神Andrej Karpthy在微软Build 2023开发者大会上有提到过:
“很多事情,直接写提示词(prompt)就可以搞定。在达到提示词上限之前,不需要考虑模型微调。”
在实际业务当中,很多问题,确实可以通过提示词解决。而提示词的上限,则取决于业务的重要程度和专家的专业程度。
如果,有幸在上个阶段,找到了重要性够高的业务场景。那么,这个阶段的重点,就变成了「如何和专家一起提升提示词的上限」。
从个人经验来看,很多 AI 工程师是不屑于学提示词的,绝大多数行业专家又不太会提示词。这中间的鸿沟,就需要我这个「愿意学和擅长教提示词」的人来填。
如果说提示词对专家太难,对 AI 工程师太简单,那么对我这个喜欢讲大白话的文科生,可能就刚刚好。
2、确保 AI 工具足够简单易用
入行仨月,我越发认可一句话:“公司只要有‘两个人’会提示词就行了”。
提示词真要做到「能解决业务中真实问题」的程度,不仅需要大量的业务知识和提示工程知识,还需要反复地尝试和迭代。
这其中的学习成本和试错成本,远不是业务一线伙伴所能承担的。咱千万别指望,通过几场培训和交流,就能让业务人员用起来。事实证明,这是不可能的。
更可行的方式,是让对业务感兴趣的提示词高手(我)和对 AI 感兴趣的业务专家合作。把一些高频的、能提效的场景中要用到的提示词,都提前写完并封装好。
最终交付给业务一线伙伴的,是只要傻瓜式操作就能稳定出效果简易工具。
三、帮业务一线伙伴真正用出效果
一旦进入真实业务场景,再简单易用的提效工具,都有一定的学习成本。
哪怕简单如微信,私域运营过程中要用到的功能,也得专门搞场培训。
1、在企业内部,AI比数字化工具更难推
在业务一线伙伴那里,AI 可不只是新的提效工具那么简单,在潜意识里,他们还有被取代的担忧。
而对那些简单试用过一些AI 的业务伙伴来讲,他们在市面上的 AI 那里碰过壁,不一定相信这一款AI工具真的有用。
这种情况下,如何吸引到一定量的种子用户,如何让种子用户快速上手,如何让甜蜜用户用出效果和持续使用,都是难题。
2、但互联网时代的运营方法论,依然有效
比如,重点突破感兴趣的业务团队,深入到他们手头具体的项目中去,点对点地用 AI 工具帮他们提效。
一旦在业务中起到作用,该团队就会一直用下去。
而在沟通过程中,我还可以不断总结他们的痛点,找到真实业务中高频的具象的场景,测算出大致的提效数据。
比如从 3 天提效到 10 分钟等,好让其他业务团队能真切感受到 AI 工具的帮助,最终以点带面让相关团队都用起来。
四、其他的延展
1、关键在“行业的高价值场景”上
总结到最后,我越发感觉到,这里面真正关键的,不是找场景阶段的调研和科普,不是产品开发阶段提示词工程,也不是用户成功阶段的产品运营,而是真正找到了“行业的高价值场景”。
只有场景找得足够准,才有可能立得了项,有可能获得种子用户,有可能形成早期的标杆,有可能为公司乃至行业带来价值。
但现阶段想要找到这个场景,AI 团队一定要跟行业专家合作,一定要对该领域的技术进展和产品表现足够了解。此处,才是文科生们最能创造价值的地方。
2、文理科或许都不是重点
最后,话说回来,既然都有了 AI 加持,就不用过于纠结文科、理科了。肯专研的话,很多技术上的问题、行业里的专业问题,都是可以学会的。
而且,从合作的角度来看,这些问题也无需学到多么精通。收到需求后,知道技术能否实现;看到技术后,清楚业务中如何应用,就差不多了。
至于那些个高价值场景,可能还需要把这门生意摸得足够透,对市面上「需求(流量)-产品-变现」的玩法了解得足够多。
我希望自己,今后尽可能少考虑自己学的是什么专业,担任的是什么岗位。然后,把更多的心思,花在如何用我的优势和用 AI 为客户/用户创造更大价值上,花在细分领域客户/用户的需求洞察上。
毕竟,客户/用户真正关心的,不是我是谁,而是我能给他们带来的是什么。
补充内容:
萧川川川:
在AI的应用没有大面积铺开前,岗位划分应该还比较粗,大概还是分为技术和非技术。产品经理或者非技术要做的就是知道技术边界的情况下,找场景、做落地、商业化,感觉是把除了纯技术干的活都干了。
另外提到“不必人人都会写提示词”非常赞同,未来用户和AI产品的交互会更简单,提示词工程是作为产品的一部分被封装起来了。
不过产品经理或者非技术还是需要深度学习提示词的,提示词工程应该算是对业务和技术都要有一定了解的领域了。
杨昌:
是的,纯技术之外的活,我们基本上都干了。 至于分工,从我了解的情况来看,未来大概率不会更精细。 一方面是因为有了AI加持,团队里的人个个都可以身兼数职。比如后端干前端的活儿,产品/运营干设计的活儿,也不是不能干。 另一方面是由于全球范围内经济环境不太好,哪怕AI应用大面积铺开了,也不一定会腾出更多多HC,给到非技术人员,并拆到更细的分工中去。 最后,确实非技术人员对业务越了解,对提示词越精通,技术人员的开发难度也就越低。在真正的工作流里头,业务本身的重要性占九成,提示词技术的重要性可能不到一成。