英语轻松读发新版了,欢迎下载、更新

技能与AI技能|迈向数据科学

2025-07-29 16:26:18 英文原文

作者:Marina Tosic


Post检查了与AI有效合作所需的技能,主要关注AI系统的消费者。在下面的文本中,我将剖析 业务能力框架的AI技能由 艾伦·图灵学院,展示该框架的基础是如何植根于永恒技能的,并为非技术人员提供了高技能的领域。


我的印象是,我们通过散布头条新闻和1000个字符的l-ai-ai生成摘要(或与LinkedIn允许的允许)进入了传闻的全球大流行有关的主题。

观点依靠对工作空间的未来以及在AI时代的教育,安全甚至人类灭绝等主题的意见。不幸的是,经常受到最新未经审查的研究的支持,该研究在表面上是红色且被理解的。在某些情况下,理解甚至不是人们想要优化其功能的目标。目的是赚取数百或数千个喜欢,并获得数十名新关注者。

Panem et Circenses每个新的饲料刷新,提供的新鲜(错误)信息都可以使用,因此我们不需要让我们的灰色物质找到真相。足够好的真理逐渐逐渐成为新标准。

尽管如此,市场要求我们得到一套适当的一套

人工智能技能

对于我们大多数人与AI的发展紧密合作时,当我们走出IT圈时,我们意识到人们对生成AI的谈话或关心(我们都不像我们(我们)(我们)(想要他们) 做。

但是,他们确实关心的一件事是AI产生的输出的正确性:是否好吗?或在我的姐姐(又名数学老师)中重新构架它:我应该用它来做什么?它从提示的数学方程式中给了我错误的结果。

然而,几天前,有报道说Gemini与Think的双子座在国际数学奥林匹克运动会上达到了金牌标准

因此,这里的差距或更精确的地方

让我们从每个人现在都试图重新包装的概念开始,那就是技能框架与某些版本的责任分配矩阵

尽管这些框架是可疑的分类器,但由于它们倾向于在没有适当评估的情况下“盒子及其能力盒子及其能力,因此它们为方向提供了有用的起点。

也就是说,我将以一个例子AI业务能力技能(META-)框架开发艾伦·图灵学院,概述四个技能水平定位四个主要的学习者角色穿过 方面代表一组能力,行为和责任ðð¼。

AI skills for different actors.
图像1由作者创建。来源: 业务能力框架,角色与维度和学习目标之间的指示映射。

与帖子主题有些不同,我需要注意到我在框架将技能水平映射到角色的最高,明显的缺点,例如:

  • 它与市场的需求脱节M形专业人员来自AI工人角色,指定在职的诸如等方面的级别隐私与管理评估与反思``未达到现实世界的要求。在受管制行业中尤其如此每个员工处理敏感数据预计将对GDPR和合规框架具有丰富的了解,这可能会扩展到了解AI风险和偏见。
  • 或者,如何制定AI领导人作为一个专家问题定义与沟通维度具有误导性,因为这表明他们应该拥有深厚的技术专长。但是,通常情况并非如此。许多领导人依靠他们精通AI的团队来弥合差距动手技术洞察力做出决定时。

而且,还有更多,但是让我们专注于AI能力。为此,我将共享一张表格,以补充对学习者角色的必要理解:

AI skills from Business Competency Framework.
图像2:作者创造的学习者角色及其核心技能。来源业务能力框架

现在,我们将假设我们所有人如何设法在阳光下找到自己的位置,并将自己映射到上述角色之一。下一个提出的问题是

哪些技能是永恒的,当前技能与AI技能的差距在哪里?

第一个问题的证明是(某种程度上)直接: 如果 我们分析了图像2,而无需重点介绍术语“ ai”,很明显,列出的AI能力是现有的应用,永恒例如:

  • 批判性思维,
  • 风险管理,
  • 道德判断,
  • 战略规划,
  • 沟通与协作,
  • 持续学习,
  • 数字素养,……

然而,,,,新颖性来自将它们应用于AI。AI的背景引入了不同的挑战,这些挑战需要这些技能得到适应和加深。例如:

  • 风险管理``并不是什么新鲜事物,而是解决有偏见的语言模型或自动决策的风险,提出了一系列缓解的挑战。
  • 道德 判断``也不是新事物,而是将其应用于识别模型(错误)使用或由于自动化而导致的工作位移,这是全新的困境。

因此,差距在于基础,特定领域的细微差别,这些细微差别使集体能够有效利用AI作为工具,而不是由其使用。

考虑到这一点,已经有提供的学习途径可以获取细微的技能,这些可以帮助您开始学习旅程。

我对主要开发AI解决方案的非技术人员和技术人员的建议是:

  • 大师对不同语言模型的高级理解(例如。,LLMS与SLMS与其他专业模型思考与非思想模型, ETC。),如何迅速的他们以及何时使用它们(什么是使用AI的优点了解什么人工智能代理是和我们站在AGI路径上的地方,因此您会感觉到要处理哪种工具。
  • 了解故障模式并学习如何评估产出。了解模型可以撒谎和操纵的方式,例如偏见,,,,幻觉, 或者数据中毒,因此您避免解决秒内创建的问题。为此,您需要开发一个评估清单(从输入到输出)对于特定的(类型)问题,并确保输出经过严格审查测试在他们到达群众之前。
  • 创建,不需要食用AI产品。尽管软技能是一项巨大的资产,但建立实用的硬技能同样重要。我相信每个人都应该开始掌握我们每天使用的工具中可访问的AI功能,例如AI工具在Excel中。从那里,我建议您开始学习无代码和低码解决方案(例如。,Copilot Studio或者AI铸造厂) 到开发自定义AI代理商使用简单的clicky点心方法。掌握这些工作流将提高您的性能和AI领域知识,使您更具竞争力在未来的就业市场。

为了结束这篇文章,我希望您能得到一个收获,那就是我们所有人都需要付出精神努力来丰富我们当前的技能。

因为AI的有效性取决于我们与之进行周到的互动,并且需要我们始终需要的相同的批判性思维,风险评估和道德判断,而仅适用于新的挑战。如果没有这些基本技能来评估产出并避免过度依赖,我们的风险是由AI(或知道如何使用它的人)领导的,而不是将其用于我们的优势。


谢谢您的阅读!

如果您发现这篇文章很有价值,请随时与您的网络分享。

保持联系以获取更多故事中等的 - 和LinkedIn - ð。


该帖子最初发表在 AI进步中的媒介出版。

关于《技能与AI技能|迈向数据科学》的评论


暂无评论

发表评论

摘要

该帖子研究了与AI有效合作所需的技能,主要关注AI系统的消费者。它剖析了艾伦·图灵学院(Alan Turing Institute)开发的业务能力框架,强调了该框架的基础如何植根于永恒的技能,例如批判性思维和道德判断,这些技能需要适应AI技术。作者建议在非技术人员中提高技能的领域,包括了解不同的语言模型,学习评估产量,并通过无代码和低代码解决方案发展实用的硬技能。重点是基础技能在评估AI输出和避免过度依赖技术方面的重要性。