Metodologia para Avaliação, Design e Segurança para "Não Deixar a IA Apenas como uma Ferramenta Conveniente"
Se você vê Yusuke Narita apenas como um "acadêmico que fala muito sobre IA", está perdendo a essência. A forma como ele encara a IA não se encaixa no escopo geral de melhoria de produtividade, como criar frases com chatbots, resumir reuniões ou escrever prompts bem elaborados. Em vez disso, sua característica está em ver a IA como um "dispositivo que realiza tomadas de decisão" e pensar coletivamente sobre como projetá-la, como avaliá-la e como implementá-la com segurança na sociedade.
Em seu site oficial, ele explica sua especialidade como "projetar negócios e políticas públicas usando dados, algoritmos e pensamento", e "desenvolver métodos para projetar algoritmos de tomada de decisão social de forma orientada por dados". Em seu perfil oficial na Universidade de Yale, o centro de sua pesquisa é o design de algoritmos de tomada de decisão em políticas e negócios, usando uma combinação de inferência causal, aprendizado de máquina e estimação estrutural. Em outras palavras, para ele, a IA não é um aplicativo isolado, mas a base da "inteligência que impulsiona julgamentos do mundo real", como recomendações, publicidade, busca e alocação de políticas.
E, finalmente, apenas uma coisa.
O uso introduzido neste artigo—"não deixar a IA escrever as respostas, mas deixá-la organizar os materiais para você julgar"—voltará ao uso original amanhã se você apenas ler e concordar. Só se torna significativo quando você realmente o executa no seu próprio trabalho.
Portanto, preparei um kit prático gratuito para que você possa aplicar essa forma de pensar diretamente nas suas operações.
Você pode receber o seguinte:
Não precisa participar de consultas ou seminários gratuitos. Você pode recebê-lo diretamente após adicionar o LINE.
Obtenha aqui:
Agora, vamos lá.
1. O Núcleo do Uso de IA ao Estilo Narita é "Julgar o Julgamento da IA" em vez de "Perguntar à IA"
Muitas pessoas usam a IA como uma versão superior de um mecanismo de busca ou como uma terceirização para escrever. Claro, isso por si só é eficaz, mas a forma de encarar a IA ao estilo Narita vai além disso. Em seu pensamento, a IA não apenas responde perguntas; ela realiza "tomadas de decisão" em si, como quais produtos recomendar, quais anúncios mostrar e quais cupons distribuir. E o importante não é deixar esse julgamento sem verificação, mas projetá-lo para que possa ser sempre pontuado posteriormente.
Fato demonstrado por Narita: a IA não é uma "caixa de respostas", mas um "sujeito que faz julgamentos"
Em um artigo coautorado por Narita, afirma-se que "os algoritmos estão passando a realizar muitas das tomadas de decisão em políticas e negócios". A primeira técnica de utilização vista daqui é tratar a IA não como uma "caixa que retorna respostas", mas como um "sujeito que faz julgamentos", e primeiro criar um sistema para medir a qualidade desse julgamento. Se você usa apenas a IA para encurtar e-mails, a vantagem competitiva é pequena. No entanto, se você criar uma estrutura onde confia a tomada de decisão à IA, verifica a qualidade desse julgamento com dados e melhora enquanto evita deterioração, a IA se torna não apenas uma ferramenta de eficiência, mas um motor de julgamento para o negócio.
Aplicação a indivíduos e empresas
Se você substituir essa forma de pensar por indivíduos ou empresas, fica assim. Antes de deixar a IA fazer algo, decida "que julgamento é este para melhorar?" e "como mediremos depois se esse julgamento foi bom?" Para vendas, não crie apenas propostas; defina o julgamento de qual proposta dar a qual cliente e a verificação dessa taxa de fechamento como um conjunto. Para e-commerce, não descreva apenas produtos; pontue o julgamento de qual produto mostrar para quem, incluindo não apenas a taxa de compra, mas também a eficiência de estoque. O estilo Narita é a ideia de projetar o "sistema de julgamento" em vez da "resposta" da IA.
2. Decidir o Uso da IA com "Avaliação Primeiro"
A parte mais consistente do pensamento de Narita é a ideia de avaliação primeiro. Em seus artigos coautorados, ele aponta que, embora os testes A/B sejam confiáveis, eles consomem tempo e dinheiro e envolvem o risco de falha. Portanto, ele argumenta repetidamente que, em vez de tentar de repente em produção, você deve primeiro estimar "o que teria acontecido se tivesse feito diferente" a partir de dados de log passados.
O que é avaliação primeiro?
Avaliação primeiro no uso de IA não é "introduzir IA porque está na moda". Primeiro, você decide "como medir se o julgamento desta IA foi bom" de antemão.
Por exemplo, considere o trabalho de transformar o suporte ao cliente com IA. Superficialmente, é um "trabalho de gerar respostas automaticamente", mas quando decomposto com avaliação primeiro, o design vem primeiro: o que é considerado uma boa resposta (taxa de resolução, satisfação ou tempo de resposta?), quais dados serão usados para medi-la e como você perceberá quando ela se deteriorar?
Aplicação a indivíduos e empresas
O uso de IA ao estilo Narita é afiado nessa separação. Em vez de jogar tudo na IA, você primeiro define "o que é um bom julgamento", prepara uma régua para medi-lo e então move a IA pela primeira vez. Antes de pensar no que deixar a IA fazer, você questiona o que quer melhorar em primeiro lugar. Isso é introdução de IA com avaliação primeiro.
3. "Pontuar com Dados Passados Antes de Ir para Produção" = A Ideia de Avaliação Contrafactual
No centro da pesquisa de Narita está uma tecnologia chamada Avaliação Fora da Política (Off-Policy Evaluation - OPE). É uma palavra difícil, mas o conteúdo é simples: "pontuar medidas que ainda não foram feitas a partir de dados de log passados de antemão".
Por que "ir para produção de repente" é perigoso?
Essa forma de pensar pode ser usada diretamente para o uso de IA. Muitas organizações falham porque executam de repente novos métodos que pensaram em produção. Tudo bem se funcionar, mas se errar, piora a resposta ao cliente e perde tempo e custo.
Aplicação a indivíduos e empresas
Se você pensar no estilo Narita, a ordem de introdução da IA é esta. Primeiro, se você pensar em um novo prompt ou política, não coloque tudo em produção de repente. Em seguida, use logs de casos passados semelhantes para estimar "o que teria acontecido se fosse aquele novo método". Então, apenas aqueles que foram confirmados como não deteriorando claramente são colocados em produção aos poucos.
A IA é poderosa, mas se você a colocar em produção sem verificação, a falha chega ao usuário em sua totalidade. Por outro lado, se você emitir após pontuar com dados passados primeiro, pode reduzir bastante a taxa de acidentes. Em outras palavras, o que é importante como pré-estágio do uso de IA não é tentar vigorosamente, mas ler com segurança adiante com dados históricos.
4. "Questionar a Própria Régua" = Não Acreditar em uma Única Métrica
Indispensável na forma de encarar a IA ao estilo Narita é o ceticismo em relação ao próprio método de avaliação. Em seus artigos coautorados, há um que diz que "qual método de avaliação é melhor muda dependendo da tarefa, e não há um único vencedor". Portanto, você deve preparar múltiplas réguas e escolher a que melhor se encaixa para cada situação.
Por que uma única métrica é perigosa?
Isso mostra um pilar importante do uso de IA ao estilo Narita. Isto é, não julgar os resultados da IA por "um único número". Nos negócios, é fácil pular para uma única métrica como a taxa de cliques aumentou ou a reação foi boa. Mas esse número está realmente medindo o que você quer melhorar?
Aplicação a indivíduos e empresas
Se um indivíduo imitar isso, ao avaliar os resultados da IA, olhe sempre de múltiplos ângulos. Por exemplo, se você medir um chatbot apenas pela "taxa de resolução", mesmo que a taxa de resolução suba, se o usuário sentir que é "frio" e sair, na verdade é uma falha. Então, olhe para a taxa de resolução, satisfação, taxa de abandono e tempo de resposta separadamente.
O uso de IA ao estilo Narita questiona se a régua está correta antes de comparar modelos. A IA vai otimizar em direção à régua que você definir. Portanto, se a régua estiver errada, quanto mais inteligente ela ficar, mais correrá na direção errada. Consolidar isso primeiro é o estilo Narita.
5. Não Adiar "Restrições Incômodas do Mundo Real"
Comum nas pesquisas recentes de Narita é incorporar os problemas do mundo real no sistema de avaliação desde o início, não como uma reflexão tardia. O problema de novos produtos e artigos continuarem aumentando, o problema de limites superiores em estoque e orçamentos de cupons, e o problema de comportamento ser diferente para cada usuário. Ele leva essas restrições em conta desde o início.
Por que a IA feita com idealismo quebra em produção
O importante aqui é que o uso de IA não termina com "condições ideais". As operações do mundo real sempre têm orçamentos, horas de trabalho, condições proibidas e diversidade de usuários. Mesmo que você crie um prompt que funcione bem em um estado ideal, ele quebra quando atinge restrições do mundo real.
Por exemplo, o limite superior de estoque. Se você apenas ordenar que a IA "continue colocando produtos que parecem ter boa reação", os produtos populares secarão em um instante, e você não conseguirá colocar nada para clientes que chegarem depois. A pesquisa de Narita leva tais restrições de oferta em conta desde o início e avalia olhando para "alocação para usuários futuros" em vez de apenas "a reação neste momento".
Aplicação a indivíduos e empresas
Essa ideia também pode ser aplicada ao trabalho geral. Ao pensar em medidas de IA, em vez de construir primeiro com idealismo e ajustar depois, incorpore "orçamento utilizável", "horas de trabalho que podem ser gastas", "coisas que nunca devem ser feitas" e "a faixa de usuários-alvo" como premissas desde o início. O uso de IA ao estilo Narita não adia restrições do mundo real. Quanto mais bonita uma IA é feita, mais ela falhará em produção se as restrições forem ignoradas.
6. Tratar a IA Não como uma "Máquina de Respostas", mas como uma "Máquina de Evitar Deterioração"
O que representa bem a pesquisa de Narita é a ideia de tratar "não piorar" em si como um resultado. Em sua pesquisa, há coisas que impõem uma restrição de que não caia abaixo da política atualmente em movimento com alta probabilidade, e coisas que afrouxam o freio de segurança aos poucos dentro de um pequeno número de introduções.
A ideia de contar "evitar deterioração" como resultado
Aqui há um grande salto no uso de IA ao estilo Narita. Muitos usos de IA olham apenas para "quanto melhorou". Mas Narita trata "quanto de deterioração pôde ser evitada" como um resultado igualmente importante.
Aplicação a indivíduos e empresas
Isso também é sugestivo no uso de IA pelas empresas. Ao tentar melhorar a qualidade das respostas, em vez de mudar tudo de repente para um novo método, primeiro garanta que não caia abaixo do método atual, e então tente aos poucos. Especificamente, tente a nova política com apenas 1-5% do total, e decida uma linha de parada como "pare se deteriorar claramente" de antemão.
O que faz diferença no uso de IA não é apenas o brilho do ataque. É o quanto você pode expandir o alcance da exploração enquanto suprime a probabilidade de deterioração. Nas palavras de Narita, apenas projetando a melhoria da qualidade da IA e a supressão de fuga, respostas incorretas e viés na mesma mesa ao mesmo tempo, a IA pode crescer com segurança.
7. Incorporar "Ética" nos Cálculos, Não como uma Nota
Uma característica da visão de IA de Narita é a forma como a ética é tratada. Enquanto a ética tende a ser uma "nota adicionada no final" em muitos campos, na pesquisa de Narita, a ética é incorporada ao problema de otimização.
Incorporar ética na otimização
Por exemplo, em pesquisa sobre design de experimentos médicos, ele aponta que métodos convencionais têm problemas éticos, como atribuir tratamentos sabidamente menos eficazes ou tratamentos que os participantes não gostam. Portanto, ele incorpora as preferências dos participantes e os efeitos previstos no cálculo de alocação desde o início para tentar aumentar a satisfação dos participantes.
Aplicação a indivíduos e empresas
Se você puxar isso de volta para o uso de IA, torna-se uma história essencial. Não é "OK se a precisão for alta", mas "colocar os sentimentos das pessoas que usam e o custo do dano na avaliação desde o início".
Por exemplo, ao colocar novas recomendações com IA. Se você não colocar novos candidatos, o sistema estagna, mas se colocar muitos, você erra e tem um acidente. A pesquisa de Narita tenta satisfazer tanto essa "novidade (exposição justa)" quanto "segurança" ao mesmo tempo. Se você apenas perseguir eficiência, o ônus vai para alguém em algum lugar. O estilo Narita incorpora o custo desse ônus no cálculo desde o início. Trata a ética não como um freio, mas como parte do design.
8. Avaliar o Próprio Avaliador = Meta-Otimização de Um Passo
O que é interessante na pesquisa de Narita é que, antes de comparar modelos de IA, ele coloca um estágio para verificar "se o próprio método de comparação (avaliador) está correto". Em sua pesquisa, há um método para escolher automaticamente qual método de avaliação é bom de acordo com a tarefa.
Verificar a "régua" antes do modelo
O que se pode ver disso é que a visão de Narita sobre otimização de desempenho está um passo acima do ajuste de modelo. Muitas pessoas competem por "qual modelo é superior", mas Narita confirma "se a própria régua para pontuar o modelo está corretamente adequada" antes disso.
Aplicação a indivíduos e empresas
Se uma empresa geral imitar isso, antes de comparar ferramentas de IA, questiona os critérios de comparação. Por exemplo, ao tentar comparar duas IAs pela "velocidade de resposta", primeiro pergunta se a velocidade é a coisa mais importante neste negócio em primeiro lugar. Se você comparar com os critérios deslocados, mesmo que adote o que venceu, na verdade vai deteriorar.
O uso de IA parece uma batalha de "qual modelo escolher", mas na verdade é uma batalha de "quais critérios escolher". Se você aprender com o estilo Narita, deve medir a validade da régua antes de medir o desempenho do modelo.
9. Saber que Métodos Convencionais Quebram em "Grandes Escolhas"
Na pesquisa de Narita, há um reconhecimento de que métodos de avaliação convencionais quebram em situações onde há muitas escolhas (ações). Ele argumenta que em situações lidando com grandes escolhas como recomendações e buscas com muitos candidatos, e modelos de linguagem, a avaliação usando características e embeddings é necessária em vez de simples comparação de taxa de vitória.
Por que a avaliação quebra com um grande número de escolhas
Isso atinge diretamente o uso de LLM hoje. A IA generativa tem um enorme número de candidatos para saída e escolhas para ferramentas que podem ser usadas. Em tal situação, se você simplesmente comparar "qual foi melhor, A ou B", a própria comparação se torna instável.
Aplicação a indivíduos e empresas
Se um indivíduo aplicar isso, quanto mais trabalho houver com muitas escolhas de IA, mais evita comparações grosseiras de duas opções. Por exemplo, não decida imediatamente "qual dos 10 candidatos a prompt é melhor" com uma pequena amostra. Quando há muitos candidatos, não apresse o julgamento e olhe cuidadosamente sob múltiplas condições.
O uso de IA ao estilo Narita assume que a avaliação se torna mais difícil à medida que o número de escolhas aumenta. Portanto, em situações com muitos candidatos, eles se apegam à avaliação projetada em vez de comparação simples.
10. Entender a Importância de "Reduzir o Atrito de Entrada"
Na raiz da pesquisa de Narita está a ideia de continuar deixando dados corretamente para executar continuamente o sistema de julgamento. Na infraestrutura de dados em que ele está envolvido, informações como qual escolha foi colocada com qual probabilidade são registradas para que "por que aquele resultado ocorreu" possa ser pontuado de forma justa posteriormente.
Continuar deixando um "estado verificável"
O uso de IA aqui não é apenas eficiência. É "continuar criando um estado que pode ser verificado depois sem achar incômodo". Se a verificação for incômoda, as pessoas param de fazê-la. É por isso que um design que baixa a barreira para registro e avaliação é necessário.
Aplicação a indivíduos e empresas
Se você aplicar essa ideia no uso diário de IA, o importante é "reduzir o atrito da verificação". Pontuar manualmente os resultados da IA toda vez não vai durar. Portanto, modele os prompts que você usa com frequência, decida as métricas para medir os resultados com antecedência e faça com que os resultados sejam deixados automaticamente. Quanto mais você encurtar a distância para a verificação, mais o ciclo de melhoria da IA continuará girando.
A forma de encarar a IA ao estilo Narita é, em última análise, direcionada para "humanos definirem bom julgamento, IA executá-lo, os resultados serem sempre registrados e serem melhorados novamente".
11. Usar com um Senso de Crise
Na visão de IA de Narita, há um senso de tensão sobre confiar o julgamento a algoritmos ao mesmo tempo que presta atenção às possibilidades. Em um diálogo, ele diz algo como "dinheiro" é apenas uma representação unidimensional grosseira do que as pessoas fizeram no passado, e se houver dados mais detalhados, pode ser substituído por isso. Ele vê a IA e os dados como uma fundação que pode substituir os próprios critérios de julgamento da sociedade.
A responsabilidade se torna mais ambígua quanto mais você confia o julgamento
Este ponto também é importante como uma técnica de uso de IA. É perigoso apenas usar IA porque é conveniente. Quanto mais você confia o julgamento à IA, mais ambíguo se torna de quem é a responsabilidade por aquele julgamento e por quais critérios foi feito. Vazamento de informação, desinformação, viés, localização da responsabilidade e dependência excessiva. Se você confiar a tomada de decisão à IA enquanto ignora isso, perde confiança de longo prazo em troca de eficiência de curto prazo.
Aplicação a indivíduos e empresas
Se você aprender com o estilo Narita, não pare por medo da IA, mas projete com os riscos como premissa. Crie regras para não colocar informações confidenciais. Deixe a confirmação humana para julgamentos importantes. Deixe logs de julgamento da IA. Decida o escopo da responsabilidade quando ocorrer um julgamento incorreto. O uso de IA é projetar não apenas o acelerador, mas também o freio.
12. Repetir "Tentar com Introdução Limitada"
O que é consistente na pesquisa de Narita é a ideia de começar com um pequeno número de introduções limitadas em vez de uma troca em grande escala. Em sua pesquisa, o fluxo de não aplicar uma nova política ao todo de repente, mas primeiro tentar em uma parte, olhar os resultados, reaprender e expandir aos poucos aparece repetidamente.
"Tentar pequeno" funciona melhor em uma era onde a prototipagem é rápida
Na era da IA, essa atitude de "tentar pequeno" se torna ainda mais importante. Isso porque o custo da prototipagem cai drasticamente devido à IA, mas a tentação de executar sem verificação também se torna mais forte. Documentos de planejamento, código, cópia de publicidade, relatórios de análise. Coisas que costumavam levar vários dias agora se tornam um primeiro rascunho em alguns minutos. É por isso que é eficaz não ficar grato pelo primeiro rascunho e tentar pequeno e verificar.
Aplicação a indivíduos e empresas
Nas técnicas de uso de IA ao estilo Narita, a IA não é uma "mágica que produz um produto acabado em um único disparo". Em vez disso, é um dispositivo para aumentar o número de vezes que você tenta pequeno e verifica. Tente com 1-5%. Olhe os resultados. Confirme a deterioração. Volte. Melhore. Tente novamente. Pessoas que conseguem acelerar com segurança esse ciclo receberão os benefícios da IA. Pessoas que usam IA mas não obtêm resultados estão apostando demais em uma única introdução em grande escala.
13. Método Prático para Indivíduos Imitarem o Uso de IA ao Estilo Narita
Você não precisa ter uma base de pesquisa universitária ou dados em grande escala como Narita. Se for apenas a ideia, até um indivíduo pode imitar a partir de hoje.
5 passos que você pode fazer a partir de hoje
Primeiro, antes de deixar a IA fazer algo, escreva em uma frase "o que quero melhorar?" Todo mundo se perde porque pula isso. Em seguida, decida com antecedência "por qual número medirei essa qualidade?" Terceiro, mesmo que você pense em um novo prompt, não o use para tudo de repente; primeiro teste em casos passados semelhantes ou em uma parte. Quarto, não julgue os resultados por um único número; olhe de múltiplos ângulos. Quinto, prepare um sistema com antecedência onde você possa perceber e parar quando deteriorar.
Se você continuar esse fluxo, a IA vai mudar de uma mera ferramenta de conveniência para sua própria base de julgamento que continua melhorando sem quebrar.
14. Se uma Empresa Imitar, Crie um "Sistema de Julgamento" em vez de "Precisão de Resposta"
O maior ponto que as empresas devem aprender com o estilo Narita é não focar apenas em aumentar a precisão das respostas da IA. O que a pesquisa de Narita tem refinado o tempo todo foi o sistema para "fazer um julgamento, pontuá-lo e melhorá-lo com segurança" em vez da correção de respostas individuais.
"Sistema de julgamento" em vez de inteligência do modelo
Em muitas empresas, a introdução de IA para na comparação de "qual modelo é inteligente". Mas se você pensar no estilo Narita, o importante não é a inteligência do modelo, mas se há um design para avaliar esse julgamento, prevenir deterioração, seguir restrições do mundo real e incorporar ética. Se você introduzir IA enquanto o propósito e o KPI são ambíguos, terminará como um evento interno usando a tecnologia mais recente.
Cultura que as empresas devem ter
Se uma empresa está falando sério sobre usar IA, primeiro precisa definir "o que é considerado um bom julgamento" como gestão, organizar dados para medi-lo, criar um sistema para detectar deterioração e ter uma cultura de expandir a partir de introdução limitada. IA não é um tema apenas para o departamento de sistemas de informação. O "sistema de julgamento" é questionado em vendas, desenvolvimento, manufatura, jurídico, RH, finanças e resposta ao cliente. Em outras palavras, o uso de IA é o design da própria tomada de decisão.
15. Armadilhas do Uso de IA ao Estilo Narita, e o Que Deve Ser Dito Honestamente
Claro, não há necessidade de elogiar o estilo Narita como ele é. Embora a atitude de avaliação, verificação e segurança minuciosas reduza acidentes, também há situações em que diminui a velocidade. Se você está cautelosamente pontuando tudo, há momentos em que não conseguirá se mover em situações onde deveria tentar rapidamente. O importante no uso de IA não é copiar superficialmente o estilo Narita, mas incorporar os princípios de acordo com seu próprio ambiente.
Para ser honesto: esta parte é "não confirmada"
E há mais uma coisa que quero escrever honestamente. O "método ao estilo Narita" introduzido neste artigo não é algo que o próprio Narita disse "é assim que uso IA". É um "modo" reconstruído com alta probabilidade ao ler cuidadosamente seus materiais públicos (site, currículo, artigos). Rotinas pessoais, como qual LLM Narita usa em sua vida diária e que prompts ele digita, não podem ser confirmadas em informações públicas. Então, não vou preencher isso com imaginação e vou deixar honestamente como "não confirmado".
Princípios que ainda podem ser incorporados
Além disso, os princípios a incorporar são: pensar com avaliação primeiro, pontuar com dados passados antes da produção, questionar a própria régua, incorporar restrições do mundo real desde o início, tratar evitar deterioração em si como um resultado e incorporar ética nos cálculos. E não fingir não ver os riscos.
Conclusão: A Técnica de Uso de IA de Yusuke Narita é "Cultivar um Bom Sistema de Julgamento Sem Quebrá-lo"
Se você expressar a abordagem de Yusuke Narita em relação à IA em uma palavra, é tratar a IA não como uma "máquina de respostas", mas como um "dispositivo de julgamento", e criar um sistema para pontuar esse julgamento e melhorá-lo sem quebrá-lo. Em vez de buscar os prompts mais fortes ou ferramentas divinas, projete a base do que a IA decide, como medir se foi bom e como evitar a deterioração.
Resumo dos princípios de Narita
Os princípios para isso são claros. Com a avaliação em primeiro lugar, defina primeiro o que você quer melhorar. Pontue com dados passados antes de ir para produção. Não confie em um único número e questione a própria métrica. Não adie as restrições do mundo real e incorpore-as desde o início. Considere evitar a deterioração como um resultado em si. Incorpore a ética nos cálculos, e não como uma nota de rodapé. E comece pequeno, com uma introdução limitada, e expanda com segurança.
O que realmente faz a diferença na era da IA não é apenas "qual IA você está usando". É o quanto você consegue avaliar e continuar melhorando o julgamento da IA sem quebrá-la. A força de Narita está no fato de que ele não perseguiu as respostas das tendências de IA. Em vez disso, ele consistentemente se dedicou a fazer o sistema de julgamento da IA crescer sem deixá-lo quebrar.
Portanto, o que devemos aprender não é "fazer a mesma pesquisa que o Narita". É escolher um julgamento para confiar à IA no seu próprio trabalho, decidir os critérios para querer melhorá-lo e aprimorá-lo aos poucos, enquanto previne a deterioração. Em vez de se contentar em apenas deixar a IA escrever textos, meça a qualidade do julgamento da IA e a faça crescer sem quebrá-la. As tendências de prompt mudam em seis meses, mas essa forma de pensar com avaliação em primeiro lugar continuará funcionando, não importa o quanto a IA evolua.
Essa é a coisa mais prática que pode ser aprendida com as técnicas de utilização de IA de Yusuke Narita.
