Yapay zeka modelleri, bir kayıp fonksiyonu yazabildiğiniz her şeyde daha iyi hale gelir ve okul çoğunlukla kayıp fonksiyonlarından oluşur: bilinen cevaplara göre derecelendirilen iyi tanımlanmış problemler. Bu nedenle, önümüzdeki on yılın değerli işi, model eğitimi süresince derecelendirilemeyen her şeydir.
6 yıllık çalışma hayatım boyunca, kendi startup'ımdan Helm AI (15→50 çalışan), Scale AI (500→1500 çalışan), OpenAI (1500→3000 çalışan) ve Google'a (100.000+ çalışan) kadar her ölçekten şirketteki harika insanlarla işbirliği yapma şansına sahip oldum. Bir kurucu olarak, şirketimizin bugünü ve geleceği için doğru kişileri işe almayı çok düşünüyorum. Tamamen ajan-native olduğumuz için ihtiyaçlarımız, daha önce çalıştığım hiçbir şirketinkinden çok farklı.
Motivasyonlu, hırslı ve kariyerinin başındaki bireyler için, önümüzdeki on yılda hangi becerilerin değerli olduğuna dair artık daha net bir bakış açım var. Çok fazla kariyer tavsiyesi verdim ve aldım ve birçok ünlü özdeyiş hala geçerli olsa da (bir şeyler roket gemisi, hangi koltukta olduğunu sorma), ajanik kodlamanın yükselişiyle birlikte çok şey değişti. İşte hala geçerli olanlar ve yeni olanlar.
1. Gerçekten sınırlı olan kaynaklara odaklanın
Scale'e katılmadan önce, çok daha yüksek garantili nakit ödemeli quant tekliflerim vardı, ancak Scale'in topluluğu ve tüm çeşitli ürün ve uygulamalarına maruz kalma fırsatı beni heyecanlandırdığı için Scale'e katılmaya karar verdim. Scale sayesinde, LLM çıkarım sağlayıcılarına maruz kaldım ve bu da DeepMind ve OpenAI fırsatlarıma yol açtı. Ayrıca, şimdi Scale'den bir kurucu topluluğu oluşturan birçok hırslı meslektaşımla tanıştım. Bugün, Scale'den elde ettiğim benzersiz ağ ve öğrenme fırsatları, quant'tan alacağım ekstra nakitten hayatıma çok daha fazla katkıda bulundu.
Sermayeye erişim şimdi her zamankinden çok daha kolay. Gerçek zamana ve diğer insanlarla güçlü ilişkilere erişim hala nadir. Geçmişteki ilgili çabalarda kanıtlanmış mükemmellik hala en yüksek sinyale sahiptir, bu nedenle somut tavsiyem, iyi işler yaparak zaman geçirmeniz ve bunun, kendileri de iyi işler yapan diğer saygın kişiler tarafından bilinmesini sağlamanızdır. Zamanınızı amansızca önceliklendirin, böylece üzerinde çalıştığınız her şeyde (ister okul, ister projeler, ister stajlar olsun) anlamlı bulduğunuz sorunlara odaklanın. Vibe-coding ile hızlı para kazandıran fırsatlar bulmak kolaydır, ancak gerçek değeri aradığınızda ödül genellikle çok daha büyüktür.
Zaman, ilişkiler ve itibar: bunlar, dikkatinizi odaklamanız gereken gerçekten sınırlı kaynaklardır.
2. Sorunları çözmenin yanı sıra bulmayı da öğrenin
Bir aday denizinde sinyali bulmak için, ajan-native bir şirkette çalışan mühendisler için bugün hangi becerilerin önemli olduğunu derinlemesine düşündük. Kimse manuel olarak tek satır kod yazmadığından, geleneksel Leetcode tarzı sorular ve hatta sistem tasarımı soruları, gerçek iş performansıyla ilişkisiz görünüyor. Sonunda, bir kişinin yerleştirildiği ortamı ne kadar hızlı anlayabildiğini, çözmeye değer sorunları belirleyebildiğini ve ardından mevcut ortamın kısıtlamaları altında bu sorunları çözmek için harekete geçebildiğini ölçen bir dizi mülakat geliştirdik.
En önemli beceriler, sorun seçimi ve kaynak tahsisi ile ilgili olanlar olacaktır. Her zamankinden daha güçlü olan ajanlar, karmaşık, iyi tanımlanmış sorunları üstlenebilir, bu nedenle en etkili kişiler, önemli sorunları belirleme ve ardından bunları çözmek için token ve zaman ayırma konusunda en iyi olanlar olacaktır.
Öğrencilerin, ajanların tüm problem setlerini çözebilmesi nedeniyle cesaretlerinin kırıldığını gören bir eğilim görüyorum. Ancak mülakat yapma deneyimime göre, adaylar çözüme ulaşmak için ihtiyaç duydukları zaman ve token miktarı açısından hala büyük farklılıklar gösteriyor. Harika adaylar genellikle ajanlarla işbirliklerine üst düzey sezgi ve dış bağlam getiriyor.
Somut olarak, yüksek puan verdiğimiz adaylar, kendi tutku projelerinden veya anlamlı sorunların insanlardan daha fazla olduğu yüksek büyüme şirketlerinde olarak, kendilerini sorun çözme ortamlarına kaptırmışlardır.
3. Bir sorunun en iddialı biçimi üzerinde çalışın
Son on yıldır, araştırmadaki en kullanışlı zihinsel çerçevelerden biri "acı ders" olmuştur: genel yöntemleri ölçeklendirmek, sonuçta göreve özel optimizasyonlardan daha iyi performans gösterir. Bu ders, sorunları ve şirketleri seçmek için de geçerlidir.
Şirketler ve kariyerler her zaman güç yasası sonuçlarına sahip olmuştur, ancak yapay zeka bu sonuçlara doğru ilerleme hızını artırmıştır. Yazılım oluşturmak artık çok daha erişilebilir olduğundan, herkes nispeten kolaylıkla basit sistemler kurabilir. Gerçek, kalıcı değer, yalnızca gerçekten iddialı sorunlara aşırı odaklanma ile inşa edilir.
Bir şirket seçmek için buradaki tavsiye basittir: şirketin sorununun en iddialı biçimi üzerinde çalışıp çalışmadığını ve ardından bunu çözmek için gerçekten bir şanslarının olup olmadığını değerlendirin. Bir rol seçmek için, rolün şirketin çözdüğü sorunun sınırında doğrudan çalışmanıza izin verip vermeyeceğini düşünün.
4. Son mili sürat koşusu yapın
Startup'lar için Alfred Lin'in, son %10'un hem işin %90'ı hem de ödülün %90'ı olduğu hakkında harika bir makalesi var. Yapay zeka, sonuçları kutuplaştırdı çünkü medyan sonuç, bir ajanın özensiz bir komutla üretebileceği şeydir. Bu nedenle değer, bir dizi soruna veya ayrıntılara dikkat konusunda benzersiz bir bakış açısı sağlamaktan gelir.
Son milde iyi bir şekilde yürütmeyi öğrenmek hem pratik hem de odaklanma gerektirir. İlk denemede hiçbir şey mükemmel değildir, bu nedenle son mil genellikle yineleme ile ilgilidir. Kodlama ajanlarıyla ilerleme çok hızlı olduğu için, önceki yinelemelerden dersler almak ve bir sonraki zeka nesliyle sıfırdan başlamak genellikle daha iyidir. Bunu kendi projelerinizle uygulayın. Cilalama, temiz mimari, ölçeklenebilirlik veya yaratıcılık için biraz daha fazla zaman harcama inisiyatifini alın. Bunu yapan adaylar üzerinde kesinlikle etkisini gördüm.
5. Hem xG'yi hem de verimliliği artırın
Futbolda xG (beklenen gol), bir takımın bir maçta fırsatlarına göre atması beklenen gol sayısını ölçen bir metriktir; mesafe, açılar, kaleci pozisyonu vb. hesaba katar. Verimlilik, bu fırsatlardaki nispi dönüşüm oranlarıdır.
xG ve verimlilik benzetmesi, kendi kariyerim için oldukça doğruydu. 2023'te, sınır modeli çıkarımı ve eğitimi üzerinde DeepMind'da çalışmak istediğim için Anthropic'ten (o zamanlar ~50 çalışan) ve Cursor'dan (o zamanlar 2 kurucu olmayan tam zamanlı çalışan) teklifleri geri çevirdim. 2024'te, OpenAI'de çalışmak için ikisini de tekrar geri çevirdim. Bu alternatif fırsatların her biri, kariyer perspektifinden yüksek xG olurdu, ancak sonunda ilgi alanlarıma, kültürel uyumuma ve hedeflerime daha uygun şirketleri seçtim (kelime oyunu amaçlanmıştır).
Kariyerler uzundur ve fırsatlar gelip geçer. ASI'nin bilgi çalışanı işlerinde tüm insanların yerini alacağına inanmıyorum çünkü insanlar, ASI'nin çözmesi için anlamlı sorunları seçme ve bu sorunları çözmek için sermaye tahsis etme konusunda farklı yeteneklere sahiptir.
Her fırsat bir gole dönüşmeyecektir, ancak fırsatları görmek için doğru pozisyonda olmak, gol atmaya giden ilk adımdır. Bu yine itibar ve uzmanlığa dayanır. Cursor fırsatı, Michael ve Aman ile olan ortak tanıdıklarım arasında iyi bir itibara sahip olduğum için geldi ve Anthropic fırsatı, oradaki ekibin ilgisini çeken sorunlara hem profesyonel hem de kişisel zaman ayırdığım için geldi.
Bir noktada, hayat sadece fırsatları görmekle değil, gol atmakla ilgilidir, bu nedenle kalenin önündeki verimlilik de önemlidir. Kararlarıma geriye dönüp baktığımda, birçok doğru kararı verdiğimi düşünüyorum, ancak kararlarıma bilgi sağlamak için daha fazla zaman harcamayı tercih ederdim.
Özünde, erken aşama şirketleri seçmek öncelikle ekip ve pazar ile ilgilidir. Bugün birçok aday mevcut ürüne odaklanıyor, ancak ekip iyiyse bu neredeyse her zaman çok farklı bir şeye dönüşür. Anthropic'in ilk demosu, benim için ChatGPT'den daha kötü olan bir Slackbot'du.
6. Artık araştırmaya girebilirsiniz
Son zamanlarda, insanlardan araştırmaya nasıl girileceği hakkında çok sayıda soru alıyorum. Eski meslektaşım Vlad, Gemini ekibinde liderdir ve bu konudaki bakış açıları hakkında mükemmel bir yazıya sahiptir.
Modern araştırma, daha fazla hesaplama gücüyle yapmak daha kolaydır, ancak başlamak için harika bir yer, modelleri kullanmak ve kendi sezgilerinizi değerlendirmelere damıtmaktır. Eski meslektaşım @kellerjordan0 tarafından duyurulan halka açık optimizasyon liderlik tabloları, fikirleri daha yapılandırılmış bir ortamda keşfetmek için harika forumlar sağlar.
Modal gibi birçok hesaplama sağlayıcısı, akademisyenler için krediler sağlar. Bunları kullanın ve şimdi fikirlerinizi keşfedin. Çoğu fikir sonunda ölçekte başarısız olacaktır ve bu başarısızlıkları anlamak, gerçekte neyin işe yaradığına dair bir anlayış oluşturmanın ilk adımıdır.
Sonuç olarak, araştırmacı olmanın bir zihniyet olduğuna inanıyorum, bir meslek değil. Sınır laboratuvarlarındaki bir araştırmacının çoğu işi, yeni fikirleri keşfedecek kadar meraklı olmak, fikirleri uygulamak için altyapıya karşı savaşmak, sorunları verimli bir şekilde ayıklamak için tüm sistemi aşırı ayrıntılı olarak anlamak ve daha fazla hesaplama gücü güvence altına almak için sonuçların değerini ifade etmekten oluşan bir karışımdır. Bunların hepsini bir sınır laboratuvarında olmadan da yapabilirsiniz.
Kapanış düşünceleri
Dünya hala fırsatlarla dolu. Bunların kilidini açmanın anahtarı, ilginç sorunları bulmaya ve olağanüstü sonuçlar sunmaya odaklanmaktır. Bu size hitap ediyorsa, bizimle iletişime geçin ve sizinle çalışmayı çok isteriz.
