【視頻】就業前景未見樂觀 年輕畢業生求職面對甚麼困難？

ANChan59

barque 發表於 26-4-20 20:34
最慘冇人問過你願唔願意，逼你用

人都落咗鑊，唔逼你用點得呢？

有時我都唔明點解咁多人吹到Al上天，你及twhkleung 係高端用家，在一定程度係有用，但係大部份Al係整色整水，marketing gimmicks。

poonseelai

ANChan59 發表於 26-4-20 20:50
我都話咗企業吹用Al，主要係cut staff cost ，生產力有冇提升我唔知，但肯定顧客滿意度就差咗。

之前某銀 ...

我都鬧過好多次, 我哋都係先上網查完找唔到相關資料才打hotline, 上次個chatbox無叫我留電話, 我估公司安排一把人聲比你聽下, 叫你留電話, 希望你嬲少DD

其實我只想要一張form, 保險公司無放上網頁, 我才迫住打電話

ANChan59

poonseelai 發表於 26-4-20 21:04
我都鬧過好多次, 我哋都係先上網查完找唔到相關資料才打hotline, 上次個chatbox無叫我留電話, 我估公司安 ...

接我電話果位係真人，因為有對答，所以真係幫我解決咗個問題。

Al係抄襲工具，網上冇，就係冇，唔好吹到未卜先知！

C S都有問題，offshore banking外判咗出去「偽英語系」國家，聽到我耳都側埋，都係office hours 搵番關係經理。

barque

我唔太熟新畢業生的就業市場，只是聽到身邊個別朋友孩子難搵工，所以繼續讀碩士。

twhkleung

ANChan59 發表於 26-4-20 20:54
人都落咗鑊，唔逼你用點得呢？

有時我都唔明點解咁多人吹到Al上天，你及twhkleung 係高端用家， ...

分享這兩天的不愉快經歷.

用咗ai之後, 的確係幫到好多手, 但係, 亦都因為咁, 期望過高, 人亦懶咗, 而家, 明明自己可以做個table, 幾個charts, 都交咗畀ai, 結果奶咗嘢, 搞咗兩日都未搞掂, 但係就用咗40蚊美金.


如果早啲係咁, 自己搞, 可能, 晨早搞掂都唔定, 仲慳返40蚊尾仔.


要清楚ai能力範圍, 不必要神化他, 面對現實, 邊啲佢做到, 邊啲佢做唔到, 適當運用...

對我嚟講, 係一個教訓.

ANChan59

twhkleung 發表於 26-4-20 22:45
分享這兩天的不愉快經歷.

用咗ai之後, 的確係幫到好多手, 但係, 亦都因為咁, 期望過高, 人亦懶咗, 而家,  ...

40美元係小事，稍不留心出咗街就麻煩。你這個較簡單，你跟下眼會睇得出問題所在。如果係程式，研究論文，所謂「創作」係咪咁易睇到問題所在？！

**********

三個星期前跟客戶在國內開會，一個年輕高管用Al軟件transcribed 會議記錄，做summary, action items and outcomes.

Presentation 就靚，如果你唔參加會議及討論，單看會議記錄，真係信以為真，下面同事跟住去做，咁就PK啦。我這些old school，用低科技電子白板，save 咗啲brainstorming notes，嘔番啲真正重點出嚟。位高管冇出聲，照單全收我嘅修正，對他也是個教訓，盲目迷信Al會出事。

因為咁樣，事前他訪問幾個美國醫學界嘅KOL，我唔會相信個訪問summary，我會睇返個transcripts。不然的話，user requirements 又係偽造，俾佢跣親。我哋會擴大訪問更多KOL，而且會加入不同profiles 嘅目標，將biases 降低。

問題重點在我們的討論係幾個有二三十年行業經驗嘅人，有好多討論係skip background info，直入問題核心，這些info 不一定出現在public domain，冇人教佢，佢點識得去做。我哋那些data比較執人口水尾嘅「Al」更重要，更珍貴。

不過，我相信冇乜人聽得入耳！

ANChan59

ANChan59 發表於 26-4-21 00:59
40美元係小事，稍不留心出咗街就麻煩。你這個較簡單，你跟下眼會睇得出問題所在。如果係程式，研究論文， ...

睇transcript 都要小心，因為Al會用錯字，誤會咗專用名詞，縮寫，冇得懶要跟一次內容先去下一步。

twhkleung

ANChan59 發表於 26-4-21 00:59
40美元係小事，稍不留心出咗街就麻煩。你這個較簡單，你跟下眼會睇得出問題所在。如果係程式，研究論文， ...

我絕對認同你呢個第一身嘅開會, action items總結, 會錯漏百出嘅經驗.
要ai總結一個行內專家們嘅意見, ai暫時係絕對做唔, 如果信以為真, 跟住嚟做, 後果自負



======================
- 一次40蚊係小事.
- 一個禮拜幾次
- 一個月十幾次
- 一年幾百次
- 條數加埋, 夠請個fresh graduate做助手, 而且唔會淨係只係幫你plot chart和寫table.
- 艱深嘅, 或者全新領域, 唔可以靠佢,
- 太簡單, 但太繁複, ai也不可靠.
- 真係要學懂取平衡.

ANChan59

twhkleung 發表於 26-4-21 01:18
我絕對認同你呢個第一身嘅開會, action items總結, 會錯漏百出嘅經驗.
要ai總結一個行內專家們嘅意見, ai暫 ...

咪就請個fresh graduate囉！

我哋去brainstorm 個user requirements and tech specifications ，只可以用個 proofread 咗嘅 transcript，因為我哋都未知個outcome，重有我哋要避免踩到人哋嘅專利。教Al做這些虛無飄渺嘅嘢，不如自己去做，或者順便訓練埋個高管。

Al成日搞錯都好，我都怕它將我哋啲料洩漏出去。

*******

點樣取個平衡點？

twhkleung

ANChan59 發表於 26-4-21 01:37
咪就請個fresh graduate囉！

我哋去brainstorm 個user requirements and tech specifications ， ...

"點樣取個平衡點？"

我唔知道!!!

其實唔係我唔知道. 而係, 當一到我對呢個model開始熟悉, 知道佢有啲乜嘢得, 有啲乜嘢唔得之後, 佢又有個新model rollout, 跟住成個behavior, 準確性, 全部都唔同曬, 我又要同佢重新玩過一輪, 先至熟習返佢嘅特性, 同埋底線, 問你死未...

twhkleung

twhkleung 發表於 26-4-21 01:55
"點樣取個平衡點？"

我唔知道!!!

不過都慣㗎, 以前公司一個新product出嚟, 我哋就要即刻用, blue screen到七彩... 成日做做下, 就唔見曬啲嘢, 所以已經養成咗一個好嘅backup習慣 (被迫的).

barque

twhkleung 發表於 26-4-21 01:18
我絕對認同你呢個第一身嘅開會, action items總結, 會錯漏百出嘅經驗.
要ai總結一個行內專家們嘅意見, ai暫 ...

我覺得好多時AI做得唔好係因為［context]唔夠大和深。

ANChan59

barque 發表於 26-4-21 04:31
我覺得好多時AI做得唔好係因為［context]唔夠大和深。

可唔可以講多啲！

是否我所講嘅data 唔夠多？

又是否指複雜到一般人oversee or overview 唔到個scope，所以A1有用武之地？ 我又有另一個問題，細型中型麻麻哋，你叫我點信大型！

我哋做得幾OK嘅Al演算法係因為我哋手上有很多propriety data，而個演算法好tailor made為某一種病，而個「問題」好清楚界定，好多research and collaborative research back it up。第一個model 成功用咗6年時間，第二第三個就一年半載就可以（未計認證，因為控制唔到FDA)。如果全新model 就係要好長時間，主要花在clinical trial 及通過FDA審批才可以應用。

ANChan59

twhkleung 發表於 26-4-21 01:55
"點樣取個平衡點？"

我唔知道!!!

會唔會係個街外Al model 太貪心，想包羅萬有，於是顧此失彼。

如果自己砌，會唔會不受系統更新影響咁大？

我在回應barque 時都有講到focus and data。

兒子的專業Almodel 係自己（他及老板）寫，OpenAl做較多documentation draft 及了解面對的新問題在public domain 有什麼蛛絲馬跡，還有就是報價。

還有他們的Almodels 在不同問題及scope時要做啲customizations，每個financial model 分開應用，所以係可以獨立睇到有冇問題，可能同一個問題用不同model分析，然後靠負責人綜合分析，最多係6-7個models，同時又同一些public domain 結果做bench mark。

後續：他們有常用multi-models的演算法，都係逐個分析，然後綜合分析。

因為有不少financial models ，如果MxM個matrix 會好大，好難追縱到邊度出錯。

ANChan59

stillgood20 發表於 26-4-20 17:05
做好本份，
可能只是本保而已。

如果通街都係business + AI，就等同以前大學畢業，後來加交換生，又再加interns⋯⋯

俾我面試，我會要求他有相關cornerstone project 經驗，相關實習，會問得深入啲，不單單是考能力，最重要考誠信及解難能力。初中生已經開始Al作假，這個趨勢不能輕視。

barque

ANChan59 發表於 26-4-21 06:43
本帖最後由 ANChan59 於 26-4-21 07:20 編輯

可唔可以講多啲！

你哋呢啲專業嘅Model，大型嘅LL M通用Model其實唔係好幫到手，你亦都唔會相信佢生成的答案。但係佢可以幫你縮窄範圍，將相關嘅嘢查找出嚟，比專家作為參考。

ANChan59

barque 發表於 26-4-21 08:53
你哋呢啲專業嘅Model，大型嘅LL M通用Model其實唔係好幫到手，你亦都唔會相信佢生成的答案。但係佢可以幫 ...

內行人就係內行人。

我當然唔會唔用，但唔會盲目相信。最緊要知道自己做緊乜嘢，想要乜嘢，唔係垃圾當寶。

有domain expert，自然有保障，不用怕被取代。太general 嘅話，冇Al都隨時被平價新鮮人取代！

poonseelai

ANChan59 發表於 26-4-21 07:33
如果通街都係business + AI，就等同以前大學畢業，後來加交換生，又再加interns⋯⋯

俾我面試，我會要求 ...

係小學生已經用AI出貓

twhkleung

barque 發表於 26-4-21 04:31
我覺得好多時AI做得唔好係因為［context]唔夠大和深。

1. context 唔夠大, ,會係其中一個原因, 但係乜嘢叫做"夠大", 幾多先算"夠大"?
2. 正如人腦, 其實個context memory都唔係好大, 所以點解人腦有分開Prefront Cortex 負責short term memory, Hippocampus/Neocortex 負責long term memory, Amygdala 負責Emotional Memory, ... 等等
3. 人並唔係將所有嘅記憶, 好似一個大平面咁, 全部都記錄低曬, 而係通過long short term memory嘅不斷切換, 來找到我哋嘅智慧決定.
4. 而家嘅ai model, 只係得一個preset嘅context memory, 跟沒有long short term memory呢個機制. 所以, 就算你畀好多好多context memories佢, 其實都解決唔到問題.
5. 而更重要嘅係, 係你問佢嘅問題本質, 如果係啲out of distribution 嘅問題, 即novelty 性質非常高, 個ai model, 就只會好有自信咁, 老作啲答案畀你.
例如, 我將阿仔個project用嘅algorithm, 首先, 叫佢check下已刊登嘅期行, 各大學嘅研究報告論文, 有沒有相關嘅publication, 如果冇, 咁我就知道, 呢個research嘅claim, impact有幾多唔知, 但novelty一定可以過到關. 咁之後再問佢, 你覺得呢個algorithm有乜嘢pros and cons, 因為佢個knowledge base完全冇呢方面嘅資料, 佢就會開始"好有自信"咁, 喺度"作故仔", 來回答你.

twhkleung

ANChan59 發表於 26-4-21 06:56
本帖最後由 ANChan59 於 26-4-21 07:54 編輯

會唔會係個街外Al model 太貪心，想包羅萬有，於是顧此失 ...

其實而家deploy咗嘅ai model, 同research嘅理論模型, 差別其實好大. AI Research Scientist 同 ML Engineer, 工作性質其實差好遠, 當ai scientist做咗個ai數學模型, 喺實驗proof咗ok, ML Engineer 去deploy 過model 去雲端, 其實係作了大量嘅修改, 修改到其實個ai scientist都唔知佢搞過啲乜, 因為呢啲都係engineering work, 最終出街嗰個model, 會有好多實際嘅日常運作技術需要.

係咪太貪心, 想包羅萬有, 於是顧此失彼? 咁呢個一定係啦! 正如有個人, 話畀你知, 文科, 理科, 工程科, 法律, 醫科, 甚至神學, 佢都係專家, 咁其實即係呢條友乜都唔識囉.


同樣要做一個ai model, 乜都識, 有好多training strategy要修改. 所以, 做一個vertical model, 係會簡單好多, 從數據收集, 到訓練, 都係相對容易控制.


其實, 我哋每天生活, 面對嘅問題, 基本上都唔會只係得一個答案係 work嘅, 亦都唔會只係得一個選擇, 所以就算每一個model, 佢come up咗同一個答案, 但係其實佢哋嘅datapath, 可能係完全唔同, 就算d models,  大家都係用一模一樣嘅training data, 中間個best match過程, 唔一樣嘅機會係非常非常大.


Multi-model, 或者準確啲應該叫ensemble model, 其實都係因為唔相信一個model就可以做出一個好嘅答案.

train一個financial model, 一個health model, 或者一個general purpose嘅model, 邊個會容易啲? 一定要分的話, vertical model當然會易啲. 但vertical model要求, 又會畀general model嚴謹好多, 例如health model, 容錯率要求非常低, 但general model, 好似我上面講嘅分享, 錯到七彩,  搞咗我兩日, 都只係搞個table咁, 同埋個chart, 如果係個health model, 病人可能已經死咗!


至於benchmark, 呢啲都係基本嘢, 大家圍內, agree一堆weighted parameters, 咁咪叫benchmark囉, 就好似大學排名咁, 當你知道個benchmark用乜嘢weighted parameters, 慢慢的二三線大學二三線researchers, 就會睇注意啲parameters 來做performance.


"因為有不少financial models ，如果MxM個matrix 會好大，好難追縱到邊度出錯。"

都唔係淨係因為大, 本身個model係冇Observability, 冇interpretability, 簡單啲講, 就係一個blackbox, 沒有任何tracing tools, debugging tools, 可以幫你明白佢係基於什麼, 而得著呢個結果.
而家大家都想盡方法, 希望可以睇透多啲, 佢嘅邏輯決段process, 係點樣樣嘅.