En erfaren praktiker oppsummerer fire gjentakende temaer fra åtte år i maskinlæringsfeltet.
Forfatteren framhever deep work, over-identifikasjon med arbeidet, bevegelse og blogging som de viktigste trådene. Deep work krever både ferdighet i å konsentrere seg og et miljø som beskytter fokus; teoriarbeid, koding og skriving straffer avbrytelser og korte avbrudd. Over-identifikasjon med jobben er risikabelt fordi ML-arbeid har høy variasjon – eksperimenter feiler, baselines overgår ideer og fremgang varierer – og forfatteren anbefaler å ha flere roller utenfor yrket. Bevegelse og korte mobilitetsrutiner motvirker stillesitting; praktiske tiltak nevnt er hev/senk-pulter, gående møter, walking pads og korte pauser mellom dype arbeidsøkter. Blogging begynte for forfatteren rundt 2019–2020 på Towards Data Science etter inspirasjon fra Daniel Bourke; skriving ble en praksis som tvang presisjon i tenkning. Refleksjonene presenteres som AI-nyheter og berører også utviklingen av kunstlig intelligens (KI).
Relevans for Norge: Norske forskere og utviklere som arbeider med KI kan bruke disse konkrete rådene om fokus, arbeidsmiljø, bevegelse og kommunikasjon i faglig arbeid og undervisning.
Kilde: https://towardsdatascience.com/lessons-learned-after-8-years-of-machine-learning | Sammendraget er KI-generert med OpenAI API og kvalitetssikret av redaksjonen i Ainy.no
