Стефани Кирмер рассказывает об инвестиционном пузыре в 200 миллиардов долларов, о том, как компании, занимающиеся искусственным интеллектом, могут восстановить доверие, и о том, как изменилась ее повседневная работа с появлением программ магистратуры в области права.
Делиться
В серии «В центре внимания — автор» редакторы TDS беседуют с членами нашего сообщества об их карьерном пути в области науки о данных и искусственного интеллекта, их писательской деятельности и источниках вдохновения. Сегодня мы рады поделиться нашей беседой со Стефани Кирмер.
Стефани — ведущий инженер по машинному обучению с почти 10-летним опытом работы в области анализа данных и машинного обучения. Ранее она работала администратором в сфере высшего образования и преподавала социологию и медицинские науки студентам бакалавриата. Она ежемесячно публикует статьи на TDS на социальные темы и по вопросам ИИ/машинного обучения, а также выступает с докладами по всей стране на темы, связанные с машинным обучением. В апреле 2026 года она выступит на конференции ODSC East в Бостоне с докладом о стратегиях адаптации оценки программ магистратуры в области права.
Вы изучали социологию и социальные и культурные основы образования. Как ваше образование повлияло на ваше понимание социальных последствий искусственного интеллекта?
Я думаю, что мое академическое образование сформировало мой взгляд на все, включая искусственный интеллект. В ходе своей академической карьеры я научился мыслить социологически, а это значит, что я рассматриваю события и явления и задаю себе такие вопросы, как: «Какие социальные неравенства здесь играют роль?», «Как разные люди по-разному воспринимают это?», и «Как институты и группы людей влияют на происходящее?». Именно такие вопросы интересует социолога, и мы используем ответы, чтобы понять, что происходит вокруг нас. Я выдвигаю гипотезу о том, что происходит и почему, а затем усердно ищу доказательства, чтобы подтвердить или опровергнуть свою гипотезу — это, по сути, и есть социологический метод.
Вы работаете инженером по машинному обучению в DataGrail более двух лет. Как изменилась ваша повседневная работа с ростом числа магистров права (LLM)?
Я сейчас как раз пишу новую статью на эту тему. Думаю, прогресс в разработке программных помощников на основе LLM-технологий действительно впечатляет и меняет подход многих людей к работе в области машинного обучения и разработки программного обеспечения. Я использую эти инструменты для обсуждения идей, получения критики моих подходов к решению проблем или поиска альтернативных идей, а также для выполнения рутинной работы (например, написания модульных тестов или шаблонного кода). Однако, я думаю, что в области машинного обучения еще многое предстоит сделать, особенно в применении навыков, приобретенных на практике, к необычным или уникальным задачам. И все это не умаляет недостатков и опасностей использования LLM-технологий в нашем обществе, которых немало.
Вы спросили, можем ли мы « спасти экономику ИИ ». Считаете ли вы, что ажиотаж вокруг ИИ создал пузырь, подобный пузырю эпохи доткомов, или же базовая полезность этой технологии достаточно сильна, чтобы его поддерживать?
Я думаю, это пузырь, но в этом виновата не сама технология. Пузырь создали люди, и, как я описывал в той статье, были вложены невообразимые суммы денег, исходя из предположения, что технология LLM принесет результаты, которые обеспечат соразмерную прибыль. Я считаю это глупостью, не потому что технология LLM бесполезна в каких-то ключевых аспектах, а потому что она не приносит прибыли в размере более 200 миллиардов долларов. Если бы Кремниевая долина и мир венчурного капитала были готовы принимать хорошую прибыль от умеренных инвестиций, вместо того чтобы требовать огромной прибыли от гигантских вложений, я думаю, это могло бы стать устойчивым сектором. Но этого не произошло, и я просто не вижу выхода из этой ситуации, который не привел бы к окончательному лопанию пузыря.
Год назад вы писали о « культурном противодействии генеративному ИИ ». Что могут сделать компании, занимающиеся ИИ, чтобы восстановить доверие скептически настроенной общественности?
Это сложно, потому что, я думаю, ажиотаж задал тон для негативной реакции. Компании, занимающиеся ИИ, дают нелепые обещания, потому что показатели следующего квартала всегда должны показывать что-то впечатляющее, чтобы поддерживать работу системы. Люди, которые видят это и чувствуют, что их обманывают, естественно, испытывают неприятный осадок от всего этого предприятия. Этого не произойдет, но если бы компании, занимающиеся ИИ, отказались от нереалистичных обещаний и вместо этого сосредоточились на поиске разумных и эффективных способов применения своих технологий для решения реальных проблем людей, это очень помогло бы. Также помогло бы проведение широкой кампании по информированию общественности о том, что такое LLM и «ИИ» на самом деле, максимально демистифицируя эту технологию. Но чем больше людей узнают о технологии, тем реалистичнее они будут оценивать ее возможности и ограничения, поэтому я ожидаю, что крупные игроки в этой области также не будут склонны к этому.
За последние несколько лет вы освещали множество различных тем. Как вы решаете, о чём писать дальше?
В течение месяца между написанием статей я обычно размышляю о том, как магистерские программы и искусственный интеллект проявляются в моей жизни, в жизни окружающих меня людей и в новостях, и общаюсь с людьми о том, что они видят и переживают в этой сфере. Иногда у меня есть конкретный ракурс из социологии (власть, раса, класс, гендер, институты и т. д.), который я хочу использовать в качестве основы для анализа этой области, или иногда какое-то конкретное событие или явление дает мне идею для работы. Я делаю заметки в течение месяца, и когда нахожу что-то, что меня действительно интересует и над чем я хочу поразмышлять, я выбираю это на следующий месяц и углубляюсь в тему.
Есть ли темы, о которых вы еще не писали, и которые вам не терпится затронуть в 2026 году?
Честно говоря, я не планирую так далеко вперед! Когда я начала писать несколько лет назад, я составила большой список идей и тем, и я его полностью исчерпала, поэтому сейчас я опережаю график максимум на один-два месяца. Мне бы очень хотелось получить от читателей идеи по социальным вопросам или темам, которые пересекаются с ИИ, и которые они хотели бы, чтобы я исследовала подробнее.
Чтобы узнать больше о работе Стефани и быть в курсе ее последних статей, вы можете подписаться на нее в TDS или LinkedIn.
Источник: towardsdatascience.com
