@omarsar0: 如果你不看数据，你根本就不是在做AI。过去如此，现在依然如此。
摘要
Omar Saroo 强调数据检查在AI开发中至关重要，通过一个例子说明，由于错误的聊天模板使用，忽略数据导致了模型退化。
如果你不看数据，你根本就不是在做AI。
过去如此，现在依然如此。
查看缓存全文
缓存时间: 2026/08/19 14:53
如果你没有在处理数据，那你就根本不是在做人工智能。
这在过去是如此，至今依然如此。
anton (@abacaj): 我曾尝试使用Fable来训练一个模型（LFM 2.6B），因为我不想在数据上花费时间。结果发现Fable也不想，最终每次尝试都让模型变得更糟，直到我决定亲自查看数据。原来它在大约三分之一的数据上使用了错误的对话模板。
相似文章
@addyosmani: https://x.com/addyosmani/status/2056078124346228860
Addy Osmani 提醒：过度依赖 AI 编写代码可能会阻碍学习，并削弱对软件开发的思维模型。
AI在分析方面越来越强，但问题仍然在于数据。
作者认为，AI分析的质量更多受到数据获取和可靠性的限制，而非推理能力；结构化数据集能显著提升输出效果。
为什么人工智能无法拯救不理解自身数据的企业
文章主张，人工智能无法补偿企业对数据理解的不足，着重强调了人类判断和上下文在将数据转化为明智决策中的关键作用。
人人都在学AI，但我开始认为，更稀缺的技能是了解AI实际在做什么。
作者认为，理解AI的工作原理比仅仅学会使用AI更有价值，以一家诊所失败的AI实施导致理赔被拒为例，强调了AI系统中人类监督的必要性。
在 AI 数据分析师身上，最让我担心的失误是信心十足却凭空编造的解释
一场由 Bruno Gonçalves 主持、于 10 月 31 日举行的工作坊，首先展示一个简单的 AI 数据分析师如何在不易察觉却会侵蚀信任的情境中出错，然后构建一套稳健的运行框架，包含 MCP 工具层、上下文管理、多层防护机制，以及具备超时控制和执行追踪功能的运行监督器。