09 ਜੁਲਾ 2025·8 ਮਿੰਟ
ਪੌਲ ਗ੍ਰਾਹਮ ਦੀ ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਨੇ AI ਨਵੀਨਤਾ ਨੂੰ ਕਿਵੇਂ ਤੇਜ਼ ਕੀਤਾ
ਪਤਾ ਕਰੋ ਕਿ ਪੌਲ ਗ੍ਰਾਹਮ ਦੇ ਸਟਾਰਟਅਪ ਵਿਚਾਰ—ਤੇਜ਼ੀ, ਇਟਰੈਸ਼ਨ ਅਤੇ ਮਹੱਤਵਾਕਾਂਛੀ ਫਾਊਂਡਰ ਪ੍ਰਵਿਰਤੀਆਂ—ਨੇ ਕਿਵੇਂ AI ਨੂੰ ਰਿਸਰਚ ਤੋਂ ਅਸਲ ਉਤਪਾਦਾਂ ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਲਿਜਾਣ ਵਿੱਚ ਯੋਗਦਾਨ ਦਿੱਤਾ।
ਪਤਾ ਕਰੋ ਕਿ ਪੌਲ ਗ੍ਰਾਹਮ ਦੇ ਸਟਾਰਟਅਪ ਵਿਚਾਰ—ਤੇਜ਼ੀ, ਇਟਰੈਸ਼ਨ ਅਤੇ ਮਹੱਤਵਾਕਾਂਛੀ ਫਾਊਂਡਰ ਪ੍ਰਵਿਰਤੀਆਂ—ਨੇ ਕਿਵੇਂ AI ਨੂੰ ਰਿਸਰਚ ਤੋਂ ਅਸਲ ਉਤਪਾਦਾਂ ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਲਿਜਾਣ ਵਿੱਚ ਯੋਗਦਾਨ ਦਿੱਤਾ।
ਪੌਲ ਗ੍ਰਾਹਮ ਇਸ ਖੇਤਰ ਨੂੰ "ਇਜਾਦ" ਕਰਨ ਲਈ ਪ੍ਰਸਿੱਧ ਨਹੀਂ, ਪਰ ਉਸ ਨੇ ਕੰਪਨੀਆਂ ਬਣਾਉਣ ਦੇ ਇੱਕ ਢੰਗ ਨੂੰ ਲੋਕਪ੍ਰਿਯ ਕੀਤਾ ਜੋ AI ਨਾਲ ਬੇਹੱਦ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਆਪਣੇ ਲੇਖਾਂ ਅਤੇ Y Combinator ਨੂੰ ਆਕਾਰ ਦੇਣ ਵਾਲੀ ਭੂਮਿਕਾ ਰਾਹੀਂ, ਉਸ ਨੇ ਫਾਊਂਡਰ ਆਦਤਾਂ ਦੀ ਇੱਕ ਥੋਲੀ ਮਜ਼ਬੂਤ ਕੀਤੀ ਜੋ AI ਉਤਪਾਦ ਵਿਕਾਸ ਨਾਲ ਸਿੱਧਾ ਮਿਲਦੀ ਹੈ: ਤੇਜ਼ੀ ਨਾਲ ਆਗੇ ਵਧੋ, ਯੂਜ਼ਰਾਂ ਦੇ ਨੇੜੇ ਰਹੋ, ਟੀਮਾਂ ਛੋਟੀਆਂ ਰੱਖੋ, ਅਤੇ ਅਪਰਿਵਾਰਤਨ初 ਸੰਸਕਰਨ ਵੀ ਜਦੋਂ ਅਧੂਰੇ ਹੋ ਤਾਂ ਸ਼ਿਪ ਕਰੋ।
ਇਸ ਸੰਦਰਭ ਵਿੱਚ, “ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ” ਬੀਨਬੈਗ ਜਾਂ ਹੱਬਲ ਰਾਜਨੀਤੀਆਂ ਬਾਰੇ ਨਹੀਂ। ਇਹ ਅਣਿਸ਼ਚਿਤ ਵਿਚਾਰਾਂ ਨੂੰ ਉਤਪਾਦਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਇੱਕ ਪ੍ਰਾਇਕਟਿਕਲ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਹੈ：
ਇਹ ਸੱਭਿਆਚਾਰ ਆਧੁਨਿਕ AI ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਤਰੱਕੀ ਅਕਸਰ ਇਟਰੇਸ਼ਨ ਤੋਂ ਆਉਂਦੀ ਹੈ: ਪ੍ਰਾਂਪਟ ਬਦਲਾਅ, ਡੇਟਾ ਸੁਧਾਰ, ਮਾਡਲ ਅਦਲਾ-ਬਦਲੀ, ਅਤੇ ਅਸਲੀ ਵਰਤੋਂ ਦੇ ਆਧਾਰ 'ਤੇ ਉਤਪਾਦ ਸਮਕੋਈਆਂ।
ਇਹ ਸਟਾਰਟਅਪ ਆਦਤਾਂ ਨੇ AI ਨੂੰ ਰਿਸਰਚ ਅਤੇ ਡੈਮੋ ਤੋਂ ਉਹਨਾਂ ਸੰਦ ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਪਹੁੰਚਾਉਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਜੋ ਲੋਕ ਅਸਲ ਵਿੱਚ ਵਰਤਦੇ ਹਨ। ਜਦੋਂ ਫਾਊਂਡਰ ਸ਼ੁਰੂਆਤੀ ਯੂਜ਼ਰਾਂ ਨੂੰ ਸਹਿ-ਕਰਤਾਂ ਵਾਂਗ ਸਮਝਦੇ ਹਨ, ਸੰਕੁਚਿਤ ਯੂਜ਼ ਕੇਸ ਸ਼ਿਪ ਕਰਦੇ ਹਨ, ਅਤੇ ਜਲਦੀ ਸੁਧਾਰ ਕਰਦੇ ਹਨ, ਤਾਂ AI ਲੈਬ ਦੀ ਨੋਵੇਲਟੀ ਤੋਂ ਸਾਫਟਵੇਅਰ ਬਣ ਜਾਂਦੀ ਹੈ।
ਪਰ ਉਹੀ ਆਦਤਾਂ ਤਰਜੀਹਾਂ ਨੂੰ ਵੀ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ। ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣਾ ਮਤਲਬ ਕਦੇ-ਕਦੇ ਘਟੀਆ ਭਰੋਸੇਯੋਗਤਾ, ਅਸਪਸ਼ਟ ਹੱਦਾਂ, ਅਤੇ ਖਤਰਾ ਸਮਝਣ ਤੋਂ ਪਹਿਲਾਂ ਤੈਨਾਤ ਕਰਨ ਦਾ ਦਬਾਅ ਹੋ ਸਕਦਾ ਹੈ। ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਖੁਦ ਵਿੱਚ "ਚੰਗਾ" ਨਹੀਂ—ਇਹ ਇੱਕ ਬਲ ਗੁਣਾ ਕਰਦਾ ਹੈ। ਇਹ ਪ੍ਰਗਤੀ ਜਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਿਵੇਂ ਗੁਣਾ ਕਰਦਾ ਹੈ, ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ।
ਹੇਠਾਂ ਉਹ ਪੌਲ ਗ੍ਰਾਹਮ-ਸਟਾਈਲ ਦੇ ਪੈਟਰਨ ਦਿੱਤੇ ਗਏ ਹਨ ਜੋ AI ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਅਨੁਕੂਲ ਹਨ, ਅਤੇ ਉਹ ਮਾਡਰਨ ਗਾਰਡਰੇਲ ਜੋ ਹੁਣ ਜ਼ਰੂਰੀ ਹੋ ਰਹੇ ਹਨ।
ਕੁਝ Paul Graham ਥੀਮਾਂ ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਵਿੱਚ ਵਾਰੀ-ਵਾਰੀ ਆਉਂਦੀਆਂ ਹਨ, ਅਤੇ ਉਹ AI ਨਾਲ ਤਾਂ ਬਹੁਤ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਅਨੁਕੂਲ ਹੁੰਦੀਆਂ ਹਨ: ਲੋਕਾਂ ਚਾਹੁੰਦੇ ਚੀਜ਼ ਬਣਾਓ, ਤੇਜ਼ੀ ਨਾਲ ਇਟਰੇਟ ਕਰੋ, ਅਤੇ ਸਿੱਖਣ ਲਈ ਸ਼ੁਰੂ ਵਿੱਚ ਅਣਗਲਾਮਰਸ ਕੰਮ ਕਰੋ।
AI ਡੈਮੋ ਬਣਾਉਣਾ ਆਸਾਨ ਕਰਦਾ ਹੈ ਜੋ ਜਾਦੂਈ ਲੱਗਦੀਆਂ ਹਨ ਪਰ ਅਸਲ ਸਮੱਸਿਆ ਹੱਲ ਨਹੀਂ ਕਰਦੀਆਂ। “ਲੋਕ ਚਾਹੁੰਦੇ ਹਨ” ਫਿਲਟਰ ਇੱਕ ਸਧਾਰਨ ਟੈਸਟ ਲਿਆਉਂਦਾ ਹੈ: ਕੀ ਇੱਕ ਨਿਰਧਾਰਤ ਯੂਜ਼ਰ ਅਗਲੇ ਹਫ਼ਤੇ ਇਸਨੂੰ ਆਪਣੀ ਮੌਜੂਦਾ ਤਰੀਕੇ ਦੀ ਥਾਂ ਚੁਣੇਗਾ?
ਅਮਲ ਵਿੱਚ, ਇਹ ਅਰਥ ਹੈ ਕਿ ਇੱਕ ਸੰਕੁਚਿਤ ਨੌਕਰੀ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ—ਖਾਸ ਕਿਸਮ ਦੀ ਦਸਤਾਵੇਜ਼ ਸੰਖੇਪ ਕਰਨਾ, ਖਾਸ ਕਤਾਰ ਦਾ ਟ੍ਰਿਆਜ਼, ਖਾਸ ਕਿਸਮ ਦੀ ਈਮੇਲ ਦਾ ਡਰਾਫਟ—ਫਿਰ ਮਾਪੋ ਕਿ ਕੀ ਇਹ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ, ਗਲਤੀਆਂ ਘਟਾਉਂਦਾ ਹੈ, ਜਾਂ ਥਰੂਪੁੱਟ ਵਧਾਉਂਦਾ ਹੈ।
ਸਾਫਟਵੇਅਰ ਤੰਗ ਫੀਡਬੈਕ ਲੂਪਾਂ ਨੂੰ ਇਨਾਮ ਦਿੰਦਾ ਹੈ ਕਿਉਂਕਿ ਚੇਨਜ ਸ਼ਿਪ ਕਰਨਾ ਸਸਤਾ ਹੁੰਦਾ ਹੈ। AI ਉਤਪਾਦ ਕੰਮ ਇਸਨੂੰ ਵਧਾ ਦਿੰਦਾ ਹੈ: ਸੁਧਾਰ ਅਕਸਰ ਇਸ ਤੋਂ ਆਉਂਦੇ ਹਨ ਕਿ ਤੁਸੀਂ ਯੂਜ਼ਰਾਂ ਦੇ ਅਸਲ ਵਿਹਾਰ ਨੂੰ ਸਿੱਖਦੇ ਹੋ ਅਤੇ ਫਿਰ ਪ੍ਰਾਂਪਟ, ਵਰਕਫਲੋ, ਇਵਾਲ ਦੁਸਰੇ ਹਿੱਸਿਆਂ ਤੇ ਸੋਧ ਕਰਦੇ ਹੋ।
“ਮਾਡਲ ਚੋਣ” ਨੂੰ ਇਕ ਵਾਰੀ ਦਾ ਫੈਸਲਾ ਨਾ ਮੰਨੋ; ਮਜ਼ਬੂਤ ਟੀਮਾਂ ਪੂਰੇ ਸਿਸਟਮ 'ਤੇ ਇਟਰੇਟ ਕਰਦੀਆਂ ਹਨ: UX, ਰਿਟ੍ਰੀਵਲ, ਟੂਲ ਉਪਯੋਗ, ਮਨੁੱਖੀ ਸਮੀਖਿਆ, ਅਤੇ ਮਾਨੀਟਰਿੰਗ। ਨਤੀਜਾ ਘੱਟ “ਵੱਡੀ ਲਾਂਚ” ਅਤੇ ਵੱਧ ਰਹਿਤ ਸੰਤੁਲਨ ਹੈ ਜੋ ਕਿਸੇ ਉਪਯੋਗੀ ਚੀਜ਼ ਵੱਲ ਢਲਦਾ ਹੈ।
ਸ਼ੁਰੂਆਤੀ AI ਉਤਪਾਦ ਅਕਸਰ ਐਜ ਕੇਸਾਂ ਵਿੱਚ ਫੇਲ ਹੁੰਦੇ ਹਨ: ਗੰਦੇ ਇਨਪੁੱਟ, ਅਜੀਬ ਗਾਹਕ ਨੀਤੀਆਂ, ਅਸਪਸ਼ਟ ਸਫ਼ਲਤਾ ਮਾਪਦੰਡ। ਮੈਨੁਅਲ ਆਨਬੋਰਡਿੰਗ, ਕਨਸੀਅਰਜ ਸਹਿਯੋਗ, ਅਤੇ ਹੱਥ-ਨਾਲ ਲੇਬਲਿੰਗ ਅਦ ਪਤਾ ਲਗਾਉਂਦੇ ਹਨ: ਕਿਹੜੀਆਂ ਗਲਤੀਆਂ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਕਿਹੜੇ ਆਉਟਪੁੱਟ ਸਵੀਕਾਰਯੋਗ ਹਨ, ਅਤੇ ਭਰੋਸਾ ਕਿੱਥੇ ਟੁਟਦਾ ਹੈ।
ਇਹ ਮੈਨੁਅਲ ਪਰਿਵਰਤਨ ਇਹ ਵੀ ਦੱਸਦਾ ਹੈ ਕਿ ਬਾਅਦ ਵਿੱਚ ਆਟੋਮੇਸ਼ਨ ਕਿਵੇਂ ਹੋਵੇਗੀ—ਕਿਹੜਾ ਹਿੱਸਾ ਮਾਡਲ ਦੁਆਰਾ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਸੰਭਾਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਕਿਹੜੇ ਨਿਯਮ deterministic ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ, ਅਤੇ ਕਿਥੇ ਮਨੁੱਖ-ਇਨ-ਦ-ਲੂਪ ਲੋੜੀਂਦਾ ਹੈ।
AI ਆਉਟਪੁੱਟ ਸੰਭਾਵਨਾਤਮਕ ਹੁੰਦੇ ਹਨ, ਇਸ ਲਈ ਫੀਡਬੈਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੀਮਤੀ ਹੁੰਦਾ ਹੈ। ਸਧਾਰਨ ਲਕੀਰ ਇਹੇ ਰਹਿੰਦੀ ਹੈ: ਤੁਸੀਂ ਸਭ ਤੋਂ ਤੇਜ਼ ਉਹੀ ਸਿੱਖਦੇ ਹੋ ਜਦੋਂ ਅਸਲ ਲੋਕਾਂ ਦੇ ਸਾਹਮਣੇ ਕੁਝ ਰੱਖਦੇ ਹੋ ਅਤੇ ਫਿਰ ਇਸਨੂੰ ਬੇਹਤਰੀ ਲਈ ਲਗਾਤਾਰ ਸੁਧਾਰਦੇ ਹੋ।
AI ਸਟਾਰਟਅਪ ਅਕਸਰ ਭਵਿੱਖ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਜਿੱਤਦੇ ਨਹੀਂ। ਉਹ ਜਿੱਤਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਹੋਰਨਾਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖਦੇ ਹਨ। ਇਹ ਮਨੋਵ੍ਰਿੱਤੀ ਗ੍ਰਾਹਮ ਦੇ ਇਸ ਤੱਤ ਨੂੰ ਦੁਹਰਾਉਂਦੀ ਹੈ ਕਿ ਸਟਾਰਟਅਪ ਤੇਜ਼ ਖੋਜ ਲਈ ਬਣੇ ਹੁੰਦੇ ਹਨ：ਜਦੋਂ ਸਮੱਸਿਆ ਅਣਿਸ਼ਚਿਤ ਹੋਵੇ, ਤਾਂ ਤੇਜ਼ ਸਿੱਖਣ ਲਈ ਅਪਟੀਮਾਈਜ਼ ਕਰਨਾ ਪਰਫੈਕਟ ਯੋਜਨਾ ਬਣਾਉਣ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ।
AI ਵਿੱਚ, ਸ਼ੁਰੂਆਤੀ ਅਨੁਮਾਨ ਅਕਸਰ ਗਲਤ ਹੁੰਦੇ ਹਨ—ਯੂਜ਼ਰ ਦੀ ਲੋੜ, ਮਾਡਲ ਵਿਹਾਰ, ਲਾਗਤ, ਲੈਟੈਂਸੀ, ਜਾਂ ਕਿ ਜੀਵਨ ਵਿੱਚ “ਕਾਫ਼ੀ ਚੰਗਾ” ਕਿਵੇਂ ਮਹਿਸੂਸ ਹੁੰਦਾ। ਵਿਸਥਾਰਵਾਰ ਰੋਡਮੇਪ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲੱਗ ਸਕਦੀ ਹੈ ਪਰ ਅਕਸਰ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਅਣਜਾਣ ਗੱਲਾਂ ਨੂੰ ਛੁਪਾਉਂਦੀ ਹੈ।
ਗਤੀ ਦਾ ਮਕਸਦ “ਕੰ ਦਾ ਰਾਜ਼ੀ ਕਾਗਜ਼ ਤੇ ਸਹੀ ਹੋ” ਤੋਂ “ਅਮਲ ਵਿੱਚ ਸਹੀ ਹੋ” ਵੱਲ ਤਬਦੀਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਜਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਤੁਸੀਂ ਕਿਸੇ ਦਾਅਵੇ ਨੂੰ ਪਰਖ ਸਕਦੇ ਹੋ, ਉਦੋਂ ਹੀ ਤੁਸੀਂ ਜਾਂ ਤਾਂ ਉਸ 'ਤੇ ਡਬਲ ਡਾਊਨ ਕਰੋਗੇ ਜਾਂ discard।
AI ਡੈਮੋ ਵਿੱਚ ਜਾਦੂਈ ਲੱਗ ਸਕਦਾ ਹੈ ਜਦ ਤੱਕ ਉਹ ਐਜ ਕੇਸਾਂ ਨੂੰ ਨਹੀਂ ਮਿਲਦਾ: ਗੰਦੇ ਇਨਪੁੱਟ, ਅਸਪਸ਼ਟ ਬੇਨਤੀ, ਡੋਮੇਨ-ਨਿਰਪੱਖ ਜਾਰਗਨ, ਜਾਂ ਉਹ ਯੂਜ਼ਰ ਜੋ ਪ੍ਰਾਂਪਟ ਇੰਜੀਨੀਅਰਾਂ ਵਾਂਗ ਨਹੀਂ ਲਿਖਦੇ। ਤੇਜ਼ ਪ੍ਰੋਟੋਟਾਈਪ ਉਹ ਗੈਪ ਪਹਿਲਾਂ ਹੀ ਬਾਹਰ ਲਿਆਉਂਦੇ ਹਨ।
ਇੱਕ ਤੁਰੰਤ ਅੰਦਰੂਨੀ ਟੂਲ, ਇੱਕ ਸੰਕੁਚਿਤ ਵਰਕਫਲੋ, ਜਾਂ ਇੱਕ ਹਲਕੀ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦਿਖਾ ਸਕਦੀ ਹੈ：
ਆਮ ਤਰੀਕਾ ਛੋਟਾ ਅਤੇ ਦੋਹਰਾਉਣ ਵਾਲਾ ਹੈ：
AI ਉਤਪਾਦਾਂ ਵਿੱਚ, “ਸੋਧ” ਇੱਕ ਛੋਟੀ ਚੀਜ਼ ਹੋ ਸਕਦੀ ਹੈ—ਨਿਰਦੇਸ਼ ਬਦਲਣਾ, ਉਦਾਹਰਣ ਸ਼ਾਮਿਲ ਕਰਨਾ, ਟੂਲ ਅਧਿਕਾਰਾਂ ਨੂੰ ਘਟਾਉਣਾ, ਜਾਂ ਕੁਝ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਵੱਖਰੇ ਮਾਡਲ ਤੇ ਰਾਊਟ ਕਰਨਾ। ਲਕਸ਼्य ਇਹ ਹੈ ਕਿ ਰਾਇ ਨੂੰ ਵੇਖਣਯੋਗ ਵਿਹਾਰ ਵਿੱਚ ਬਦਲਿਆ ਜਾਵੇ।
"ਸ਼ਿਪਿੰਗ" ਸਿਰਫ ਇੱਕ ਮੀਲਪੱਥਰ ਨਹੀਂ; ਇਹ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਹਰ ਰਿਲੀਜ਼ ਹਕੀਕਤੀ ਸਿਗਨਲ ਪੈਦਾ ਕਰਦੀ ਹੈ: ਰੀਟੇਨਸ਼ਨ, ਐਰਰ ਦਰਾਂ, ਸਪੋਰਟ ਟਿਕਟ, ਅਤੇ ਗੁਣਵੱਤਾ ਫੀਡਬੈਕ। ਸਮੇਂ ਦੇ ਨਾਲ, ਤੇਜ਼ ਚੱਕਰ ਇੱਕ ਐਸਾ ਫਾਇਦਾ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਨਕਲ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ: ਸੈਂਕੜਿਆਂ ਛੋਟੇ, ਹਾਕੀਕਤ-ਚਲਿਤ ਫ਼ੈਸਲਿਆਂ ਰਾਹੀਂ ਸੰਵਰਿਆ ਉਤਪਾਦ ਬਜਾਏ ਕੁੱਝ ਵੱਡੀਆਂ ਅਟਕਲਾਂ।
ਜਦੋਂ ਤਕਨੀਕ ਹਫ਼ਤੇ-ਦਰ-ਹਫ਼ਤੇ ਬਦਲਦੀ ਹੈ, ਛੋਟੀ ਟੀਮਾਂ ਕੋਈ ਸਿਰਫ "ਗਤੀ" ਨਹੀਂ ਲੈਂਦੀਆਂ—ਉਹਨਾਂ ਕੋਲ ਸਪੱਸ਼ਟਤਾ ਹੁੰਦੀ ਹੈ। ਘੱਟ ਲੋਕਾਂ ਦਾ ਮਤਲਬ ਘੱਟ ਹੈਂਡਆਫ, ਘੱਟ ਮੀਟਿੰਗਾਂ, ਅਤੇ ਵਿਚਾਰਾਂ ਨੂੰ ਅੰਗ-ਤੇ-ਅੰਗ ਅਨੁਵਾਦ ਕਰਨ ਵਿੱਚ ਘੱਟ ਸਮਾਂ। AI ਵਿੱਚ, ਜਿੱਥੇ ਮਾਡਲ ਵਿਹਾਰ ਪ੍ਰਾਂਪਟ ਰਣਨੀਤੀ ਬਦਲਣ ਜਾਂ ਨਵੇਂ ਟੂਲ ਕਾਲ ਪੈਟਰਨ ਮਗਰੋਂ ਬਦਲ ਸਕਦਾ ਹੈ, ਉਹ ਤੰਗ ਲੂਪ ਅਹੰਕਾਰਪੂਰਕ ਹੈ।
ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਘਟਾਓ-ਚਲਾਵਟ ਲਈ ਬਣੀਆਂ ਹਨ: ਮਿਆਰ, ਮੰਨਤਾਂ, ਅਤੇ ਕ੍ਰਾਸ-ਟੀਮ ਨਿਰਭਰਤਾਵਾਂ। ਜਦੋਂ ਮਕਸਦ ਸਥਿਰਤਾ ਹੈ ਤਾਂ ਇਹ ਫਾਇਦੇਮੰਦ ਹੈ। ਪਰ ਸ਼ੁਰੂਆਤੀ AI ਉਤਪਾਦ ਅਕਸਰ ਸਹੀ ਸਮੱਸਿਆ, ਵਰਕਫਲੋ, ਅਤੇ ਯੂਜ਼ਰ ਵਾਅਦੇ ਦੀ ਖੋਜ 'ਤੇ ਹੁੰਦੇ ਹਨ। 3–8 ਵਿਅਕਤੀ ਦੀ ਟੀਮ ਇੱਕ ਦੁਪਹਿਰ ਵਿੱਚ ਦਿਸ਼ਾ ਬਦਲ ਸਕਦੀ ਹੈ ਅਤੇ ਉਸੇ ਹਫ਼ਤੇ ਇੱਕ ਨਵਾਂ ਐਕਸਪੈਰਿਮੈਂਟ ਸ਼ਿਪ ਕਰ ਸਕਦੀ ਹੈ।
ਸ਼ੁਰੂਆਤੀ AI ਟੀਮਾਂ ਨੂੰ ਜੈਨਰਲਿਸਟਾਂ ਤੋਂ ਫ਼ਾਇਦਾ ਹੁੰਦਾ ਹੈ—ਜੇڑے ਪ੍ਰੋਡਕਟ, ਡੇਟਾ, ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਨੂੰ ਅਜੇਕਾਂ ਕਰ ਲੈਂਦੇ ਹਨ ਤਾਂ ਜੋ ਕਿਸੇ ਹੋਰ ਵਿਭਾਗ ਦੇ ਉਪਰ ਨਿਰਭਰ ਰਹਿਣ ਦੀ ਲੋੜ ਨਾ ਪੈਵੇ। ਇੱਕ ਵਿਅਕਤੀ ਪ੍ਰਾਂਪਟ ਲਿਖ ਸਕਦਾ ਹੈ, ਇਵਾਲ ਕੇਸ ਸੁਧਾਰ ਸਕਦਾ ਹੈ, UI ਤਬਦੀਲ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਯੂਜ਼ਰਾਂ ਨਾਲ ਗੱਲ ਕਰ ਸਕਦਾ ਹੈ।
ਸਪੈਸ਼ਲਿਸਟ ਲੋੜੀਏ ਹਨ, ਪਰ ਸਮਾਂ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇੱਕ ਨੇਮਤ ML ਇੰਜੀਨੀਅਰ, ਸੁਰੱਖਿਆ ਲੀਡ, ਜਾਂ ਐਪਲਾਈਡ ਰਿਸਰਚਰ ਨੂੰ ਬਹੁਤ ਜਲਦੀ ਰੱਖਣਾ ਉਹ “ਲੋਕਲ ਓਪਟੀਮਾਈਜ਼ੇਸ਼ਨ” ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਅਜੇ ਵੀ ਪਤਾ ਨਹੀਂ ਕੀ ਬਣਾ ਰਹੇ ਹੋ। ਆਮ ਪੈਟਰਨ ਇਹ ਹੈ ਕਿ ਸਪੈਸ਼ਲਿਸਟ ਉਨ੍ਹਾਂ cheezaan ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਹਾਇਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜੋ ਪਹਿਲਾਂ ਹੀ ਕੰਮ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹਨ：ਭਰੋਸੇਯੋਗਤਾ, ਕੁਸ਼ਲਤਾ, ਗੋਪਨੀਯਤਾ, ਅਤੇ ਸਕੇਲ।
ਛੋਟੀ ਟੀਮਾਂ ਵਿੱਚ, ਫਾਊਂਡਰ ਅਕਸਰ ਉਹ ਫੈਸਲੇ ਕਰਦੇ ਹਨ ਜੋ ਨਹੀਂ ਤਾਂ ਕਮੇਟੀ ਫੈਸਲੇ ਬਣ ਜਾਂਦੇ: ਕਿਸ ਯੂਜ਼ਰ ਸੈਗਮੈਂਟ 'ਤੇ ਧਿਆਨ ਦੇਣਾ, ਸਿਸਟਮ ਨੂੰ ਕੀ ਕਰਨਾ-ਨਹੀਂ ਚਾਹੀਦਾ, ਅਤੇ ਲਾਂਚ ਲਈ "ਕਾਫ਼ੀ ਚੰਗਾ" ਕਿਹੜਾ ਹੈ। ਸਾਫ਼ ਮਲਕਿਯਤ ਕੁਝ ਦੇਰੀ ਘਟਾਉਂਦੀ ਹੈ—ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਵੀ ਸਪਸ਼ਟ ਬਣਾਉਂਦੀ ਹੈ।
AI ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣਾ ਤਕਨੀਕੀ ਕਰਜ਼ ਇਕੱਠਾ ਕਰ ਸਕਦਾ ਹੈ (ਗੰਦੇ ਪ੍ਰਾਂਪਟ ਲੇਅਰ, ਨਰਮ ਇੰਟੀਗ੍ਰੇਸ਼ਨ, ਅਸਪਸ਼ਟ ਇਵਾਲ), ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਸੁਰੱਖਿਆ ਜਾਂਚਾਂ ਛੱਡ ਦੇਵੇ—ਜਿਵੇਂ ਕਿ ਹਲੂਸੀਨੇਸ਼ਨ ਜਾਂ ਪੱਖਪਾਤ ਜਾਂ ਡੇਟਾ ਲੀਕ—and ਟੀਮਾਂ ਨੂੰ ਬਹੁਤ ਜਲਦੀ ਕਾਬਿਲੀਅਤ ਵੱਧ ਦਿਖਾਉਣ ਦੀ ਲੋਭ ਦਿੰਦੇ ਹਨ।
ਊੱਚ-ਲੈਵਰੇਜ ਟੀਮਾਂ ਤੇਜ਼ ਰਹਿਣ ਲਈ ਹਲਕੀ-ਫਲਕੀ ਗਾਰਡਰੇਲਾਂ ਨੂੰ ਗੈਰ-ਮੁਆਫ਼ ਕਰਦੀਆਂ ਹਨ: ਮੂਲ ਇਵਾਲ, ਸਾਫ਼ ਯੂਜ਼ਰ ਸੰਦੇਸ਼, ਅਤੇ ਨਿਯਮਤ ਬੁਰਜ-ਅਵਲੋਕਨ ਫੇਲਯਰ ਮਾਪਦੰਡ।
Paul Graham ਦੀ “ਜੋ ਚੀਜ਼ਾਂ ਸਕੇਲ ਨਹੀਂ ਹੁੰਦੀਆਂ ਉਹ ਕਰੋ” ਸਲਾਹ AI ਉਤਪਾਦਾਂ ਲਈ ਖ਼ਾਸ ਤੌਰ 'ਤੇ ਪ੍ਰਸੰਗਿਕ ਹੈ, ਕਿਉਂਕਿ ਸ਼ੁਰੂਆਤੀ ਮੁੱਲ ਅਕਸਰ ਗੰਦੇ ਡੇਟਾ, ਅਸਪਸ਼ਟ ਉਮੀਦਾਂ, ਅਤੇ ਭਰੋਸੇ ਦੇ ਗੈਪ ਦੇ ਪਿੱਛੇ ਲੁਕਿਆ ਹੁੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਤੁਸੀਂ ਕੁਝ ਵੀ ਆਟੋਮੇਟ ਕਰੋ, ਤੁਹਾਨੂੰ ਸਿੱਖਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਯੂਜ਼ਰ ਅਸਲ ਵਿੱਚ ਸਿਸਟਮ ਤੋਂ ਕੀ ਚਾਹੁੰਦੇ ਹਨ—ਅਤੇ ਉਹ ਕੀ ਬਰਦਾਸ਼ਤ ਕਰਨਗੇ ਜਦੋਂ ਇਹ ਗਲਤ ਹੋ ਜਾਵੇ।
AI ਲਈ, “ਸਕੇਲ ਨਹੀਂ ਹੋਣ ਵਾਲਾ” ਆਮ ਤੌਰ 'ਤੇ ਮੈਨੁਅਲ ਆਨਬੋਰਡਿੰਗ ਅਤੇ ਮਨੁੱਖ-ਇਨ-ਦ-ਲੂਪ ਕੰਮ ਮਤਲਬ ਹੁੰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਸਦਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹੋਗੇ, ਪਰ ਜੋ ਤੁਹਾਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸਪਸ਼ਟ ਜਾਣਕਾਰੀ ਦਿੰਦਾ ਹੈ।
ਤੁਸੀਂ ਕਰ ਸਕਦੇ ਹੋ：
ਇਹ ਹੱਥ-ਹਥਿਆਰ ਕਰਨ ਵਾਲਾ ਕੰਮ ਫालतੂ ਨਹੀਂ; ਇਹ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅਸਲ ਜੌਬ-ਟੂ-ਬੀ-ਡਨ ਕੀ ਹੈ: ਸੰਦਰਭ ਵਿੱਚ “ਚੰਗਾ” ਆਉਟਪੁੱਟ ਕੀ ਹੋਵੇਗਾ, ਕਿਹੜੀਆਂ ਗਲਤੀਆਂ ਅਣਸਵੀਕਾਰਯੋਗ ਹਨ, ਯੂਜ਼ਰਾਂ ਨੂੰ ਕਿੱਥੇ ਵਿਆਖਿਆ ਦੀ ਲੋੜ ਹੈ, ਅਤੇ ਕਿਹੜੀਆਂ ਲੈਟੈਂਸੀ ਜਾਂ ਲਾਗਤ ਪਾਬੰਦੀਆਂ ਮਹੱਤਵਪੂਰਣ ਹਨ।
AI ਟੀਮਾਂ ਅਕਸਰ ਇੱਕ ਹੱਥ-ਨਾਲ ਕੀਤੇ ਸਫ਼ਤ ਕੰਮ ਦੇ ਇੱਕ ਹਫ਼ਤੇ ਤੋਂ ਜ਼ਿਆਦਾ ਮਹੀਨਿਆਂ ਦੀ ਡਾਟਾ-ਬੈਂਚਮਾਰਕਿੰਗ ਨਾਲੋਂ ਵੱਧ ਸਿੱਖਦੀਆਂ ਹਨ।
ਉਦਾਹਰਣ：
ਮਕਸਦ ਹਥ-ਨਾਲ ਰਹਿਣਾ ਨਹੀਂ—ਮਕਸਦ ਇਹ ਹੈ ਕਿ ਹੱਥ-ਨਾਲ ਕਦਮਾਂ ਨੂੰ ਦੁਹਰਾਊ ਉੱਪਾਦਾਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾਵੇ। ਤੁਸੀਂ ਜੋ ਪੈਟਰਨ ਵੇਖਦੇ ਹੋ ਉਹ ਆਨਬੋਰਡਿੰਗ ਚੈੱਕਲਿਸਟ, ਦੁਹਰਾਉਣ ਯੋਗ ਡੇਟਾ ਪਾਈਪਲਾਈਨ, ਆਟੋਮੈਟਿਕ ਇਵਾਲ ਸੂਟ, ਡਿਫੋਲਟ ਟੈਮਪਲੇਟ, ਅਤੇ ਪ੍ਰੋਡਕਟ UI ਬਣ ਕੇ ਬਾਹਰ ਆਉਂਦੇ ਹਨ।
ਜਦੋਂ ਤੁਸੀਂ ਆਖ਼ਿਰਕਾਰ ਸਕੇਲ ਕਰਦੇ ਹੋ, ਤੁਸੀਂ ਕਿਸੇ ਅਸਲੀ ਚੀਜ਼ ਨੂੰ ਸਕੇਲ ਕਰ ਰਹੇ ਹੋ：ਇੱਕ ਵਰਕਫਲੋ ਜੋ ਖਾਸ ਲੋਕਾਂ ਲਈ ਕੰਮ ਕਰਦੀ ਹੈ, ਨਾ ਕਿ ਇੱਕ ਡੈਮੋ ਜੋ ਅਲੱਗ-ਥੱਲਗ ਚੰਗਾ ਲੱਗਦੀ ਹੈ।
ਰਿਸਰਚ ਡੈਮੋ ਇੱਕ ਨਿਯੰਤ੍ਰਿਤ ਸੈਟਿੰਗ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ালী ਲੱਗਣ ਲਈ ਢਾਲਿਆ ਜਾਂਦਾ ਹੈ। ਅਸਲ ਯੂਜ਼ਰ ਵਿਰੋਧ ਕਰਦੇ ਹਨ: ਉਹ ਧਾਰੀਆਂ ਨੂੰ ਟੈਸਟ ਕਰਦੇ ਹਨ, ਅਣਉਮੀਦੀਆਂ ਬੋਲੀ ਲਿਖਦੇ ਹਨ, ਗੰਦੇ ਫਾਇਲ ਅਪਲੋਡ ਕਰਦੇ ਹਨ, ਅਤੇ ਤੱਕ ਊਮੀਦ ਕਰਦੇ ਹਨ ਕਿ ਸਿਸਟਮ ਸੋਮਵਾਰ ਸਵੇਰੇ 9 ਵਜੇ ਕੰਮ ਕਰੇਗਾ ਜਦੋਂ Wi‑Fi ਠੀਕ-ਥਾਪ ਨਾ ਹੋਵੇ। AI ਉਤਪਾਦਾਂ ਲਈ ਉਹ “ਅਸਲ-ਦੁਨੀਆ ਸੰਦਰਭ” ਕੋਲੋਂ ਨਾ-ਹੋਣਾ ਇੱਕ ਸੋਖੀ ਚੀਜ਼ ਨਹੀਂ—ਇਹੀ ਸਥਾਨਕ ਲੋੜਾਂ ਹਨ।
AI ਸਿਸਟਮ ਉਹ ਤਰੀਕੇ ਨਾਲ ਫੇਲ ਹੁੰਦੇ ਹਨ ਜੋ ਸਾਫ-ਸੁਥਰੇ ਬੈਂਚਮਾਰਕ ਵਿੱਚ ਨਹੀਂ ਆਉਂਦੇ। ਯੂਜ਼ਰ ਸਲੈੰਗ, ਡੋਮੇਨ ਜਾਰਗਨ, ਟਾਈਪੋ, ਅਤੇ ਅਸਪਸ਼ਟ ਨਿਰਦੇਸ਼ ਲਿਆਉਂਦੇ ਹਨ। ਡੇਟਾ ਅਪੂਰਾ, ਦੁਹਰਾਇਆ, ਅਜੀਬ ਫਾਰਮੇਟ ਵਿੱਚ, ਜਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਨਾਲ ਭਰਿਆ ਹੋ ਸਕਦਾ ਹੈ। ਐਜ ਕੇਸ ਅਕਸਰ ਰੇਅਰ ਨਹੀਂ—ਉਹ ਉਤਪਾਦ ਦਾ ਹਿੱਸਾ ਹੁੰਦੇ ਹਨ।
ਤਰਕਸ਼ੀਲ ਨਤੀਜਾ ਬਹੁਤ ਸਾਦਾ ਹੈ: ਕੁਝ ਸਧਾਰਨ ਨੂੰ ਰੀਅਲ ਲੋਕਾਂ ਨੂੰ ਡੇਪਲੋ ਕਰੋ, ਫਿਰ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖੋ। ਇੱਕ ਮਾਡਲ ਜੋ ਡੈਮੋ ਵਿੱਚ ਸ਼ानदार ਲੱਗਦਾ ਹੈ ਪਰ ਆਮ ਵਰਕਫਲੋ 'ਤੇ ਟੁੱਟਦਾ ਹੈ, ਉਹ ਰਿਸਰਚ ਆਰਟਿਫੈਕਟ ਹੈ, ਉਤਪਾਦ ਨਹੀਂ।
ਤੁਹਾਨੂੰ ਵੱਡਾ ਇਵਾਲਯੂਏਸ਼ਨ ਫਰੇਮਵਰਕ ਦੀ ਲੋੜ ਨਹੀਂ। ਸ਼ੁਰੂ ਵਿੱਚ, ਸਭ ਤੋਂ ਵਧੀਆ ਸਿਗਨਲ ਅਕਸਰ ਕੁਝ ਤੇਜ਼ ਟੈਸਟ ਹੁੰਦੇ ਹਨ ਜੋ ਨਿਯਮਤ ਨਿਰੀਖਣ ਨਾਲ ਜੋੜੇ ਹੁੰਦੇ ਹਨ：
ਇਹ ਗੁਣਵੱਤਾ ਸਾਬਤ ਕਰਨ ਬਾਰੇ ਘੱਟ ਹੈ ਅਤੇ ਇਸ ਬਾਰੇ ਜ਼ਿਆਦਾ ਹੈ ਕਿ ਸਿਸਟਮ ਕਿੱਥੇ ਵਾਰ-ਵਾਰ ਟੁੱਟ ਰਿਹਾ ਹੈ।
ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਹੋ, ਇਟਰੇਸ਼ਨ "ਮਾਡਲ ਸੁਧਾਰ" ਦੇ ਵਿਸ਼ੇਸ਼ ਨਹੀਂ ਰਹਿੰਦੀ। ਇਹ ਫੇਲਯਰ ਮੋਡਾਂ 'ਤੇ ਇਟਰੇਟ ਕਰਨਾ ਹੁੰਦਾ ਹੈ: ਹਲੂਸੀਨੇਸ਼ਨ, ਲੈਟੈਂਸੀ ਸਪਾਈਕ, ਅਣਪੇਛਾਣ ਲਾਗਤਾਂ, ਗੋਪਨੀਯਤਾ ਖਤਰੇ, ਅਤੇ ਨਰਮ ਇੰਟੀਗ੍ਰੇਸ਼ਨ।
ਉਪਯੋਗੀ ਲੂਪ ਹੈ：detect → reproduce → categorize → fix → verify। ਕਈ ਵਾਰੀ ਫ਼ਿਕਸ ਪ੍ਰਾਂਪਟ/ਟੂਲਿੰਗ ਹੁੰਦੀ ਹੈ, ਕਈ ਵਾਰੀ UI ਸੀਮਾਵਾਂ, ਅਤੇ ਕਈ ਵਾਰੀ ਨੀਤੀ (ਜਿਵੇਂ ਕਿ ਜਿਹੜੀਆਂ ਬੇਨਤੀਆਂ ਸੁਰੱਖਿਅਤ ਤਰੀਕੇ ਨਾਲ ਜਵਾਬ ਨਹੀਂ ਦਿੱਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਉਹਨਾ ਨੂੰ ਇਨਕਾਰ)।
ਤੇਜ਼ ਇਟਰੇਸ਼ਨ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਕਿ ਮਾਡਲ ਪੂਰਨ ਹੈ। ਭਰੋਸੇਯੋਗ AI ਉਤਪਾਦ ਸੀਮਾਵਾਂ ਬਾਰੇ ਖੁਲ੍ਹਾ ਹੋੰਦੇ ਹਨ: ਜਦੋਂ ਜਵਾਬ ਅਣਨਿਤਾ ਹੋ ਸਕਦਾ ਹੈ, ਕਿਹੜਾ ਡੇਟਾ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਗਲਤੀਆਂ ਰਿਪੋਰਟ ਕਰਨ ਦਾ ਤਰੀਕਾ, ਅਤੇ ਸਿਸਟਮ ਕੀ ਨਹੀਂ ਕਰੇਗਾ।
ਇਹ ਪਾਰਦਰਸ਼ਤਾ ਫੀਡਬੈਕ ਨੂੰ ਸਹਿਯੋਗ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ—ਅਤੇ ਟੀਮ ਨੂੰ ਉਤਪਾਦ 'ਤੇ ਧਿਆਨ ਬਣਾਏ ਰੱਖਦੀ ਹੈ ਜੋ ਯੂਜ਼ਰਾਂ ਅਨੁਭਵ ਕਰਦੇ ਹਨ, ਨਾਂ ਕਿ ਡੈਮੋ ਵਰਜਨ।
ਵੈਂਚਰ ਕੈਪੀਟਲ AI ਨਾਲ ਅਨੁਕੂਲ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਉਪਸਾਈਡ ਬਹੁਤ ਵੱਡਾ ਹੋ ਸਕਦਾ ਹੈ ਜਦੋਂ ਕਿ ਰਸਤਾ ਅਣਿਸ਼ਚਿਤ ਹੈ। ਇੱਕ ਮਾਡਲ ਸਫਲਤਾ, ਨਵਾਂ ਇੰਟਰਫੇਸ, ਜਾਂ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਵਜ੍ਹਾ ਇੱਕ ਛੋਟੀ ਟੀਮ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸ਼੍ਰੇਣੀ-ਲੀਡਰ ਬਣਾ ਸਕਦੀ ਹੈ—ਪਰ ਇਸਦੇ ਲਈ ਆਮ ਤੌਰ 'ਤੇ ਉਤਪਾਦ ਪੇਸ਼ਗੀ ਖਰਚਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਇਹ "ਉੱਚ-ਵੈਰੀਅੰਸ" ਪ੍ਰੋਫਾਈਲ VC ਲਈ ਮੂਲ ਤੌਰ 'ਤੇ ਮਾਨਯੋਗ ਹੈ।
Paul Graham ਦਾ Y Combinator ਸਿਰਫ਼ ਰਕਮ ਨਹੀਂ ਦਿੰਦਾ; ਇਸ ਨੇ ਸਟਾਰਟਅਪ ਵਰਤਾਰੀਆਂ ਦਾ ਇੱਕ ਸੈਟ ਪ੍ਰੋਡਕਟਾਈਜ਼ ਕੀਤਾ ਜੋ ਵਿਚਾਰ ਤੋਂ ਕਾਰੋਬਾਰ ਤੱਕ ਦੀ ਦੂਰੀ ਘਟਾਉਂਦੇ ਹਨ। AI ਫਾਊਂਡਰਾਂ ਲਈ, ਇਹ ਅਕਸਰ ਦਿਖਦਾ ਹੈ：
AI ਤਰੱਕੀ ਕਈ ਵਾਰੀ ਕਨਪਿਊਟ, ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਅਤੇ ਇਟਰੈਸ਼ਨ ਲਈ ਸਮੇਂ ਤੋਂ ਰੁਕ ਸਕਦੀ ਹੈ। ਫੰਡਿੰਗ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ：
ਇਸ ਫਲਾਈਵ੍ਹੀਲ ਦੀ ਕੀਮਤ ਵੀ ਹੈ। VC ਵਧੀਆ ਗਤੀ ਦਾ ਦਬਾਅ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਲੋਕਾਂ ਨੂੰ ਚਮਕੀਲੇ ਡੈਮੋ ਸ਼ਿਪ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ ਬਜਾਏ ਕਿ ਦਿਰਘਕਾਲੀ ਵਰਕਫਲੋ ਬਣਾਉਣ। ਹਾਈਪ ਚੱਕਰ ਕੰਪਨੀਆਂ ਨੂੰ ਉਸ ਕਹਾਣੀ ਵੱਲ ਖਿੱਚ ਸਕਦੇ ਹਨ ਜਿਹੜੀ ਪੈਸਾ ਉਠਾਂਦੀ ਹੈ ਨਾ ਕਿ ਉਹ ਜੋ ਯੂਜ਼ਰ ਭੁਗਤਾਨ ਕਰਨਗੇ। ਨਿਰਦੇਸ਼ਿਕ ਫੈਸਲਿਆਂ ਨਾਲ ਤੁਰਦੇ-ਫਿਰਦੇ "ਵਧੇਰੇ ਪੂੰਜੀ" ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਹਦ ਤੱਕ ਲਕੜੀ ਬਣਾ ਸਕਦੇ ਹਨ।
ਸਭ ਤੋਂ ਸਿਹਤਮੰਦ ਸੰਸਕਰਨ ਉਹ ਹੈ ਜਦੋਂ ਫੰਡਿੰਗ ਅਤੇ YC-ਸ਼ੈਲੀ ਅਨੁਸ਼ਾਸਨ ਇੱਕੋ ਗੱਲ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ：ਲੋਕਾਂ ਲਈ ਕੁਝ ਬਣਾਉਣਾ ਤੇਜ਼ੀ ਨਾਲ—ਇਸ ਦੌਰਾਨ ਇਮਾਨਦਾਰ ਰਹਿਣਾ ਕਿ ਇਹ ਟੈਕਨਾਲੋਜੀ ਅਜੇ ਕੀ-ਕੀ ਕਰ ਸਕਦੀ/ਨਹੀਂ ਕਰ ਸਕਦੀ।
ਓਪਨ-ਸੋਰਸ ਹੁਣ AI ਫਾਊਂਡਰਾਂ ਲਈ ਮੂਲ ਸ਼ੁਰੂਆਤੀ ਪੈਕੇਜ ਬਣ ਗਿਆ ਹੈ। ਇਕ ਰਿਸਰਚ ਲੈਬ, ਵੱਡਾ ਬਜਟ, ਜਾਂ ਸਾਲਾਂ ਦੀ ਪ੍ਰਾਈਵੇਟ ਇੰਫਰਾ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ, ਇੱਕ ਛੋਟੀ ਟੀਮ ਸਾਂਝੇ ਹੋਏ ਨਿਰਮਾਣਾਂ (ਮਾਡਲ ਵੈਟਸ, ਟ੍ਰੇਨਿੰਗ ਲਾਇਬ੍ਰੇਰੀਜ਼, ਵੈਕਟਰ ਡੇਟਾਬੇਸ, ਇਵਾਲ ਟੂਲ, ਡਿਪਲੌਇਮੈਂਟ ਟੈਮਪਲੇਟ) 'ਤੇ ਖੜੀ ਹੋ ਕੇ ਇੱਕ ਮੰਨੀ-ਜਾਂਚ ਪ੍ਰੋਟੋਟਾਇਪ ਤੱਕ ਪਹੁੰਚ ਸਕਦੀ ਹੈ। ਇਸ ਨਾਲ ਦਾਖਲਾ ਰੁਕਾਵਟ ਘੱਟ ਹੁੰਦੀ ਹੈ—ਅਤੇ ਮੁਕਾਬਲਾ ਇਸ ਗੱਲ 'ਤੇ ਸਥਿਰ ਹੁੰਦਾ ਹੈ ਕਿ “ਕੌਣ ਬੁਨਿਆਦਾਂ ਬਣਾਂਦਾ ਹੈ” ਦੀ ਥਾਂ “ਕੌਣ ਅਸਲ ਸਮੱਸਿਆ ਬਿਹਤਰ ਹੱਲ ਕਰਦਾ ਹੈ”।
AI ਸਟਾਰਟਅਪਾਂ ਵਿੱਚ ਇੱਕ ਸਾਫ਼ ਪੈਟਰਨ “ਸਟੈਕ-ਬਿਲਡਿੰਗ” ਹੈ: ਫਾਊਂਡਰ ਜਲਦੀ APIs, ਮਾਡਲ, ਅਤੇ ਇੰਫ੍ਰਾ ਨੂੰ ਜੋੜ ਕੇ ਇੱਕ ਉਪਯੋਗੀ ਉਤਪਾਦ ਬਣਾਉਂਦੇ ਹਨ, ਫਿਰ ਅਸਲੀ ਵਰਤੋਂ ਰਾਹੀਂ ਉਸਨੂੰ ਸੁਧਾਰਦੇ ਹਨ। ਇਹ ਜ਼ਿਆਦਾ ਇਸ ਗੱਲ ਬਾਰੇ ਹੈ ਕਿ ਕਿਸ ਮਾਡਲ/ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦੇ ਫੈਸਲੇ ਤੁਹਾਡੇ ਲਿਆ ਜ਼ਿਆਦਾ ਵਧੀਆਂ ਨਤੀਜੇ ਦੇ ਰਹੇ ਹਨ：
ਬਿਲਡਰ ਮਨੋਭਾਵ ਪ੍ਰਾਗਮੈਟਿਕ ਹੈ: ਸਟੈਕ ਨੂੰ ਲੈਗੋ ਬਲਾਕਾਂ ਵਾਂਗ ਮੰਨੋ, ਟੁਕੜੇ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲੋ, ਅਤੇ ਯੂਜ਼ਰ ਨਤੀਜੇ ਦੇ ਆਸਪਾਸ ਅਨੁਕੂਲ ਕਰੋ।
ਓਪਨ-ਸੋਰਸ ਸਾਂਝੀ ਸਮਝ ਨੂੰ ਸਟਾਰਟਅਪ ਰਫ਼ਤਾਰ 'ਤੇ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਲੋਕ ਨਵੇਂ ਤਰੀਕੇ—ਵਧੀਆ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਰੀਸਪੀਜ਼, ਸੁਧਰੇ ਪ੍ਰਾਂਪਟ ਪੈਟਰਨ, ਜ਼ਿਆਦਾ ਸੁਰੱਖਿਅਤ ਟੂਲ-ਕਾਲ—ਦਿਨਾਂ ਵਿੱਚ ਹੀ ਨਮੂਨਿਆਂ ਵਿੱਚ ਪੈਕੇਜ ਕਰ ਦਿੰਦੇ ਹਨ, ਨਾ ਕਿ ਤਿਮਾਹੀਆਂ ਵਿੱਚ।
ਓਪਨ-ਸੋਰਸ ਦੇ ਵਰਤੋਂ ਦਾ ਮਤਲਬ “ਕੁਛ ਵੀ ਕਰਨ ਦੀ ਆਜ਼ਾਦੀ” ਨਹੀਂ ਹੈ। AI ਉਤਪਾਦਾਂ ਨੂੰ ਸ਼ਿਪ ਕਰਨ ਸਮੇਂ ਕੰਪਲੇਅੰਸ ਨੂੰ ਹਿੱਸਾ ਬਣਾ ਕੇ ਦੇਖੋ：
ਤੇਜ਼ ਸਟੈਕ-ਬਿਲਡਿੰਗ ਕਰਨ ਵਾਲੇ ਫਾਊਂਡਰ ਉਹ ਹਨ ਜੋ ਤੇਜ਼ੀਆਂ ਨਾਲ ਬਣਾਉਂਦੇ ਹਨ ਪਰ ਲਾਇਸੈਂਸ ਅਤੇ ਨੀਤੀ ਜਾਂਚਾਂ ਨੂੰ "ਸ਼ਿਪਿੰਗ" ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਰੱਖਦੇ ਹਨ ਤਾਂ ਜੋ ਉਹ ਅਣਜਰੂਰੀ ਖਤਰਿਆਂ ਨੂੰ ਇਕੱਠਾ ਨਾ ਕਰਨ।
AI ਸਟਾਰਟਅਪਾਂ ਕੋਲ ਇੱਕ ਰੁਝਾਨ ਵਾਰਸ ਵਿੱਚ ਹੈ: ਸ਼ਿਪ ਕਰੋ, ਸਿੱਖੋ, ਦੁਹਰਾਓ। ਇਹ ਗਤੀ-ਭਰੁਕਤਾ ਅਕਸਰ ਇੱਕ ਫੀਚਰ ਹੁੰਦੀ ਹੈ—ਤੇਜ਼ ਇਟਰੇਸ਼ਨ ਅਕਸਰ ਹੀ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਯੂਜ਼ਰ ਕੀ ਚਾਹੁੰਦੇ ਹਨ। ਪਰ AI ਨਾਲ, “ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣਾ” ਸੁਰੱਖਿਆ, ਗੋਪਨੀਯਤਾ, ਅਤੇ ਸਹੀ-ਹੋਣ ਨਾਲ ਟਕਰਾਉਂਦਾ ਹੈ ਜਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਆਮ UI ਬੱਗ ਨਾਲੋਂ ਘੱਟ ਮਾਫ਼ੀਯੋਗ ਹੋ ਸਕਦਾ ਹੈ।
ਸੱਭਿਆਚਾਰ ਇਹ ਨਿਣਯ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਅਸਵੀਕਾਰਯੋਗ ਲੱਗਦਾ ਹੈ। ਜੇਕਰ ਟੀਮ ਸਿਰਫ ਡੈਮੋ ਗਤੀ 'ਤੇ ਝੁਕੀ ਹੋਵੇ, ਉਹ ਧੁੰਦਲੇ ਆਉਟਪੁੱਟ, ਅਸਪਸ਼ਟ ਖੁਲਾਸੇ, ਜਾਂ ਸੰਦੇਹਜਨਕ ਡੇਟਾ ਹੈਂਡਲਿੰਗ ਨੂੰ ਬਰਦਾਸ਼ਤ ਕਰ ਸਕਦੀ ਹੈ ਕਿਉਂਕਿ ਉਹ ਲਾਂਚ ਨੂੰ ਰੋਕਦੇ ਨਹੀਂ। ਇੱਕ ਟੀਮ ਜੋ ਭਰੋਸੇ ਨੂੰ ਇੱਕ ਉਤਪਾਦ ਫੀਚਰ ਸਮਝਦੀ ਹੈ, ਕੁਝ ਮੁੱਖ ਜਗ੍ਹਾਂ 'ਤੇ ਥੋੜੀ ਧੀਰਜ ਰੱਖੇਗੀ—ਬਿਨਾਂ ਇਸਦੇ ਕਿ ਬਿਊਰੋਕਰੇਸੀ ਬਣ ਜਾਵੇ।
ਫੈਸਲਾ "ਗਤੀ ਜਾਂ ਸੁਰੱਖਿਆ" ਨਹੀਂ ਹੈ। ਇਹ ਇਹ ਚੁਣਨਾ ਹੈ ਕਿ ਸੀਮਿਤ ਸਮੇਂ ਵਿੱਚ ਕਿੱਥੇ ਸਮਾਂ ਖਰਚ ਕਰਨਾ ਹੈ：ਪ੍ਰਾਂਪਟ ਅਤੇ ਆਨਬੋਰਡਿੰਗ ਨੂੰ ਨਿਖਾਰਨਾ, ਜਾਂ ਸਭ ਤੋਂ ਨੁਕਸਾਨਦੇਹ ਫੇਲਯਰਾਂ ਨੂੰ ਰੋਕਣ ਵਾਲੇ ਗਾਰਡਰੇਲ ਬਣਾਉਣਾ।
ਤੁਹਾਨੂੰ ਇੱਕ compliance ਵਿਭਾਗ ਦੀ ਲੋੜ ਨਹੀਂ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਮਤਲਬੀ ਤੌਰ 'ਤੇ ਜ਼ਿਆਦਾ ਸੁਰੱਖਿਆ ਹੋਵੇ। ਤੁਹਾਨੂੰ ਦੁਹਰਾਊ ਆਦਤਾਂ ਦੀ ਲੋੜ ਹੈ：
ਇਹ ਪ੍ਰਯੋਗ ਛੋਟੇ ਹਨ, ਪਰ ਉਹ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਇੱਕੋ ਹੀ ਗਲਤੀਆਂ ਨੂੰ ਦੁਹਰਾਉਣ ਤੋਂ ਰੋਕਦਾ ਹੈ।
ਜੇ ਤੁਸੀਂ ਸਿਰਫ ਸਾਇਨਅੱਪ, ਰੀਟੇਨਸ਼ਨ, ਅਤੇ ਲੈਟੈਂਸੀ ਮਾਪਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਆਉਟਪੁੱਟ ਦੀ ਗਿਣਤੀ ਅਤੇ ਵਾਧੇ ਨੂੰ ਅਪਟੀਮਾਈਜ਼ ਕਰੋਗੇ। ਕੁਝ ਭਰੋਸਾ ਮੈਟ੍ਰਿਕਸ—appeal rates, false refusal rates, user-reported harm, sensitive-data exposure—ਜੋੜੋ, ਅਤੇ ਟੀਮ ਦੀਆਂ ਪ੍ਰੇਰਣਾਵਾਂ ਬਦਲ ਜਾਣਗੀਆਂ।
ਪ੍ਰਯੋਗਿਕ ਸੁਰੱਖਿਆ-ਚੇਤਾਵਨੀ ਥਿਓਰਟੀਕਲ ਨਹੀਂ ਹਨ। ਉਹ ਉਤਪਾਦ ਨਿਰਣੇ ਹਨ ਜੋ ਗਤੀ ਨੂੰ ਉੱਚਾ ਰੱਖਦੀਆਂ ਹੋਈਆਂ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਘਟਾਉਂਦੀਆਂ ਹਨ।
ਕੁਝ AI ਸਟਾਰਟਅਪਾਂ ਦੀਆਂ "ਸ਼ਕਲਾਂ" ਮੁੜ-ਮੁੜ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ—ਨਾ ਕਿ ਇਸ ਲਈ ਕਿ ਫਾਊਂਡਰਾਂ ਕੋਲ ਕਮਾਲ ਨਹੀਂ, ਪਰ ਇਸ ਲਈ ਕਿ ਇਹ ਸ਼ਕਲਾਂ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖਣ, ਯੂਜ਼ਰ ਤੋਂ ਸਿੱਖਣ, ਅਤੇ ਮੁੱਲ ਪੇਸ਼ ਕਰਨ ਲਈ موزੂੰ ਹਨ।
ਜ਼ਿਆਦਾਤਰ ਨਵੇਂ AI ਉਤਪਾਦ ਕੁਝ ਪਛਾਣਯੋਗ ਬਕਟਾਂ ਵਿੱਚ ਆਉਂਦੇ ਹਨ：
ਸਟਾਰਟਅਪ ਅਕਸਰ ਇੱਕ ਨਿਰਧਾਰਤ ਯੂਜ਼ਰ ਅਤੇ ਇੱਕ ਸਾਫ਼ ਮੁੱਲ-ਵਾਅਦਾ ਚੁਣ ਕੇ ਜਿੱਤਦੇ ਹਨ। “AI ਫਾਰ ਮਾਰਕੇਟਿੰਗ” ਫਿਕਸ ਨਹੀਂ; “ਲੰਬੇ ਵੇਬਿਨਾਰ ਰਿਕਾਰਡਿੰਗਜ਼ ਨੂੰ 15 ਮਿੰਟ ਵਿੱਚ 5 ਪ੍ਰਕਾਸ਼ਿਤ ਕਲਿਪਾਂ ਵਿੱਚ ਬਦਲੋ” ਤੇਜ਼ ਹੋਵੇਗਾ। ਸੰਕੁਚਿਤ ਕਰਨ ਨਾਲ ਫੀਡਬੈਕ ਵੀ ਤੇਜ਼ ਹੋ ਜਾਂਦਾ ਹੈ: ਤੁਸੀਂ ਛੇਤੀ ਪਤਾ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਕੀ ਤੁਸੀਂ ਸਮਾਂ ਬਚਾਇਆ, ਗਲਤੀਆਂ ਘਟਾਈਆਂ, ਜਾਂ ਰੈਵੇਨਿਊ ਵਧਾਇਆ।
ਇਹ ਫੋਕਸ ਤੁਹਾਨੂੰ ਇੱਕ ਜਨਰਿਕ ਚੈਟਬੌਟ ਸ਼ਿਪ ਕਰਨ ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ ਜਦ ਕਿ ਯੂਜ਼ਰ ਦਰਅਸਲ ਇੱਕ ਐਸਾ ਟੂਲ ਚਾਹੁੰਦੇ ਹਨ ਜੋ ਉਹਨਾਂ ਦੀ ਮੌਜੂਦਾ ਅਦਾਤਾਂ, ਅਧਿਕਾਰਾਂ, ਅਤੇ ਡੇਟਾ ਨਾਲ ਮਿਲਦਾ ਜੁਲਦਾ ਹੋਵੇ।
AI ਉਤਪਾਦ ਡੈਮੋ ਵਿੱਚ ਮੁਨਾਫ਼ਾ ਵਾਲੇ ਲੱਗ ਸਕਦੇ ਹਨ ਪਰ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਦਰਦਨਾਕ ਹੋ ਸਕਦੇ ਹਨ। ਪ੍ਰਾਈਸਿੰਗ ਨੂੰ ਉਤਪਾਦ ਡਿਜ਼ਾਈਨ ਦਾ ਹਿੱਸਾ ਮੰਨੋ：
ਜੇ ਤੁਸੀਂ ਸੱਫਟਵੇਅਰ ਵਿੱਚ ਕੋਈ ਪ੍ਰਾਈਸਿੰਗ ਪੇਜ ਰੱਖਦੇ ਹੋ, ਤਾਂ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਇਸਨੂੰ ਸਪਸ਼ਟ ਰੱਖਣਾ ਬਿਹਤਰ ਹੈ ਤਾਂ ਗਾਹਕ ਸੀਮਾਵਾਂ ਸਮਝ ਸਕਣ ਅਤੇ ਟੀਮਾਂ ਮਾਰਜਿਨ ਸਮਝ ਸਕਣ।
Paul Graham ਦੀ ਸਭ ਤੋਂ ਚੰਗੀ ਸਲਾਹ AI 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਅਨੁਵਾਦ ਹੁੰਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਇਕ ਕੌਮਪੋਨੈਂਟ ਵਜੋਂ ਦੇਖੋ, ਉਤਪਾਦ ਨਹੀਂ। ਲਕਸ਼仍 ਇਕੋ ਹੈ: ਕੁਝ ਵਰਤੋਗੀ ਸ਼ਿਪ ਕਰੋ, ਮੁਕਾਬਲੇ ਤੌਰ 'ਤੇ ਹੋਰਨਾਂ ਨਾਲੋਂ ਤੇਜ਼ ਸਿੱਖੋ, ਅਤੇ ਟੀਮ ਨੂੰ ਕੇਂਦਰਿਤ ਰੱਖੋ।
ਇੱਕ ਨਿਰਧਾਰਤ ਯੂਜ਼ਰ ਅਤੇ ਇਕ ਸਪਸ਼ਟ ਕੰਮ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ：
ਜੇ ਤੁਹਾਨੂੰ ਇੱਕ ਸਧਾਰਣ ਫਾਰਮੈਟ ਚਾਹੀਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਪੰਨਾ “ਏਕਸਪੇਰੀਮੈਂਟ ਨੋਟ” ਲਿਖੋ ਅਤੇ ਇਸ ਨੂੰ /docs ਵਿੱਚ ਸਟੋਰ ਕਰੋ ਤਾਂ ਕਿ ਟੀਮ ਸਿੱਖਿਆ ਇਕੱਠੀ ਕਰ ਸਕੇ।
ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰੋਟੋਟਾਇਪ-ਟੂ-ਫੀਡਬੈਕ ਲੂਪ ਨੂੰ ਹੋਰ ਵੀ ਸਿੱਘਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਉਹ ਪਲੇਟਫਾਰਮ ਜਿਵੇਂ Koder.ai ਟੀਮਾਂ ਨੂੰ ਚੈਟ ਇੰਟਰਫੇਸ ਰਾਹੀਂ ਅਸਲ ਐਪਾਂ ਬਣਾਉਣ ਅਤੇ ਇਟਰੇਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ—ਇਹ React ਵੈਬ UI (Go + PostgreSQL ਬੈਕਐਂਡ) ਵਿੱਚ ਵਰਕਫਲੋ ਤੇਜ਼ੀ ਨਾਲ ਟੈਸਟ ਕਰਨ ਲਈ ਉਪਯੋਗੀ ਹੈ, ਬਜਾਏ ਕਿ ਭਾਰੀ ਇੰਜੀਨੀਅਰਿੰਗ ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ।
ਸਕੋਪ ਤੰਗ ਰੱਖੋ ਅਤੇ ਪ੍ਰਗਤੀ ਨੂੰ ਦਿੱਖਾਵੋ：
ਕੁਝ ਆਮ ਜਾਲ ਜੋ ਮਹੀਨੇ ਬਰਬਾਦ ਕਰਦੇ ਹਨ：
ਇੱਕ Paul Graham-ਸਟਾਈਲ ਸੱਭਿਆਚਾਰ—ਕਿਰਿਆ ਲਈ ਪੱਖਪਾਤ, ਸਪੱਸ਼ਟਤਾ, ਅਤੇ ਲਗਾਤਾਰ ਫੀਡਬੈਕ—AI ਉਤਪਾਦਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸੁਧਾਰ ਸਕਦਾ ਹੈ। ਇਹ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ ਜਦੋਂ ਉਸਨੂੰ ਜ਼ਿੰਮੇਵਾਰੀ ਨਾਲ ਜੋੜਿਆ ਜਾਵੇ：ਈਮਾਨਦਾਰ ਇਵਾਲ, ਧਿਆਨਪੂਰਵਕ ਰੋਲਆਉਟ, ਅਤੇ ਜਦੋਂ ਮਾਡਲ ਗਲਤ ਹੋਵੇ ਤਾਂ ਇੱਕ ਯੋਜਨਾ। ਗਤੀ ਮੈਟਰ ਕਰਦੀ ਹੈ, ਪਰ ਭਰੋਸਾ ਉਹ ਮੋਰਟ ਹੈ ਜੋ ਤੁਸੀਂ ਦੁਬਾਰਾ ਨਹੀਂ ਬਣਾ ਸਕਦੇ।
Paul Graham ਨੇ ਫ਼ਾਉਂਡਰ عادਤਾਂ—ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣਾ, ਯੂਜ਼ਰਾਂ ਦੇ ਨੇੜੇ ਰਹਿਣਾ, ਟੀਮਾਂ ਨੂੰ ਛੋਟਾ ਰੱਖਣਾ ਅਤੇ ਜਲਦ ਸ਼ਿਪ ਕਰਨਾ—ਨੂੰ ਲੋਕਪ੍ਰਿਯ ਬਣਾਇਆ, ਜੋ ਕਿ AI ਉਤਪਾਦਾਂ ਨਾਲ ਬੇਹੱਦ ਅਨੁਕੂਲ ਬੈਠਦੀਆਂ ਹਨ。
AI ਕੰਮ ਦੁਬਾਰਾ-ਸੁਧਾਰ (prompts, ਡੇਟਾ, ਵਰਕਫਲੋ, ਇਵਾਲਯੂਏਸ਼ਨ) ਰਾਹੀਂ ਬਿਹਤਰ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਤੇਜ਼ ਸਿੱਖਣ ਲਈ ਇਕੱਤਰ ਸੱਭਿਆਚਾਰ ਡੈਮੋਆਂ ਨੂੰ ਲੋੜੀ ਦੇ ਸੌਫਟਵੇਅਰ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਇੱਥੇ ਇਸਦਾ ਅਰਥ ਇਕ ਐਸਾ ਆਪਰੇਟਿੰਗ ਸਿਸਟਮ ਹੈ ਜੋ ਅਣਿਸ਼ਚਿਤ ਧਾਰਣਾਂ ਨੂੰ ਉਤਪਾਦਾਂ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ：
ਇਹ “ਵਾਈਬਜ਼” ਬਾਰੇ ਨਹੀਂ, ਸਗੋਂ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ ਬਾਰੇ ਹੈ।
ਇੱਕ ਸੰਕੁਚਿਤ ਕੰਮ ਅਤੇ ਇੱਕ ਨਿਸ਼ਚਿਤ ਯੂਜ਼ਰ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ, ਫਿਰ ਸਾਦੀ ਸਵਾਲ ਪੂਛੋ: ਕੀ ਉਹ ਅਗਲੇ ਹਫ਼ਤੇ ਇਸਨੂੰ ਆਪਣੀ ਮੌਜੂਦਾ ਵਿਆਵਸਥਾ ਦੀ ਥਾਂ ਚੁਣਣਗੇ?
ਪ੍ਰਯੋਗਾਤਮਕ ਤਰੀਕੇ:
ਇਟਰੇਸ਼ਨ ਨੂੰ ਇੱਕ ਸਿਸਟਮ-ਸਤਰ ਦੀ ਆਦਤ ਸਮਝੋ, ਨਾ ਕਿ ਇੱਕ-ਵਾਰੀ “ਸਭ ਤੋਂ ਚੰਗਾ ਮਾਡਲ ਚੁਣੋ” ਫੈਸਲਾ。
ਆਮ ਇਟਰੇਸ਼ਨ ਲਿਵਰਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ：
ਇਹ ਸ਼ੁਰੂ ਵਿੱਚ ਮਨੁੱਖੀ, ਨਾ-ਸਕਲੇਬਲ ਕੰਮ ਕਰਕੇ ਪਤਾ ਲਗਾਉਣ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਖੀਰਕਾਰ ਕੀ ਆਟੋਮੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਉਦਾਹਰਣ:
ਲੇਖੇ-ਜੋਖੇ ਬਾਅਦ ਵਿੱਚ ਸਿਸਟਮ ਬਣਾਉਣ ਲਈ ਸਪਸ਼ਟ ਨਿਯਮ, ਡਾਟਾ ਪਾਈਪਲਾਈਨ ਅਤੇ ਟੈਮਪਲੇਟ ਬਣਾਉਂਦੇ ਹਨ।
ਛੋਟੇ-ਅੰਕੜੇ ਵਿੱਚ ਸ਼ੁਰੂ ਕਰੋ ਅਤੇ ਮੁੜ-ਹੋਨਹਾਰ ਫੇਲਯਰ ਲੱਭਣ 'ਤੇ ਧਿਆਨ ਦਿਓ, ‘ਗੁਣਵੱਤਾ ਸਾਬਤ’ ਕਰਨ 'ਤੇ ਨਹੀਂ।
ਲਾਭਕਾਰੀ ਸ਼ੁਰੂਆਤੀ ਸਿਗਨਲ:
ਫਿਰ ਇੱਕ ਤੰਗ ਲੂਪ ਚਲਾਓ: detect → reproduce → categorize → fix → verify。
ਗਤੀ ਰੱਖੋ ਪਰ ਕੁਝ ਗਾਰਡਰੇਲ ਅਣ-ਮੁਅੱਤਲ ਨਾ ਕਰੋ:
ਇਹ ਛੋਟੀ-ਛੋਟੀ ਆਦਤਾਂ ਤੇਜ਼ੀ ਨਾਲ ਇਟਰੈਟ ਕਰਦੇ ਹੋਏ ਵੱਡੀਆਂ ਗਲਤੀਆਂ ਦੁਹਰਾਉਣ ਤੋਂ ਰੋਕਦੀਆਂ ਹਨ।
ਜਦੋਂ ਤਕਨੀਕ ਹਫ਼ਤੇ ਦੇ ਅੰਦਰ-ਅੰਦਰ ਬਦਲਦੀ ਹੈ, ਛੋਟੀ ਟੀਮਾਂ ਕੋਆਰਡੀਨੇਸ਼ਨ ਟੈਕਸ ਤੋਂ ਬਚਦੀਆਂ ਹਨ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਮੁੜ-ਦਿਸ਼ਾ ਬਦਲ ਸਕਦੀਆਂ ਹਨ।
ਆਮ ਪੈਟਰਨ:
ਜਲਦੀ ਸਵਾਲ ਪੁੱਛਣ ਅਤੇ ਫੈਸਲੇ करने ਵਾਲੇ ਫਾਊਂਡਰਾਂ ਨੇ ਵੀ ਤੁਰੰਤ ਫਾਇਦਾ ਹੁੰਦਾ ਹੈ।
VC AI ਦੇ ਉੱਚ-ਵੈਰੀਅੰਸ ਪ੍ਰੋਫਾਈਲ ਨਾਲ ਮਿਲਦਾ ਹੈ: ਵੱਡੀ ਉਮੀਦ, ਅਣਿਸ਼ਚਿਤ ਰਸਤਾ ਅਤੇ ਅਗੇ ਤੋਂ ਖਰਚੀਲਾ ਢਾਂਚਾ।
YC-ਸ਼ੈਲੀ ਸਹਿਯੋਗ ਤੇਜ਼ੀ ਕਿਵੇਂ ਲਿਆਉਂਦਾ ਹੈ:
ਪਰ ਇਹ ਫਲਾਈਵ੍ਹੀਲ ਦਬਾਅ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਸਿਰਫ਼ ਡੈਮੋ ਦੀ ਭੋਜਲੀ ਨੂੰ ਤਰਜੀਹ ਦੇਵੇ।
ਓਪਨ-ਸੋਰਸ AI ਫਾਊਂਡਰਾਂ ਲਈ ਮੁਢਲਾ ਸਟਾਰਟਰ-ਕਿੱਟ ਬਣ ਗਿਆ ਹੈ। ਰਿਸਰਚ ਲੈਬ ਜਾਂ ਵੱਡੇ ਬਜਟ ਦੇ ਬਿਨਾਂ, ਛੋਟੀ ਟੀਮ ਇੱਕ ਮੰਨਯੋਗ ਪ੍ਰੋਟੋਟਾਇਪ ਤੱਕ ਪਹੁੰਚ ਸਕਦੀ ਹੈ। ਇਹ ਮੁਕਾਬਲੇ ਨੂੰ ਬੁਨਿਆਦੀ ਤਿਆਰ ਕਰਨ ਤੋਂ ਬਚਾ ਕਰ “ਅਸਲ ਸਮੱਸਿਆ ਨੂ ਦੂਰ ਕਰਨ” ਵੱਲ ਮੋੜ ਦਿੰਦਾ ਹੈ।
ਕੁਝ ਅਹਿਮ ਬਿੰਦੂ:
ਤੇਜ਼ ਸਟੈਕ-ਅਸੰਬਲੀ ਨਾਲ ਨਾਲ ਨੀਤੀ ਜਾਂ ਲਾਇਸੈਂਸਿੰਗ ਜਾਂਚਾਂ ਨੂੰ “ਸ਼ਿਪਿੰਗ” ਦਾ ਹਿੱਸਾ ਬਣਾਓ।