大模型的时代下，我们需要什么样的数据思维。

最近在写毕业大论文，回想起来自己初入职场的时候，面对领导下发的工作，会有一股手忙脚乱的感觉，但是当我把工作上的问题一股脑丢给GPT等大模型后，这些大模型总会返回给我们一些看起来很正确，但是可能对我们的业务并没有什么实际意义的车轱辘话。
所以我最近找了一门数据分析的课程进行学习，在其中获得了一些可以上手的实操收获与心得。

大模型的弊病

诚然现在大模型可以在文字撰写、编码上胜任很多初中级的工作，但是人类的发散性思维和行动指导，是大模型无可替代的。
这是什么意思呢，首先，我们了解下大模型回复的本质，它本质上并非真正在思考，而是根据概率学选择下一个最贴合的文字，组成一段回复。
这也意味着，依靠大模型的回复是概率驱动的，概率模型贴合人类语言规律，而非真的在分析、判断或推理。
如果只是依靠大模型来糊弄职场的工作，是一件随时会暴雷的事情。
因为你不能真正依靠概率黑盒去期盼大模型是解决你所有职场问题的银弹。

如何雅俗共赏，用好大模型

在这里，我首先需要澄清的是，我并非是传统的守旧派，告诉你不能使用大模型、大模型无法依靠，相反，我是使用大模型优化工作的忠实拥簇者，截止今年5月，中国已经有了5.15亿的用户群体去使用大模型，这里面大部分是四十岁以下的用户，这意味着，如果今天我们拒绝去使用大模型，作为信息从业人员，那么下一批时代淘汰的名单里一定会有我们的存在。
但是单纯的使用、依靠、依赖大模型，会让我们的能力退化，成为一个巨婴。
我们犯的最容易的错误就是对着自己的一亩三分田微薄的成就自以为是和以为别人都是草包，只依赖大模型，没有自己的思考是很容易被替代，而如何更好的将大模型与我们的工作结合在一起才是我们需要探讨的。
在这里我依旧简单放出答案，数据时代，我们在使用大模型的时候，核心需要的是结构化思维、公式化思维、业务化思维。
结构化思维意味着，为了解决工作上一个具体的业务，首先我们自己的思路要清晰，只有我们自己先对要解决的问题有一个有序的、方向性、结构的分析，才能真切的解决紊乱的问题，这意味着，大模型是对我们思维的补充和落地，是为了服务于我们结构化的思考，将我们的思考归纳和整理、递进和拆解、完善和补充的，而不只是它随机生成什么，我们就立刻信服的。
结构化思维是需要找到核心的论点，也就是核心的问题，这一点譬如OKR目标，MECE思维，都是相同的，通过找到核心的问题，我们进行结构拆解，层层分解为子问题，这些问题呈现因果、依赖或者相互独立的关系。
而结构化的拆解后，我们会得到可量化的解决路径，或者说，我们需要得到可量化的解决路径，这个获得的过程，大模型可以起到很多的帮助。
在拥有了解决路径后，我们就需要去验证我们的路径可行，这就需要用到公式化的思维，因为一切结构都可量化。
举个例子，譬如说今天我们想要提高数据安全的检出率，数据安全的检出率是一个比较笼统的概念，它的计算方式是敏感数据量/敏感数据，而再往下细分，就是高敏感数据、中敏感数据、低敏感数据/数据总量。敏感数据的检出率并不是一个单一维度，可能高敏感数据的检出更容易提升，也最容易见效，如果没有公式化的思维，我们就很难找到具体的落地解决点，也无法验证我们结构化思考得到的解决方案的可行性，因此公式化思维是我们在平时必须培养和训练的。
最后我们需要依靠的就是业务化思维，现在很多的公司都在考虑微调大模型，最终都是为了适应自身公司的业务，这一点也就意味着，现有的阶段下，我们和大模型相比的优势就在于，我们会比他更贴近业务，更清楚的知道公司的业务通过使用大模型如何优先改进和更敏锐的发掘大模型在业务上的不足。
这也要求我们遇到问题，不只是纯粹的只向大模型求救，而是从业务方的角度去思考、通过结构化、公式化的拆解问题，找到可以体现自己价值的改进点，最后落地出真正有价值的产品或服务，而不只是做出一些并没有什么人用，敝帚自珍的产品。

写在最后

其实在大模型越来越发达的现在，我觉得我们可能不止需要提升数据思维、产品思维、项目思维，大模型对我们提出的挑战是更综合和全面的，前阵子AWS裁员了很多人，在不久前我才通过了它们的AI证书考试，了解了它们整个平台的大模型产品，很优秀、很值得钦佩，但是也很容易让人思考，如果有一天我们干的那三瓜两枣的活大模型都全干了，那我们还能去干什么。