LaCulturaDelDato #096
Dati & algoritmi attraverso i nostri 5 sensi
For my English speaking friends, click here for the translated version
Ciao,
sono Stefano Gatti e questo è il novantaseiesimo numero della newsletter LaCulturaDelDato: dati & algoritmi attraverso i nostri 5 sensi. Le regole che ci siamo dati per questo viaggio le puoi trovare qui.
🚀 Sezione Sponsor: “OfficeOfCards”.
È un onore introdurre Davide Cervellin, noto data-expert con un'ampia esperienza internazionale in ruoli chiave di marketing, digital e general management. Davide ci presenta il suo corso “Iper Produttività”, un percorso che ho esplorato personalmente durante le vacanze di Natale. Questo corso rappresenta l'essenza di anni di esperienza e conoscenza dei più rinomati esperti di produttività, offrendo una visione pratica e diretta. Pur essendo un appassionato del tema, ma non un esperto come
👍 Se ami la produttività e cerchi un approccio attivo ed efficace nella gestione del tempo.
👍👍 Se aspiri a una vita più organizzata, efficiente e focalizzata sugli obiettivi.
👍👍👍 Se cerchi soluzioni pratiche per gestire l'overload quotidiano, credendo nel miglioramento continuo.
👎 Se non vedi la produttività come una sfida e preferisci il multitasking.
👎👎 Se il tempo per investire su te stesso è limitato.
Per i lettori della newsletter, Davide offre uno sconto esclusivo con il codice “LaCulturaDelDato-1” che puoi usare qui! E se lo fai fammi sapere se e cosa ti è piaciuto di più. Qualunque sia la tua scelta buona produttività! 🚀
Ed ora i cinque spunti del novantaseiesimo numero:
👂🏾Organizzazione e cultura dei dati e algoritmi nelle organizzazioni. The Big Decision: Working in Start-ups vs Big Companies
“E' meglio lavorare in una start-up o in una grande azienda?” Questa è la domanda che mi è stata posta decine di volte, soprattutto da giovani con cui ho lavorato nei quasi trent'anni della mia carriera in azienda. Come per tutte le domande complesse, la risposta è: dipende! Tuttavia provo a darti qualche spunto, poiché è una domanda su cui ho riflettuto spesso durante la mia vita lavorativa. Lo faccio con lo stesso spirito con cui risponderei ai miei due figli, se e quando me lo chiederanno.
Questo articolo sintetizza efficacemente i pro e i contro del lavorare in ciascuno dei due tipi di organizzazioni. È stato scritto da
sul suo eccellente blog, ma in realtà è una breve intervista a Willem Spruijt, un amico e membro del suo team quando lavoravano entrambi in Uber.
In questa tabella, trovi riassunta una buona parte dell'articolo, che ti consiglio di leggere comunque integralmente per le utilissime osservazioni che contiene. Una delle cose che mi ha colpito, e che non è inclusa nella tabella, è questa: "Una delle cose più sottovalutate delle grandi aziende è che è sorprendentemente facile costruire una grande rete di contatti mentre si lavora lì!"
Se poi sei interessato a consigli più specifici sul mondo dei data-expert,
Concludo suggerendoti il miglior atteggiamento da adottare quando devi prendere una decisione del genere: essere il più consapevole possibile delle differenze e cercare di capire quali si adattano meglio al tuo modo di interpretare il lavoro, specialmente in quello specifico momento della tua vita.
🖐️Tecnologia (data engineering). Redefining Code: How AI is Shaping the Future of Software Development
L'ambito lavorativo in cui la Generative AI sta avendo maggiore impatto, e continuerà a farlo in futuro, è il modo in cui sviluppiamo il software. Persone come Andrey Karpathy, al centro dell'evoluzione della generative AI, hanno anticipato aspetti di questa trasformazione anni fa. Ti consiglio di leggere il suo articolo di novembre 2017 su Software 2.0, che offre una visione profetica di ciò che sta accadendo ora.
Karpathy descrive il "software 1.0", quello scritto in linguaggi come Python e C++, come un insieme di istruzioni esplicite create dai programmatori. Questo codice identifica punti specifici nello spazio della programmazione con comportamenti desiderati. Invece, il "software 2.0" è scritto in un linguaggio più astratto, come i pesi di una rete neurale, inaccessibile direttamente agli umani. Questo codice è in gran parte generato automaticamente, poiché codificare manualmente i pesi di una rete neurale è un'impresa ardua.
Oggi, nonostante l'avvento di strumenti come Chat-GPT4 e GitHub Copilot, siamo ancora a un livello che potrei definire "Software 1.1". Karpathy e altri, come Christian Mayer del blog Finxter fa qui, delineano la transizione verso il software 2.0, evidenziando le aree in cui questa è già più marcata.
Personalmente, e so che potresti considerare questo un pensiero da "Boomer", credo che il passaggio al Software 2.0 sarà più graduale di quanto si immagini. Non tutto il software adotterà questa nuova modalità, fermandosi forse, in alcuni casi, a una versione 1.9. Questo perché il software 2.0 presenta un certo livello di imprevedibilità e difficoltà di comprensione per la mente umana, aspetti che potrebbero non essere accettabili in sistemi critici. Inoltre, la migrazione delle capacità umane per interagire con il Software 2.0 richiederà tempo.
La strada per passare dal software 1.1 a versioni più avanzate è comunque impervia. Anche l'attuale livello degli assistenti alla programmazione non è ancora del tutto soddisfacente. Dobbiamo affrontare diversi "gradini" di cambiamenti. Uno di questi, come ho già scritto, è la transizione verso un approccio di sviluppo più orientato ai test (Test Driven Development), che considero fondamentale per progredire rapidamente. Se sei interessato a esplorare l'evoluzione degli assistenti di scrittura del codice, Data Machina offre un'ottima panoramica, e trovo interessante anche l'approccio "ChatCoder" di questo team di ricercatori cinesi.
👀 Data Science. Mastering Data Science Tools: Enhance Your Skills with AI and Chat-GPT4
Come scrivevo qualche settimana fa, sono convinto che il ruolo del data scientist sia in profonda trasformazione. In quel post, ti avevo provato a disegnare scenari, fornendoti anche il parere di alcuni esperti a livello mondiale. È importante ipotizzare scenari per scegliere la migliore direzione verso il futuro, ma è soprattutto fondamentale fare ogni giorno passi concreti. Quello che ti consiglio, e che è l'oggetto degli approfondimenti di oggi, è di iniziare ad usare bene, sia come data expert che come data scientist, gli strumenti che la generative AI ti offre per aumentare la tua efficacia e efficienza. Oggi, lo strumento migliore per farlo è, a mio parere, Chat-GPT4 con Advanced Data Analysis e Code Interpreter, che sono ormai integrati nello strumento. Per usarli al meglio, almeno per ora, devi lavorarci molto, fare pratica (e tanti errori), e conoscere le tecniche di prompt engineering, sia generali che specifiche per la data analysis e la data science.
Ecco una mia selezione di 5 risorse per migliorare l’uso dei prompt e non solo, con un piccolo commento per ciascuna:
1) Il tutorial ufficiale di OpenAI: oltre a fornirti esempi di prompt, ti dà un'idea dei task che puoi realizzare con ChatGPT4.
2) 6 strategie generiche di prompting, utilissime, condivise dall'amico
nella sua newsletter natalizia. Me la sono appesa vicino alla scrivania e la uso spesso come ripasso.3) 7 consigli avanzati su come usare al meglio ChatGPT4 per scrivere codice.
4) Un post con un utile video di Natassha Selvaraj che ti guida nell'analisi dati partendo da un file CSV con ChatGPT4. Natassha ha anche scritto recentemente il libro "Automate Everyday Tasks with ChatGPT Plus" per Manning. Un grazie a
per la segnalazione.5) L'amico e professore di Artificial Intelligence Ajit Jaokar in questo post fornisce molte informazioni utili per usare gli LLM in problemi di data science, con molti link a risorse per migliorare il prompt engineering in questo ambito.
Personalmente sto riflettendo su come includere nel mio corso all'Università Cattolica, dedicato al processo decisionale in azienda, una parte relativa all'uso ottimale del prompt engineering e, in generale, della generative AI.
👃Investimenti in ambito dati e algoritmi. Google's Search Evolution: Navigating the New Era of AI and SEO
La centralità di Google e del suo motore di ricerca nell'economia del mondo occidentale è palese. Negli ultimi 20 anni, molte attività economiche, in particolare quelle digitali o di recente costituzione, si sono fortemente affidate ai meccanismi di ricerca di Google e, in particolare, alle strategie di SEO (Search Engine Optimization), di cui ho recentemente discusso in un'intervista con il guru del settore, Eric Enge. Ecco perché, pensando agli investimenti nei nuovi business, è cruciale tenere d'occhio l'evoluzione della ricerca, specialmente in combinazione con la generative AI e gli assistenti personali, ai quali probabilmente delegheremo molte delle nostre attuali ricerche. Ti invito a leggere questo articolo di Giorgio Taverniti, uno dei principali esperti italiani in materia, che classifica otto diversi tipi di ricerche effettuate sul motore di Google, dalle ricerche generiche a quelle commerciali, fino a quelle risolutive/assistenziali, già efficacemente gestite da sistemi come Chat-GPT 4.
👅Etica & regolamentazione & impatto sulla società. Navigating Climate Change: Dashboards That Make a Difference
Tutti i consigli di approfondimento in questa sezione della newsletter oggi hanno due caratteristiche in comune: misurano in maniera quantitativa e attenta fenomeni legati al cambiamento climatico e sono visualizzazioni complesse di dati, tecnicamente definibili come dashboard. La voce inglese di Wikipedia descrive una dashboard come “un tipo di interfaccia grafica che fornisce una visione a colpo d'occhio degli indicatori chiave (KPI) relativi a un particolare obiettivo o processo aziendale.” Lo scopo? Far risparmiare tempo e migliorare il processo decisionale.
Speriamo che questo sia particolarmente vero in questo caso, perché abbiamo tutti bisogno di decisioni veloci ed efficaci per ridurre le emissioni di gas serra. Sia il progetto Climate Change Tracker che l'UCL Climate Action Unit evidenziano dati solidi, a prova di negazionista razionale (se esiste). Il primo offre dati primari su sostanze inquinanti e relativi effetti, con diverse viste a seconda dello specifico utilizzo; la seconda dashboard offre informazioni meno ovvie con una grafica veramente accattivante. Ti segnalo anche CarbonBombs.org che presenta viste diverse sui siti di estrazione di petrolio, campi di estrazione di gas e miniere di carbone in corso di realizzazione, che rappresentano una minaccia significativa per gli obiettivi climatici. Per ultimo, ma non meno importante, ti segnalo il progetto tutto italiano LungoLeVieDellAcqua, che fornisce diverse visualizzazioni chiare su come il cambiamento climatico stia impattando significativamente sulla risorsa idrica nelle varie regioni del nostro paese.
Se hai ulteriori suggerimenti e riflessioni sui temi di questo numero o per migliorare questa newsletter scrivimi (st.gatti@gmail.com) o commenta su substack.
Se ti è piaciuta e non sei ancora iscritto lascia la tua mail qui sotto e aiutami a diffonderla!
Alla prossima!
Penso che ci sia un'altra grossa differenza, soprattutto per i più giovani, tra decidere di lavorare in una startup e in una big tech. Questo considerando che otto o nove volte su dieci una startup, quando non fallisce, diventa (soprattutto da noi in Italia) una PMI: e quindi ci si ritrova a lavorare in una realtà che, se per alcuni aspetti magari culturali magari se ne discosta, nelle dinamiche relazionali e di potere diventa non diversa da un'azienda padronale o familiare. Dunque, meglio lavorare (da giovani) in una PMI o in una grande azienda? Occorre tenere presente che in una fase successiva passare da grande azienda a PMI, sia pure a costo di qualche tradeoff, è sempre possibile, perché il brand della grande azienda sul curriculum è un asset prezioso. Invece il passaggio da PMI a grande azienda, se ci si rende conto di volere quell'esperienza, è molto più raro; perché le persone senior della grande azienda sono in genere cresciute in azienda molto più che reclutate da fuori, e se sono reclutate da fuori è più probabile che arrivino da un'altra grande azienda. In sintesi, all'inizio della carriera la grande azienda offre un'opzionalità che la PMI non offre.