DPS 周刊 52 - 追寻重要的问题而不是难题
最近在翻 Designing Machine Learning System 这本书,非常扎实的一本书。比如,作者建议不要盲目在生产项目中追求 SOTA,而要考虑哪个算法最适用这一商业问题,如果有一个算法又简单又便宜,当然应该选择这一算法,而不是为了追求 SOTA 而选择 SOTA。
类似的,在学校里,我们发论文时只需要考虑模型本身的指标,当然是越高越好;但是在工业界就完全不一样了,因为模型指标和商业需求并一定完全一致,而且衡量模型好坏的指标也不仅仅是模型本身的指标,可能还有一些外在的指标,比如处理速度等等。所以在工业界训练一个模型需要考虑的范围更广,选择如何衡量一个模型比选择什么模型更重要。
我们的人生也是如此,在学校里追求难题或许帮助我们脱颖而出,而在生活中则不然。与其在生活中追寻难题去解决,不如追寻重要的问题去解决。
Highlights
欢迎订阅《生产力周报》 专栏,获得最新生产力建议!
Recap
Hannah England 介绍说,temptation bundling 能帮助我们有效完成不想完成任务的一种方法:就是当我们要做一件不太想做的同时,我们一起做一件比较享受的事。比如我们不喜欢打扫房间,那么可以在打扫房间时听自己喜欢的有声书,这样打扫房间就没那么痛苦了。具体而言,我们可以通过三个步骤来梳理自己的 temptation bundling:
- 创建一个两栏的表格,左边是我们想做的事,右边是我们应该做的事;
- 试着将两边的事结合起来;
- 看看两边是否有冲突。
Ben Kuhn 回顾自己的过去,发现自读书开始,他就倾向于解决难题。这样的选择在学校里当然行得通,因为可以让你拿到更高的分数,但是在现实世界里却并不一定。所以他建议,在现实中,我们要着眼于重要问题,而不是难题。
卢修斯·阿内乌斯·塞内卡 曾经著有 On the Shortness of Life 一书,DXB 读完这本书之后,以与塞内卡对谈的形式将这本书中的精华展现给大家:
- 生命并不短暂,要命的是我们一直在浪费;
- 我们在物质上注重节俭,但是在时间上一点都不节俭;
- 我们常常寄希望于不在掌控中的未来,而不在意当下;
- 我们应该不要把时间浪费在无关紧要的人和事上。
Will Larson 分享了一个简单的面试技巧:STAR 模型:
- situation: 基于什么情况;
- task: 你承担的任务;
- actions: 你所采取的行动;
- result: 你的 "行动 "的结果。
Bessemer Venture Partners 曾经投资了 LinkedIn,Shopify,Pinterest,Twilio,Twitch,Yelp 等一干知名公司。他们是如何做出这些投资决策的呢?他们公布了以上这些投资的备忘录,里面非常详细地记录了各种调查细节,以及他们的决策过程。
本周的生产力日报集合就到此为止,如果你有什么建议,也欢迎留言告诉我们。如果想要收到最及时的推荐,不妨订阅我们的频道,或者付费解锁更多增值内容,我们下期见。
Comments ()