智能的代价
LLM 中固有的三个风险
LLM 容易产生幻觉、提示注入和越狱的漏洞，对其广泛采用和负责任的使用构成了重大但可克服的挑战。我们认为这些问题是固有的，当然在当前这一代模型中是这样，并且可能在 LLM 本身中也是如此，因此我们的方法永远不能基于消除它们；相反，我们应该应用“纵深防御”策略来缓解它们，并且在构建和使用这些系统时，要假设它们有时会在这些方面失败。
醉醺醺的抄袭者
与副驾驶协同工作
在尝试使用这些工具之前，您需要了解它们在表面上做什么，至少在表面上是这样，因为即使是它们的创造者也自由地承认他们不了解它们是如何在所有从当前互联网上抓取的统计数据和文本的深处工作的。LLM 的诀窍是使用一点随机性和大量文本来高斯化句子中的下一个词。这真的看起来有点微不足道，当然不是任何理解这个词的人可能会使用的智能衡量标准。但这是一个聪明的技巧，并且确实有一些应用。
给工程师问题，而不是解决方案
提高解决方案和鼓舞士气的简单策略
这项技术是关于提供“为什么”而不是“如何”。与其规定具体的解决方案，不如提出问题和期望的结果，让您的团队弄清楚如何解决它。这培养了创造力、共同所有权和协作问题解决。它还使团队能够努力寻求最佳解决方案。
AWS 的系统正确性实践
利用形式化和半形式化方法
构建可靠和安全的软件需要一系列方法来推理系统正确性。除了行业标准的测试方法（例如单元测试和集成测试）之外，AWS 还采用了模型检查、模糊测试、基于属性的测试、故障注入测试、确定性模拟、基于事件的模拟和执行跟踪的运行时验证。形式化方法一直是开发过程的重要组成部分——也许最重要的是，形式化规范作为测试预言机，为 AWS 的许多测试实践提供了正确的答案。正确性测试和形式化方法仍然是 AWS 的关键投资领域，这些领域的投资已经看到了出色的回报，加速了这些领域的投资。
我的职业生涯受限的沟通
认真思考您的内容。您为此付出了很多。
认真思考您如何呈现您的内容。无论是在电子邮件、文档还是幻灯片中，都应使用醒目的视觉效果，使内容更易于消化，并清晰突出最重要的要点。确保数据、图表和照片都明确标记，并注明任何注意事项。总的来说，避开饼图、平均值和百分比。这是因为，尽管这些工具可能很流行，但它们通常只能讲述故事的一部分，并且错失了突出数据集的相对大小、异常值或随时间变化的趋势的机会。
数据中心计算机的中间表示
降低稳健且高性能分布式系统的负担
我们已经到了分布式计算无处不在的地步。内存应用程序数据大小正在超过单台机器的容量，因此需要将其划分为集群；在线服务具有高可用性要求，只有通过将系统部署为多个冗余组件的集合才能满足这些要求；高持久性要求只能通过数据复制来满足，有时甚至跨越广阔的地理距离。虽然可以说，采购必要的硬件并使用从 Kubernetes 等集群编排器到函数即服务等较新范例的各种工具来部署分布式应用程序从未如此容易，但构建正确且高效的分布式解决方案在很大程度上仍然是一项个人练习。