מבוא ל-AI באינטרנט

כשמפתחים באמצעות AI, אפשר ללכת לאיבוד בבחירת המודל, בתשתית ובקוד. יכול להיות שתשכחו את התמונה הגדולה.

ביחידה הזו אנחנו מציגים תוכנית שאפשר להשתמש בה כדי למפות כל תכונה או מוצר חדשים של AI:

• למה אתה בונה? איזה ערך מקרה השימוש שלך ב-AI מביא למשתמשים?
• איך האפליקציה שלך תפעל?
• איך אפשר לוודא שכל חלק במערכת מפותח בצורה אחראית?

כדי להבין איך התוכנית הזו פועלת, נניח שאתם עובדים באתר למסחר אלקטרוני, Example Shoppe. המתחרים שלך עסוקים בהוספת צ'אטבוטים גנריים, אבל הם לא רואים הרבה התעניינות. אתם רוצים לשפר את חוויית המשתמש, ומחליטים לשפר את חוויית החיפוש בלי לשבש את תהליכי המשתמש העיקריים.

בעזרת שדרוג מבוסס-AI, הקונים יכולים להקליד ביטויים בשפה טבעית, כמו "נעלי ריצת שטח אדומות לחורף", ולקבל תוצאות רלוונטיות שאולי לא היו מופיעות בחיפוש שמבוסס על מילות מפתח.

הזדמנות

כל פרויקט AI צריך להתחיל עם תרחיש שימוש ברור: משימה או בעיה של משתמש שכדאי לפתור באמצעות AI. ה-AI מוסיף לאפליקציה אי ודאות וסיכונים אחרים, ולכן כדאי להשתמש בו רק אם אי אפשר לפתור את הבעיה בדרך קונבנציונלית ודטרמיניסטית.

תרחיש שימוש

באתר Example Shoppe, החיפוש הוא פונקציה מרכזית שמקשרת בין המשתמשים לבין המוצרים שהם מחפשים. לעתים קרובות משתמשים נוטשים חיפושים אם הם לא מצליחים למצוא את מה שהם מחפשים בגלל שגיאות הקלדה, מילים נרדפות או שאילתות לא ברורות. אתם יודעים את זה מניתוח הנתונים שלכם, אבל גם ממחקר חיצוני. חיפוש גמיש וחכם יותר יכול לשפר את היעילות והחוויה של התהליכים שהמשתמשים עוברים.

דוגמאות נוספות לתרחישי שימוש ב-AI:

• באתר חדשות, אפשר להפחית את העומס הקוגניטיבי על ידי סיכום החדשות בצורה מובנית.
• בפלטפורמה לפרסום, אפשר לשפר את הנגישות על ידי הצעת טקסטים חלופיים וכתוביות באופן אוטומטי.
• אם אתם ספקי שירותי ענן, אתם יכולים לצמצם את מספר בקשות התמיכה באמצעות חיפוש חכם יותר במסמכים.

זיהוי הזדמנויות בעלות ערך גבוה הוא המפתח להצלחה עם AI. כפי שמצוין בדוח של RAND Corporation, אחת הסיבות העיקריות לכישלון של פרויקטים מבוססי-AI היא בחירה לא נכונה של הזדמנות.

ערך

לערך יש שני צדדים: היתרונות למשתמשים והיתרונות למוצר או לעסק. ברוב המוצרים הבריאים והאחראיים, יש התאמה בין שני הדברים האלה: כשהמשתמשים מצליחים, גם העסק צומח. לדוגמה, ב-Shoppe, חיפוש משופר באמצעות AI יוצר ערך בכך שהוא עוזר למשתמשים למצוא את המוצרים הנכונים מהר יותר, עם פחות חיכוך. כך משפרים את גילוי המוצרים, את שיעורי ההמרה ואת שביעות הרצון של הלקוחות לטווח ארוך.

לפעמים הערך הוא לא מוחשי, כמו שביעות רצון ואמון של המשתמשים. במיוחד בהתחלה, מומלץ למצוא דרך לכמת את הצעת הערך. כך תוכלו לקבוע סדר עדיפויות, להסביר את ההשפעה ולשכנע את בעלי העניין. גם אומדנים גסים יכולים לעזור לכם לקבל החלטות ולמדוד את ההצלחה.

פתרון

אחרי שמסבירים למה מוסיפים AI למוצר, צריך לחשוב איך מיישמים אותו. אפשר לעיין באבני הבניין העיקריות של פתרון מבוסס-AI.

נתונים

הנתונים הם הדלק של ה-AI. בסופו של דבר, איכות התוצאות של מערכת ה-AI תלויה באיכות הנתונים שמגיעים אליה. נתונים לא טובים, לא מלאים או לא תואמים מובילים לתוצאות חלשות ולמשתמשים מתוסכלים, לא משנה כמה מתוחכמים המודל או התשתית. לעומת זאת, נתונים באיכות גבוהה ומנגנון נתונים מעגלי ומתוכנן היטב הם גורמים שמניעים ערך, ויכולים גם להפוך לחלק מהבידול של המוצר.

הנתונים מגיעים בצורות ובאופנים שונים. לדוגמה, בחיפוש מבוסס-AI, נתונים שימושיים יכולים לכלול:

• נתונים מובְנים: שמות מוצרים, צבעים, מידות, קטגוריות וזמינות.
• נתונים לא מובְנים: תיאורי מוצרים, ביקורות משתמשים ושאלות נפוצות.
• רשימות מילים נרדפות: קשרים בין מונחים, למשל 'נעלי ספורט' שווה ל'נעלי ריצה'.
• אותות מהמשתמשים: קליקים, משך שהייה, פעולות של הוספה לעגלת הקניות ורכישות הם אותות שעוזרים למודלים ללמוד מה המשתמשים באמת מוצאים רלוונטי.
• נתונים חזותיים: תמונות של מוצרים שאפשר להטמיע באינדקס של דמיון חזותי, כדי לאפשר למשתמשים לחפש לפי תמונה או לגלות פריטים דומים מבחינה חזותית, גם ללא טקסט תואם.

יכול להיות שזה נראה כמו הרבה נתונים, אבל אל דאגה. כדאי להתחיל עם כמה מקורות נתונים שמציעים את יחס האות לרעש הכי טוב, ואז להרחיב את המערכת כשהיא מתפתחת.

ברוב המקרים, הנתונים הגולמיים שלכם לא מוכנים להזנה למודל. צריך לנקות אותו, לבצע בו עיבוד מקדים ולארגן אותו בפורמט שמתאים ל-AI. לדוגמה, אפשר להפוך אותות משתמשים לרצפים של פעולות, ואילו תיאורי מוצרים לא מובנים יכולים להיות מוצפנים כהטמעות סמנטיות.

אפשר להשתמש בנתונים בשלבים שונים במחזור החיים של ה-AI:

• במהלך האימון או הכוונון העדין, הוא משמש ללימוד דפוסים ויחסים של המודל.
• בשלב ההערכה, אפשר להשתמש בו כדי לבדוק את האיכות, הדיוק והרלוונטיות.
• בשלב הייצור, אפשר להשתמש בו כדי לעקוב אחרי סחף ולאסוף משוב משימוש בעולם האמיתי.

בקיצור, הנתונים הם לא רק קלט, אלא נכס חי. ניהול נתונים בצורה טובה הוא אחת המיומנויות החשובות ביותר שמפתח אתרים יכול לרכוש לעצמו כשהוא עובד עם AI.

Intelligence

שכבת האינטליגנציה היא המקום שבו ה-AI מזקק ויוצר ערך. לרוב, יש מודל בבסיס של המערכת, אבל רוב המערכות מורכבות יותר. בדוגמה של Shoppe, שכבת ה-Intelligence מנתחת את שאילתות המשתמשים באמצעות אוסף של שיטות:

• זיהוי ישויות בעלות שם וחילוץ מידע כדי לחלץ מאפיינים כמו color=red או season=winter.
• מודל להטמעת משפטים כדי ליצור ייצוגים סמנטיים של שאילתות משתמשים ומוצרים זמינים.
• חיפוש סמנטי כדי לאחזר תוצאות רלוונטיות.
• מודל קטן ומותאם אישית לדירוג מחדש כדי לדרג את התוצאות בצורה מדויקת לפי הרלוונטיות שלהן.

האינטליגנציה היא ללא ספק החלק הכי מעניין במערכת ה-AI שלכם, אבל היא גם הרכיב שהכי מנופח. מודלים חדשים מתפרסמים מדי שבוע, ולעתים קרובות מלווים בהצהרות שיווקיות מוגזמות.

אלה שני גורמים חשובים שכדאי לקחת בחשבון:

• ה-AI לא מוגבל ל-AI גנרטיבי ולמודלים גדולים של שפה (LLM). עדיף להשתמש במודלים קטנים וייעודיים כדי לבצע הרבה משימות, כי הם מהירים יותר וזולים יותר לפריסה ולתחזוקה.
• מערכות AI מהחיים האמיתיים נדיר שמסתמכות על מודל מונוליטי יחיד. במקום זאת, הם משתמשים בארכיטקטורות מורכבות של AI, שילובים של מודל אחד או יותר עם רכיבים נוספים, כמו מסדי נתונים, ממשקי API ואמצעי הגנה. הם פועלים יחד כדי לספק התנהגות חזקה ומודעת-הקשר.

במקום לנסות להשיג את הנתונים הכי עדכניים בטבלאות המובילות, כדאי לבחור את הנתונים העסקיים שמתאימים לבעיה שלכם, כדי שתוכלו להתאים את עצמכם ככל שהמוצר והעסק שלכם מתפתחים. במודולים הבאים תקבלו בסיס בטכניקות ה-AI הנפוצות ביותר כרגע: AI חיזוי ו-AI גנרטיבי. בנוסף, תלמדו איך להעריך ולבחור את הגישה הטכנית הנכונה למערכת שלכם.

חוויית משתמש

ממשק המשתמש הוא הערוץ שדרכו המשתמשים נהנים מהערך של ה-AI. ממשקי תוכנה דטרמיניסטיים הם ודאיים וניתנים לחיזוי: אותו קלט תמיד יוצר את אותו פלט. עם AI, אתם מכניסים אי-ודאות. שתי שאילתות כמעט זהות יכולות להניב תוצאות שונות לחלוטין, ואפילו מודלי ה-AI הכי חזקים ידועים בהזיות ובטעויות אחרות.

צריך לתכנן את המעבר הזה בקפידה, במיוחד אם מוסיפים AI למוצר קיים. צ'אטבוטים עם שאלות פתוחות הם כיפיים, אבל מורכבים ומסוכנים בפועל.

בהתחלה, כדאי לצמצם את אי הוודאות והסיכון שהמשתמשים חשופים אליהם. לדוגמה, במקרה של חנות הדוגמה, אפשר לשלב את החיפוש מבוסס ה-AI בשקט בממשק הקיים. המשתמשים ממשיכים להקליד שאילתות בשפה טבעית ומקבלים תוצאות חיפוש באיכות טובה יותר.

למרות שתכונת ה-AI פועלת ברקע, מומלץ להגביר את השקיפות. לדוגמה, אפשר להוסיף הודעה והסבר קצר על האופן שבו המערכת בוחרת את התוצאות האלה.

במאמר דפוסי חוויית משתמש, תלמדו איך לאזן בין החשיפה ל-AI, היכולות והסיכון בחוויית המשתמש של המוצר שלכם.

ניהול

מערכות AI צריכות להיבנות באופן אחראי. מומלץ לבנות מערכת שמגנה על פרטיות המשתמשים, מצמצמת את ההטיה, מספקת שקיפות ועומדת בכל התקנים המשפטיים הרלוונטיים. ממשל תקין לא נועד רק לצורך עמידה בדרישות התאימות – הוא עיקרון עיצובי מרכזי שנועד להבטיח את אמון המשתמשים ואת אימוץ המוצר.

בחיפוש מבוסס-AI של חנות הדוגמה, השליטה מתחילה באמצעי הגנה שמוטמעים במוצר:

• פרטיות: נתוני ההתאמה האישית נשארים מקומיים אלא אם המשתמשים מצטרפים באופן מפורש. אפשר להפעיל או להשבית את ההגדרה הזו בכל שלב.
• הוגנות: אנחנו בודקים את תוצאות החיפוש כדי לוודא שהחשיפה של המוכרים מאוזנת.
• אמון ושקיפות: בחנות הדוגמה אפשר ללמוד למה תוצאה מסוימת הופיעה בראש כל שאילתת חיפוש. כך תוכלו לבנות אמון בקרב המשתמשים.
• בטיחות: שאילתות מוגבלות או לא בטוחות (לדוגמה, פריטים אסורים) מסוננות או נחסמות באמצעות אמצעי הגנה.
• אפשרויות פעולה: אם שיפורי ה-AI לא מועילים, המשתמשים יכולים לסגור במהירות את ההצעות של ה-AI, לדווח על תוצאות או אינטראקציות לא טובות עם ה-AI ולחזור לחיפוש מבוסס מילות מפתח בלבד.

כדי לפתח AI באופן אחראי, אתם צריכים לקחת אחריות על תהליך הפריסה. תכנון אמצעי הגנה ומשוב יעילים. אתם קובעים את רמת הבטיחות והאמינות של החוויה, ומגדירים את הציפיות לגבי השימוש בה והמגבלות שלה. אין לכם שליטה מלאה על התוצאות, אבל אתם צריכים להיות מוכנים להתייחס לכל חשש.

במאמר פיתוח אחראי באמצעות AI תוכלו לקרוא על ההיבטים המרכזיים של ניהול AI, ולקבל כלים מעשיים לפיתוח אפליקציות AI אמינות וברות-קיימא.

העיקריים מהשיחה

תוכנית הפעולה של מערכת ה-AI יכולה לעזור לכם לקבל תמונה ברורה ולתאם את הפעולות שלכם בכל פרויקט AI שבו אתם משתתפים. הסברנו בקצרה כל רכיב בתוכנית, ובמהלך הקריאה תלמדו יותר על כל שלב.

תוכלו לראות את התוכנית הזו שוב בדוגמאות שונות, עם הסברים מפורטים יותר על שכבות מסוימות.

בדיקת ההבנה