Pengantar AI di web

Saat mengembangkan dengan AI, Anda bisa bingung dalam memilih model, infrastruktur, dan kode. Anda mungkin melupakan gambaran besarnya.

Dalam modul ini, kami memperkenalkan cetak biru yang dapat Anda gunakan untuk memetakan fitur atau produk AI baru:

• Mengapa Anda membangun? Apa nilai yang diberikan kasus penggunaan AI Anda kepada pengguna?
• Bagaimana cara kerja aplikasi Anda?
• Bagaimana cara memastikan setiap bagian sistem Anda dikembangkan secara bertanggung jawab?

Untuk memahami cara kerja cetak biru ini, bayangkan Anda bekerja di situs e-commerce, Example Shoppe. Kompetitor Anda sibuk memasang chatbot generik, tetapi mereka hanya mendapatkan sedikit daya tarik. Anda ingin memberikan pengalaman yang lebih baik bagi pengguna, dan memutuskan untuk meningkatkan pengalaman penelusuran, tanpa mengganggu alur pengguna inti.

Dengan upgrade yang didukung AI, pembeli dapat mengetik frasa dalam bahasa alami, seperti "sepatu lari trail merah untuk musim dingin", dan mendapatkan hasil yang relevan yang mungkin terlewatkan dengan penelusuran berbasis kata kunci.

Peluang

Setiap project AI harus dimulai dengan kasus penggunaan yang jelas: tugas atau masalah pengguna yang layak diselesaikan dengan AI. AI menimbulkan ketidakpastian dan risiko lain ke dalam aplikasi Anda, jadi Anda hanya boleh menggunakannya jika masalah tidak dapat diatasi dengan cara deterministik yang konvensional.

Kasus penggunaan

Untuk Example Shoppe, penelusuran adalah fungsi utama yang menghubungkan pengguna dan produk yang mereka cari. Pengguna sering kali menghentikan penelusuran jika gagal karena salah ketik, sinonim, atau kueri yang tidak jelas. Anda mengetahui hal ini dari analisis Anda sendiri, tetapi juga dari riset eksternal. Dengan penelusuran yang lebih fleksibel dan cerdas, perjalanan pengguna Anda dapat menjadi lebih efisien dan menyenangkan.

Contoh kasus penggunaan AI lainnya meliputi:

• Di situs berita, Anda dapat mengurangi beban kognitif dengan meringkas berita secara terstruktur.
• Di platform publikasi, Anda dapat meningkatkan aksesibilitas dengan menyarankan teks alternatif dan teks secara otomatis.
• Sebagai penyedia layanan cloud, Anda dapat mengurangi permintaan dukungan melalui penelusuran dokumentasi yang lebih cerdas.

Menemukan peluang bernilai tinggi adalah kunci kesuksesan dengan AI. Seperti yang ditemukan dalam laporan RAND Corporation, memilih peluang yang salah adalah salah satu alasan utama kegagalan proyek AI.

Nilai

Nilai memiliki dua sisi: manfaat bagi pengguna dan manfaat bagi produk atau bisnis. Pada sebagian besar produk yang sehat dan bertanggung jawab, hal ini selaras: saat pengguna berhasil, bisnis juga berkembang. Misalnya, Shoppe, penelusuran yang ditingkatkan AI menciptakan nilai dengan membantu pengguna menemukan produk yang tepat lebih cepat, dengan lebih sedikit hambatan. Hal ini meningkatkan penemuan produk, rasio konversi, dan kepuasan pelanggan dalam jangka panjang.

Terkadang, nilai bisa tidak berwujud, seperti kepuasan dan kepercayaan pengguna. Terutama di awal, sebaiknya temukan cara untuk mengukur proposisi nilai. Hal ini memberi Anda dasar yang kuat untuk memprioritaskan, mengomunikasikan dampak, dan meyakinkan pemangku kepentingan. Bahkan perkiraan kasar dapat memandu keputusan dan membuat kesuksesan dapat diukur.

Solusi

Setelah mengklarifikasi alasan Anda menambahkan AI ke produk, pikirkan cara Anda akan menerapkannya. Lihat elemen penyusun utama solusi AI.

Data

Data adalah bahan bakar AI. Pada akhirnya, sistem AI Anda dibatasi oleh seberapa baik sistem tersebut dapat mempelajari data Anda. Data yang buruk, tidak lengkap, atau tidak selaras akan menghasilkan hasil yang buruk dan membuat pengguna frustrasi, terlepas dari kecanggihan model atau infrastrukturnya. Sebaliknya, data berkualitas tinggi dan siklus data yang dirancang dengan baik adalah pendorong nilai yang juga dapat menjadi bagian dari diferensiasi produk Anda.

Data hadir dalam berbagai bentuk dan modalitas. Untuk contoh penelusuran yang didukung AI, data yang berguna dapat mencakup:

• Data terstruktur: judul produk, warna, ukuran, kategori, dan ketersediaan.
• Data tidak terstruktur: deskripsi produk, ulasan pengguna, dan FAQ.
• Daftar sinonim: hubungan istilah, seperti "sepatu kets" sama dengan "sepatu lari".
• Sinyal pengguna: klik, waktu tunggu, tindakan tambahkan ke keranjang, dan pembelian adalah sinyal yang membantu model mempelajari apa yang sebenarnya relevan bagi pengguna.
• Data visual: gambar produk yang dapat disematkan ke dalam indeks kemiripan visual, sehingga pengguna dapat menelusuri berdasarkan foto atau menemukan item yang mirip secara visual, bahkan tanpa teks yang cocok.

Mungkin terlihat seperti banyak data, tetapi jangan khawatir. Mulailah dengan sedikit sumber data yang menawarkan rasio sinyal terhadap derau yang paling kuat, lalu perluas saat sistem Anda menjadi lebih matang.

Dalam sebagian besar kasus, data mentah Anda kemungkinan belum siap untuk diproses oleh model. Data tersebut perlu dibersihkan, diproses awal, dan diatur ke dalam format yang kompatibel dengan AI. Misalnya, sinyal pengguna dapat diubah menjadi urutan tindakan, sementara deskripsi produk yang tidak terstruktur dapat dienkode sebagai sematan semantik.

Data dapat digunakan pada berbagai tahap dalam siklus proses AI:

• Dalam pelatihan atau penyesuaian, data ini digunakan untuk mengajarkan pola dan hubungan kepada model.
• Dalam evaluasi, Anda dapat menggunakannya untuk menguji kualitas, akurasi, dan relevansi.
• Dalam produksi, Anda dapat menggunakannya untuk melacak penyimpangan dan mengumpulkan masukan dari penggunaan di dunia nyata.

Singkatnya, data bukan hanya input, tetapi aset yang hidup. Mengelola data dengan baik adalah salah satu keterampilan paling berharga yang dapat dikembangkan oleh developer web saat bekerja dengan AI.

Kecerdasan

Lapisan kecerdasan adalah tempat AI menyaring dan menciptakan nilai. Sering kali, ada model di intinya, tetapi sebagian besar sistem lebih kompleks. Untuk Example Shoppe, lapisan intelijen memahami kueri pengguna menggunakan berbagai metode:

• Pengenalan entity bernama dan ekstraksi informasi untuk mengekstrak atribut seperti color=red atau season=winter.
• Model penyematan kalimat untuk membuat representasi semantik kueri pengguna dan produk yang tersedia.
• Penelusuran semantik untuk mengambil hasil yang relevan.
• Model pemeringkatan ulang kecil yang disesuaikan untuk memeringkat hasil secara akurat berdasarkan relevansi.

Kecerdasan adalah bagian yang paling menarik dari sistem AI Anda, tetapi juga merupakan komponen yang paling banyak dibicarakan. Model baru dirilis setiap minggu, sering kali disertai dengan klaim pemasaran yang berlebihan.

Berikut dua faktor utama yang perlu dipertimbangkan:

• AI tidak terbatas pada AI generatif dan model bahasa besar (LLM). Banyak tugas lebih baik dilakukan oleh model khusus yang lebih kecil yang lebih cepat dan lebih murah untuk di-deploy dan dipelihara.
• Sistem AI di dunia nyata jarang mengandalkan satu model monolitik. Sebagai gantinya, mereka menggunakan arsitektur AI gabungan, kombinasi dari satu atau beberapa model dengan komponen tambahan, seperti database, API, dan pembatasan. Keduanya bekerja sama untuk memberikan perilaku yang kuat dan sesuai konteks.

Daripada mengejar lagu terbaru di papan peringkat, pilih kecerdasan yang sesuai dengan masalah Anda, yang memungkinkan Anda beradaptasi seiring berkembangnya produk dan bisnis Anda. Di modul mendatang, Anda akan mendapatkan dasar-dasar teknik AI yang paling umum saat ini: AI prediktif dan AI generatif. Anda juga akan mempelajari cara mengevaluasi dan memilih pendekatan teknis yang tepat untuk sistem Anda.

Pengalaman pengguna

Antarmuka pengguna adalah saluran yang memberikan nilai AI kepada pengguna Anda. Antarmuka software deterministik bersifat pasti dan dapat diprediksi: input yang sama selalu menghasilkan output yang sama. Dengan AI, Anda memperkenalkan ketidakpastian. Dua kueri yang hampir identik dapat menghasilkan hasil yang sangat berbeda, dan bahkan model AI yang paling canggih pun dikenal berhalusinasi dan membuat jenis kesalahan lainnya.

Anda harus sangat berhati-hati dalam melakukan perubahan ini, terutama jika Anda menambahkan AI ke produk yang sudah ada. Chatbot terbuka memang menyenangkan, tetapi rumit dan berisiko dalam praktiknya.

Pada awalnya, berusahalah untuk meminimalkan ketidakpastian dan risiko yang dihadapi pengguna. Misalnya, dalam kasus Example Shoppe, penelusuran yang didukung AI dapat diintegrasikan secara diam-diam ke dalam antarmuka yang ada. Pengguna terus mengetik kueri bahasa alami, dan mereka menerima hasil penelusuran yang lebih berkualitas.

Meskipun fitur AI berfungsi di latar belakang, sebaiknya perkuat transparansi. Misalnya, Anda dapat menambahkan pemberitahuan dan penjelasan singkat tentang cara sistem mengumpulkan hasil ini.

Dalam Pola UX, Anda akan mempelajari cara menyeimbangkan eksposur, kemampuan, dan risiko AI dalam pengalaman pengguna produk Anda.

Tata kelola

Sistem AI harus dibangun secara bertanggung jawab. Anda harus membangun sistem yang melindungi privasi pengguna, mengurangi bias, memberikan transparansi, dan memenuhi semua standar hukum yang relevan. Tata kelola yang baik bukan hanya untuk kepatuhan, tetapi juga merupakan prinsip desain yang penting untuk mengamankan kepercayaan dan adopsi pengguna.

Dalam penelusuran berteknologi AI Example Shoppe, tata kelola dimulai dengan pengamanan yang dibangun ke dalam produk:

• Privasi: Data personalisasi tetap berada di perangkat kecuali jika pengguna secara eksplisit memilih untuk menggunakannya. Fitur ini dapat diaktifkan atau dinonaktifkan kapan saja.
• Keadilan: Hasil penelusuran diaudit untuk memastikan eksposur yang seimbang di seluruh penjual.
• Kepercayaan dan transparansi: Contoh Shoppe menawarkan peluang untuk mempelajari alasan hasil diberikan di bagian atas setiap kueri penelusuran. Hal ini memberikan peluang untuk membangun kepercayaan dengan pengguna.
• Keamanan: Kueri yang dibatasi atau tidak aman (misalnya, item terlarang) akan difilter atau diblokir melalui batas aman.
• Upaya Hukum: Pengguna dapat dengan cepat menutup saran AI, melaporkan hasil atau interaksi AI yang buruk, dan kembali ke penelusuran hanya dengan kata kunci, jika peningkatan AI tidak membantu.

Untuk membangun AI secara bertanggung jawab, Anda harus memiliki kepemilikan atas proses deployment Anda. Rancang batas aman dan feedback loop yang cermat. Anda membentuk keamanan dan keandalan pengalaman, sekaligus menetapkan ekspektasi untuk penggunaan dan batasnya. Meskipun Anda tidak dapat mengontrol output sepenuhnya, Anda harus siap untuk mengatasi masalah apa pun.

Anda akan mempelajari lebih lanjut aspek inti tata kelola AI di Membangun secara bertanggung jawab dengan AI, yang akan melengkapi Anda dengan alat praktis untuk membangun aplikasi AI yang berkelanjutan dan tepercaya.

Kesimpulan Anda

Blueprint sistem AI dapat membantu Anda mendapatkan kejelasan dan keselarasan untuk setiap proyek AI yang Anda ikuti. Kita telah membahas setiap elemen cetak biru secara umum, dan saat Anda melanjutkan membaca, Anda akan mempelajari setiap langkah lebih lanjut.

Anda dapat melihat cetak biru ini lagi untuk contoh yang berbeda, dengan lapisan tertentu yang dijelaskan secara lebih mendalam.

Periksa pemahaman Anda