کاوش موارد استفاده

شما در موقعیت عالی‌ای برای پیدا کردن فرصت‌های ارزشمند برای هوش مصنوعی هستید. می‌توانید هم امکان‌سنجی فنی یک ایده و هم تأثیر آن بر تجربه کاربر را ارزیابی کنید، دو دیدگاهی که باید برای موفقیت ویژگی‌های هوش مصنوعی باهم متحد شوند. نباید ویژگی‌های هوش مصنوعی را صرفاً به‌دلیل جدید یا جالب بودن آن‌ها بسازید، بلکه باید به این دلیل آن‌ها را بسازید که واقعاً زندگی را برای کاربران آسان‌تر، سریع‌تر، یا لذت‌بخش‌تر می‌کنند.

این ماژول روشی ساختاریافته و تکرارشونده را برای ایده‌پردازی، مشخص کردن، و نمونه‌سازی موارد استفاده از هوش مصنوعی در محصولتان شرح می‌دهد.

درک ارزش هوش مصنوعی

درخت فرصت هوش مصنوعی زیر دسته‌های بزرگ ارزشی را که هوش مصنوعی می‌تواند ارائه دهد تعریف می‌کند:

فرصت‌ها به موارد استفاده نگاشت می‌شوند.
شکل ۱. برای هر دسته از ارزش هوش مصنوعی، چندین مورد استفاده وجود دارد. برای مثال، در دسته راحتی، می‌توانید فیلترهای هوشمند یا تکمیل خودکار با بهره‌گیری از هوش مصنوعی بسازید.

دسته‌های ارزشی را برای چارچوب‌بندی راه‌حل‌هایتان فهرست کرده‌ایم. همان‌طور که در فهرست پیش می‌روید، پیچیدگی، ریسک، و احتمال تأثیر بر کاربر افزایش می‌یابد:

  • اطلاعات آماری: تصمیم‌گیری را بهبود دهید.
  • راحتی: اصطکاک را بردارید.
  • خودکارسازی: جایگزین کردن کارهای تکراری.
  • افزایش: به کاربران در انجام کارهای پیچیده یا خلاقانه کمک می‌کند.
  • شخصی‌سازی: محصول را با نیازها و اولویت‌های فرد تطبیق دهید.

ابتدا سعی کنید موارد استفاده با تأثیر کمتر را حل کنید. برای مثال، با سیستم هوش مصنوعی داخلی، اطلاعات آماری بهتری از محصول جمع‌آوری کنید تا بتوانید محصولتان را از درون بهبود دهید. سپس، بدهی UX موجود خود را ممیزی کنید و از هوش مصنوعی برای کاهش اصطکاک و بار شناختی برای کاربران خود استفاده کنید. با کسب اعتمادبه‌نفس و تجربه، می‌توانید به‌سمت موارد استفاده پیچیده‌تر بروید و مواجهه با هوش مصنوعی را افزایش دهید.

بااین‌حال، ممکن است فرصت‌های بسیار مؤثری را کشف کنید، مانند لمس‌های سبک شخصی‌سازی، که به‌طور شگفت‌انگیزی قابل‌دسترس، کم‌خطر و معنادار هستند.

شناسایی فرصت‌ها در محصول شما

برای تعیین ایده مناسب، باید درک خوبی از کاربران خود داشته باشید. با تیم تجربه کاربری خود کار کنید یا پرسوناها را مرور کنید تا مشخص کنید این کاربران چه کسانی هستند. رویکرد کاربرمحور (یا انسان‌محور) اتخاذ کنید و فرصت‌های هوش مصنوعی را که پیدا می‌کنید به موارد استفاده واقعی برای محصولتان نگاشت کنید.

این موارد می‌تواند شامل موارد زیر باشد:

  • باانگیزه از نیازهای صریح کاربر یا چالش‌های عمده.
  • توسط اعضای تیم یا خودتان پیشنهاد شده است. در این مورد، اعتبارسنجی سریع با کاربران برای جلوگیری از تله «هوش مصنوعی به‌خاطر هوش مصنوعی» ضروری است.
  • از رقبا الهام بگیرید، اما با احتیاط این کار را انجام دهید. مخاطبان و بافت رقبایتان می‌تواند با شما متفاوت باشد. زودتر اعتبارسنجی کنید تا آزمایش کنید که آیا ابتکارات موفق رقبا به محصول شما منتقل می‌شود یا نه.

برای مثال، جدول زیر ایده‌هایی برای وب‌سایت رزرو پرواز دارد:

مسیر کاربر اطلاعات آماری عمیق‌تر راحتی خودکارسازی افزودن شخصی‌سازی
کاوش کردن بینش‌های تحلیلی گرایش

چرا باید از هوش مصنوعی برای اطلاعات آماری گرایش‌ها استفاده کرد؟

داده‌های بازار را تحلیل می‌کند تا روندهای جستجوی پرطرفدار و نوظهور را نشان دهد.

فیلترهای هوشمند

چرا باید از هوش مصنوعی برای فیلترهای هوشمند استفاده کرد؟

فیلترهای هوشمند و زمینه‌ای را برای محدود کردن کارآمد نتایج جستجو اعمال کنید.

    الهام‌بخشی شخصی‌سازی‌شده

چرا از هوش مصنوعی برای الهام شخصی‌سازی‌شده استفاده می‌شود؟

پیشنهادهای سفارشی براساس رفتار و اولویت‌های گذشته ارائه دهد.

کاوش کردن       خلاصه‌های تصویری

چرا باید از هوش مصنوعی برای خلاصه‌های تصویری استفاده کرد؟

خلاصه‌های مختصر و گرافیکی از داده‌ها یا گزینه‌های پیچیده تولید کنید.

پیشنهادهای تطبیقی

چرا باید از هوش مصنوعی برای پیشنهادهای تطبیقی استفاده کرد؟

وقتی کاربر با گزینه‌ها تعامل می‌کند، توصیه‌ها را به‌طور پویا تنظیم کنید.

تصمیم‌گیری قیمت‌گذاری پیش‌بینی‌کننده

چرا باید از هوش مصنوعی برای قیمت‌گذاری پیش‌بینانه استفاده کرد؟

پیش‌بینی قیمت آتی محصول یا سرویس برای کمک به تصمیم‌گیری درباره رزرو.

    امتیازدهی قابلیت اطمینان

چرا باید از هوش مصنوعی برای امتیازدهی قابلیت اطمینان استفاده کرد؟

براساس عملکرد و مرورهای گذشته، به گزینه‌ها امتیاز دهید.

 
رزرو کردن   تکمیل خودکار فرم‌ها

چرا از هوش مصنوعی برای تکمیل خودکار استفاده می‌شود؟

تکمیل خودکار داده‌های کاربر برای تسریع تسویه‌حساب.

تشخیص تقلب

چرا از هوش مصنوعی برای شناسایی کلاهبرداری استفاده می‌شود؟

تراکنش‌ها یا رفتار مشکوک کاربر را درطول فرایند رزرو شناسایی و پرچم‌گذاری کنید.

   
پس‌از رزرو   اعلان‌های هوشمند

چرا باید از هوش مصنوعی برای اعلان‌های هوشمند استفاده کرد؟

هشدارهای به‌موقع و متناسب با بافتار درباره تغییرات برنامه سفر یا خدمات مرتبط ارسال کنید.

رزرو مجدد پیش‌کنشی

چرا از هوش مصنوعی برای رزرو مجدد پیش‌کنشی استفاده می‌شود؟

اگر رزرو فعلی مختل شود، به‌طور خودکار گزینه‌های جایگزین را جستجو و پیشنهاد می‌کند.

  فروش افزوده شخصی‌سازی‌شده

چرا باید از هوش مصنوعی برای بیش‌فروشی شخصی‌سازی‌شده استفاده کرد؟

براساس رزرو فعلی کاربر، برافزاها یا ارتقاهای مرتبط و با ارزش بالاتر ارائه دهید.

در هر مرحله از مسیر کاربر، می‌توانید فرصت‌های مختلفی را برای افزودن ارزش با هوش مصنوعی شناسایی کنید.

راه‌حل خود را شکل دهید

تاکنون، چندین ایده هوش مصنوعی را در مسیر کاربر خود ترسیم کرده‌اید. مرحله بعدی این است که به آن‌ها شکل دهید و اعتمادبه‌نفس کافی به‌دست آورید تا بتوانید تصمیم بگیرید کدام‌یک را اول توسعه دهید. این یک تلاش تیمی است و معمولاً توسط مدیر محصول هدایت می‌شود. به‌عنوان توسعه‌دهنده، مسئولیت اصلی شما برآورد هزینه، تلاش، و خطرات راهکار هوش مصنوعی برنامه‌ریزی‌شده است.

ایده‌هایتان را مشخص کنید

ابتدا، هر ایده را در یک مشخصه سریع و جامع ثبت کنید. می‌توانید از طرح سیستم هوش مصنوعی از مقدمه ما استفاده کنید. معمولاً، توسعه‌دهندگان روی بخش راه‌حل تمرکز می‌کنند، درحالی‌که فرصت توسط مدیر محصول مشخص می‌شود. این تمرین به همه افراد مبنایی مشترک برای هم‌سویی و بحث قبل‌از پیش رفتن می‌دهد.

ارزیابی تلاش و هزینه

سپس، ارزیابی کنید که اجرای ایده‌تان چقدر دشوار است. برای مثال، افزودن فیلترهای هوشمند ممکن است فقط به تجزیه مبتنی بر پیام‌واره با میانای برنامه‌سازی کاربردی مدل زبانی بزرگ نیاز داشته باشد که نمونه‌سازی و اجرای آن سریع است و تنظیم آن آسان‌تر است. درمقابل، یک دستیار رزرو شخصی‌سازی‌شده به خطوط لوله داده سفارشی، میاناهای برنامه‌سازی کاربردی رزرو، و سازوکارهای دقیق مشارکت انسانی در حلقه نیاز دارد که کار بسیار سنگین‌تری است.

تلاش و هزینه را در ابعاد مختلف بررسی کنید:

  • آمادگی داده‌ها: آیا ازقبل داده‌های موردنیازتان را دارید؟ چقدر پاک‌سازی، پیش‌پردازش، یا برچسب‌گذاری باید انجام شود تا برای هوش مصنوعی آماده شود؟
  • بلوغ مدل: آیا مدل ازپیش‌آموزش‌دیده مناسبی ازقبل وجود دارد یا باید مدلی را از ابتدا آموزش دهید؟
  • تأخیر: مدل باید با چه سرعتی پاسخ دهد تا ویژگی یکپارچه و مفید به‌نظر برسد؟
  • پیچیدگی ادغام: چند سیستم باید متصل شوند؟ آیا بخش پشتی، میاناهای برنامه‌سازی کاربردی، میانای کاربر، یا ابزارهای طرف سوم وجود دارد؟ هرچه نقاط تماس بیشتر باشد، هزینه و خطر بیشتر است.
  • هزینه عملیاتی: هر فراخوانی یا استنتاج مدل چقدر هزینه دارد؟ مصرف ماهانه و بودجه را برای مقیاس‌بندی تخمین بزنید. ویژگی‌ای که در مرحله نمونه اولیه «ارزان» است، می‌تواند پس‌از اینکه هزاران کاربر به‌طور زنده از آن استفاده می‌کنند، پرهزینه شود.

هزینه‌های پنهان برای کاربر را درنظر بگیرید. هوش مصنوعی می‌تواند باعث ایجاد عدم قطعیت و اشتباهات معمول در محصول شما شود. با هوش مصنوعی سمت کارخواه، ویژگی‌ها در دستگاه کاربر اجرا می‌شوند، که پهنای باند، فضای ذخیره‌سازی، و انرژی مصرف می‌کند. این ویژگی باید آن‌قدر ارزشمند باشد که کاربران با هزینه آن مشکلی نداشته باشند.

با ارزیابی زودهنگام تلاش، می‌توانید بر بردهای باارزش و کم‌اصطکاک تمرکز کنید و ایده‌های پیچیده‌تر را تا زمانی که داده‌ها، زیرساخت‌ها، و تجربه شما به بلوغ برسند، به‌تعویق بیندازید.

برآورد کردن حالت‌های خرابی

گاهی‌اوقات مدل اشتباه می‌کند و ویژگی‌ها طبق انتظار عمل نمی‌کنند. باید به کاربران خود اطلاع دهید که چه اتفاقی درحال رخ دادن است و خطا در کجا رخ داده است تا بدانند آیا می‌توانند ورودی خود را تغییر دهند تا به نتایج موردنظرشان برسند یا نه.

برای مثال، فرض کنید یک آژانس مسافرتی را اداره می‌کنید. شرکت شما می‌خواهد ایده‌های شخصی‌سازی‌شده‌ای به مسافران ارائه دهد. کاربرانتان ابزاری برای انجام این کار به‌تنهایی درخواست کرده‌اند و تیم محصولتان برای پیاده‌سازی آن تلاش می‌کند. بااین‌حال، می‌دانید که شخصی‌سازی به سیگنال‌های زیادی از کاربران درباره علایقشان نیاز دارد و شما پایگاه داده‌ای را که چنین سیگنال‌هایی را جمع‌آوری کند راه‌اندازی نکرده‌اید. این امر منجر به شخصی‌سازی ناموفق می‌شود که الهام‌بخشی نامربوطی ارائه می‌دهد و منجر به رها کردن ویژگی توسط کاربران می‌شود. درک شما از دردسترس بودن داده‌های شخصی‌سازی‌شده باید برآورد ارزش تیم شما را مطلع می‌کرد.

در اینجا حالت‌های خرابی بحرانی دیگر هوش مصنوعی برای بررسی ارائه شده است:

  • تولید اطلاعات نادرست: مدل بروندادهایی تولید می‌کند که به‌نظر معقول می‌رسند اما واقعی نیستند (مثلاً پروازی را می‌سازد که وجود ندارد).
  • سوگیری: مدل براساس داده‌های آموزشی، تعمیم‌های ناعادلانه‌ای را نشان می‌دهد یا تقویت می‌کند که منجر به نتایج تبعیض‌آمیز یا ناعادلانه می‌شود. برای مثال، مدل ممکن است براساس جنسیت یا نژاد درک‌شده کاربران فرض کند که برخی کاربران پروازهای درجه یک و برخی دیگر پروازهای اقتصادی می‌خواهند.
  • مشکل شروع سرد: سیستم نمی‌تواند برای کاربران یا موارد جدید ارزش ارائه دهد چون داده‌های اولیه کافی وجود ندارد، همان‌طور که در مثال ابزار سفر شخصی‌سازی‌شده نشان داده شده است.
  • افت عملکرد: دقت مدل با گذشت زمان و با تکامل داده‌های دنیای واقعی و فاصله گرفتن از توزیع اصلی کاهش می‌یابد که به آن انحراف مدل نیز می‌گویند.

نمونه اولیه

ورودی‌های شما درباره هزینه، تلاش، و حالت‌های خرابی در ابتدا وفاداری پایینی خواهند داشت. برای کسب اطمینان، بهترین اعتبارسنجی برای یک ویژگی هوش مصنوعی خاص، ساختن نمونه اولیه آن است. نمونه‌سازی به شما امکان می‌دهد پیش‌از متعهد شدن به ساخت کامل، فرض‌های فنی اصلی (آمادگی داده‌ها، تأخیر، دقت) را به‌سرعت آزمایش کنید. به‌ویژه با فناوری جدیدی مانند هوش مصنوعی که هنوز کاملاً کاوش نشده است، با ساختن سریع‌تر از پژوهش و تحلیل یاد می‌گیرید.

با ابزارهای تولید کد مبتنی بر هوش مصنوعی، مانند Vertex AI و Replit، می‌توانید فرایند نمونه‌سازی اولیه خود را به‌طور اساسی سرعت ببخشید و ریسک آن را کاهش دهید.

این طرز فکر را اتخاذ کنید: چیزی کوچک را عرضه کنید، رفتار آن را مشاهده کنید، و آن را به‌طور مداوم اصلاح کنید.

روال‌های مطلوب زیر را اعمال کنید:

  • ساختن سرتاسری زودهنگام. کل جریان را همان‌طور که در طرح سیستم هوش مصنوعی شما تعریف شده است (داده‌ها، هوش، تجربه کاربری) آزمایش کنید، نه فقط دقت مدل را. این ساخت باید منعکس‌کننده هر بخش از تجربه کاربر با هوش مصنوعی باشد، اما لازم نیست همه ویژگی‌های برنامه را نشان دهد.
  • با میان‌برها شروع کنید. از میاناهای برنامه‌سازی کاربردی و مدل‌های ازپیش آموزش‌دیده برای اعتبارسنجی سریع ارزش استفاده کنید.
  • همه چیز را ثبت کنید. ورودی‌ها، خروجی‌ها، و ویرایش‌های کاربر را ردیابی کنید تا حالت‌های خرابی رایج را ببینید و موانع احتمالی را ارزیابی کنید.
  • با داده‌های واقعی آزمایش کنید. آزمایش‌های اولیه باید رفتار طبیعی و نامنظم کاربر را ثبت کند.
  • سازوکارهای بازخورد و کنترل اضافه کنید. پرچم‌گذاری خطاها یا اصلاح بروندادها را برای کاربران آسان‌تر کنید و به کاربران اجازه دهید نتایج را تأیید یا تصحیح کنند.

در اکثر موارد، نمونه‌سازی اولیه در کنار ارزیابی و کار مشخصات انجام می‌شود.

نکات کلیدی شما

یاد گرفتید که چگونه پتانسیل انتزاعی هوش مصنوعی را به ایده‌های محصول ملموس و باارزش تبدیل کنید. به‌عنوان توسعه‌دهنده، مزیت شما در مرتبط کردن امکان‌سنجی فنی با تجربه کاربری است. شما بررسی کردید که چگونه هوش مصنوعی می‌تواند در دسته‌های مختلف ارزش ایجاد کند، این فرصت‌ها را در مسیر کاربر محصولتان ترسیم کردید، و یاد گرفتید که چگونه آن‌ها را بااستفاده از چارچوب‌های ساختاریافته مشخص، ارزیابی، و اولویت‌بندی کنید.

به‌یاد داشته باشید که هوش مصنوعی ازطریق تکرار بی‌وقفه موفق می‌شود. زود عرضه کنید، به کاربران گوش دهید و آن‌ها را مشاهده کنید، و سریع اصلاح کنید. هر نمونه اولیه گامی است به‌سوی درک اینکه هوش مصنوعی چگونه می‌تواند ارزش و لذت محصول شما را افزایش دهد.

منابع

  • Getting AI Discovery Right، راهنمایی برای ایده‌پردازی، اعتبارسنجی، و اولویت‌بندی موارد استفاده از هوش مصنوعی.
  • AI Radar، ابزاری برای کاوش و پشتیبانی از تصمیم‌گیری برای شناسایی و اولویت‌بندی موارد استفاده در صنایع مختلف.

میزان درک خود را بررسی کنید

کدام دسته از فرصت‌های هوش مصنوعی شامل کمک به کاربران در کارهای پیچیده یا خلاقانه است؟

خودکارسازی.
نادرست است.
افزودن.
عالی بود، درست است!
راحتی.
نادرست است.
اطلاعات آماری دقیق‌تر.
نادرست است.

هنگام ارزیابی تلاش و هزینه یک ایده هوش مصنوعی، «پیچیدگی ادغام» به چه چیزی اشاره دارد؟

هزینه هر فراخوانی مدل چقدر است.
نادرست است.
سرعت پاسخ دادن مدل به کاربر.
نادرست است.
چند سیستم باید متصل شوند (زیرینه، میاناهای برنامه‌سازی کاربردی، واسط کاربر، ابزارهای شخص ثالث).
عالی بود، درست است!
آیا مدل ازپیش آموزش‌دیده ازقبل وجود دارد.
نادرست است.

What is the cold-start problem in the context of AI failure modes?

مدل بروندادهایی تولید می‌کند که محتمل به‌نظر می‌رسند اما ازنظر واقعی نادرست هستند.
نادرست است.
سیستم نمی‌تواند برای کاربران یا موارد جدید ارزش ارائه دهد زیرا داده‌های اولیه کافی نیست.
عالی بود، درست است!
مدل براساس داده‌های آموزشی، تعمیم‌های ناعادلانه‌ای را نشان می‌دهد.
نادرست است.
با تکامل داده‌های دنیای واقعی، دقت مدل درطول زمان کاهش می‌یابد.
نادرست است.

ذهنیت توصیه‌شده برای نمونه‌سازی ویژگی‌های هوش مصنوعی چیست؟

ماه‌ها قبل‌از نوشتن کد، تحقیق و تحلیل کنید.
نادرست است.
چیزی کوچک ارسال کنید، رفتار را مشاهده کنید، و به‌طور مداوم اصلاح کنید.
عالی بود، درست است!
قبل‌از آزمایش، کل مجموعه ویژگی‌ها را به‌صورت سرتاسر بسازید.
نادرست است.
نمونه‌های اولیه آزمایش‌نشده را مستقیماً در تولید کپی و جای‌گذاری کنید.
نادرست است.

چرا نگهداری گزارش هنگام نمونه‌سازی مهم است؟

برای ردیابی ورودی‌ها، خروجی‌ها، و ویرایش‌های کاربر برای دیدن حالت‌های خرابی رایج.
عالی بود، درست است!
برای اطمینان از اینکه داده‌های کافی برای آموزش مدل زبانی بزرگ از ابتدا دارید.
نادرست است.
برای افزایش هزینه‌های فضای ذخیره‌سازی پروژه.
نادرست است.
برای نظارت بر عملکرد تیم توسعه‌دهنده.
نادرست است.