موارد استفاده را کاوش کنید

شما در موقعیت بسیار خوبی برای یافتن فرصت‌های ارزشمند برای هوش مصنوعی هستید. می‌توانید هم امکان‌سنجی فنی یک ایده و هم تأثیر آن بر تجربه کاربری را ارزیابی کنید، دو دیدگاهی که برای موفقیت ویژگی‌های هوش مصنوعی باید با هم ترکیب شوند. شما نباید ویژگی‌های هوش مصنوعی را به دلیل بدیع یا چشمگیر بودن آنها بسازید، بلکه باید به این دلیل آنها را بسازید که واقعاً زندگی را برای کاربران آسان‌تر، سریع‌تر یا لذت‌بخش‌تر می‌کنند.

این ماژول یک روش ساختاریافته و تکراری برای ایده‌پردازی، مشخص کردن و نمونه‌سازی اولیه موارد استفاده هوش مصنوعی در محصول شما را شرح می‌دهد.

ارزش هوش مصنوعی را درک کنید

درخت فرصت هوش مصنوعی زیر، دسته‌های بزرگی از ارزش‌هایی را که هوش مصنوعی می‌تواند ارائه دهد، تعریف می‌کند:

ما دسته‌بندی‌هایی از ارزش‌ها را برای چارچوب‌بندی راه‌حل‌های شما فهرست کرده‌ایم. با پیشروی در این فهرست، پیچیدگی، ریسک و پتانسیل تأثیر بر کاربر افزایش می‌یابد:

• بینش‌ها : بهبود تصمیم‌گیری.
• راحتی : اصطکاک را حذف کنید.
• اتوماسیون : جایگزین کارهای تکراری شوید.
• تقویت : به کاربران در انجام وظایف پیچیده یا خلاقانه کمک کنید.
• شخصی‌سازی : تطبیق محصول با نیازها و ترجیحات فرد.

ابتدا، سعی کنید موارد استفاده کم‌اثرتر را حل کنید. به عنوان مثال، با یک سیستم هوش مصنوعی داخلی، بینش‌های بهتری از محصول جمع‌آوری کنید تا بتوانید محصول خود را از درون بهبود بخشید. سپس، نقص‌های UX موجود خود را بررسی کنید و از هوش مصنوعی برای کاهش اصطکاک و بار شناختی برای کاربران خود استفاده کنید. با کسب اعتماد به نفس و تجربه، می‌توانید به سمت موارد استفاده پیچیده‌تر حرکت کنید و میزان مواجهه با هوش مصنوعی را افزایش دهید.

با این اوصاف، ممکن است فرصت‌های تأثیرگذاری مانند شخصی‌سازی‌های جزئی را کشف کنید که به طرز شگفت‌آوری در دسترس، کم‌خطر و معنادار هستند.

فرصت‌های موجود در محصول خود را شناسایی کنید

برای تعیین ایده درست، باید درک خوبی از کاربران خود داشته باشید. با تیم UX خود همکاری کنید یا شخصیت‌ها را مرور کنید تا مشخص شود که این کاربران چه کسانی هستند. رویکرد کاربر-محور (یا افراد-محور) را در پیش بگیرید و فرصت‌های هوش مصنوعی که پیدا می‌کنید را برای موارد استفاده ملموس برای محصول خود ترسیم کنید.

اینها می‌توانند باشند:

• با نیازهای صریح یا نقاط درد کاربر انگیزه می‌گیرد.
• توسط اعضای تیم یا خودتان پیشنهاد شده است. در این مورد، اعتبارسنجی سریع با کاربران برای جلوگیری از تله «هوش مصنوعی به خاطر هوش مصنوعی» ضروری است.
• از رقبا الهام بگیرید، اما این کار را با احتیاط انجام دهید. مخاطب و زمینه رقبای شما می‌تواند با شما متفاوت باشد. از همان ابتدا اعتبارسنجی کنید تا ببینید آیا ابتکارات موفق رقبا به محصول شما نیز سرایت می‌کند یا خیر.

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

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

راه حل خود را شکل دهید

تا اینجا، شما چندین ایده هوش مصنوعی را در طول سفر کاربری خود ترسیم کرده‌اید. گام بعدی این است که به آنها شکل دهید و اعتماد به نفس کافی را به دست آورید تا بتوانید تصمیم بگیرید کدام یک را ابتدا توسعه دهید. این یک تلاش تیمی است و معمولاً توسط مدیر محصول هدایت می‌شود. به عنوان یک توسعه‌دهنده، مسئولیت اصلی شما تخمین هزینه، تلاش و خطرات راه‌حل هوش مصنوعی برنامه‌ریزی شده است.

ایده‌هایتان را مشخص کنید

ابتدا، هر ایده را در یک مشخصات سریع و جامع ثبت کنید. می‌توانید از طرح اولیه سیستم هوش مصنوعی که در مقدمه ارائه شد استفاده کنید. معمولاً توسعه‌دهندگان روی بخش راه‌حل تمرکز می‌کنند، در حالی که فرصت توسط مدیر محصول مشخص می‌شود. این تمرین به همه مبنای مشترکی برای هماهنگی و بحث قبل از ادامه کار می‌دهد.

ارزیابی تلاش و هزینه

در مرحله بعد، ارزیابی کنید که پیاده‌سازی ایده شما چقدر دشوار است. برای مثال، اضافه کردن فیلترهای هوشمند ممکن است فقط به تجزیه مبتنی بر اعلان با یک API LLM نیاز داشته باشد که نمونه‌سازی و اجرای آن سریع و تنظیم آن آسان‌تر است. در مقابل، یک دستیار رزرو شخصی‌سازی‌شده به خطوط لوله داده سفارشی، APIهای رزرو و مکانیسم‌های دقیق انسانی در حلقه نیاز دارد که کار بسیار سنگین‌تری است.

به تلاش و هزینه در ابعاد مختلف نگاه کنید:

• آمادگی داده‌ها : آیا داده‌های مورد نیاز خود را از قبل دارید؟ چه مقدار پاکسازی، پیش‌پردازش یا برچسب‌گذاری باید انجام شود تا برای هوش مصنوعی آماده شوند؟
• بلوغ مدل : آیا یک مدل از پیش آموزش‌دیده مناسب از قبل وجود دارد، یا باید آن را از ابتدا آموزش دهید؟
• تأخیر : مدل باید چقدر سریع پاسخ دهد تا این ویژگی یکپارچه و مفید به نظر برسد؟
• پیچیدگی یکپارچه‌سازی : چند سیستم باید به هم متصل شوند؟ آیا بک‌اند، API، رابط کاربری یا ابزارهای شخص ثالث وجود دارد؟ هرچه نقاط تماس بیشتر باشد، هزینه و ریسک بالاتر می‌رود.
• هزینه عملیاتی : هر فراخوانی مدل یا استنتاج چقدر گران است؟ میزان استفاده ماهانه و بودجه لازم برای مقیاس‌پذیری را تخمین بزنید. ویژگی‌ای که در مرحله نمونه اولیه "ارزان" است، می‌تواند پس از فعال شدن هزاران کاربر، پرهزینه شود.

هزینه‌های پنهان برای کاربر را در نظر بگیرید. هوش مصنوعی می‌تواند عدم قطعیت و اشتباهات منظم را در محصول شما ایجاد کند. با هوش مصنوعی سمت کلاینت، ویژگی‌هایی روی دستگاه کاربر اجرا می‌شوند که پهنای باند، فضای ذخیره‌سازی و انرژی مصرف می‌کنند. این ویژگی باید به اندازه‌ای ارزشمند باشد که کاربران با هزینه آن مشکلی نداشته باشند.

با ارزیابی زودهنگام تلاش‌ها، می‌توانید روی پیروزی‌های با ارزش بالا و کم اصطکاک تمرکز کنید و ایده‌های پیچیده‌تر را تا زمان بلوغ داده‌ها، زیرساخت‌ها و تجربه خود به تعویق بیندازید.

تخمین حالت‌های خرابی

گاهی اوقات، مدل اشتباه می‌کند و ویژگی‌ها آنطور که انتظار می‌رود عمل نمی‌کنند. شما باید با کاربران خود ارتباط برقرار کنید که چه اتفاقی می‌افتد و مشکل کجا رخ داده است، تا آنها بدانند که آیا می‌توانند ورودی خود را برای رسیدن به نتایج مورد نظرشان تغییر دهند یا خیر.

برای مثال، فرض کنید شما یک آژانس مسافرتی دارید. شرکت شما می‌خواهد الهامات شخصی‌سازی‌شده‌ای را برای مسافران ارائه دهد. کاربران شما درخواست ابزاری برای انجام این کار به تنهایی کرده‌اند و تیم محصول شما برای پیاده‌سازی آن تلاش می‌کند. با این حال، شما می‌دانید که شخصی‌سازی نیاز به سیگنال‌های زیادی از کاربران در مورد علایقشان دارد و شما پایگاه داده‌ای برای جمع‌آوری چنین سیگنال‌هایی راه‌اندازی نکرده‌اید. این امر منجر به شخصی‌سازی ناموفقی می‌شود که الهامات نامربوطی ارائه می‌دهد و در نهایت باعث می‌شود کاربران این ویژگی را رها کنند. درک شما از در دسترس بودن داده‌های شخصی‌سازی‌شده باید تیم شما را در تخمین ارزش یاری کرده باشد.

در اینجا حالت‌های بحرانی خرابی هوش مصنوعی دیگری که باید در نظر گرفته شوند، آورده شده است:

• توهم : مدل خروجی‌هایی تولید می‌کند که به نظر قابل قبول می‌آیند، اما واقعی نیستند (مانند ساختن پروازی که وجود ندارد).
• سوگیری : مدل بر اساس داده‌های آموزشی، تعمیم‌های ناعادلانه‌ای را نشان می‌دهد یا تقویت می‌کند که منجر به نتایج تبعیض‌آمیز یا ناعادلانه می‌شود. برای مثال، مدل ممکن است بر اساس جنسیت یا نژاد درک شده، فرض کند که کاربران پروازهای درجه یک و دیگران پروازهای اقتصادی می‌خواهند.
• مشکل شروع سرد : سیستم به دلیل کمبود داده‌های اولیه، همانطور که در مثال ابزار شخصی‌سازی سفر نشان داده شده است، نمی‌تواند برای کاربران یا اقلام جدید ارزش ایجاد کند.
• تخریب عملکرد : با گذشت زمان و با تکامل داده‌های دنیای واقعی و دور شدن آنها از توزیع اصلی، دقت مدل کاهش می‌یابد که به آن رانش مدل نیز می‌گویند.

نمونه اولیه

ورودی‌های شما در مورد هزینه، تلاش و حالت‌های شکست در ابتدا دقت کمی خواهند داشت. برای کسب اطمینان، بهترین اعتبارسنجی برای یک ویژگی خاص هوش مصنوعی، نمونه‌سازی اولیه آن است. نمونه‌سازی اولیه به شما امکان می‌دهد تا قبل از شروع ساخت کامل، فرضیات فنی اصلی (آمادگی داده‌ها، تأخیر، دقت) را به سرعت آزمایش کنید. به خصوص با یک فناوری جدید و کاملاً کشف نشده مانند هوش مصنوعی، شما با ساخت سریع‌تر از تحقیق و تجزیه و تحلیل یاد می‌گیرید.

با ابزارهای تولید کد مبتنی بر هوش مصنوعی، مانند Vertex AI و Replit، می‌توانید فرآیند نمونه‌سازی اولیه خود را به طور چشمگیری سرعت بخشیده و ریسک آن را کاهش دهید.

این طرز فکر را در پیش بگیرید: چیزی کوچک را عرضه کنید، نحوه رفتار آن را مشاهده کنید و مرتباً آن را اصلاح کنید.

بهترین شیوه‌های زیر را به کار ببرید:

• از ابتدا و از ابتدا ، کل جریان را مطابق با طرح اولیه سیستم هوش مصنوعی خود (داده، هوش، تجربه کاربری) آزمایش کنید، نه فقط دقت مدل. این ساخت باید منعکس کننده هر بخش از تجربه کاربر شما با هوش مصنوعی باشد، اما لازم نیست هر ویژگی برنامه را نشان دهد.
• با میانبرها شروع کنید . از APIها و مدل‌های از پیش آموزش‌دیده برای اعتبارسنجی سریع ارزش استفاده کنید.
• همه چیز را ثبت کنید . ورودی‌ها، خروجی‌ها و ویرایش‌های کاربر را پیگیری کنید تا حالت‌های خرابی رایج را ببینید و موانع بالقوه را ارزیابی کنید.
• با داده‌های واقعی آزمایش کنید . آزمایش‌های اولیه باید رفتار طبیعی و نامرتب کاربر را ثبت کنند.
• مکانیزم‌های بازخورد و کنترل را اضافه کنید . علامت‌گذاری خطاها یا تنظیم خروجی‌ها را برای کاربران آسان‌تر کنید و به آنها اجازه دهید نتایج را تأیید یا اصلاح کنند.

در بیشتر موارد، نمونه‌سازی اولیه در کنار کار ارزیابی و تعیین مشخصات شما انجام می‌شود.

نکات مهم شما

شما یاد گرفتید که چگونه پتانسیل انتزاعی هوش مصنوعی را به ایده‌های محصول ملموس و با ارزش بالا تبدیل کنید. به عنوان یک توسعه‌دهنده، مزیت شما در پیوند دادن امکان‌سنجی فنی با تجربه کاربری نهفته است. شما بررسی کردید که چگونه هوش مصنوعی می‌تواند در دسته‌بندی‌های مختلف ارزش ایجاد کند، این فرصت‌ها را در مسیر کاربر محصول خود ترسیم کردید و یاد گرفتید که چگونه آنها را با استفاده از چارچوب‌های ساختاریافته مشخص، ارزیابی و اولویت‌بندی کنید.

به یاد داشته باشید که هوش مصنوعی از طریق تکرار بی‌وقفه موفق می‌شود. زود محصول را عرضه کنید، به کاربران خود گوش دهید و آنها را مشاهده کنید و سریع آن را اصلاح کنید. هر نمونه اولیه گامی به سوی درک این است که چگونه هوش مصنوعی می‌تواند ارزش و لذت محصول شما را افزایش دهد.

منابع

• کشف صحیح هوش مصنوعی ، راهنمایی برای ایده‌پردازی، اعتبارسنجی و اولویت‌بندی موارد استفاده هوش مصنوعی شما.
• رادار هوش مصنوعی ، ابزاری برای کشف و پشتیبانی از تصمیم‌گیری برای شناسایی و اولویت‌بندی موارد استفاده در صنایع مختلف.

درک خود را بررسی کنید