Anda berada dalam posisi yang tepat untuk menemukan peluang bernilai tinggi bagi AI. Anda dapat mengevaluasi kelayakan teknis suatu ide dan dampaknya terhadap pengalaman pengguna, dua perspektif yang harus disatukan agar fitur AI berhasil. Anda tidak boleh membuat fitur AI hanya karena fitur tersebut baru atau mengesankan, tetapi karena fitur tersebut benar-benar membuat hidup pengguna lebih mudah, lebih cepat, atau lebih menyenangkan.
Modul ini menjelaskan metode terstruktur dan berulang untuk memunculkan ide, menentukan, dan membuat prototipe kasus penggunaan AI dalam produk Anda.
Memahami nilai AI
Pohon peluang AI berikut menentukan kategori besar nilai yang dapat diberikan AI:
Kami telah mencantumkan kategori nilai untuk menyusun solusi Anda. Saat Anda menelusuri daftar, kompleksitas, risiko, dan potensi dampak bagi pengguna cenderung meningkat:
- Insight: Meningkatkan kualitas pengambilan keputusan.
- Kemudahan: Menghilangkan hambatan.
- Otomatisasi: Menggantikan tugas berulang.
- Augmentasi: Membantu pengguna menyelesaikan tugas yang kompleks atau kreatif.
- Personalisasi: Menyesuaikan produk dengan kebutuhan dan preferensi individu.
Pertama, coba selesaikan kasus penggunaan yang berdampak lebih rendah. Misalnya, kumpulkan insight produk yang lebih baik dengan sistem AI internal, sehingga Anda dapat meningkatkan kualitas produk dari dalam. Kemudian, periksa utang UX yang ada dan gunakan AI untuk mengurangi hambatan dan beban kognitif bagi pengguna Anda. Seiring dengan bertambahnya kepercayaan diri dan pengalaman, Anda dapat beralih ke kasus penggunaan yang lebih kompleks dan meningkatkan eksposur AI.
Namun, Anda dapat menemukan peluang berdampak tinggi, seperti sentuhan ringan personalisasi, yang ternyata mudah diakses, berisiko rendah, dan bermakna.
Mengidentifikasi peluang dalam produk Anda
Untuk menentukan ide yang tepat, Anda harus memiliki pemahaman yang baik tentang siapa pengguna Anda. Bekerja sama dengan tim UX Anda atau pelajari persona untuk menentukan siapa pengguna tersebut. Terapkan pendekatan yang mengutamakan pengguna (atau orang), dan petakan peluang AI yang Anda temukan ke kasus penggunaan konkret untuk produk Anda.
Di antaranya yaitu:
- Dimotivasi oleh kebutuhan atau masalah spesifik pengguna.
- Disarankan oleh anggota tim Anda atau diri Anda sendiri. Dalam hal ini, validasi cepat dengan pengguna sangat penting untuk menghindari jebakan "AI demi AI".
- Terinspirasi oleh kompetitor, tetapi lakukan dengan hati-hati. Audiens dan konteks kompetitor Anda mungkin berbeda dengan audiens dan konteks Anda. Lakukan validasi lebih awal untuk menguji apakah inisiatif kompetitor yang berhasil dapat diterapkan pada produk Anda.
Misalnya, tabel berikut memiliki ide untuk situs pemesanan penerbangan:
Di setiap langkah perjalanan pengguna, Anda dapat mengidentifikasi berbagai peluang untuk menambah nilai dengan AI.
Membentuk solusi Anda
Sekarang, Anda telah memetakan beberapa ide AI di sepanjang perjalanan pengguna Anda. Langkah berikutnya adalah memberikan bentuk dan mendapatkan keyakinan yang cukup sehingga Anda dapat memutuskan mana yang akan dikembangkan terlebih dahulu. Hal ini adalah upaya tim dan biasanya didorong oleh pengelola produk. Sebagai developer, tanggung jawab utama Anda adalah memperkirakan biaya, upaya, dan risiko solusi AI yang direncanakan.
Tentukan ide Anda
Pertama, catat setiap ide dalam spesifikasi yang cepat dan holistik. Anda dapat menggunakan cetak biru sistem AI dari pengantar kami. Biasanya, developer berfokus pada bagian solusi, sementara peluang ditentukan oleh product manager. Latihan ini memberi semua orang dasar bersama untuk keselarasan dan diskusi sebelum melanjutkan.
Menilai upaya dan biaya
Selanjutnya, evaluasi seberapa sulit ide Anda untuk diimplementasikan. Misalnya, menambahkan filter smart mungkin hanya memerlukan penguraian berbasis perintah dengan LLM API, yang cepat untuk membuat prototipe dan menjalankan serta lebih mudah disesuaikan. Sebaliknya, asisten pemesanan yang dipersonalisasi memerlukan pipeline data kustom, API pemesanan, dan mekanisme human-in-the-loop yang cermat, yang merupakan tugas yang jauh lebih berat.
Lihat upaya dan biaya di berbagai dimensi:
- Kesiapan data: Apakah Anda sudah memiliki data yang Anda butuhkan? Berapa banyak pembersihan, praproses, atau pelabelan yang perlu dilakukan agar data siap digunakan untuk AI?
- Kematangan model: Apakah model terlatih yang sesuai sudah ada, atau apakah Anda perlu melatih model dari awal?
- Latensi: Seberapa cepat model harus merespons agar fitur terasa lancar dan bermanfaat?
- Kompleksitas integrasi: Berapa banyak sistem yang perlu terhubung? Apakah ada backend, API, UI, atau alat pihak ketiga? Makin banyak titik kontak, makin tinggi biaya dan risikonya.
- Biaya pengoperasian: Berapa biaya setiap panggilan atau inferensi model? Perkirakan penggunaan dan anggaran bulanan untuk penskalaan. Fitur yang "murah" pada tahap prototipe dapat menjadi mahal setelah ribuan pengguna aktif.
Pertimbangkan biaya tersembunyi bagi pengguna. AI dapat menimbulkan ketidakpastian dan kesalahan rutin pada produk Anda. Dengan AI sisi klien, fitur berjalan di perangkat pengguna, yang menggunakan bandwidth, penyimpanan, dan energi. Fitur ini harus cukup berharga sehingga pengguna merasa nyaman dengan biayanya.
Dengan menilai upaya sejak awal, Anda dapat berfokus pada kemenangan bernilai tinggi dan rendah hambatan serta menunda ide yang lebih kompleks hingga data, infrastruktur, dan pengalaman Anda matang.
Memperkirakan mode kegagalan
Terkadang, model membuat kesalahan dan fitur gagal berfungsi seperti yang diharapkan. Anda perlu mengomunikasikan kepada pengguna apa yang terjadi dan di mana kegagalan terjadi, sehingga mereka tahu apakah mereka dapat mengubah input untuk mendapatkan hasil yang mereka inginkan.
Misalnya, Anda menjalankan agen perjalanan. Perusahaan Anda ingin menawarkan inspirasi yang dipersonalisasi untuk wisatawan. Pengguna Anda telah meminta alat untuk melakukan tindakan ini sendiri, dan tim produk Anda berupaya untuk menerapkannya. Namun, Anda tahu bahwa personalisasi memerlukan banyak sinyal dari pengguna tentang minat mereka, dan Anda belum menyiapkan database yang mengumpulkan sinyal tersebut. Hal ini menyebabkan personalisasi tidak berhasil yang menawarkan inspirasi yang tidak relevan, yang menyebabkan pengguna meninggalkan fitur tersebut. Pemahaman Anda tentang ketersediaan data yang dipersonalisasi seharusnya memengaruhi estimasi nilai tim Anda.
Berikut adalah mode kegagalan AI penting lainnya yang perlu dipertimbangkan:
- Halusinasi: Model menghasilkan output yang tampak masuk akal, tetapi tidak nyata (seperti membuat-buat penerbangan yang tidak ada).
- Bias: Model menunjukkan atau memperkuat generalisasi yang tidak adil berdasarkan data pelatihan, sehingga menghasilkan hasil yang diskriminatif atau tidak adil. Misalnya, model dapat mengasumsikan bahwa pengguna menginginkan penerbangan kelas satu dan pengguna lain menginginkan kelas ekonomi berdasarkan gender atau ras yang dirasakan.
- Masalah mulai dingin: Sistem tidak dapat memberikan nilai untuk pengguna atau item baru karena kurangnya data awal, seperti yang ditunjukkan dalam contoh alat perjalanan yang dipersonalisasi.
- Penurunan performa: Akurasi model menurun seiring waktu karena data dunia nyata berkembang dan menjauh dari distribusi aslinya, yang juga dikenal sebagai penyimpangan model.
Prototipe
Input Anda tentang biaya, upaya, dan mode kegagalan awalnya akan memiliki fidelitas rendah. Untuk mendapatkan keyakinan, validasi terbaik untuk fitur AI tertentu adalah membuat prototipenya. Prototyping memungkinkan Anda menguji asumsi teknis inti dengan cepat (kesiapan data, latensi, akurasi) sebelum melakukan build penuh. Terutama dengan teknologi baru yang belum sepenuhnya dieksplorasi seperti AI, Anda akan belajar lebih cepat dengan membangun daripada melakukan riset dan analisis.
Dengan alat pembuatan kode yang didukung AI, seperti Vertex AI dan Replit, Anda dapat mempercepat dan mengurangi risiko proses pembuatan prototipe secara signifikan.
Adopsi pola pikir ini: kirim sesuatu yang kecil, amati perilakunya, dan terus perbaiki.
Terapkan praktik terbaik berikut:
- Bangun end-to-end lebih awal. Uji seluruh alur seperti yang ditentukan dalam cetak biru sistem AI Anda (data, kecerdasan, pengalaman pengguna), bukan hanya akurasi model. Build ini harus mencerminkan setiap bagian pengalaman pengguna Anda dengan AI, tetapi tidak harus mewakili setiap fitur aplikasi.
- Mulai dengan pintasan. Gunakan API dan model terlatih untuk memvalidasi nilai dengan cepat.
- Mencatat semuanya. Lacak input, output, dan pengeditan pengguna untuk melihat mode kegagalan umum dan mengevaluasi potensi masalah yang menghentikan proses.
- Uji dengan data sebenarnya. Pengujian awal harus merekam perilaku pengguna yang alami dan tidak teratur.
- Menambahkan mekanisme kontrol dan masukan. Memudahkan pengguna menandai kesalahan atau menyesuaikan output, dan memungkinkan pengguna mengonfirmasi atau mengoreksi hasil.
Dalam sebagian besar kasus, pembuatan prototipe dilakukan bersamaan dengan penilaian dan pekerjaan spesifikasi.
Kesimpulan Anda
Anda telah mempelajari cara mengubah potensi AI abstrak menjadi ide produk yang konkret dan bernilai tinggi. Sebagai developer, keunggulan Anda terletak pada menghubungkan kelayakan teknis dengan pengalaman pengguna. Anda telah mempelajari cara AI dapat menciptakan nilai di berbagai kategori, memetakan peluang ini ke perjalanan pengguna produk Anda, dan mempelajari cara menentukan, mengevaluasi, dan memprioritaskannya menggunakan framework terstruktur.
Ingatlah bahwa AI berhasil melalui iterasi tanpa henti. Luncurkan lebih awal, dengarkan dan amati pengguna Anda, lalu lakukan penyempurnaan dengan cepat. Setiap prototipe adalah langkah untuk memahami cara AI dapat meningkatkan nilai dan kepuasan produk Anda.
Resource
- Memastikan Penemuan AI yang Tepat, panduan untuk memunculkan ide, memvalidasi, dan memprioritaskan kasus penggunaan AI Anda.
- AI Radar, alat penemuan dan dukungan keputusan untuk mengidentifikasi dan memprioritaskan kasus penggunaan di berbagai industri.
Periksa pemahaman Anda
Kategori peluang AI mana yang melibatkan bantuan kepada pengguna dalam menyelesaikan tugas yang kompleks atau kreatif?
Saat menilai upaya dan biaya ide AI, apa yang dimaksud dengan "Kompleksitas integrasi"?
Apa yang dimaksud dengan masalah cold start dalam konteks mode kegagalan AI?
Apa pola pikir yang direkomendasikan untuk membuat prototipe fitur AI?
Mengapa penting untuk menyimpan log saat membuat prototipe?