Masz świetne możliwości, aby znaleźć wartościowe zastosowania AI. Możesz ocenić zarówno techniczną wykonalność pomysłu, jak i jego wpływ na wrażenia użytkowników. Te 2 perspektywy muszą się łączyć, aby funkcje AI odniosły sukces. Nie należy tworzyć funkcji AI tylko dlatego, że są nowe lub robią wrażenie, ale dlatego, że naprawdę ułatwiają, przyspieszają lub uprzyjemniają życie użytkownikom.
W tej części opisujemy strukturalną, iteracyjną metodę tworzenia pomysłów, określania specyfikacji i prototypowania przypadków użycia AI w Twoim produkcie.
Poznaj wartość AI
Poniższe drzewo możliwości związanych z AI określa główne kategorie wartości, jakie może zapewnić AI:
Aby ułatwić Ci znalezienie odpowiednich rozwiązań, podzieliliśmy je na kategorie wartości. W miarę przeglądania listy złożoność, ryzyko i potencjalny wpływ na użytkowników zwykle rosną:
- Statystyki: ułatwiają podejmowanie decyzji.
- Wygoda: usuwanie przeszkód.
- Automatyzacja: zastąp powtarzalną pracę.
- Wspomaganie: pomoc użytkownikom w wykonywaniu złożonych lub kreatywnych zadań.
- Personalizacja: dostosowywanie produktu do potrzeb i preferencji użytkownika.
Najpierw spróbuj rozwiązać problemy o mniejszym znaczeniu. Możesz na przykład zbierać lepsze informacje o produktach za pomocą wewnętrznego systemu AI, aby ulepszać produkt od środka. Następnie sprawdź istniejące problemy z UX i użyj AI, aby zmniejszyć trudności i obciążenie poznawcze użytkowników. W miarę zdobywania pewności i doświadczenia możesz przechodzić do bardziej złożonych zastosowań i zwiększać ekspozycję na AI.
Możesz jednak odkryć możliwości o dużym wpływie, takie jak niewielkie elementy personalizacji, które są zaskakująco dostępne, mało ryzykowne i znaczące.
Odkrywanie możliwości w usłudze
Aby znaleźć odpowiedni pomysł, musisz dobrze znać swoich użytkowników. Skonsultuj się z zespołem ds. UX lub odśwież swoją wiedzę o personach, aby określić, kim są ci użytkownicy. Przyjmij podejście zorientowane na użytkownika i przypisz znalezione możliwości związane ze sztuczną inteligencją do konkretnych przypadków użycia w Twoim produkcie.
Mogą to być:
- Motywowane wyraźnymi potrzebami lub problemami użytkowników.
- sugerowane przez członków zespołu lub Ciebie, W takim przypadku szybka weryfikacja z użytkownikami jest niezbędna, aby uniknąć pułapki „AI dla AI”.
- Inspiruj się konkurencją, ale zachowaj ostrożność. Odbiorcy i kontekst Twoich konkurentów mogą się różnić od Twoich. Wcześniej sprawdzaj, czy skuteczne działania konkurencji przekładają się na Twój produkt.
Na przykład w tej tabeli znajdziesz pomysły na witrynę do rezerwacji lotów:
Na każdym etapie ścieżki użytkownika możesz znaleźć różne możliwości zwiększenia wartości za pomocą AI.
Kształtuj swoje rozwiązanie
Masz już kilka pomysłów na wykorzystanie AI na ścieżce użytkownika. Następnym krokiem jest nadanie im kształtu i zdobycie wystarczającej pewności, aby zdecydować, które z nich rozwinąć w pierwszej kolejności. Jest to praca zespołowa, którą zwykle kieruje menedżer produktu. Jako deweloper musisz przede wszystkim oszacować koszt, nakład pracy i ryzyko związane z planowanym rozwiązaniem AI.
Określ swoje pomysły
Najpierw zapisz każdy pomysł w szybkim, całościowym opisie. Możesz użyć schematu systemu AI z naszego wprowadzenia. Zazwyczaj deweloperzy skupiają się na rozwiązaniu, a możliwości określa menedżer produktu. To ćwiczenie daje wszystkim wspólne podstawy do uzgodnienia stanowisk i dyskusji przed przejściem do dalszych działań.
Ocena nakładu pracy i kosztów
Następnie oceń, jak trudne jest wdrożenie Twojego pomysłu. Na przykład dodanie inteligentnych filtrów może wymagać tylko analizowania na podstawie promptów za pomocą interfejsu LLM API, co jest szybkie w prototypowaniu i uruchamianiu oraz łatwiejsze do dostosowania. Z kolei spersonalizowany asystent rezerwacji wymagałby niestandardowych potoków danych, interfejsów API rezerwacji i starannie opracowanych mechanizmów z udziałem człowieka, co jest znacznie bardziej skomplikowane.
Sprawdź nakład pracy i koszty w wielu wymiarach:
- Gotowość danych: czy masz już potrzebne dane? Ile czyszczenia, wstępnego przetwarzania lub etykietowania należy wykonać, aby dane były gotowe do wykorzystania w AI?
- Dojrzałość modelu: czy istnieje już odpowiedni wytrenowany model, czy musisz wytrenować go od zera?
- Opóźnienie: jak szybko model powinien odpowiadać, aby funkcja była przydatna i działała bezproblemowo?
- Złożoność integracji: ile systemów wymaga połączenia? Czy są dostępne narzędzia backendu, interfejsy API, interfejs użytkownika lub narzędzia innych firm? Im więcej punktów styku, tym wyższe koszty i ryzyko.
- Koszt operacyjny: ile kosztuje każde wywołanie modelu lub wnioskowanie? Szacowanie miesięcznego wykorzystania i budżetu na potrzeby skalowania. Funkcja, która na etapie prototypu jest „tania”, może stać się kosztowna, gdy będzie z niej korzystać tysiące użytkowników.
Weź pod uwagę ukryte koszty dla użytkownika. AI może wprowadzać do Twojej usługi niepewność i regularne błędy. W przypadku AI po stronie klienta funkcje działają na urządzeniu użytkownika, co zużywa przepustowość, miejsce na dane i energię. Funkcja musi być wystarczająco wartościowa, aby użytkownicy byli zadowoleni z jej kosztu.
Wczesna ocena nakładu pracy pozwala skupić się na wartościowych i łatwych do osiągnięcia sukcesach oraz odłożyć bardziej złożone pomysły do czasu, gdy Twoje dane, infrastruktura i doświadczenie będą bardziej zaawansowane.
Szacowanie rodzajów błędów
Czasami model popełnia błędy, a funkcje nie działają zgodnie z oczekiwaniami. Musisz poinformować użytkowników o tym, co się dzieje i gdzie wystąpił błąd, aby wiedzieli, czy mogą zmienić dane wejściowe, aby uzyskać oczekiwane wyniki.
Załóżmy na przykład, że prowadzisz biuro podróży. Twoja firma chce oferować podróżnym spersonalizowane inspiracje. Użytkownicy proszą o narzędzie, które umożliwi im samodzielne wykonywanie tego działania, a zespół ds. produktów nalega na jego wdrożenie. Wiesz jednak, że personalizacja wymaga wielu sygnałów od użytkowników dotyczących ich zainteresowań, a nie masz skonfigurowanej bazy danych, która by je zbierała. Prowadzi to do nieudanej personalizacji, która oferuje nieistotne inspiracje, co z kolei powoduje, że użytkownicy rezygnują z tej funkcji. Twoja wiedza o dostępności danych spersonalizowanych powinna wpłynąć na oszacowanie wartości przez Twój zespół.
Oto dodatkowe krytyczne tryby awarii AI, które warto wziąć pod uwagę:
- Halucynacje: model generuje wyniki, które wydają się wiarygodne, ale nie są prawdziwe (np. wymyśla lot, który nie istnieje).
- Obciążenie: model wykazuje lub wzmacnia nieuczciwe uogólnienia na podstawie danych treningowych, co prowadzi do dyskryminujących lub niesprawiedliwych wyników. Na przykład model może zakładać, że użytkownicy chcą latać w pierwszej klasie, a inni w klasie ekonomicznej, na podstawie ich postrzeganej płci lub rasy.
- Problem zimnego startu: system nie może dostarczać wartości w przypadku nowych użytkowników lub produktów z powodu braku danych początkowych, co widać na przykładzie spersonalizowanego narzędzia do planowania podróży.
- Spadek wydajności: dokładność modelu z czasem spada, ponieważ dane z rzeczywistego świata się zmieniają i odbiegają od pierwotnego rozkładu. Jest to też znane jako dryf modelu.
Prototyp
Początkowo Twoje dane wejściowe dotyczące kosztów, nakładu pracy i rodzajów awarii będą miały niską wierność. Aby zyskać pewność, najlepszym sposobem weryfikacji konkretnej funkcji AI jest stworzenie jej prototypu. Prototypowanie umożliwia szybkie przetestowanie podstawowych założeń technicznych (gotowość danych, opóźnienie, dokładność) przed rozpoczęciem pełnego procesu tworzenia. Zwłaszcza w przypadku nowej, nie do końca zbadanej technologii, takiej jak AI, szybciej się uczysz, tworząc, niż badając i analizując.
Dzięki narzędziom do generowania kodu opartym na AI, takim jak Vertex AI i Replit, możesz radykalnie przyspieszyć i zmniejszyć ryzyko związane z procesem prototypowania.
Przyjmij takie podejście: wypuść małą wersję, obserwuj jej działanie i stale ją ulepszaj.
Stosuj te sprawdzone metody:
- Wcześniejsze tworzenie kompleksowych kampanii Testuj cały przepływ zdefiniowany w projekcie systemu AI (dane, inteligencja, wrażenia użytkownika), a nie tylko dokładność modelu. Ta kompilacja powinna odzwierciedlać każdy aspekt korzystania przez użytkownika z AI, ale nie musi zawierać wszystkich funkcji aplikacji.
- Zacznij od skrótów Używaj interfejsów API i wytrenowanych modeli, aby szybko weryfikować wartość.
- Rejestruj wszystko Śledź dane wejściowe, wyjściowe i edycje użytkowników, aby zobaczyć typowe tryby awarii i ocenić potencjalne problemy.
- Testowanie przy użyciu danych rzeczywistych Wczesne testy powinny rejestrować naturalne, nieuporządkowane zachowania użytkowników.
- Dodaj mechanizmy opinii i kontroli. Ułatwianie użytkownikom zgłaszania błędów lub dostosowywania wyników oraz umożliwianie im potwierdzania lub poprawiania wyników.
W większości przypadków prototypowanie odbywa się równolegle z oceną i pracami nad specyfikacją.
Wnioski
Dowiedziałeś się, jak przekształcić abstrakcyjny potencjał AI w konkretne pomysły na produkty o wysokiej wartości. Jako deweloper masz przewagę, ponieważ łączysz wykonalność techniczną z wrażeniami użytkownika. Poznałeś(-aś) sposoby, w jakie AI może zwiększać wartość w różnych kategoriach, dopasowałeś(-aś) te możliwości do ścieżki użytkownika Twojego produktu i nauczyłeś(-aś) się je określać, oceniać i ustalać ich priorytety za pomocą uporządkowanych ram.
Pamiętaj, że AI osiąga sukcesy dzięki nieustannym iteracjom. Wprowadzaj produkt na rynek jak najszybciej, słuchaj użytkowników i obserwuj ich, a potem szybko wprowadzaj ulepszenia. Każdy prototyp to krok w kierunku zrozumienia, jak AI może zwiększyć wartość i atrakcyjność Twojego produktu.
Zasoby
- Getting AI Discovery Right (Jak prawidłowo odkrywać AI) – przewodnik po tworzeniu pomysłów na przypadki użycia AI, ich weryfikacji i określaniu priorytetów.
- AI Radar, narzędzie do odkrywania i wspierania decyzji, które pomaga identyfikować i określać priorytety przypadków użycia w różnych branżach.
Sprawdź swoją wiedzę
Która kategoria możliwości związanych z AI obejmuje pomoc użytkownikom w wykonywaniu złożonych lub kreatywnych zadań?
Co oznacza „Złożoność integracji” podczas oceny nakładu pracy i kosztów związanych z pomysłem dotyczącym AI?
Czym jest problem „zimnego startu” w kontekście trybów awaryjnych AI?
Jakie podejście zalecasz w przypadku prototypowania funkcji opartych na AI?
Dlaczego podczas tworzenia prototypu warto prowadzić dziennik?