คุณอยู่ในจุดที่เหมาะสมที่จะค้นหาโอกาสที่มีมูลค่าสูงสำหรับ AI คุณสามารถประเมินทั้งความเป็นไปได้ทางเทคนิคของไอเดียและผลกระทบต่อประสบการณ์ของผู้ใช้ ซึ่งเป็น 2 มุมมองที่ต้องรวมกันเพื่อให้ฟีเจอร์ AI ประสบความสำเร็จ คุณไม่ควรสร้างฟีเจอร์ AI เพียงเพราะเป็นฟีเจอร์ใหม่หรือน่าประทับใจ แต่ควรสร้างเพราะฟีเจอร์นั้นช่วยให้ชีวิตของผู้ใช้ง่ายขึ้น เร็วขึ้น หรือสนุกขึ้นจริงๆ
โมดูลนี้อธิบายวิธีการที่มีโครงสร้างและทำซ้ำเพื่อระดมความคิด ระบุ และสร้างต้นแบบกรณีการใช้งาน AI ในผลิตภัณฑ์
ทำความเข้าใจคุณค่าของ AI
แผนผังโอกาสด้าน AI ต่อไปนี้จะกำหนดหมวดหมู่หลักๆ ของคุณค่าที่ AI มอบให้ได้
เราได้แสดงหมวดหมู่ของมูลค่าเพื่อช่วยให้คุณวางแผนโซลูชันได้ง่ายขึ้น เมื่อคุณเลื่อนดูรายการ ความซับซ้อน ความเสี่ยง และโอกาสที่จะส่งผลกระทบต่อผู้ใช้มักจะเพิ่มขึ้น
- ข้อมูลเชิงลึก: ปรับปรุงการตัดสินใจ
- ความสะดวก: ลดอุปสรรค
- การทำงานอัตโนมัติ: แทนที่งานที่ต้องทำซ้ำๆ
- การเพิ่มประสิทธิภาพ: ช่วยผู้ใช้ในงานที่ซับซ้อนหรือสร้างสรรค์
- การปรับตามโปรไฟล์ของผู้ใช้: ปรับผลิตภัณฑ์ให้เหมาะกับความต้องการและความชอบของแต่ละบุคคล
ขั้นแรก ให้ลองแก้ปัญหา Use Case ที่มีผลกระทบต่ำกว่า เช่น รวบรวมข้อมูลเชิงลึกเกี่ยวกับผลิตภัณฑ์ที่ดีขึ้นด้วยระบบ AI ภายใน เพื่อให้คุณปรับปรุงผลิตภัณฑ์จากภายในได้ จากนั้นตรวจสอบหนี้สิน UX ที่มีอยู่ และใช้ AI เพื่อลดความเสียดทานและ ภาระทางปัญญาสำหรับผู้ใช้ เมื่อมีความมั่นใจและประสบการณ์มากขึ้น คุณจะ สามารถก้าวไปสู่กรณีการใช้งานที่ซับซ้อนยิ่งขึ้นและเพิ่มการใช้งาน AI ได้
อย่างไรก็ตาม คุณอาจพบโอกาสที่มีผลลัพธ์สูง เช่น การปรับเปลี่ยนในแบบของคุณเล็กน้อย ซึ่งเข้าถึงได้ง่าย มีความเสี่ยงต่ำ และมีความหมาย
ระบุโอกาสในผลิตภัณฑ์
หากต้องการทราบไอเดียที่เหมาะสม คุณควรทราบดีว่าผู้ใช้คือใคร ทํางานร่วมกับทีม UX หรือทบทวนลักษณะตัวตน เพื่อกําหนดว่าผู้ใช้เหล่านั้นคือใคร ใช้แนวทางที่คำนึงถึงผู้ใช้เป็นอันดับแรก และเชื่อมโยงโอกาสในการใช้ AI ที่คุณพบกับกรณีการใช้งานที่ชัดเจนสำหรับผลิตภัณฑ์ของคุณ
ซึ่งได้แก่
- มีแรงจูงใจจากความต้องการหรือปัญหาของผู้ใช้ที่ชัดเจน
- สมาชิกในทีมหรือตัวคุณเองแนะนำ ในกรณีนี้ การตรวจสอบอย่างรวดเร็ว กับผู้ใช้เป็นสิ่งจำเป็นเพื่อหลีกเลี่ยงกับดัก "AI เพื่อประโยชน์ของ AI"
- ได้รับแรงบันดาลใจจากคู่แข่ง แต่ต้องทำด้วยความระมัดระวัง กลุ่มเป้าหมายและบริบทของคู่แข่งอาจแตกต่างจากของคุณ ตรวจสอบตั้งแต่เนิ่นๆ เพื่อทดสอบว่าความคิดริเริ่มของคู่แข่งที่ประสบความสำเร็จจะส่งผลต่อผลิตภัณฑ์ของคุณหรือไม่
ตัวอย่างเช่น ตารางต่อไปนี้มีแนวคิดสำหรับเว็บไซต์จองเที่ยวบิน
ในแต่ละขั้นตอนของเส้นทางของผู้ใช้ คุณจะเห็นโอกาสต่างๆ ในการ เพิ่มมูลค่าด้วย AI
ปรับแต่งโซลูชัน
ตอนนี้คุณได้แมปไอเดีย AI หลายอย่างตามเส้นทางของผู้ใช้แล้ว ขั้นตอนถัดไปคือ การกำหนดรูปร่างและสร้างความมั่นใจให้เพียงพอเพื่อให้คุณตัดสินใจได้ว่าจะ พัฒนาไอเดียใดก่อน ซึ่งเป็นความพยายามของทีมและมักจะขับเคลื่อนโดยผู้จัดการผลิตภัณฑ์ ในฐานะนักพัฒนาแอป ความรับผิดชอบหลักของคุณคือการประเมินต้นทุน ความพยายาม และความเสี่ยงของโซลูชัน AI ที่วางแผนไว้
ระบุไอเดียของคุณ
ขั้นแรก ให้บันทึกแต่ละไอเดียในสเปคแบบองค์รวมอย่างรวดเร็ว คุณสามารถใช้พิมพ์เขียวระบบ AI จากบทนำของเราได้ โดยปกติแล้ว นักพัฒนาแอปจะมุ่งเน้นที่ส่วนโซลูชัน ขณะที่ผู้จัดการผลิตภัณฑ์จะเป็นผู้ระบุโอกาส การฝึกนี้จะช่วยให้ทุกคนมีพื้นฐานร่วมกันในการปรับแนวทางและการอภิปรายก่อนที่จะดำเนินการต่อ
ประเมินความพยายามและต้นทุน
จากนั้นประเมินว่าแนวคิดของคุณนำไปใช้ได้ยากเพียงใด ตัวอย่างเช่น การเพิ่ม ตัวกรองอัจฉริยะอาจต้องใช้การแยกวิเคราะห์ตามพรอมต์ด้วย LLM API เท่านั้น ซึ่ง สร้างต้นแบบและเรียกใช้ได้รวดเร็ว และปรับได้ง่ายกว่า ในทางตรงกันข้าม ผู้ช่วยการจองที่ปรับตามโปรไฟล์ของผู้ใช้จะต้องมีไปป์ไลน์ข้อมูลที่กำหนดเอง, API การจอง และกลไกการทำงานแบบมีมนุษย์เป็นผู้ควบคุมอย่างรอบคอบ ซึ่งเป็นงานที่หนักกว่ามาก
พิจารณาความพยายามและต้นทุนในมิติข้อมูลต่างๆ ดังนี้
- ความพร้อมของข้อมูล: คุณมีข้อมูลที่ต้องการอยู่แล้วใช่ไหม ต้องทำความสะอาด ประมวลผลล่วงหน้า หรือติดป้ายกำกับมากน้อยเพียงใดจึงจะทำให้ข้อมูลพร้อมใช้งานกับ AI
- ความพร้อมของโมเดล: มีโมเดลที่ผ่านการฝึกมาก่อนที่เหมาะสมอยู่แล้ว หรือคุณต้องฝึกโมเดลตั้งแต่ต้น
- เวลาในการตอบสนอง: โมเดลควรตอบสนองเร็วเพียงใดเพื่อให้ฟีเจอร์นี้รู้สึก ราบรื่นและเป็นประโยชน์
- ความซับซ้อนของการผสานรวม: ต้องเชื่อมต่อระบบกี่ระบบ มี แบ็กเอนด์, API, UI หรือเครื่องมือของบุคคลที่สามไหม ยิ่งมีทัชพอยต์มากเท่าใด ต้นทุนและความเสี่ยงก็จะยิ่งสูงขึ้น
- ต้นทุนการดำเนินงาน: การเรียกใช้หรือการอนุมานแต่ละโมเดลมีค่าใช้จ่ายเท่าใด ประมาณการ การใช้งานและงบประมาณรายเดือนสำหรับการปรับขนาด ฟีเจอร์ที่ "ราคาถูก" ใน ขั้นตอนการสร้างต้นแบบอาจมีต้นทุนสูงเมื่อมีผู้ใช้หลายพันคนใช้งานอยู่
พิจารณาต้นทุนแอบแฝงสำหรับผู้ใช้ AI อาจทำให้เกิดความไม่แน่นอนและข้อผิดพลาดปกติ ในผลิตภัณฑ์ของคุณ AI ฝั่งไคลเอ็นต์จะเรียกใช้ฟีเจอร์ในอุปกรณ์ของผู้ใช้ ซึ่งจะใช้แบนด์วิดท์ พื้นที่เก็บข้อมูล และพลังงาน ฟีเจอร์ต้องมีคุณค่ามากพอ ที่ผู้ใช้จะยอมรับค่าใช้จ่ายได้
การประเมินความพยายามตั้งแต่เนิ่นๆ จะช่วยให้คุณมุ่งเน้นไปที่ชัยชนะที่มีคุณค่าสูงและมีแรงเสียดทานต่ำ รวมถึงเลื่อนแนวคิดที่ซับซ้อนกว่าออกไปจนกว่าข้อมูล โครงสร้างพื้นฐาน และประสบการณ์จะพร้อม
ประเมินโหมดความล้มเหลว
บางครั้งโมเดลก็ทำงานผิดพลาดและฟีเจอร์ก็ทำงานไม่เป็นไปตามที่คาดไว้ คุณต้องสื่อสารกับผู้ใช้ว่าเกิดอะไรขึ้นและเกิดข้อผิดพลาดที่ใด เพื่อให้ผู้ใช้ทราบว่าตนเองเปลี่ยนอินพุตเพื่อรับผลลัพธ์ที่ต้องการได้หรือไม่
เช่น สมมติว่าคุณเปิดบริษัทท่องเที่ยว บริษัทของคุณต้องการมอบ แรงบันดาลใจที่ปรับเปลี่ยนในแบบของคุณสำหรับนักเดินทาง ผู้ใช้ขอเครื่องมือสำหรับดำเนินการนี้ด้วยตนเอง และทีมผลิตภัณฑ์ของคุณก็ผลักดันให้มีการใช้งานเครื่องมือนี้ อย่างไรก็ตาม คุณทราบว่าการปรับตามโปรไฟล์ของผู้ใช้ต้องใช้สัญญาณจำนวนมากจากผู้ใช้เกี่ยวกับความสนใจของตน และคุณยังไม่ได้ตั้งค่าฐานข้อมูลที่รวบรวมสัญญาณดังกล่าว ซึ่ง ส่งผลให้การปรับตามโปรไฟล์ของผู้ใช้ไม่สำเร็จและแสดงไอเดียที่ไม่เกี่ยวข้อง ซึ่งส่งผลให้ผู้ใช้เลิกใช้ฟีเจอร์นี้ ความเข้าใจของคุณเกี่ยวกับความพร้อมใช้งานของข้อมูลที่ปรับเปลี่ยนในแบบของคุณควรเป็นข้อมูลในการประมาณมูลค่าของทีม
ข้อควรพิจารณาเพิ่มเติมเกี่ยวกับโหมดความล้มเหลวที่สำคัญของ AI มีดังนี้
- อาการหลอน: โมเดลสร้างเอาต์พุตที่ดูสมเหตุสมผล แต่ไม่เป็นความจริง (เช่น การสร้างเที่ยวบินที่ไม่มีอยู่จริง)
- อคติ: โมเดลแสดงหรือขยายการสรุปที่ไม่เป็นธรรมตามข้อมูลการฝึก ซึ่งนำไปสู่ผลลัพธ์ที่เลือกปฏิบัติหรือไม่เท่าเทียม ตัวอย่างเช่น โมเดลอาจถือว่าผู้ใช้บางรายต้องการเที่ยวบินชั้นหนึ่งและผู้ใช้บางรายต้องการชั้นประหยัด โดยอิงตามเพศหรือเชื้อชาติที่ระบบรับรู้
- ปัญหาการเริ่มจากศูนย์: ระบบไม่สามารถให้ค่าสำหรับผู้ใช้หรือรายการใหม่ เนื่องจากไม่มีข้อมูลเริ่มต้น ดังที่ระบุไว้ในตัวอย่างเครื่องมือการเดินทางที่ปรับเปลี่ยนในแบบของคุณ
- ประสิทธิภาพลดลง: ความแม่นยำของโมเดลจะลดลงเมื่อเวลาผ่านไป เนื่องจากข้อมูลในโลกแห่งความเป็นจริงมีการเปลี่ยนแปลงและเบี่ยงเบนไปจากการกระจายเดิม ซึ่งเรียกอีกอย่างว่าการเปลี่ยนแปลงของโมเดล
ต้นแบบ
ข้อมูลที่คุณป้อนเกี่ยวกับต้นทุน ความพยายาม และโหมดความล้มเหลวจะมีความเที่ยงตรงต่ำในตอนแรก หากต้องการเพิ่มความมั่นใจ การตรวจสอบฟีเจอร์ AI ที่ดีที่สุดคือการสร้างต้นแบบ การสร้างต้นแบบช่วยให้คุณทดสอบสมมติฐานทางเทคนิคหลัก (ความพร้อมของข้อมูล เวลาในการตอบสนอง ความแม่นยำ) ได้อย่างรวดเร็วก่อนที่จะสร้างเวอร์ชันเต็ม โดยเฉพาะอย่างยิ่งกับเทคโนโลยีใหม่ที่ยังไม่ได้สำรวจอย่างเต็มที่ เช่น AI การสร้างจะช่วยให้คุณเรียนรู้ได้เร็วกว่าการวิจัยและการวิเคราะห์
เครื่องมือสร้างโค้ดที่ขับเคลื่อนด้วย AI เช่น Vertex AI และ Replit จะช่วยเร่งความเร็วและลดความเสี่ยงในกระบวนการสร้างต้นแบบได้อย่างมาก
ใช้แนวคิดนี้: เปิดตัวฟีเจอร์เล็กๆ สังเกตพฤติกรรมของฟีเจอร์ และปรับปรุงอย่างต่อเนื่อง
ใช้แนวทางปฏิบัติแนะนำต่อไปนี้
- สร้างการวัดผลแบบครบวงจรตั้งแต่เนิ่นๆ ทดสอบทั้งโฟลว์ตามที่กำหนดไว้ในพิมพ์เขียวระบบ AI (ข้อมูล ข้อมูลอัจฉริยะ ประสบการณ์ของผู้ใช้) ไม่ใช่แค่ความแม่นยำของโมเดล บิลด์นี้ควรแสดงให้เห็นทุกส่วนของประสบการณ์การใช้งาน AI ของผู้ใช้ แต่ไม่จำเป็นต้องแสดงถึงฟีเจอร์แอปพลิเคชันทุกอย่าง
- เริ่มต้นด้วยแป้นพิมพ์ลัด ใช้ API และโมเดลที่ฝึกล่วงหน้าเพื่อตรวจสอบ คุณค่าได้อย่างรวดเร็ว
- บันทึกทุกอย่าง ติดตามอินพุต เอาต์พุต และการแก้ไขของผู้ใช้เพื่อดูโหมดความล้มเหลวที่พบบ่อย และประเมินปัญหาที่อาจทำให้หยุดชะงัก
- ทดสอบด้วยข้อมูลจริง การทดสอบระยะแรกควรบันทึกพฤติกรรมของผู้ใช้ที่เกิดขึ้นโดยอัตโนมัติและไม่เป็นระเบียบ
- เพิ่มกลไกการแสดงความคิดเห็นและการควบคุม ช่วยให้ผู้ใช้แจ้งข้อผิดพลาด หรือปรับเอาต์พุตได้ง่ายขึ้น รวมถึงให้ผู้ใช้ยืนยันหรือแก้ไขผลลัพธ์ได้
ในกรณีส่วนใหญ่ การสร้างต้นแบบจะเกิดขึ้นควบคู่ไปกับการประเมินและงานด้านข้อกำหนด
สิ่งที่ได้เรียนรู้
คุณได้เรียนรู้วิธีเปลี่ยนศักยภาพของ AI ที่เป็นนามธรรมให้กลายเป็นไอเดียผลิตภัณฑ์ที่มีมูลค่าสูงและจับต้องได้ ในฐานะนักพัฒนาแอป ข้อได้เปรียบของคุณคือการเชื่อมโยงความเป็นไปได้ทางเทคนิค กับประสบการณ์ของผู้ใช้ คุณได้สำรวจวิธีที่ AI สร้างมูลค่าในหมวดหมู่ต่างๆ แมปโอกาสเหล่านี้กับเส้นทางของผู้ใช้ผลิตภัณฑ์ และ เรียนรู้วิธีระบุ ประเมิน และจัดลําดับความสําคัญโดยใช้เฟรมเวิร์กที่มีโครงสร้าง
โปรดทราบว่า AI จะประสบความสำเร็จได้ด้วยการทำซ้ำอย่างไม่ย่อท้อ เปิดตัวผลิตภัณฑ์ตั้งแต่เนิ่นๆ รับฟัง ผู้ใช้และสังเกตพฤติกรรมของผู้ใช้ รวมถึงปรับปรุงผลิตภัณฑ์อย่างรวดเร็ว ต้นแบบทุกชิ้นเป็นก้าวหนึ่งที่ช่วยให้คุณ เข้าใจว่า AI จะเพิ่มมูลค่าและความพึงพอใจให้กับผลิตภัณฑ์ได้อย่างไร
แหล่งข้อมูล
- การค้นพบ AI ที่ถูกต้อง คู่มือการระดมความคิด การตรวจสอบ และการจัดลำดับความสำคัญของกรณีการใช้งาน AI
- AI Radar ซึ่งเป็นเครื่องมือค้นหาและสนับสนุนการตัดสินใจเพื่อ ระบุและจัดลําดับความสําคัญของกรณีการใช้งานในอุตสาหกรรมต่างๆ
ทดสอบความเข้าใจ
โอกาสด้าน AI หมวดหมู่ใดที่เกี่ยวข้องกับการช่วยเหลือผู้ใช้ในงานที่ซับซ้อนหรือสร้างสรรค์
เมื่อประเมินความพยายามและต้นทุนของไอเดีย AI "ความซับซ้อนของการผสานรวม" หมายถึงอะไร
ปัญหา Cold Start ในบริบทของโหมดความล้มเหลวของ AI คืออะไร
แนวคิดที่แนะนำสำหรับการสร้างต้นแบบฟีเจอร์ AI คืออะไร
เหตุใดจึงควรเก็บบันทึกเมื่อสร้างต้นแบบ