Bạn có nhiều cơ hội để tìm thấy những cơ hội có giá trị cao cho AI. Bạn có thể đánh giá cả tính khả thi về mặt kỹ thuật của một ý tưởng và tác động của ý tưởng đó đến trải nghiệm người dùng. Đây là hai khía cạnh phải kết hợp với nhau để các tính năng AI thành công. Bạn không nên tạo các tính năng AI chỉ vì chúng mới lạ hoặc ấn tượng, mà nên tạo vì chúng thực sự giúp cuộc sống của người dùng trở nên dễ dàng, nhanh chóng hoặc thú vị hơn.
Mô-đun này mô tả một phương pháp có cấu trúc, lặp đi lặp lại để lên ý tưởng, chỉ định và tạo mẫu các trường hợp sử dụng AI trong sản phẩm của bạn.
Tìm hiểu giá trị của AI
Cây cơ hội về AI sau đây xác định các danh mục lớn về giá trị mà AI có thể mang lại:
Chúng tôi đã liệt kê các danh mục giá trị để định hình giải pháp của bạn. Khi bạn chuyển qua danh sách, độ phức tạp, rủi ro và khả năng ảnh hưởng đến người dùng có xu hướng tăng lên:
- Thông tin chi tiết: Cải thiện việc ra quyết định.
- Tiện lợi: Loại bỏ mọi phiền hà.
- Tự động hoá: Thay thế công việc lặp lại.
- Tăng cường: Hỗ trợ người dùng thực hiện các tác vụ phức tạp hoặc mang tính sáng tạo.
- Cá nhân hoá: Điều chỉnh sản phẩm cho phù hợp với nhu cầu và lựa chọn ưu tiên của từng cá nhân.
Trước tiên, hãy thử giải quyết các trường hợp sử dụng có tác động thấp hơn. Ví dụ: thu thập thông tin chi tiết hơn về sản phẩm bằng hệ thống AI nội bộ, nhờ đó bạn có thể cải thiện sản phẩm từ bên trong. Sau đó, hãy kiểm tra khoản nợ UX hiện có và sử dụng AI để giảm bớt sự phiền toái và gánh nặng nhận thức cho người dùng. Khi đã có kinh nghiệm và tự tin hơn, bạn có thể chuyển sang các trường hợp sử dụng phức tạp hơn và tăng mức độ tiếp xúc với AI.
Tuy nhiên, bạn có thể khám phá những cơ hội có tác động lớn, chẳng hạn như những điểm chạm nhẹ nhàng của hoạt động cá nhân hoá, vừa dễ tiếp cận, ít rủi ro lại vừa có ý nghĩa.
Xác định cơ hội trong sản phẩm của bạn
Để xác định ý tưởng phù hợp, bạn cần hiểu rõ người dùng của mình là ai. Làm việc với nhóm trải nghiệm người dùng hoặc tìm hiểu thêm về chân dung người dùng để xác định những người dùng đó. Áp dụng cách tiếp cận ưu tiên người dùng (hoặc ưu tiên con người) và lập sơ đồ các cơ hội về AI mà bạn tìm thấy thành các trường hợp sử dụng cụ thể cho sản phẩm của mình.
Đó có thể là:
- Được thúc đẩy bởi nhu cầu hoặc vấn đề cụ thể của người dùng.
- Do các thành viên trong nhóm hoặc chính bạn đề xuất. Trong trường hợp này, việc xác thực nhanh với người dùng là điều cần thiết để tránh rơi vào bẫy "AI chỉ vì AI".
- Lấy cảm hứng từ đối thủ cạnh tranh, nhưng hãy thận trọng. Đối tượng và bối cảnh của đối thủ cạnh tranh có thể khác với bạn. Xác thực sớm để kiểm tra xem các sáng kiến thành công của đối thủ cạnh tranh có được chuyển sang sản phẩm của bạn hay không.
Ví dụ: bảng sau đây có các ý tưởng cho một trang web đặt vé máy bay:
Ở mỗi bước trong hành trình của người dùng, bạn có thể xác định các cơ hội khác nhau để tăng giá trị bằng AI.
Định hình giải pháp của bạn
Đến đây, bạn đã lập bản đồ một số ý tưởng về AI trong hành trình của người dùng. Bước tiếp theo là định hình và có đủ tự tin để quyết định nên phát triển những ý tưởng nào trước. Đây là một nỗ lực của cả nhóm và thường do người quản lý sản phẩm dẫn dắt. Là nhà phát triển, trách nhiệm chính của bạn là ước tính chi phí, công sức và rủi ro của giải pháp AI dự kiến.
Nêu rõ ý tưởng của bạn
Trước tiên, hãy ghi lại từng ý tưởng trong một bản đặc tả nhanh và toàn diện. Bạn có thể sử dụng bản thiết kế hệ thống AI trong phần giới thiệu của chúng tôi. Thông thường, nhà phát triển tập trung vào phần giải pháp, trong khi cơ hội được chỉ định bởi người quản lý sản phẩm. Bài tập này giúp mọi người có cơ sở chung để điều chỉnh và thảo luận trước khi tiếp tục.
Đánh giá công sức và chi phí
Tiếp theo, hãy đánh giá mức độ khó khi triển khai ý tưởng của bạn. Ví dụ: việc thêm bộ lọc thông minh có thể chỉ yêu cầu phân tích cú pháp dựa trên câu lệnh bằng một API LLM, giúp nguyên mẫu nhanh chóng và dễ dàng điều chỉnh. Ngược lại, một trợ lý đặt lịch hẹn được cá nhân hoá sẽ cần các quy trình dữ liệu tuỳ chỉnh, API đặt lịch hẹn và các cơ chế có sự tham gia của con người một cách cẩn thận, đây là một việc khó khăn hơn nhiều.
Xem xét công sức và chi phí theo nhiều phương diện:
- Mức độ sẵn sàng của dữ liệu: Bạn đã có dữ liệu mình cần chưa? Cần thực hiện bao nhiêu bước làm sạch, tiền xử lý hoặc gắn nhãn để dữ liệu sẵn sàng cho AI?
- Độ hoàn thiện của mô hình: Đã có mô hình được huấn luyện trước phù hợp hay bạn cần huấn luyện một mô hình từ đầu?
- Độ trễ: Mô hình cần phản hồi nhanh đến mức nào để người dùng cảm thấy tính năng này liền mạch và hữu ích?
- Độ phức tạp của việc tích hợp: Cần kết nối bao nhiêu hệ thống? Có công cụ phụ trợ, API, giao diện người dùng hoặc công cụ của bên thứ ba không? Càng nhiều điểm tiếp xúc, chi phí và rủi ro càng cao.
- Chi phí vận hành: Chi phí cho mỗi lệnh gọi hoặc suy luận mô hình là bao nhiêu? Ước tính mức sử dụng và ngân sách hằng tháng để mở rộng quy mô. Một tính năng "rẻ" ở giai đoạn nguyên mẫu có thể trở nên tốn kém khi có hàng nghìn người dùng đang hoạt động.
Hãy cân nhắc những chi phí ẩn mà người dùng phải chịu. AI có thể mang đến sự không chắc chắn và những sai sót thường xuyên cho sản phẩm của bạn. Với AI phía máy khách, các tính năng chạy trên thiết bị của người dùng, tiêu tốn băng thông, bộ nhớ và năng lượng. Tính năng này phải đủ giá trị để người dùng cảm thấy thoải mái với chi phí.
Bằng cách đánh giá nỗ lực từ sớm, bạn có thể tập trung vào những thành công có giá trị cao và ít trở ngại, đồng thời hoãn lại những ý tưởng phức tạp hơn cho đến khi dữ liệu, cơ sở hạ tầng và kinh nghiệm của bạn trưởng thành.
Ước tính các chế độ lỗi
Đôi khi, mô hình này mắc lỗi và các tính năng không hoạt động như mong đợi. Bạn cần trao đổi với người dùng về những gì đang xảy ra và vị trí xảy ra lỗi để họ biết liệu họ có thể thay đổi thông tin đầu vào để nhận được kết quả mà họ muốn hay không.
Ví dụ: giả sử bạn điều hành một công ty du lịch. Công ty của bạn muốn cung cấp thông tin truyền cảm hứng phù hợp với từng khách du lịch. Người dùng của bạn đã yêu cầu một công cụ để tự thực hiện việc này và nhóm sản phẩm của bạn đang thúc đẩy việc triển khai công cụ đó. Tuy nhiên, bạn biết rằng hoạt động cá nhân hoá đòi hỏi nhiều tín hiệu từ người dùng về mối quan tâm của họ và bạn chưa thiết lập cơ sở dữ liệu thu thập những tín hiệu đó. Điều này dẫn đến việc cá nhân hoá không thành công, cung cấp thông tin truyền cảm hứng không liên quan, khiến người dùng bỏ qua tính năng này. Hiểu biết của bạn về tính sẵn có của dữ liệu được cá nhân hoá sẽ giúp nhóm của bạn ước tính giá trị.
Sau đây là một số chế độ lỗi quan trọng khác của AI mà bạn cần cân nhắc:
- Ảo giác: Mô hình tạo ra những kết quả có vẻ hợp lý nhưng không có thật (chẳng hạn như tạo ra một chuyến bay không tồn tại).
- Thiên kiến: Mô hình thể hiện hoặc khuếch đại những khái quát hoá không công bằng dựa trên dữ liệu huấn luyện, dẫn đến kết quả phân biệt đối xử hoặc không công bằng. Ví dụ: mô hình có thể giả định rằng người dùng muốn bay hạng nhất và những người khác muốn bay hạng phổ thông dựa trên giới tính hoặc chủng tộc mà mô hình nhận thấy.
- Vấn đề khởi động nguội: Hệ thống không thể cung cấp giá trị cho người dùng hoặc mặt hàng mới do thiếu dữ liệu ban đầu, như được chỉ ra trong ví dụ về công cụ du lịch được cá nhân hoá.
- Giảm hiệu suất: Độ chính xác của mô hình sẽ giảm theo thời gian khi dữ liệu thực tế phát triển và khác với phân phối ban đầu, còn được gọi là độ lệch mô hình.
Nguyên mẫu
Ban đầu, thông tin đầu vào của bạn về chi phí, công sức và các chế độ thất bại sẽ có độ trung thực thấp. Để có được sự tin tưởng, cách xác thực tốt nhất cho một tính năng AI cụ thể là tạo mẫu cho tính năng đó. Tạo mẫu giúp bạn nhanh chóng kiểm thử các giả định kỹ thuật cốt lõi (mức độ sẵn sàng của dữ liệu, độ trễ, độ chính xác) trước khi cam kết xây dựng đầy đủ. Đặc biệt là với một công nghệ mới chưa được khám phá đầy đủ như AI, bạn sẽ học nhanh hơn bằng cách xây dựng thay vì nghiên cứu và phân tích.
Với các công cụ tạo mã dựa trên AI, chẳng hạn như Vertex AI và Replit, bạn có thể tăng tốc đáng kể và giảm rủi ro cho quy trình tạo mẫu.
Hãy áp dụng tư duy này: phát hành một tính năng nhỏ, quan sát cách tính năng đó hoạt động và liên tục tinh chỉnh.
Áp dụng các phương pháp hay nhất sau đây:
- Xây dựng chiến dịch từ đầu đến cuối từ sớm. Kiểm thử toàn bộ quy trình như được xác định trong bản thiết kế hệ thống AI của bạn (dữ liệu, thông tin tình báo, trải nghiệm người dùng), chứ không chỉ độ chính xác của mô hình. Bản dựng này phải phản ánh mọi khía cạnh trong trải nghiệm của người dùng với AI, nhưng không nhất thiết phải thể hiện mọi tính năng của ứng dụng.
- Bắt đầu bằng các phím tắt. Sử dụng các API và mô hình được huấn luyện trước để xác thực giá trị một cách nhanh chóng.
- Ghi nhật ký mọi thứ. Theo dõi dữ liệu đầu vào, đầu ra và nội dung chỉnh sửa của người dùng để xem các chế độ lỗi thường gặp và đánh giá các vấn đề tiềm ẩn.
- Thử nghiệm bằng dữ liệu thực. Các bài kiểm thử ban đầu nên ghi lại hành vi tự nhiên và lộn xộn của người dùng.
- Thêm cơ chế kiểm soát và phản hồi. Giúp người dùng dễ dàng gắn cờ lỗi hoặc điều chỉnh đầu ra, đồng thời cho phép người dùng xác nhận hoặc sửa kết quả.
Trong hầu hết các trường hợp, việc tạo mẫu diễn ra song song với quá trình đánh giá và xây dựng quy cách.
Điểm cần nhớ
Bạn đã học được cách biến tiềm năng trừu tượng của AI thành những ý tưởng cụ thể về sản phẩm có giá trị cao. Là một nhà phát triển, lợi thế của bạn nằm ở việc kết nối tính khả thi về kỹ thuật với trải nghiệm người dùng. Bạn đã khám phá cách AI có thể tạo ra giá trị ở nhiều danh mục, liên kết những cơ hội này với hành trình của người dùng sản phẩm và học cách chỉ định, đánh giá cũng như ưu tiên những cơ hội đó bằng cách sử dụng các khung hình có cấu trúc.
Hãy nhớ rằng AI thành công nhờ quá trình lặp lại không ngừng. Ra mắt sớm, lắng nghe người dùng và quan sát họ, đồng thời tinh chỉnh nhanh chóng. Mỗi nguyên mẫu là một bước tiến để hiểu cách AI có thể tăng giá trị và sự hài lòng của sản phẩm.
Tài nguyên
- Khám phá AI đúng cách, hướng dẫn về cách lên ý tưởng, xác thực và ưu tiên các trường hợp sử dụng AI.
- AI Radar là một công cụ hỗ trợ khám phá và đưa ra quyết định để xác định và ưu tiên các trường hợp sử dụng trong nhiều ngành.
Kiểm tra mức độ hiểu biết của bạn
Danh mục cơ hội nào liên quan đến AI giúp người dùng thực hiện các tác vụ phức tạp hoặc sáng tạo?
Khi đánh giá nỗ lực và chi phí của một ý tưởng về AI, "Độ phức tạp của việc tích hợp" có nghĩa là gì?
Vấn đề khởi động nguội trong bối cảnh các chế độ lỗi của AI là gì?
Bạn nên có tư duy như thế nào khi tạo mẫu các tính năng AI?
Tại sao bạn cần lưu nhật ký khi tạo mẫu?