Yapay zeka ile geliştirme yaparken model seçimi, altyapı ve kod konusunda kaybolabilirsiniz. Büyük resmi unutabilirsiniz.
Bu modülde, yeni yapay zeka özelliklerini veya ürünlerini haritalandırmak için kullanabileceğiniz bir plan sunuyoruz:
- Neden geliştiriyorsunuz? Yapay zeka kullanım alanınız kullanıcılara ne gibi bir değer sunuyor?
- Uygulamanız nasıl çalışacak?
- Sisteminizin her bölümünün sorumlu bir şekilde geliştirilmesini nasıl sağlayabilirsiniz?
Bu planın nasıl çalıştığını anlamak için Örnek Alışveriş adlı bir e-ticaret sitesinde çalıştığınızı düşünün. Rakipleriniz, genel chatbot'ları eklemekle meşgul ancak bu özellikler pek ilgi görmüyor. Kullanıcılarınıza daha iyi bir deneyim sunmak istiyorsunuz ve temel kullanıcı akışlarını kesintiye uğratmadan arama deneyiminizi geliştirmeye karar veriyorsunuz.
Yapay zeka destekli yükseltme sayesinde tüketiciler, "kış için kırmızı arazi koşu ayakkabıları" gibi doğal dil ifadeleri yazarak anahtar kelime tabanlı aramayla kaçırmış olabilecekleri alakalı sonuçlar elde edebilir.
Fırsat
Her yapay zeka projesi, net bir kullanım alanıyla başlamalıdır: Yapay zeka ile çözülmeye değer bir kullanıcı görevi veya sorunu. Yapay zeka, uygulamanıza belirsizlik ve başka riskler getirir. Bu nedenle, yalnızca sorun geleneksel ve belirleyici bir şekilde çözülemiyorsa yapay zekayı kullanmalısınız.
Kullanım alanı
Örnek Alışveriş için arama, kullanıcıları aradıkları ürünlere bağlayan önemli bir işlevdir. Kullanıcılar genellikle yazım hataları, eş anlamlı kelimeler veya belirsiz sorgular nedeniyle başarısız olan aramaları terk eder. Bunu kendi analizlerinizden ve harici araştırmalardan da biliyorsunuz. Daha esnek ve akıllı arama sayesinde kullanıcılarınızın yolculukları daha verimli ve keyifli hale getirilebilir.
Diğer yapay zeka kullanım alanı örnekleri:
- Bir haber sitesinde, haberleri yapılandırılmış bir şekilde özetleyerek bilişsel yükü azaltabilirsiniz.
- Yayıncılık platformlarında, alternatif metinleri ve altyazıları otomatik olarak önererek erişilebilirliği artırabilirsiniz.
- Bulut hizmeti sağlayıcı olarak, daha akıllı doküman aramasıyla destek isteklerini azaltabilirsiniz.
Yüksek değerli fırsatları keşfetmek, yapay zeka ile başarıya ulaşmanın anahtarıdır. RAND Corporation tarafından hazırlanan bir raporda belirtildiği gibi, yanlış fırsatı seçmek yapay zeka projelerinin başarısız olmasının temel nedenlerinden biridir.
Değer
Değerin iki yönü vardır: kullanıcılar için avantajlar ve ürün veya işletme için avantajlar. Sağlıklı ve sorumlu ürünlerin çoğunda bunlar uyumludur: Kullanıcılar başarılı olduğunda işletme de büyür. Örneğin, Example Shoppe'da yapay zeka ile geliştirilmiş arama, kullanıcıların doğru ürünleri daha hızlı ve daha az sorunla bulmasına yardımcı olarak değer yaratır. Bu sayede ürün keşfi, dönüşüm oranları ve uzun vadeli müşteri memnuniyeti artar.
Bazen değer, kullanıcı memnuniyeti ve güven gibi soyut olabilir. Özellikle başlangıçta, değer önerisini ölçmenin bir yolunu bulmak en iyisidir. Bu sayede önceliklendirme, etkiyi iletme ve paydaşları ikna etme konusunda sağlam bir temel oluşturabilirsiniz. Kaba tahminler bile kararlara yön verebilir ve başarıyı ölçülebilir hale getirebilir.
Çözüm
Ürününüzde neden yapay zeka kullandığınızı netleştirdikten sonra, yapay zekayı nasıl uygulayacağınızı düşünün. Yapay zeka çözümünün temel yapı taşlarına göz atın.
Veriler
Veri, yapay zekanın yakıtıdır. Sonuç olarak, yapay zeka sisteminizin performansını, verilerinizden ne kadar iyi öğrenebildiği belirler. Model veya altyapı ne kadar gelişmiş olursa olsun, kötü, eksik ya da yanlış hizalanmış veriler zayıf sonuçlara ve hayal kırıklığına uğramış kullanıcılara yol açar. Buna karşılık, yüksek kaliteli veriler ve iyi tasarlanmış bir veri çarkı, değer artırıcı unsurlardır ve ürününüzün farklılaşmasına da katkıda bulunabilir.
Veriler farklı şekillerde ve biçimlerde gelir. Yapay zeka destekli arama örneğimizde faydalı veriler şunlar olabilir:
- Yapılandırılmış veriler: ürün başlıkları, renkler, bedenler, kategoriler ve stok durumu.
- Yapılandırılmamış veriler: ürün açıklamaları, kullanıcı yorumları ve SSS.
- Eş anlamlı listeleri: "spor ayakkabı" eşittir "koşu ayakkabısı" gibi terim ilişkileri.
- Kullanıcı sinyalleri: Tıklamalar, sitede kalma süreleri, sepete ekleme işlemleri ve satın almalar, modellerin kullanıcıların gerçekten alakalı bulduğu öğeleri öğrenmesine yardımcı olan sinyallerdir.
- Görsel veriler: Görsel benzerlik dizinine yerleştirilebilen ürün resimleri. Bu sayede kullanıcılar, eşleşen metin olmasa bile fotoğrafa göre arama yapabilir veya görsel olarak benzer öğeleri keşfedebilir.
Bu çok fazla veri gibi görünebilir ancak endişelenmeyin. En iyi sinyal-gürültü oranını sunan birkaç veri kaynağıyla başlayın, ardından sisteminiz olgunlaştıkça genişletin.
Çoğu durumda, ham verileriniz bir model tarafından kullanılmaya hazır değildir. Temizlenmesi, önceden işlenmesi ve yapay zekaya uygun bir biçimde düzenlenmesi gerekir. Örneğin, kullanıcı sinyalleri işlem dizilerine dönüştürülebilirken yapılandırılmamış ürün açıklamaları semantik yerleştirmeler olarak kodlanabilir.
Veriler, yapay zeka yaşam döngüsünün farklı aşamalarında kullanılabilir:
- Eğitim veya ince ayar sırasında modele kalıplar ve ilişkiler öğretmek için kullanılır.
- Değerlendirme aşamasında kaliteyi, doğruluğu ve alaka düzeyini test etmek için kullanabilirsiniz.
- Üretimde, sapmayı izlemek ve gerçek dünya kullanımından geri bildirim toplamak için kullanabilirsiniz.
Kısacası veriler yalnızca bir giriş değil, canlı bir varlıktır. Verileri iyi yönetmek, bir web geliştiricinin yapay zekayla çalışırken kazanabileceği en değerli becerilerden biridir.
Intelligence
Yapay zekanın değer oluşturduğu ve bilgileri özetlediği yer, zeka katmanıdır. Genellikle temelinde bir model bulunur ancak çoğu sistem daha karmaşıktır. Örneğin, Example Shoppe'da Intelligence katmanı, bir dizi yöntem kullanarak kullanıcı sorgularını anlamlandırır:
color=redveyaseason=wintergibi özellikleri ayıklamak için adlandırılmış varlık tanıma ve bilgi ayıklama.- Kullanıcı sorgularının ve mevcut ürünlerin anlamsal temsillerini oluşturmak için kullanılan bir cümle yerleştirme modeli.
- Alakalı sonuçları almak için semantik arama
- Sonuçları alaka düzeyine göre doğru şekilde sıralamak için küçük ve özelleştirilmiş bir yeniden sıralama modeli.
Zeka, yapay zeka sisteminizin tartışmasız en heyecan verici parçasıdır ancak en çok abartılan bileşeni de budur. Her hafta yeni modeller piyasaya sürülür ve genellikle bu modellerle ilgili abartılı pazarlama iddiaları ortaya atılır.
Göz önünde bulundurmanız gereken iki önemli faktör şunlardır:
- Yapay zeka, üretken yapay zeka ve büyük dil modelleri (LLM'ler) ile sınırlı değildir. Birçok görev, daha hızlı ve daha ucuz bir şekilde dağıtılıp bakımı yapılabilen daha küçük ve özel modellerle daha iyi şekilde yerine getirilebilir.
- Gerçek hayattaki yapay zeka sistemleri nadiren tek bir monolitik modele dayanır. Bunun yerine, veritabanları, API'ler ve koruma duvarları gibi ek bileşenlerle bir veya daha fazla modelin kombinasyonları olan bileşik yapay zeka mimarilerini kullanırlar. Bunlar, sağlam ve bağlama duyarlı davranışlar sunmak için birlikte çalışır.
Liderlik tablolarındaki en son trendleri takip etmek yerine, sorununuz için uygun olan ve ürününüz ile işletmeniz geliştikçe uyum sağlamanıza olanak tanıyan zeka türünü seçin. Gelecekteki modüllerde, şu anda en yaygın kullanılan yapay zeka teknikleri olan tahmine dayalı yapay zeka ve üretken yapay zeka hakkında temel bilgiler edineceksiniz. Ayrıca sisteminiz için doğru teknik yaklaşımı değerlendirmeyi ve seçmeyi de öğreneceksiniz.
Kullanıcı deneyimi
Kullanıcı arayüzü, yapay zeka değerini kullanıcılarınıza sunan kanaldır. Belirleyici yazılım arayüzleri kesindir ve tahmin edilebilir: Aynı giriş her zaman aynı çıkışı üretir. Yapay zeka ile belirsizlik ortaya çıkar. Neredeyse aynı iki sorgu tamamen farklı sonuçlar verebilir ve en güçlü yapay zeka modellerinin bile halüsinasyon görme ve başka türden hatalar yapma olasılığı vardır.
Bu geçiş konusunda son derece dikkatli olmanız gerekir. Özellikle de mevcut bir ürüne yapay zeka ekliyorsanız. Açık uçlu chatbot'lar eğlenceli olsa da pratikte karmaşık ve risklidir.
Başlangıçta, kullanıcılara sunulan belirsizliği ve riski en aza indirmeyi hedefleyin. Örneğin, Example Shoppe'un durumunda, yapay zeka destekli arama mevcut arayüze sessizce entegre edilebilir. Kullanıcılar doğal dil sorguları yazmaya devam eder ve daha kaliteli arama sonuçları alır.
Yapay zeka özelliği arka planda çalışsa da şeffaflığı artırmak için bu özelliği kullanırken kullanıcıları bilgilendirmeniz önerilir. Örneğin, bir bildirim ve sistemin bu sonuçları nasıl düzenlediğine dair kısa bir açıklama ekleyebilirsiniz.
Kullanıcı Deneyimi Kalıpları bölümünde, ürününüzün kullanıcı deneyiminde yapay zeka kullanımını, özelliklerini ve riskini nasıl dengeleyeceğinizi öğreneceksiniz.
Yönetim
Yapay zeka sistemleri sorumlu bir şekilde geliştirilmelidir. Kullanıcı gizliliğini koruyan, önyargıyı azaltan, şeffaflık sağlayan ve ilgili tüm yasal standartları karşılayan bir sistem oluşturmanız gerekir. İyi yönetişim yalnızca uyumluluk için değil, kullanıcı güvenini ve benimsenmesini sağlamak için de temel bir tasarım ilkesidir.
Example Shoppe'un yapay zeka destekli aramasında yönetim, ürüne yerleştirilmiş koruma önlemleriyle başlar:
- Gizlilik: Kişiselleştirme verileri, kullanıcılar açıkça kabul etmediği sürece yerel olarak kalır. Bu özelliği istediğiniz zaman etkinleştirebilir veya devre dışı bırakabilirsiniz.
- Adalet: Satıcılar arasında dengeli bir görünürlük sağlamak için arama sonuçları denetlenir.
- Güven ve şeffaflık: Example Shoppe, her arama sorgusunun üst kısmında neden bir sonuç verildiğini öğrenme fırsatı sunar. Bu, kullanıcılarla güven ilişkisi kurmak için bir fırsat sunar.
- Güvenlik: Kısıtlanmış veya güvenli olmayan sorgular (örneğin, yasaklanmış öğeler) koruma sınırları aracılığıyla filtrelenir veya engellenir.
- Çözüm: Kullanıcılar, yapay zeka geliştirmeleri faydalı değilse yapay zeka önerilerini hızlıca kapatabilir, kötü yapay zeka sonuçlarını veya etkileşimlerini bildirebilir ve yalnızca anahtar kelime içeren bir aramaya geri dönebilir.
Yapay zekayı sorumluluk bilinciyle geliştirmek için dağıtım sürecinizi sahiplenmeniz gerekir. Özenle tasarlanmış koruma sınırları ve geri bildirim döngüleri oluşturun. Deneyimin güvenliğini ve güvenilirliğini şekillendirirken kullanım beklentilerini ve sınırlarını da belirlersiniz. Çıkışı tamamen kontrol edemeseniz de endişeleri gidermeye hazır olmalısınız.
Yapay zeka ile sorumlu bir şekilde geliştirme başlıklı makalede yapay zeka yönetişiminin temel yönleri hakkında daha fazla bilgi edinebilir, sürdürülebilir ve güvenilir yapay zeka uygulamaları geliştirmek için pratik araçlar bulabilirsiniz.
Önemli noktalar
Yapay zeka sisteminin planı, yer aldığınız tüm yapay zeka projelerinde netlik ve uyum kazanmanıza yardımcı olabilir. Planın her bir öğesini genel hatlarıyla inceledik. Okumaya devam ettikçe her adım hakkında daha fazla bilgi edineceksiniz.
Bu planı, belirli katmanların daha ayrıntılı olarak açıklandığı farklı örneklerde tekrar görebilirsiniz.
Bilgilerinizi sınayın
Yapay zeka sistemi planına göre, yeni bir yapay zeka özelliği haritalandırılırken hangi üç temel bakış açısı dikkate alınmalıdır?
Hangi durumlarda çözüm olarak yapay zeka kullanmak gerekir?
Aşağıdakilerden hangisi, yapay zeka kullanıcı deneyiminde "sessiz entegrasyonu" en iyi şekilde tanımlar?
Kullanıcı güvenini kazanmak için temel tasarım ilkesi nedir?