Vous êtes bien placé pour trouver des opportunités à forte valeur ajoutée pour l'IA. Vous pouvez évaluer à la fois la faisabilité technique d'une idée et son impact sur l'expérience utilisateur, deux perspectives qui doivent s'unir pour que les fonctionnalités d'IA soient efficaces. Vous ne devez pas créer de fonctionnalités d'IA parce qu'elles sont nouvelles ou impressionnantes, mais parce qu'elles rendent la vie des utilisateurs plus facile, plus rapide ou plus agréable.
Ce module décrit une méthode structurée et itérative pour concevoir, spécifier et prototyper des cas d'utilisation de l'IA dans votre produit.
Comprendre la valeur de l'IA
L'arbre des opportunités de l'IA suivant définit les grandes catégories de valeur que l'IA peut apporter :
Nous avons listé des catégories de valeur pour vous aider à formuler vos solutions. À mesure que vous parcourez la liste, la complexité, le risque et l'impact potentiel sur l'utilisateur ont tendance à augmenter :
- Insights : améliorez la prise de décisions.
- Pratique : levez les freins.
- Automatisation : remplacez les tâches répétitives.
- Augmentation : aider les utilisateurs à effectuer des tâches complexes ou créatives.
- Personnalisation : adapter le produit aux besoins et aux préférences d'un individu.
Commencez par essayer de résoudre les cas d'utilisation à faible impact. Par exemple, vous pouvez recueillir de meilleurs insights sur les produits grâce à un système d'IA interne, ce qui vous permet d'améliorer votre produit de l'intérieur. Ensuite, auditez votre dette UX existante et utilisez l'IA pour réduire les frictions et la charge cognitive de vos utilisateurs. À mesure que vous gagnez en confiance et en expérience, vous pouvez vous tourner vers des cas d'utilisation plus complexes et augmenter l'exposition à l'IA.
Cela dit, vous découvrirez peut-être des opportunités à fort impact, comme de légères touches de personnalisation, qui sont étonnamment accessibles, à faible risque et significatives.
Identifier les opportunités dans votre produit
Pour déterminer la bonne idée, vous devez avoir une bonne idée de qui sont vos utilisateurs. Collaborez avec votre équipe UX ou approfondissez vos connaissances sur les personas pour définir qui sont ces utilisateurs. Adoptez une approche axée sur l'utilisateur (ou sur l'humain) et associez les opportunités d'IA que vous identifiez à des cas d'utilisation concrets pour votre produit.
Il peut s'agir de :
- Motivée par des besoins ou des difficultés explicites des utilisateurs.
- Suggéré par les membres de votre équipe ou par vous-même. Dans ce cas, une validation rapide auprès des utilisateurs est essentielle pour éviter de tomber dans le piège de l'IA pour l'IA.
- Inspirez-vous de vos concurrents, mais avec prudence. L'audience et le contexte de vos concurrents peuvent être différents des vôtres. Validez rapidement pour tester si les initiatives réussies de vos concurrents peuvent être appliquées à votre produit.
Par exemple, le tableau suivant contient des idées pour un site Web de réservation de vols :
À chaque étape du parcours utilisateur, vous pouvez identifier différentes opportunités d'ajouter de la valeur grâce à l'IA.
Façonnez votre solution
À ce stade, vous avez déjà cartographié plusieurs idées d'IA tout au long de votre parcours utilisateur. L'étape suivante consiste à leur donner une forme et à acquérir suffisamment de confiance pour décider lesquelles développer en premier. Il s'agit d'un travail d'équipe, généralement dirigé par le responsable produit. En tant que développeur, votre principale responsabilité consiste à estimer le coût, l'effort et les risques de la solution d'IA prévue.
Précisez vos idées
Tout d'abord, capturez chaque idée dans une spécification rapide et globale. Vous pouvez utiliser le plan du système d'IA de notre introduction. En général, les développeurs se concentrent sur la partie "solution", tandis que l'opportunité est spécifiée par le responsable produit. Cet exercice donne à chacun une base commune pour l'alignement et la discussion avant d'aller plus loin.
Évaluer l'effort et le coût
Ensuite, évaluez la difficulté de mise en œuvre de votre idée. Par exemple, l'ajout de filtres intelligents peut ne nécessiter qu'une analyse basée sur des requêtes avec une API LLM, qui est rapide à prototyper et à exécuter, et plus facile à ajuster. En revanche, un assistant de réservation personnalisé nécessiterait des pipelines de données personnalisés, des API de réservation et des mécanismes d'intervention humaine minutieux, ce qui est beaucoup plus lourd.
Examinez les efforts et les coûts selon plusieurs dimensions :
- Préparation des données : disposez-vous déjà des données dont vous avez besoin ? Quelle quantité de nettoyage, de prétraitement ou d'étiquetage est nécessaire pour les préparer à l'IA ?
- Maturité du modèle : existe-t-il déjà un modèle pré-entraîné adapté ou devez-vous en entraîner un de zéro ?
- Latence : à quelle vitesse le modèle doit-il répondre pour que la fonctionnalité soit fluide et utile ?
- Complexité de l'intégration : combien de systèmes doivent être connectés ? Y a-t-il un backend, des API, une UI ou des outils tiers ? Plus il y a de points de contact, plus le coût et le risque sont élevés.
- Coût opérationnel : quel est le coût de chaque appel ou inférence de modèle ? Estimez l'utilisation mensuelle et le budget pour le scaling. Une fonctionnalité qui est "peu coûteuse " au stade du prototype peut devenir coûteuse une fois que des milliers d'utilisateurs sont en ligne.
Tenez compte des coûts cachés pour l'utilisateur. L'IA peut introduire de l'incertitude et des erreurs régulières dans votre produit. Avec l'IA côté client, les fonctionnalités s'exécutent sur l'appareil de l'utilisateur, ce qui consomme de la bande passante, de l'espace de stockage et de l'énergie. La fonctionnalité doit être suffisamment utile pour que les utilisateurs acceptent le coût.
En évaluant l'effort dès le départ, vous pouvez vous concentrer sur les gains à forte valeur ajoutée et à faible friction, et reporter les idées plus complexes jusqu'à ce que vos données, votre infrastructure et votre expérience soient plus matures.
Estimer les modes de défaillance
Il peut arriver que le modèle fasse des erreurs et que les fonctionnalités ne fonctionnent pas comme prévu. Vous devez communiquer avec vos utilisateurs pour leur expliquer ce qui se passe et où l'échec s'est produit, afin qu'ils sachent s'ils peuvent modifier leur entrée pour obtenir les résultats qu'ils recherchent.
Par exemple, imaginons que vous dirigez une agence de voyages. Votre entreprise souhaite proposer des idées de voyage personnalisées. Vos utilisateurs ont demandé un outil pour le faire eux-mêmes, et votre équipe produit pousse à l'implémenter. Cependant, vous savez que la personnalisation nécessite de nombreux signaux de la part des utilisateurs concernant leurs centres d'intérêt, et vous n'avez pas configuré de base de données pour collecter ces signaux. Cela entraîne une personnalisation infructueuse qui propose des inspirations non pertinentes, ce qui pousse les utilisateurs à abandonner la fonctionnalité. Votre compréhension de la disponibilité des données personnalisées devrait avoir influencé l'estimation de la valeur de votre équipe.
Voici d'autres modes de défaillance critiques de l'IA à prendre en compte :
- Hallucination : le modèle génère des résultats qui semblent plausibles, mais qui ne sont pas réels (par exemple, inventer un vol qui n'existe pas).
- Biais : le modèle présente ou amplifie des généralisations injustes basées sur les données d'entraînement, ce qui entraîne des résultats discriminatoires ou inéquitables. Par exemple, le modèle peut supposer que certains utilisateurs souhaitent des vols en première classe et d'autres en classe économique en fonction de leur genre ou de leur origine ethnique perçus.
- Problème de démarrage à froid : le système ne peut pas fournir de valeur pour les nouveaux utilisateurs ou éléments en raison d'un manque de données initiales, comme indiqué dans l'exemple de l'outil de voyage personnalisé.
- Dégradation des performances : la précision du modèle se dégrade au fil du temps, à mesure que les données réelles évoluent et s'éloignent de la distribution d'origine, également appelée dérive du modèle.
Prototype
Vos données sur les coûts, les efforts et les modes de défaillance seront initialement de faible fidélité. Pour gagner en confiance, la meilleure validation d'une fonctionnalité d'IA spécifique consiste à en créer un prototype. Le prototypage vous permet de tester rapidement les principales hypothèses techniques (disponibilité des données, latence, précision) avant de vous lancer dans une compilation complète. Surtout avec une nouvelle technologie qui n'a pas encore été entièrement explorée, comme l'IA, on apprend plus vite en construisant qu'en recherchant et en analysant.
Grâce aux outils de génération de code basés sur l'IA, tels que Vertex AI et Replit, vous pouvez accélérer considérablement votre processus de prototypage et réduire les risques.
Adoptez cet état d'esprit : lancez un petit projet, observez son comportement et affinez-le en continu.
Appliquez les bonnes pratiques suivantes :
- Créez une solution de bout en bout dès le début. Testez l'ensemble du flux tel qu'il est défini dans le plan de votre système d'IA (données, intelligence, expérience utilisateur), et pas seulement la précision du modèle. Cette version doit refléter chaque partie de l'expérience de l'utilisateur avec l'IA, mais elle n'a pas besoin de représenter toutes les fonctionnalités de l'application.
- Commencez par les raccourcis. Utilisez des API et des modèles pré-entraînés pour valider rapidement la valeur.
- Enregistrez tout. Suivez les entrées, les sorties et les modifications des utilisateurs pour identifier les modes de défaillance courants et évaluer les problèmes potentiels.
- Testez avec des données réelles. Les premiers tests doivent capturer le comportement naturel et désordonné des utilisateurs.
- Ajoutez des mécanismes de feedback et de contrôle. Permettez aux utilisateurs de signaler facilement les erreurs ou d'ajuster les résultats, et laissez-les confirmer ou corriger les résultats.
Dans la plupart des cas, le prototypage s'effectue en parallèle de l'évaluation et de la spécification.
Vos plats à emporter
Vous avez appris à transformer le potentiel abstrait de l'IA en idées de produits concrètes et à forte valeur ajoutée. En tant que développeur, votre avantage réside dans la mise en relation de la faisabilité technique avec l'expérience utilisateur. Vous avez exploré comment l'IA peut créer de la valeur dans différentes catégories, mis en correspondance ces opportunités avec le parcours utilisateur de votre produit, et appris à les spécifier, les évaluer et les prioriser à l'aide de frameworks structurés.
N'oubliez pas que l'IA réussit grâce à une itération constante. Lancez-vous rapidement, écoutez vos utilisateurs, observez-les et affinez votre produit sans tarder. Chaque prototype est un pas de plus vers la compréhension de la manière dont l'IA peut augmenter la valeur et l'attrait de votre produit.
Ressources
- Getting AI Discovery Right, un guide pour concevoir, valider et prioriser vos cas d'utilisation de l'IA.
- AI Radar, un outil de découverte et d'aide à la décision permettant d'identifier et de hiérarchiser les cas d'utilisation dans tous les secteurs.
Vérifiez vos connaissances
Quelle catégorie d'opportunités d'IA implique d'aider les utilisateurs à effectuer des tâches complexes ou créatives ?
Lors de l'évaluation de l'effort et du coût d'une idée d'IA, à quoi fait référence la "complexité de l'intégration" ?
Qu'est-ce que le problème de démarrage à froid dans le contexte des modes de défaillance de l'IA ?
Quel est l'état d'esprit recommandé pour le prototypage de fonctionnalités d'IA ?
Pourquoi est-il important de tenir un journal lors du prototypage ?