Anda berada di posisi yang tepat untuk menemukan peluang bernilai tinggi untuk AI. Anda dapat mengevaluasi kelayakan teknis suatu ide dan dampaknya terhadap pengalaman pengguna, dua perspektif yang harus bersatu agar fitur AI berhasil. Anda tidak boleh membuat fitur AI hanya karena fitur tersebut baru atau mengesankan, tetapi karena fitur tersebut benar-benar membuat hidup lebih mudah, lebih cepat, atau lebih menyenangkan bagi pengguna.
Modul ini menjelaskan metode terstruktur dan berulang untuk mencari ide, menentukan, dan membuat prototipe kasus penggunaan AI dalam produk Anda.
Memahami nilai AI
Pohon peluang AI berikut menentukan kategori besar nilai yang dapat diberikan AI:
Kami telah mencantumkan kategori nilai untuk menyusun solusi Anda. Saat Anda menelusuri daftar, kompleksitas, risiko, dan potensi dampak pengguna cenderung meningkat:
- Insight: Meningkatkan kualitas pengambilan keputusan.
- Kenyamanan: Menghilangkan hambatan.
- Otomatisasi: Menggantikan pekerjaan berulang.
- Augmentasi: Membantu pengguna menyelesaikan tugas yang kompleks atau kreatif.
- Personalisasi: Menyesuaikan produk dengan kebutuhan dan preferensi individu.
Pertama, coba selesaikan kasus penggunaan yang berdampak lebih rendah. Misalnya, kumpulkan analisis produk yang lebih baik dengan sistem AI internal, sehingga Anda dapat meningkatkan kualitas produk dari dalam. Kemudian, audit utang UX yang ada dan gunakan AI untuk mengurangi hambatan dan beban kognitif bagi pengguna Anda. Seiring meningkatnya keyakinan dan pengalaman, Anda dapat beralih ke kasus penggunaan yang lebih kompleks dan meningkatkan eksposur AI.
Meskipun demikian, Anda mungkin menemukan peluang berdampak tinggi, seperti sedikit sentuhan personalisasi, yang ternyata mudah diakses, berisiko rendah, dan bermakna.
Mengidentifikasi peluang dalam produk Anda
Untuk menentukan ide yang tepat, Anda harus memiliki pemahaman yang baik tentang siapa pengguna Anda. Bekerja samalah dengan tim UX Anda atau pelajari persona untuk menentukan siapa pengguna tersebut. Gunakan pendekatan yang mengutamakan pengguna (atau mengutamakan manusia), dan petakan peluang AI yang Anda temukan ke kasus penggunaan konkret untuk produk Anda.
Di antaranya yaitu:
- Dimotivasi oleh kebutuhan atau masalah pengguna yang eksplisit.
- Disarankan oleh anggota tim Anda atau Anda sendiri. Dalam hal ini, validasi cepat dengan pengguna sangat penting untuk menghindari jebakan "AI demi AI".
- Terinspirasi oleh pesaing, tetapi lakukan dengan hati-hati. Audiens dan konteks pesaing Anda bisa berbeda dengan Anda. Lakukan validasi lebih awal untuk menguji apakah inisiatif pesaing yang berhasil dapat diterapkan ke produk Anda.
Misalnya, tabel berikut memiliki ide untuk situs pemesanan penerbangan:
Di setiap langkah perjalanan pengguna, Anda dapat mengidentifikasi berbagai peluang untuk memberikan nilai tambah dengan AI.
Membentuk solusi Anda
Sejauh ini, Anda telah memetakan beberapa ide AI di sepanjang perjalanan pengguna. Langkah berikutnya adalah memberinya bentuk dan mendapatkan keyakinan yang cukup sehingga Anda dapat memutuskan ide mana yang akan dikembangkan terlebih dahulu. Ini adalah upaya tim dan biasanya didorong oleh product manager. Sebagai developer, tanggung jawab utama Anda adalah memperkirakan biaya, upaya, dan risiko dari solusi AI yang direncanakan.
Tentukan ide Anda
Pertama, catat setiap ide dalam spesifikasi yang cepat dan menyeluruh. Anda dapat menggunakan blueprint sistem AI dari pengantar kami. Biasanya, developer berfokus pada bagian solusi, sedangkan peluang ditentukan oleh product manager. Latihan ini memberi semua orang dasar yang sama untuk penyelarasan dan diskusi sebelum melanjutkan.
Menilai upaya dan biaya
Selanjutnya, evaluasi tingkat kesulitan penerapan ide Anda. Misalnya, menambahkan filter cerdas mungkin hanya memerlukan penguraian berbasis perintah dengan LLM API, yang cepat untuk membuat prototipe dan dijalankan serta lebih mudah disesuaikan. Sebaliknya, asisten pemesanan yang dipersonalisasi akan memerlukan pipeline data kustom, API pemesanan, dan mekanisme human-in-the-loop yang cermat, yang merupakan upaya yang jauh lebih berat.
Lihat upaya dan biaya di berbagai dimensi:
- Kesiapan data: Apakah Anda sudah memiliki data yang diperlukan? Berapa banyak pembersihan, pra-pemrosesan, atau pelabelan yang perlu dilakukan agar data siap digunakan untuk AI?
- Kematangan model: Apakah model terlatih yang sesuai sudah ada, atau apakah Anda perlu melatihnya dari awal?
- Latensi: Seberapa cepat model harus merespons agar fitur terasa lancar dan bermanfaat?
- Kompleksitas integrasi: Berapa banyak sistem yang perlu dihubungkan? Apakah ada backend, API, UI, atau alat pihak ketiga? Makin banyak titik kontak, makin tinggi biaya dan risikonya.
- Biaya operasional: Seberapa mahal setiap panggilan atau inferensi model? Perkirakan penggunaan dan anggaran bulanan untuk penskalaan. Fitur yang "murah" pada tahap prototipe dapat menjadi mahal setelah ribuan pengguna aktif.
Pertimbangkan biaya tersembunyi bagi pengguna. AI dapat menimbulkan ketidakpastian dan kesalahan rutin dalam produk Anda. Dengan AI sisi klien, fitur berjalan di perangkat pengguna, yang menggunakan bandwidth, penyimpanan, dan energi. Fitur ini harus cukup berharga sehingga pengguna merasa nyaman dengan biayanya.
Dengan menilai upaya sejak awal, Anda dapat berfokus pada kemenangan bernilai tinggi dan minim hambatan, serta menunda ide yang lebih kompleks hingga data, infrastruktur, dan pengalaman Anda matang.
Memperkirakan mode kegagalan
Terkadang, model membuat kesalahan dan fitur gagal berfungsi seperti yang diharapkan. Anda perlu menyampaikan kepada pengguna apa yang terjadi dan di mana kegagalan terjadi, sehingga mereka tahu apakah mereka dapat mengubah input untuk mendapatkan hasil yang mereka cari.
Misalnya, Anda menjalankan agen perjalanan. Perusahaan Anda ingin menawarkan inspirasi yang dipersonalisasi untuk wisatawan. Pengguna Anda telah meminta alat untuk melakukan hal ini sendiri, dan tim produk Anda berupaya untuk menerapkannya. Namun, Anda tahu bahwa personalisasi memerlukan banyak sinyal dari pengguna tentang minat mereka, dan Anda belum menyiapkan database yang mengumpulkan sinyal tersebut. Hal ini menyebabkan personalisasi yang tidak berhasil dan menawarkan inspirasi yang tidak relevan, sehingga pengguna meninggalkan fitur tersebut. Pemahaman Anda tentang ketersediaan data pribadi seharusnya menjadi dasar estimasi nilai tim Anda.
Berikut adalah mode kegagalan AI kritis tambahan yang perlu dipertimbangkan:
- Halusinasi: Model menghasilkan output yang tampak masuk akal, tetapi tidak nyata (seperti mengarang penerbangan yang tidak ada).
- Bias: Model menunjukkan atau memperkuat generalisasi yang tidak adil berdasarkan data pelatihan, sehingga menghasilkan hasil yang diskriminatif atau tidak adil. Misalnya, model mungkin mengasumsikan pengguna menginginkan penerbangan kelas satu dan pengguna lain menginginkan kelas ekonomi berdasarkan gender atau ras yang dipersepsikan.
- Masalah cold-start: Sistem tidak dapat memberikan nilai untuk pengguna atau item baru karena kurangnya data awal, seperti yang ditunjukkan dalam contoh alat perjalanan yang dipersonalisasi.
- Penurunan performa: Akurasi model menurun seiring waktu karena data dunia nyata berkembang dan menjauh dari distribusi aslinya, yang juga dikenal sebagai penyimpangan model.
Prototipe
Input Anda terkait biaya, upaya, dan mode kegagalan awalnya akan memiliki fidelitas rendah. Untuk mendapatkan keyakinan, validasi terbaik untuk fitur AI tertentu adalah dengan membuat prototipenya. Pembuatan prototipe memungkinkan Anda menguji asumsi teknis inti dengan cepat (kesiapan data, latensi, akurasi) sebelum berkomitmen pada build penuh. Terutama dengan teknologi baru yang belum sepenuhnya dieksplorasi seperti AI, Anda akan belajar lebih cepat dengan membangun daripada dengan meneliti dan menganalisis.
Dengan alat pembuatan kode berbasis AI, seperti Vertex AI dan Replit, Anda dapat mempercepat dan mengurangi risiko proses pembuatan prototipe secara signifikan.
Terapkan pola pikir ini: kirimkan sesuatu yang kecil, amati perilakunya, dan sempurnakan terus-menerus.
Terapkan praktik terbaik berikut:
- Bangun end-to-end sejak awal. Uji seluruh alur seperti yang ditentukan dalam blueprint sistem AI Anda (data, kecerdasan, pengalaman pengguna), bukan hanya akurasi model. Build ini harus mencerminkan setiap bagian dari pengalaman pengguna Anda dengan AI, tetapi tidak harus mewakili setiap fitur aplikasi.
- Mulai dengan pintasan. Gunakan API dan model terlatih untuk memvalidasi nilai dengan cepat.
- Mencatat semuanya. Lacak input, output, dan pengeditan pengguna untuk melihat mode kegagalan umum dan mengevaluasi potensi masalah yang menghambat.
- Uji dengan data yang sebenarnya. Pengujian awal harus menangkap perilaku pengguna yang alami dan tidak teratur.
- Tambahkan mekanisme masukan dan kontrol. Memudahkan pengguna untuk melaporkan error atau menyesuaikan output, dan memungkinkan pengguna mengonfirmasi atau mengoreksi hasil.
Biasanya, pembuatan prototipe dilakukan bersamaan dengan penilaian dan pekerjaan spesifikasi Anda.
Poin-poin penting
Anda telah mempelajari cara mengubah potensi AI yang abstrak menjadi ide produk yang konkret dan bernilai tinggi. Sebagai developer, keunggulan Anda terletak pada menghubungkan kelayakan teknis dengan pengalaman pengguna. Anda telah mempelajari cara AI menciptakan nilai di berbagai kategori, memetakan peluang ini ke perjalanan pengguna produk Anda, dan mempelajari cara menentukan, mengevaluasi, dan memprioritaskannya menggunakan framework terstruktur.
Ingatlah bahwa AI berhasil melalui iterasi yang berkelanjutan. Luncurkan lebih awal, dengarkan pengguna Anda dan amati mereka, serta sempurnakan dengan cepat. Setiap prototipe adalah langkah untuk memahami cara AI dapat meningkatkan nilai dan kepuasan produk Anda.
Resource
- Getting AI Discovery Right, panduan untuk mencari ide, memvalidasi, dan memprioritaskan kasus penggunaan AI Anda.
- AI Radar, alat penemuan dan pendukung keputusan untuk mengidentifikasi dan memprioritaskan kasus penggunaan, di berbagai industri.
Uji pemahaman Anda
Kategori peluang AI mana yang melibatkan bantuan kepada pengguna dalam tugas-tugas yang kompleks atau kreatif?
Saat menilai upaya dan biaya ide AI, apa yang dimaksud dengan "Kompleksitas integrasi"?
Apa yang dimaksud dengan masalah cold-start dalam konteks mode kegagalan AI?
Apa pola pikir yang direkomendasikan untuk membuat prototipe fitur AI?
Mengapa penting untuk menyimpan log saat membuat prototipe?