Masz doskonałą okazję, aby znaleźć wartościowe możliwości wykorzystania AI. Możesz ocenić zarówno wykonalność techniczną pomysłu, jak i jego wpływ na wrażenia użytkowników. Te 2 perspektywy muszą się połączyć, aby funkcje oparte na AI odniosły sukces. Nie należy tworzyć funkcji opartych na AI tylko dlatego, że są nowe lub robią wrażenie, ale dlatego, że naprawdę ułatwiają, przyspieszają lub uprzyjemniają życie użytkownikom.
W tym module opisujemy ustrukturyzowaną, iteracyjną metodę wymyślania, określania i prototypowania przypadków użycia AI w produkcie.
Zrozumienie wartości AI
Poniższe drzewo możliwości AI definiuje główne kategorie wartości, które może zapewnić AI:
Poniżej znajdziesz kategorie wartości, które pomogą Ci sformułować rozwiązania. W miarę przechodzenia przez listę złożoność, ryzyko i potencjalny wpływ na użytkowników zwykle rosną:
- Statystyki: ułatwiają podejmowanie decyzji.
- Wygoda: usuń przeszkody.
- Automatyzacja: zastąp powtarzalne zadania.
- Wzbogacanie: pomaganie użytkownikom w wykonywaniu złożonych lub kreatywnych zadań.
- Personalizacja: dostosowanie usługi do potrzeb i preferencji danej osoby.
Najpierw spróbuj rozwiązać przypadki użycia o mniejszym wpływie. Możesz na przykład zbierać lepsze informacje o produkcie za pomocą wewnętrznego systemu AI, aby ulepszać go od wewnątrz. Następnie sprawdź istniejący dług UX i użyj AI, aby zmniejszyć tarcie i obciążenie poznawcze użytkowników. W miarę zdobywania pewności i doświadczenia możesz przechodzić do bardziej złożonych zastosowań i zwiększać ekspozycję na AI.
Możesz jednak odkryć możliwości o dużym wpływie, takie jak drobne elementy personalizacji, które są zaskakująco łatwo dostępne, mało ryzykowne i znaczące.
Odkrywanie możliwości w usłudze
Aby wybrać właściwy pomysł, musisz dobrze poznać swoich użytkowników. Skontaktuj się z zespołem ds. UX lub odśwież swoją wiedzę na temat person, aby określić, kim są ci użytkownicy. Zastosuj podejście skoncentrowane na użytkowniku i dopasuj znalezione możliwości AI do konkretnych przypadków użycia Twojego produktu.
Mogą to być:
- motywowane wyraźnymi potrzebami lub problemami użytkowników;
- sugerowane przez członków zespołu lub Ciebie; W takim przypadku szybka weryfikacja z użytkownikami jest niezbędna, aby uniknąć pułapki „AI dla samej AI”.
- Inspiruj się konkurencją, ale zachowaj ostrożność. Odbiorcy i kontekst konkurencji mogą się różnić od Twoich. Przeprowadź weryfikację na wczesnym etapie, aby sprawdzić, czy udane inicjatywy konkurencji sprawdzą się w przypadku Twojego produktu.
W tabeli poniżej znajdziesz przykładowe pomysły na witrynę do rezerwacji lotów:
Na każdym etapie ścieżki użytkownika możesz zidentyfikować różne możliwości dodania wartości dzięki AI.
Kształtowanie rozwiązania
Masz już kilka pomysłów na wykorzystanie AI na ścieżce użytkownika. Następnym krokiem jest nadanie im kształtu i nabranie wystarczającej pewności, aby zdecydować, które z nich rozwinąć jako pierwsze. Jest to praca zespołowa, którą zwykle kieruje menedżer produktu. Twoim głównym zadaniem jako programisty jest oszacowanie kosztów, nakładu pracy i ryzyka związanego z planowanym rozwiązaniem AI.
Określ swoje pomysły
Najpierw zapisz każdy pomysł w krótkiej, całościowej specyfikacji. Możesz użyć schematu systemu AI z naszego wprowadzenia. Zwykle deweloperzy skupiają się na rozwiązaniu, a menedżer produktu określa możliwości. Dzięki temu ćwiczeniu wszyscy będą mieli wspólną podstawę do uzgodnienia i omówienia kwestii przed przejściem do kolejnego etapu.
Ocena nakładu pracy i kosztów
Następnie oceń, jak trudne jest wdrożenie Twojego pomysłu. Na przykład dodanie inteligentnych filtrów może wymagać tylko analizy opartej na promptach za pomocą interfejsu LLM API, co pozwala na szybkie prototypowanie i uruchamianie oraz łatwiejsze dostosowywanie. Z kolei spersonalizowany asystent rezerwacji wymagałby niestandardowych potoków danych, interfejsów API do rezerwacji i starannie opracowanych mechanizmów z udziałem człowieka, co jest znacznie trudniejsze.
Przeanalizuj nakład pracy i koszty w różnych wymiarach:
- Gotowość danych: czy masz już potrzebne dane? Ile czyszczenia, wstępnego przetwarzania lub oznaczania etykietami trzeba wykonać, aby dane były gotowe do wykorzystania przez AI?
- Dojrzałość modelu: czy istnieje już odpowiedni wytrenowany model, czy trzeba go wytrenować od podstaw?
- Czas oczekiwania: jak szybko model powinien odpowiadać, aby funkcja działała płynnie i była przydatna?
- Złożoność integracji: ile systemów trzeba połączyć? Czy jest backend, interfejsy API, interfejs użytkownika lub narzędzia innych firm? Im więcej punktów kontaktu, tym wyższe koszty i ryzyko.
- Koszt operacyjny: ile kosztuje każde wywołanie modelu lub wnioskowanie? Oszacuj miesięczne wykorzystanie i budżet na potrzeby skalowania. Funkcja, która jest „tania” na etapie prototypu, może stać się kosztowna, gdy zacznie z niej korzystać tysiące użytkowników.
Weź pod uwagę ukryte koszty dla użytkownika. AI może wprowadzać do usługi niepewność i regularne błędy. W przypadku AI po stronie klienta funkcje działają na urządzeniu użytkownika, co zużywa przepustowość, miejsce na dane i energię. Funkcja musi być na tyle wartościowa, aby użytkownicy byli skłonni za nią zapłacić.
Oceniając nakład pracy na wczesnym etapie, możesz skupić się na wartościowych, łatwych do osiągnięcia celach i odłożyć bardziej złożone pomysły na później, gdy Twoje dane, infrastruktura i doświadczenie będą bardziej dojrzałe.
Rodzaje błędów związanych z szacowaniem
Czasami model popełnia błędy, a funkcje nie działają zgodnie z oczekiwaniami. Musisz poinformować użytkowników o tym, co się dzieje i gdzie wystąpił błąd, aby wiedzieli, czy mogą zmienić dane wejściowe, aby uzyskać oczekiwane wyniki.
Załóżmy na przykład, że prowadzisz biuro podróży. Twoja firma chce oferować spersonalizowane inspiracje dla podróżnych. Użytkownicy poprosili o narzędzie, które pozwoli im to robić samodzielnie, a zespół zajmujący się usługą naciska na jego wdrożenie. Wiesz jednak, że personalizacja wymaga wielu sygnałów od użytkowników dotyczących ich zainteresowań, a nie masz skonfigurowanej bazy danych, która zbiera takie sygnały. Prowadzi to do nieudanej personalizacji, która oferuje nieistotne inspiracje, co z kolei powoduje, że użytkownicy rezygnują z tej funkcji. Twoja wiedza na temat dostępności spersonalizowanych danych powinna wpłynąć na oszacowanie wartości przez Twój zespół.
Oto dodatkowe krytyczne błędy AI, które warto wziąć pod uwagę:
- Halucynacja: model generuje wyniki, które wydają się wiarygodne, ale nie są prawdziwe (np. wymyśla lot, który nie istnieje).
- Uprzedzenia: model wykazuje lub wzmacnia niesprawiedliwe uogólnienia na podstawie danych treningowych, co prowadzi do dyskryminujących lub niesprawiedliwych wyników. Model może na przykład zakładać, że użytkownicy chcą lotów pierwszą klasą, a inni chcą lotów klasą ekonomiczną, na podstawie ich postrzeganej płci lub rasy.
- Problem z zimnym startem: system nie może dostarczyć wartości nowym użytkownikom ani elementom z powodu braku danych początkowych, jak w przykładzie ze spersonalizowanym narzędziem podróżniczym.
- Spadek wydajności: dokładność modelu spada z czasem, gdy dane ze świata rzeczywistego ewoluują i oddalają się od pierwotnego rozkładu. Jest to tzw. dryf modelu.
Prototyp
Dane wejściowe dotyczące kosztów, nakładu pracy i trybów awarii będą początkowo mało dokładne. Aby zyskać pewność, najlepiej jest stworzyć prototyp konkretnej funkcji opartej na AI. Prototypowanie pozwala szybko przetestować podstawowe założenia techniczne (gotowość danych, czas oczekiwania, dokładność) przed rozpoczęciem pełnej kompilacji. Szczególnie w przypadku nowej, nie w pełni zbadanej technologii, takiej jak AI, szybciej uczysz się, tworząc, niż badając i analizując.
Dzięki narzędziom do generowania kodu opartym na AI, takim jak Vertex AI i Replit, możesz znacznie przyspieszyć proces prototypowania i zmniejszyć związane z nim ryzyko.
Przyjmij takie podejście: wprowadź coś małego, obserwuj, jak się zachowuje, i stale to ulepszaj.
Zastosuj te sprawdzone metody:
- Tworzenie kompleksowych rozwiązań na wczesnym etapie Przetestuj cały proces zdefiniowany w planie systemu AI (dane, wnioskowanie, wrażenia użytkownika), a nie tylko dokładność modelu. Ta kompilacja powinna odzwierciedlać wszystkie aspekty korzystania przez użytkownika z AI, ale nie musi obejmować wszystkich funkcji aplikacji.
- Zacznij od skrótów. Używaj interfejsów API i wytrenowanych modeli, aby szybko sprawdzać wartość.
- Zapisuj wszystko. Śledź dane wejściowe, dane wyjściowe i zmiany wprowadzane przez użytkowników, aby poznać typowe błędy i ocenić potencjalne problemy.
- Testuj przy użyciu danych rzeczywistych. Wczesne testy powinny uchwycić naturalne, chaotyczne zachowania użytkowników.
- Dodaj mechanizmy przesyłania opinii i kontroli. Ułatw użytkownikom zgłaszanie błędów i dostosowywanie wyników oraz umożliw im potwierdzanie lub poprawianie wyników.
W większości przypadków prototypowanie odbywa się równolegle z oceną i pracami nad specyfikacją.
Najważniejsze informacje
Wiesz już, jak przekształcić abstrakcyjny potencjał AI w konkretne, wartościowe pomysły na usługi. Jako deweloper masz przewagę, ponieważ możesz połączyć możliwości techniczne z wrażeniami użytkowników. Wiesz już, jak AI może tworzyć wartość w różnych kategoriach, jak mapować te możliwości na ścieżkę użytkownika produktu oraz jak je określać, oceniać i ustalać ich priorytety za pomocą ustrukturyzowanych ram.
Pamiętaj, że AI odnosi sukcesy dzięki nieustannym iteracjom. Szybko udostępniaj, słuchaj użytkowników, obserwuj ich i wprowadzaj poprawki. Każdy prototyp to krok w kierunku zrozumienia, jak AI może zwiększyć wartość i atrakcyjność Twojego produktu.
Zasoby
- Getting AI Discovery Right, przewodnik po generowaniu pomysłów, weryfikowaniu i priorytetyzowaniu przypadków użycia AI.
- AI Radar – narzędzie do odkrywania i wspomagania decyzji, które pomaga identyfikować i priorytetyzować przypadki użycia w różnych branżach.
Sprawdź swoją wiedzę
Która kategoria możliwości AI obejmuje pomaganie użytkownikom w złożonych lub kreatywnych zadaniach?
Do czego odnosi się „złożoność integracji” podczas oceny nakładu pracy i kosztów związanych z pomysłem na AI?
Na czym polega problem z uruchomieniem „na zimno” w kontekście trybów awarii AI?
Jakie podejście jest zalecane podczas prototypowania funkcji opartych na AI?
Dlaczego podczas prototypowania ważne jest prowadzenie dziennika?