คุณอยู่ในตำแหน่งที่ยอดเยี่ยมในการค้นหาโอกาสที่มีมูลค่าสูงสำหรับ AI คุณสามารถประเมินทั้งความเป็นไปได้ทางเทคนิคของแนวคิดและผลกระทบต่อประสบการณ์ของผู้ใช้ ซึ่งเป็น 2 มุมมองที่ต้องรวมกันเพื่อให้ฟีเจอร์ AI ประสบความสำเร็จ คุณไม่ควรสร้างฟีเจอร์ AI เพียงเพราะเป็นสิ่งแปลกใหม่หรือน่าประทับใจ แต่ควรสร้างเพราะฟีเจอร์เหล่านั้นช่วยให้ชีวิตของผู้ใช้ง่ายขึ้น เร็วขึ้น หรือสนุกสนานมากขึ้นอย่างแท้จริง
โมดูลนี้จะอธิบายวิธีการแบบวนซ้ำที่มีโครงสร้างสำหรับการหาไอเดีย การระบุ และการสร้างต้นแบบกรณีการใช้งาน AI ในผลิตภัณฑ์ของคุณ
ทำความเข้าใจคุณค่าของ AI
แผนผังโอกาสของ AI ต่อไปนี้จะกำหนดหมวดหมู่คุณค่าหลักๆ ที่ AI สามารถมอบให้ได้
เราได้ระบุหมวดหมู่ของมูลค่าเพื่อกำหนดกรอบโซลูชันของคุณ เมื่อคุณดำเนินการตามรายการ ความซับซ้อน ความเสี่ยง และโอกาสที่จะส่งผลกระทบต่อผู้ใช้มีแนวโน้มที่จะเพิ่มขึ้น ดังนี้
- ข้อมูลเชิงลึก: ปรับปรุงการตัดสินใจ
- ความสะดวก: ลดความยุ่งยาก
- การทำงานอัตโนมัติ: แทนที่งานที่ต้องทำซ้ำๆ
- การเพิ่มประสิทธิภาพ: ช่วยเหลือผู้ใช้ในงานที่ซับซ้อนหรือต้องใช้ความคิดสร้างสรรค์
- การปรับเปลี่ยนในแบบของคุณ: ปรับผลิตภัณฑ์ให้เหมาะกับความต้องการและความชอบของแต่ละบุคคล
ขั้นแรก ให้ลองแก้ปัญหากรณีการใช้งานที่มีผลกระทบน้อยกว่า เช่น รวบรวมข้อมูลเชิงลึกเกี่ยวกับผลิตภัณฑ์ที่ดีขึ้นด้วยระบบ AI ภายใน เพื่อให้คุณปรับปรุงผลิตภัณฑ์จากภายในได้ จากนั้น ตรวจสอบหนี้ UX ที่มีอยู่และใช้ AI เพื่อลดความยุ่งยากและภาระด้านการรับรู้ของผู้ใช้ เมื่อมีความมั่นใจและประสบการณ์มากขึ้น คุณจะสามารถเปลี่ยนไปใช้ Use Case ที่ซับซ้อนมากขึ้นและเพิ่มการใช้งาน AI ได้
อย่างไรก็ตาม คุณอาจค้นพบโอกาสที่มีผลกระทบสูง เช่น การปรับเปลี่ยนในแบบของคุณเล็กน้อย ซึ่งเข้าถึงได้ง่าย มีความเสี่ยงต่ำ และมีความหมายอย่างน่าประหลาดใจ
ระบุโอกาสในผลิตภัณฑ์ของคุณ
คุณควรเข้าใจผู้ใช้เป็นอย่างดีเพื่อกำหนดแนวคิดที่เหมาะสม ทำงานร่วมกับทีม UX หรือทบทวนเรื่องตัวละครสมมติเพื่อระบุว่าผู้ใช้เหล่านั้นคือใคร ใช้แนวทางที่ให้ความสำคัญกับผู้ใช้ (หรือผู้คน) เป็นอันดับแรก และเชื่อมโยงโอกาสในการใช้ AI ที่คุณพบกับ Use Case ที่เป็นรูปธรรมสำหรับผลิตภัณฑ์ของคุณ
ซึ่งได้แก่
- มีแรงจูงใจจากความต้องการหรือปัญหาที่ชัดเจนของผู้ใช้
- แนะนำโดยสมาชิกในทีมหรือตัวคุณเอง ในกรณีนี้ การตรวจสอบความถูกต้องอย่างรวดเร็วกับผู้ใช้เป็นสิ่งสำคัญเพื่อหลีกเลี่ยงกับดัก "AI เพื่อ AI"
- ได้รับแรงบันดาลใจจากคู่แข่ง แต่ต้องดำเนินการด้วยความระมัดระวัง กลุ่มเป้าหมายและบริบทของคู่แข่งอาจแตกต่างจากของคุณ ตรวจสอบตั้งแต่เนิ่นๆ เพื่อทดสอบว่าความคิดริเริ่มที่ประสบความสำเร็จของคู่แข่งจะส่งผลต่อผลิตภัณฑ์ของคุณหรือไม่
ตัวอย่างเช่น ตารางต่อไปนี้มีแนวคิดสำหรับเว็บไซต์จองเที่ยวบิน
ในแต่ละขั้นตอนของเส้นทางของผู้ใช้ คุณสามารถระบุโอกาสต่างๆ ในการเพิ่มมูลค่าด้วย AI
กำหนดโซลูชันของคุณ
ถึงตอนนี้ คุณได้วางแผนแนวคิด AI หลายรายการตามเส้นทางของผู้ใช้แล้ว ขั้นตอนถัดไปคือการกำหนดรูปร่างและสร้างความมั่นใจให้มากพอ เพื่อให้คุณตัดสินใจได้ว่าจะพัฒนาแนวคิดใดก่อน ซึ่งเป็นความพยายามของทีมและมักจะขับเคลื่อนโดยผู้จัดการผลิตภัณฑ์ ในฐานะนักพัฒนาซอฟต์แวร์ ความรับผิดชอบหลักของคุณคือการประเมินต้นทุน ความพยายาม และความเสี่ยงของโซลูชัน AI ที่วางแผนไว้
ระบุไอเดียของคุณ
ขั้นแรก ให้บันทึกแต่ละไอเดียไว้ในข้อกำหนดแบบองค์รวมสั้นๆ โดยใช้พิมพ์เขียวของระบบ AI จากบทนำของเรา โดยทั่วไป นักพัฒนาซอฟต์แวร์จะมุ่งเน้นที่ส่วนของโซลูชัน ในขณะที่ผู้จัดการผลิตภัณฑ์จะระบุโอกาส แบบฝึกหัดนี้จะช่วยให้ทุกคนมีพื้นฐานร่วมกันในการปรับแนวทางและการพูดคุยก่อนที่จะดำเนินการต่อ
ประเมินความพยายามและค่าใช้จ่าย
ถัดไป ให้ประเมินว่าไอเดียของคุณนำไปใช้ได้ยากเพียงใด ตัวอย่างเช่น การเพิ่มตัวกรองอัจฉริยะอาจต้องใช้การแยกวิเคราะห์ตามพรอมต์ด้วย LLM API เท่านั้น ซึ่งสร้างต้นแบบและเรียกใช้ได้รวดเร็ว รวมถึงปรับแต่งได้ง่ายกว่า ในทางตรงกันข้าม ผู้ช่วยการจองที่ปรับเปลี่ยนในแบบของคุณจะต้องใช้ไปป์ไลน์ข้อมูลที่กำหนดเอง, API การจอง และกลไกแบบมีมนุษย์ร่วมที่รอบคอบ ซึ่งเป็นงานที่หนักกว่ามาก
พิจารณาความพยายามและต้นทุนในมิติต่างๆ ดังนี้
- ความพร้อมของข้อมูล: คุณมีข้อมูลที่ต้องการแล้วหรือยัง ต้องทำความสะอาด ประมวลผลล่วงหน้า หรือติดป้ายกำกับมากน้อยเพียงใดเพื่อให้พร้อมสำหรับ AI
- ความสมบูรณ์ของโมเดล: มีโมเดลที่ผ่านการฝึกอบรมล่วงหน้าที่เหมาะสมอยู่แล้วหรือไม่ หรือคุณต้องฝึกโมเดลตั้งแต่ต้น
- เวลาในการตอบสนอง: โมเดลควรตอบสนองเร็วแค่ไหนเพื่อให้ฟีเจอร์ให้ความรู้สึกราบรื่นและเป็นประโยชน์
- ความซับซ้อนของการผสานรวม: ต้องเชื่อมต่อกี่ระบบ มีแบ็กเอนด์, API, UI หรือเครื่องมือของบุคคลที่สามไหม ยิ่งมีทัชพอยต์มากเท่าไร ต้นทุนและความเสี่ยงก็จะยิ่งสูงขึ้นเท่านั้น
- ต้นทุนในการดำเนินการ: การเรียกใช้หรือการอนุมานโมเดลแต่ละครั้งมีค่าใช้จ่ายเท่าใด ประเมินการใช้งานและงบประมาณรายเดือนสำหรับการปรับขนาด ฟีเจอร์ที่ "ราคาถูก" ในขั้นตอนการสร้างต้นแบบอาจมีค่าใช้จ่ายสูงเมื่อมีผู้ใช้หลายพันคนใช้งานจริง
พิจารณาค่าใช้จ่ายแอบแฝงสำหรับผู้ใช้ AI อาจทำให้เกิดความไม่แน่นอนและข้อผิดพลาดที่เกิดขึ้นเป็นประจำในผลิตภัณฑ์ของคุณ เมื่อใช้ AI ฝั่งไคลเอ็นต์ ฟีเจอร์ต่างๆ จะทำงานในอุปกรณ์ของผู้ใช้ ซึ่งใช้แบนด์วิดท์ พื้นที่เก็บข้อมูล และพลังงาน ฟีเจอร์ต้องมีคุณค่ามากพอที่ผู้ใช้จะยินดีจ่ายเงินซื้อ
การประเมินความพยายามตั้งแต่เนิ่นๆ จะช่วยให้คุณมุ่งเน้นไปที่ชัยชนะที่มีคุณค่าสูงและมีอุปสรรคต่ำ และเลื่อนแนวคิดที่ซับซ้อนมากขึ้นออกไปจนกว่าข้อมูล โครงสร้างพื้นฐาน และประสบการณ์ของคุณจะสมบูรณ์
ประเมินรูปแบบความล้มเหลว
บางครั้งโมเดลอาจทำงานผิดพลาดและฟีเจอร์ไม่ทำงานตามที่คาดไว้ คุณต้องสื่อสารกับผู้ใช้เกี่ยวกับสิ่งที่เกิดขึ้นและจุดที่เกิดข้อผิดพลาด เพื่อให้ผู้ใช้ทราบว่าสามารถเปลี่ยนอินพุตเพื่อให้ได้ผลลัพธ์ที่ต้องการได้หรือไม่
ตัวอย่างเช่น สมมติว่าคุณเปิดบริษัททัวร์ บริษัทของคุณต้องการนำเสนอแรงบันดาลใจที่ปรับเปลี่ยนในแบบของคุณสำหรับนักท่องเที่ยว ผู้ใช้ขอเครื่องมือเพื่อดำเนินการนี้ด้วยตนเอง และทีมผลิตภัณฑ์ก็พยายามที่จะนำเครื่องมือนี้ไปใช้ อย่างไรก็ตาม คุณทราบว่าการปรับเปลี่ยนในแบบของคุณต้องใช้สัญญาณจำนวนมากจากผู้ใช้เกี่ยวกับความสนใจของตน และคุณยังไม่ได้ตั้งค่าฐานข้อมูลที่รวบรวมสัญญาณดังกล่าว ซึ่งส่งผลให้การปรับเปลี่ยนในแบบของคุณไม่ประสบความสำเร็จ โดยนำเสนอแรงบันดาลใจที่ไม่เกี่ยวข้อง ซึ่งทำให้ผู้ใช้เลิกใช้ฟีเจอร์นี้ ความเข้าใจของคุณเกี่ยวกับความพร้อมใช้งานของข้อมูลส่วนตัวที่ปรับเปลี่ยนในแบบของคุณควรเป็นข้อมูลในการประเมินมูลค่าของทีม
รูปแบบความล้มเหลวที่สำคัญของ AI เพิ่มเติมที่ควรพิจารณามีดังนี้
- อาการหลอน: โมเดลสร้างเอาต์พุตที่ดูเหมือนเป็นไปได้ แต่ไม่เป็นความจริง (เช่น สร้างเที่ยวบินที่ไม่มีอยู่จริง)
- อคติ: โมเดลแสดงหรือขยายการสรุปแบบเหมารวมที่ไม่เป็นธรรมโดยอิงตามข้อมูลฝึกฝน ซึ่งนำไปสู่ผลลัพธ์ที่เลือกปฏิบัติหรือไม่เท่าเทียม ตัวอย่างเช่น โมเดลอาจสันนิษฐานว่าผู้ใช้ต้องการเที่ยวบินชั้นหนึ่งและคนอื่นๆ ต้องการเที่ยวบินชั้นประหยัดโดยอิงตามเพศหรือเชื้อชาติที่รับรู้
- ปัญหาการเริ่มต้นแบบ Cold Start: ระบบไม่สามารถให้คุณค่าแก่ผู้ใช้ใหม่หรือรายการใหม่ได้เนื่องจากไม่มีข้อมูลเริ่มต้น ดังที่แสดงในตัวอย่างเครื่องมือการเดินทางที่ปรับเปลี่ยนในแบบของคุณ
- ประสิทธิภาพลดลง: ความแม่นยำของโมเดลจะลดลงเมื่อเวลาผ่านไปเนื่องจากข้อมูลในชีวิตจริงมีการพัฒนาและแตกต่างไปจากการกระจายเดิม หรือที่เรียกว่าการเบี่ยงเบนของโมเดล
ต้นแบบ
ข้อมูลที่คุณป้อนเกี่ยวกับต้นทุน ความพยายาม และโหมดความล้มเหลวจะมีความแม่นยำต่ำในตอนแรก วิธีตรวจสอบความถูกต้องที่ดีที่สุดสำหรับฟีเจอร์ AI หนึ่งๆ เพื่อให้เกิดความมั่นใจคือการสร้างต้นแบบ การสร้างต้นแบบช่วยให้คุณทดสอบสมมติฐานทางเทคนิคหลัก (ความพร้อมของข้อมูล เวลาในการตอบสนอง ความแม่นยำ) ได้อย่างรวดเร็วก่อนที่จะเริ่มสร้างระบบเต็มรูปแบบ โดยเฉพาะอย่างยิ่งกับเทคโนโลยีใหม่ที่ยังไม่ได้สำรวจอย่างเต็มรูปแบบอย่าง AI คุณจะเรียนรู้ได้เร็วขึ้นจากการสร้างมากกว่าการค้นคว้าและวิเคราะห์
เครื่องมือสร้างโค้ดที่ขับเคลื่อนด้วย AI เช่น Vertex AI และ Replit จะช่วยให้คุณเร่งความเร็วและลดความเสี่ยงในกระบวนการสร้างต้นแบบได้อย่างมาก
ใช้แนวคิดนี้: เริ่มต้นจากสิ่งเล็กๆ สังเกตพฤติกรรม และปรับแต่งอย่างต่อเนื่อง
ใช้แนวทางปฏิบัติแนะนำต่อไปนี้
- สร้างตั้งแต่ต้นจนจบตั้งแต่เนิ่นๆ ทดสอบทั้งขั้นตอนตามที่กำหนดไว้ในพิมพ์เขียวของระบบ AI (ข้อมูล ข้อมูลเชิงลึก ประสบการณ์ของผู้ใช้) ไม่ใช่แค่ความแม่นยำของโมเดล บิลด์นี้ควรสะท้อนให้เห็นถึงประสบการณ์การใช้งาน AI ของผู้ใช้ในทุกส่วน แต่ไม่จำเป็นต้องแสดงฟีเจอร์ทั้งหมดของแอปพลิเคชัน
- เริ่มต้นด้วยแป้นพิมพ์ลัด ใช้ API และโมเดลที่ฝึกไว้ล่วงหน้าเพื่อตรวจสอบคุณค่าได้อย่างรวดเร็ว
- บันทึกทุกอย่าง ติดตามอินพุต เอาต์พุต และการแก้ไขของผู้ใช้เพื่อดูโหมดความล้มเหลวที่พบบ่อยและประเมินปัญหาที่อาจทำให้เกิดการหยุดชะงัก
- ทดสอบด้วยข้อมูลจริง การทดสอบในช่วงแรกควรบันทึกพฤติกรรมของผู้ใช้ที่เป็นธรรมชาติและไม่เป็นระเบียบ
- เพิ่มกลไกการแสดงความคิดเห็นและการควบคุม ช่วยให้ผู้ใช้แจ้งข้อผิดพลาดหรือปรับเอาต์พุตได้ง่ายขึ้น และให้ผู้ใช้ยืนยันหรือแก้ไขผลลัพธ์ได้
ในกรณีส่วนใหญ่ การสร้างต้นแบบจะเกิดขึ้นควบคู่ไปกับการประเมินและงานด้านข้อกำหนด
สรุปประเด็นสำคัญ
คุณได้เรียนรู้วิธีเปลี่ยนศักยภาพของ AI ที่เป็นนามธรรมให้เป็นแนวคิดผลิตภัณฑ์ที่มีมูลค่าสูงและเป็นรูปธรรม ในฐานะนักพัฒนาแอป ข้อได้เปรียบของคุณคือการเชื่อมโยงความเป็นไปได้ทางเทคนิคกับประสบการณ์ของผู้ใช้ คุณได้สำรวจวิธีที่ AI สามารถสร้างคุณค่าในหมวดหมู่ต่างๆ จับคู่โอกาสเหล่านี้กับเส้นทางของผู้ใช้ผลิตภัณฑ์ และเรียนรู้วิธีระบุ ประเมิน และจัดลำดับความสำคัญโดยใช้เฟรมเวิร์กที่มีโครงสร้าง
โปรดทราบว่า AI จะประสบความสำเร็จได้ผ่านการทำซ้ำอย่างไม่หยุดยั้ง เปิดตัวให้เร็ว รับฟังและสังเกตผู้ใช้ แล้วปรับแต่งอย่างรวดเร็ว ต้นแบบทุกชิ้นเป็นขั้นตอนหนึ่งในการทำความเข้าใจว่า AI สามารถเพิ่มคุณค่าและความพึงพอใจให้กับผลิตภัณฑ์ของคุณได้อย่างไร
แหล่งข้อมูล
- การค้นพบ AI ที่เหมาะสม คู่มือการระดมความคิด การตรวจสอบ และการจัดลำดับความสำคัญของกรณีการใช้งาน AI
- AI Radar ซึ่งเป็นเครื่องมือสนับสนุนการค้นพบและการตัดสินใจเพื่อระบุและจัดลำดับความสำคัญของกรณีการใช้งานในอุตสาหกรรมต่างๆ
ทดสอบความเข้าใจ
โอกาสในการใช้ AI หมวดหมู่ใดที่เกี่ยวข้องกับการช่วยเหลือผู้ใช้ในงานที่ซับซ้อนหรือสร้างสรรค์
เมื่อประเมินความพยายามและต้นทุนของแนวคิด AI "ความซับซ้อนในการผสานรวม" หมายถึงอะไร
ปัญหา Cold Start ในบริบทของโหมดความล้มเหลวของ AI คืออะไร
วิธีคิดที่แนะนำสำหรับการสร้างต้นแบบฟีเจอร์ AI คืออะไร
เหตุใดการเก็บบันทึกเมื่อสร้างต้นแบบจึงสำคัญ