Bạn đang có lợi thế lớn để tìm thấy những cơ hội có giá trị cao cho AI. Bạn có thể đánh giá cả tính khả thi về mặt kỹ thuật của một ý tưởng và tác động của ý tưởng đó đến trải nghiệm người dùng. Đây là hai khía cạnh phải kết hợp với nhau để các tính năng AI thành công. Bạn không nên xây dựng các tính năng AI chỉ vì chúng mới lạ hoặc ấn tượng, mà vì chúng thực sự giúp cuộc sống của người dùng trở nên dễ dàng, nhanh chóng hoặc thú vị hơn.
Học phần này mô tả một phương pháp có cấu trúc và lặp lại để lên ý tưởng, chỉ định và tạo nguyên mẫu cho các trường hợp sử dụng AI trong sản phẩm của bạn.
Tìm hiểu giá trị của AI
Cây cơ hội AI sau đây xác định các danh mục giá trị lớn mà AI có thể cung cấp:
Chúng tôi đã liệt kê các danh mục giá trị để giúp bạn định hình giải pháp. Khi bạn xem qua danh sách, độ phức tạp, rủi ro và khả năng ảnh hưởng đến người dùng có xu hướng tăng lên:
- Thông tin chi tiết: Đưa ra quyết định sáng suốt hơn.
- Tiện lợi: Loại bỏ rào cản.
- Tự động hoá: Thay thế công việc lặp đi lặp lại.
- Tăng cường: Hỗ trợ người dùng thực hiện các nhiệm vụ phức tạp hoặc sáng tạo.
- Cá nhân hoá: Điều chỉnh sản phẩm cho phù hợp với nhu cầu và lựa chọn ưu tiên của từng cá nhân.
Trước tiên, hãy cố gắng giải quyết các trường hợp sử dụng có mức độ tác động thấp hơn. Ví dụ: thu thập thông tin chi tiết về sản phẩm chính xác hơn bằng hệ thống AI nội bộ để có thể cải thiện sản phẩm từ bên trong. Sau đó, hãy kiểm tra nợ kỹ thuật UX hiện có và sử dụng AI để giảm bớt rào cản và gánh nặng nhận thức cho người dùng. Khi đã tự tin và có kinh nghiệm, bạn có thể chuyển sang các trường hợp sử dụng phức tạp hơn và tăng cường sử dụng AI.
Tuy nhiên, bạn có thể khám phá ra những cơ hội có tác động lớn, chẳng hạn như những điểm nhấn nhẹ nhàng về mức độ cá nhân hoá, dễ tiếp cận, ít rủi ro và có ý nghĩa một cách đáng ngạc nhiên.
Xác định cơ hội trong sản phẩm của bạn
Để xác định ý tưởng phù hợp, bạn cần hiểu rõ người dùng của mình là ai. Làm việc với nhóm UX hoặc tìm hiểu về chân dung người dùng để xác định những người dùng đó là ai. Hãy áp dụng phương pháp lấy người dùng làm trung tâm (hoặc lấy con người làm trung tâm), và liên kết các cơ hội AI mà bạn tìm thấy với các trường hợp sử dụng cụ thể cho sản phẩm của bạn.
Đó có thể là:
- Được thúc đẩy bởi nhu cầu hoặc điểm khó khăn rõ ràng của người dùng.
- Do bạn hoặc thành viên trong nhóm đề xuất. Trong trường hợp này, việc xác thực nhanh với người dùng là rất cần thiết để tránh rơi vào bẫy "AI chỉ để cho có AI".
- Lấy cảm hứng từ đối thủ cạnh tranh, nhưng hãy thận trọng. Đối tượng và bối cảnh của đối thủ cạnh tranh có thể khác với bạn. Xác thực sớm để kiểm tra xem các sáng kiến thành công của đối thủ cạnh tranh có phù hợp với sản phẩm của bạn hay không.
Ví dụ: bảng sau đây có các ý tưởng cho một trang web đặt vé máy bay:
Ở mỗi bước trong hành trình của người dùng, bạn có thể xác định nhiều cơ hội để gia tăng giá trị bằng AI.
Định hình giải pháp
Đến đây, bạn đã vạch ra một số ý tưởng về AI trong hành trình của người dùng. Bước tiếp theo là định hình các ý tưởng đó và có đủ tự tin để quyết định nên phát triển ý tưởng nào trước. Đây là nỗ lực của cả nhóm và thường do nhà quản lý sản phẩm điều hành. Là nhà phát triển, trách nhiệm chính của bạn là ước tính chi phí, công sức và rủi ro của giải pháp AI đã lên kế hoạch.
Nêu rõ ý tưởng của bạn
Trước tiên, hãy ghi lại từng ý tưởng trong một thông số kỹ thuật nhanh và toàn diện. Bạn có thể sử dụng bản thiết kế hệ thống AI trong phần giới thiệu của chúng tôi. Thông thường, nhà phát triển tập trung vào phần giải pháp, còn cơ hội do nhà quản lý sản phẩm chỉ định. Bài tập này giúp mọi người có cơ sở chung để thống nhất và thảo luận trước khi tiếp tục.
Đánh giá công sức và chi phí
Tiếp theo, hãy đánh giá mức độ khó khăn khi triển khai ý tưởng của bạn. Ví dụ: việc thêm bộ lọc thông minh có thể chỉ yêu cầu phân tích cú pháp dựa trên câu lệnh bằng API LLM, giúp tạo nguyên mẫu và chạy nhanh hơn, đồng thời dễ điều chỉnh hơn. Ngược lại, một trợ lý đặt chỗ được cá nhân hoá sẽ cần các quy trình dữ liệu tuỳ chỉnh, API đặt chỗ và cơ chế có sự can thiệp của con người một cách cẩn thận, đây là một nhiệm vụ khó khăn hơn nhiều.
Xem xét công sức và chi phí trên nhiều phương diện:
- Mức độ sẵn sàng của dữ liệu: Bạn đã có dữ liệu cần thiết chưa? Cần làm sạch, xử lý trước hoặc gắn nhãn bao nhiêu để dữ liệu sẵn sàng cho AI?
- Mức độ hoàn thiện của mô hình: Đã có mô hình được huấn luyện tiền kỳ phù hợp chưa hay bạn cần huấn luyện một mô hình từ đầu?
- Độ trễ: Mô hình cần phản hồi nhanh đến mức nào để tính năng mang lại cảm giác liền mạch và hữu ích?
- Mức độ phức tạp của việc tích hợp: Có bao nhiêu hệ thống cần kết nối? Có phần phụ trợ, API, giao diện người dùng hoặc công cụ của bên thứ ba không? Càng nhiều điểm tiếp xúc thì chi phí và rủi ro càng cao.
- Chi phí vận hành: Chi phí cho mỗi lệnh gọi hoặc suy luận của mô hình là bao nhiêu? Ước tính mức sử dụng hằng tháng và ngân sách để mở rộng quy mô. Một tính năng "rẻ" ở giai đoạn nguyên mẫu có thể trở nên tốn kém khi có hàng nghìn người dùng đang hoạt động.
Cân nhắc các chi phí ẩn cho người dùng. AI có thể khiến sản phẩm của bạn không ổn định và thường xuyên mắc lỗi. Với AI phía máy khách, các tính năng chạy trên thiết bị của người dùng, tiêu tốn băng thông, bộ nhớ và năng lượng. Tính năng này phải đủ giá trị để người dùng cảm thấy hài lòng với chi phí.
Bằng cách đánh giá sớm công sức bỏ ra, bạn có thể tập trung vào những thành quả có giá trị cao, ít trở ngại và trì hoãn những ý tưởng phức tạp hơn cho đến khi dữ liệu, cơ sở hạ tầng và trải nghiệm của bạn hoàn thiện.
Ước tính các chế độ lỗi
Đôi khi, mô hình mắc sai sót và các tính năng không hoạt động như mong đợi. Bạn cần thông báo cho người dùng về những gì đang xảy ra và nơi xảy ra lỗi để họ biết liệu họ có thể thay đổi dữ liệu đầu vào để nhận được kết quả mà họ mong muốn hay không.
Ví dụ: giả sử bạn điều hành một công ty du lịch. Công ty của bạn muốn đưa ra gợi ý được cá nhân hoá cho khách du lịch. Người dùng của bạn đã yêu cầu một công cụ để tự làm việc này và nhóm phụ trách sản phẩm của bạn đang nỗ lực triển khai công cụ đó. Tuy nhiên, bạn biết rằng việc cá nhân hoá đòi hỏi nhiều tín hiệu từ người dùng về mối quan tâm của họ, nhưng bạn chưa thiết lập cơ sở dữ liệu thu thập các tín hiệu đó. Điều này dẫn đến việc cá nhân hoá không thành công, đưa ra những gợi ý không phù hợp, khiến người dùng từ bỏ tính năng này. Mức độ hiểu biết của bạn về khả năng cung cấp dữ liệu cá nhân sẽ giúp nhóm của bạn ước tính giá trị.
Sau đây là một số chế độ lỗi nghiêm trọng khác của AI mà bạn cần cân nhắc:
- Ảo tưởng: Mô hình tạo ra kết quả có vẻ hợp lý nhưng không có thật (chẳng hạn như tạo ra một chuyến bay không tồn tại).
- Định kiến: Mô hình thể hiện hoặc khuếch đại những khái quát hoá không công bằng dựa trên dữ liệu huấn luyện, dẫn đến kết quả phân biệt đối xử hoặc không công bằng. Ví dụ: mô hình có thể giả định rằng người dùng muốn có chuyến bay hạng nhất và những người khác muốn có chuyến bay hạng phổ thông dựa trên giới tính hoặc chủng tộc mà họ nhận thấy.
- Vấn đề khởi động nguội: Hệ thống không thể cung cấp giá trị cho người dùng mới hoặc mục mới do thiếu dữ liệu ban đầu, như được nêu trong ví dụ về công cụ du lịch được cá nhân hoá.
- Hiệu suất giảm sút: Độ chính xác của mô hình giảm dần theo thời gian khi dữ liệu thực tế phát triển và khác biệt so với phân phối ban đầu, còn được gọi là độ lệch mô hình.
Nguyên mẫu
Ban đầu, thông tin bạn nhập về chi phí, công sức và các chế độ lỗi sẽ có độ chính xác thấp. Để có được sự tự tin, cách xác thực tốt nhất cho một tính năng AI cụ thể là tạo nguyên mẫu cho tính năng đó. Việc tạo bản minh hoạ giúp bạn nhanh chóng kiểm thử các giả định kỹ thuật cốt lõi (mức độ sẵn sàng của dữ liệu, độ trễ, độ chính xác) trước khi tiến hành xây dựng toàn bộ. Đặc biệt là với một công nghệ mới, chưa được khám phá đầy đủ như AI, bạn sẽ học nhanh hơn bằng cách xây dựng thay vì nghiên cứu và phân tích.
Với các công cụ tạo mã dựa trên AI, chẳng hạn như Vertex AI và Replit, bạn có thể tăng tốc đáng kể và giảm rủi ro cho quy trình tạo nguyên mẫu.
Hãy áp dụng tư duy này: phát hành một sản phẩm nhỏ, quan sát cách sản phẩm đó hoạt động và tinh chỉnh liên tục.
Hãy áp dụng các phương pháp hay nhất sau đây:
- Xây dựng giải pháp toàn diện từ sớm. Kiểm thử toàn bộ quy trình như đã xác định trong bản thiết kế hệ thống AI (dữ liệu, thông tin, trải nghiệm người dùng), chứ không chỉ độ chính xác của mô hình. Bản dựng này phải phản ánh mọi phần trong trải nghiệm của người dùng với AI, nhưng không nhất thiết phải thể hiện mọi tính năng của ứng dụng.
- Bắt đầu bằng phím tắt. Sử dụng API và mô hình được huấn luyện tiền kỳ để xác thực giá trị một cách nhanh chóng.
- Ghi nhật ký mọi thứ. Theo dõi dữ liệu đầu vào, dữ liệu đầu ra và nội dung chỉnh sửa của người dùng để xem các lỗi thường gặp và đánh giá những vấn đề có thể gây trở ngại.
- Kiểm thử bằng dữ liệu thực tế. Các thử nghiệm ban đầu nên ghi lại hành vi tự nhiên, lộn xộn của người dùng.
- Thêm cơ chế phản hồi và kiểm soát. Giúp người dùng dễ dàng gắn cờ lỗi hoặc điều chỉnh kết quả, đồng thời cho phép người dùng xác nhận hoặc sửa kết quả.
Trong hầu hết các trường hợp, việc tạo nguyên mẫu diễn ra cùng với hoạt động đánh giá và công việc đặc tả.
Những điểm chính cần ghi nhớ
Bạn đã học được cách biến tiềm năng trừu tượng của AI thành những ý tưởng sản phẩm cụ thể, có giá trị cao. Là một nhà phát triển, lợi thế của bạn nằm ở việc kết hợp tính khả thi về mặt kỹ thuật với trải nghiệm người dùng. Bạn đã tìm hiểu cách AI có thể tạo ra giá trị trong nhiều danh mục, liên kết các cơ hội này với hành trình của người dùng trong sản phẩm và tìm hiểu cách chỉ định, đánh giá và ưu tiên các cơ hội đó bằng cách sử dụng các khung có cấu trúc.
Hãy nhớ rằng AI thành công nhờ quá trình lặp lại không ngừng. Hãy phát hành sớm, lắng nghe người dùng, quan sát họ và tinh chỉnh nhanh chóng. Mỗi nguyên mẫu là một bước tiến tới việc hiểu cách AI có thể tăng giá trị và sự hài lòng cho sản phẩm của bạn.
Tài nguyên
- Getting AI Discovery Right (Khám phá AI đúng cách), hướng dẫn lên ý tưởng, xác thực và ưu tiên các trường hợp sử dụng AI.
- AI Radar, một công cụ khám phá và hỗ trợ ra quyết định để xác định và ưu tiên các trường hợp sử dụng trong nhiều ngành.
Kiểm tra kiến thức của bạn
Danh mục cơ hội nào của AI liên quan đến việc hỗ trợ người dùng thực hiện các nhiệm vụ phức tạp hoặc sáng tạo?
Khi đánh giá công sức và chi phí của một ý tưởng AI, "Mức độ phức tạp của việc tích hợp" đề cập đến điều gì?
Vấn đề khởi động nguội trong bối cảnh các chế độ lỗi của AI là gì?
Bạn nên có tư duy như thế nào khi tạo nguyên mẫu cho các tính năng AI?
Tại sao việc ghi nhật ký khi tạo nguyên mẫu lại quan trọng?