בניית מוצרי AI עם מודל מנטלי הוליסטי

הערה: מאמר זה הוא הראשון בסדרה הנקראת "ניתוח יישומי בינה מלאכותית", המציגה מודל מנטלי למערכות בינה מלאכותית. המודל משמש ככלי לדיון, תכנון והגדרה של מוצרי בינה מלאכותית על ידי צוותי בינה מלאכותית ומוצרים חוצי תחומיים, כמו גם להתיישרות עם המחלקה העסקית. המטרה היא לרכז את נקודות המבט של מנהלי מוצר, מעצבי UX, מדעני נתונים, מהנדסים וחברי צוות אחרים. במאמר זה, אני מציג את המודל המנטלי, בעוד מאמרים עתידיים ידגים כיצד ליישם אותו על מוצרים ותכונות AI ספציפיים.

לעתים קרובות, חברות מניחות שכל מה שהם צריכים כדי לכלול בינה מלאכותית בהיצע שלהן הוא לשכור מומחי בינה מלאכותית ולתת להם לשחק את הקסם הטכני. גישה זו מובילה אותם היישר אל כשל האינטגרציה: גם אם המומחים והמהנדסים הללו מייצרים מודלים ואלגוריתמים יוצאי דופן, התפוקות שלהם לרוב נתקעות ברמה של מגרשי משחקים, ארגזי חול והדגמות, ולעולם לא הופכות באמת לחלקים מן המניין של מוצר. במהלך השנים, ראיתי תסכול רב מצד מדעני נתונים ומהנדסים שהטמעות הבינה המלאכותית המצוינות שלהם מבחינה טכנית לא מצאו את דרכם למוצרים הפונים למשתמש. במקום זאת, היה להם מעמד מכובד של ניסויים מדממים שהעניקו לבעלי עניין פנימיים את הרושם שהם רוכבים על גל הבינה המלאכותית. כעת, עם התפשטות הבינה המלאכותית בכל מקום מאז פרסום ChatGPT ב-2022, חברות כבר לא יכולות להרשות לעצמן להשתמש בבינה מלאכותית כתכונת "מגדלור" כדי להפגין את החוש הטכנולוגי שלהן.

למה כל כך קשה לשלב AI? ישנן כמה סיבות:

• לעתים קרובות, צוותים מתמקדים בהיבט אחד של מערכת AI. זה אפילו הוביל להופעתם של מחנות נפרדים, כמו בינה מלאכותית ממוקדת נתונים, ממוקדת מודל ובינה מלאכותית. בעוד שכל אחד מהם מציע נקודות מבט מרגשות למחקר, מוצר מהחיים האמיתי צריך לשלב את הנתונים, המודל והאינטראקציה בין אדם למכונה למערכת קוהרנטית.
• פיתוח בינה מלאכותית הוא מיזם מאוד שיתופי. בפיתוח תוכנה מסורתי, אתה עובד עם דיכוטומיה ברורה יחסית המורכבת מהרכיבים האחוריים והחזיתיים. ב-AI, לא רק תצטרך להוסיף תפקידים ומיומנויות מגוונות יותר לצוות שלך, אלא גם להבטיח שיתוף פעולה הדוק יותר בין הצדדים השונים. הרכיבים השונים של מערכת הבינה המלאכותית שלך יתקשרו זה עם זה בדרכים אינטימיות. לדוגמה, אם אתה עובד על עוזר וירטואלי, מעצבי ה-UX שלך יצטרכו להבין הנדסה מהירה כדי ליצור זרימת משתמש טבעית. כותבי הנתונים שלך צריכים להיות מודעים למותג שלך ול"תכונות האופי" של העוזר הווירטואלי שלך כדי ליצור נתוני הדרכה שעולים בקנה אחד עם המיקום שלך, ומנהל המוצר שלך צריך לתפוס ולבחון את הארכיטקטורה של צינור הנתונים כדי להבטיח זה עונה על דאגות הניהול של המשתמשים שלך.
• בעת בניית בינה מלאכותית, חברות לעיתים קרובות מזלזלות בחשיבות העיצוב. בעוד AI מתחיל בקצה האחורי, עיצוב טוב הוא הכרחי כדי לגרום לו לזרוח בייצור. עיצוב AI פורץ את הגבולות של UX מסורתי. הרבה מהפונקציונליות שאתה מציע לא גלויה כשלעצמה בממשק, אלא "מוסתרת" במודל, ואתה צריך לחנך ולהדריך את המשתמשים שלך כדי למקסם את היתרונות הללו. חוץ מזה, דגמי יסוד מודרניים הם דברים פראיים שיכולים לייצר תפוקות רעילות, שגויות ומזיקות, אז תציבו מעקות בטיחות נוספים כדי להפחית את הסיכונים הללו. כל זה עשוי לדרוש מיומנויות חדשות בצוות שלך כגון הנדסה מהירה ועיצוב שיחה. לפעמים, זה גם אומר לעשות דברים לא אינטואיטיביים, כמו להמעיט בערך כדי לנהל את הציפיות של המשתמשים ולהוסיף חיכוך כדי לתת להם יותר שליטה ושקיפות.
• ההייפ של AI יוצר לחץ. חברות רבות מציבות את העגלה לפני הסוס על ידי קפיצה למימושים שאינם מאומתים על ידי צרכי הלקוח והשוק. זריקת מילת הבאזז של בינה מלאכותית מדי פעם יכולה לעזור לך לשווק ולמצב את עצמך כעסק מתקדם וחדשני, אבל בטווח הארוך, תצטרך לגבות את הבאזז והניסויים שלך בהזדמנויות אמיתיות. ניתן להשיג זאת באמצעות תיאום הדוק בין עסקים לטכנולוגיה, המבוסס על מיפוי מפורש של הזדמנויות בצד השוק לפוטנציאלים טכנולוגיים.

במאמר זה, נבנה מודל מנטלי עבור מערכות בינה מלאכותית המשלב את ההיבטים השונים הללו (ראה איור 1). זה מעודד בונים לחשוב בצורה הוליסטית, ליצור הבנה ברורה של מוצר היעד שלהם, ולעדכן אותו עם תובנות ותשומות חדשות לאורך הדרך. המודל יכול לשמש ככלי כדי להקל על שיתוף הפעולה, ליישר את נקודות המבט המגוונות בתוך ומחוץ לצוות ה-AI ולבנות מוצרים מוצלחים המבוססים על חזון משותף. ניתן ליישם אותו לא רק על מוצרים חדשים, מונעי בינה מלאכותית, אלא גם על תכונות בינה מלאכותית המשולבות במוצרים קיימים.

הסעיפים הבאים יתארו בקצרה כל אחד מהרכיבים, תוך התמקדות בחלקים הספציפיים למוצרי AI. נתחיל מהפרספקטיבה העסקית - ההזדמנות בצד השוק והערך - ולאחר מכן נצלול לתוך UX וטכנולוגיה. להמחשת המודל, נשתמש בדוגמה הרצה של טייס משנה להפקת תוכן שיווקי.

אם תוכן חינוכי מעמיק זה שימושי עבורך, תוכל הירשם לרשימת התפוצה של מחקרי AI שלנו להתריע כשאנחנו משחררים חומר חדש. 

1. הזדמנות

עם כל הדברים המגניבים שאתה יכול לעשות עכשיו עם AI, אתה עלול להיות חסר סבלנות ללכלך את הידיים שלך ולהתחיל לבנות. עם זאת, כדי לבנות משהו שהמשתמשים שלך צריכים ואוהבים, עליך לתמוך בפיתוח שלך עם הזדמנות שוק. בעולם האידיאלי, הזדמנויות מגיעות אלינו מלקוחות שאומרים לנו מה הם צריכים או רוצים.[1] אלה יכולים להיות צרכים שלא נענו, נקודות כאב או רצונות. אתה יכול לחפש מידע זה במשוב של לקוחות קיימים, כגון בביקורות על מוצרים והערות מצוותי המכירות וההצלחה שלך. כמו כן, אל תשכח את עצמך כמשתמש פוטנציאלי של המוצר שלך - אם אתה מכוון לבעיה שחווית בעצמך, יתרון המידע הזה הוא יתרון נוסף. מעבר לכך, תוכלו גם לבצע מחקר לקוחות פרואקטיבי באמצעות כלים כמו סקרים וראיונות.

למשל, אני לא צריך להסתכל רחוק מדי כדי לראות את הכאבים של שיווק באמצעות תוכן עבור סטארטאפים, אבל גם לחברות גדולות יותר. חוויתי את זה בעצמי - ככל שהתחרות גוברת, פיתוח מנהיגות מחשבתית עם תוכן אינדיבידואלי, קבוע ואיכותי (!) הופך יותר ויותר חשוב להבחנה. בינתיים, עם צוות קטן ועסוק, תמיד יהיו דברים על השולחן שנראים חשובים יותר מכתיבת פוסט השבוע בבלוג. אני גם פוגש לעתים קרובות אנשים ברשת שלי שמתקשים להקים שגרת שיווק תוכן עקבית. ניתן לאמת תצפיות "מקומיות", שעלולות להיות מוטות, על ידי סקרים שחורגים מהרשת ומאשרים שוק רחב יותר לפתרון.

העולם האמיתי מעט מטושטש יותר, ולקוחות לא תמיד יגיעו אליך כדי להציג הזדמנויות חדשות ומנוסחות היטב. במקום זאת, אם תמתח את האנטנות שלך, הזדמנויות יגיעו אליך מכיוונים רבים, כגון:

• מיצוב שוק: בינה מלאכותית היא טרנדית - עבור עסקים מבוססים, היא יכולה לשמש כדי לחזק את תדמיתו של עסק כחדשני, הייטק, חסין עתיד וכו'. לדוגמה, היא יכולה להעלות סוכנות שיווק קיימת לשירות המופעל בינה מלאכותית. להבדיל אותו מהמתחרים. עם זאת, אל תעשה AI למען AI. את טריק המיקום יש ליישם בזהירות ובשילוב עם הזדמנויות אחרות - אחרת, אתה מסתכן באובדן אמינות.
• מתחרים: כאשר המתחרים שלך עושים מהלך, סביר להניח שהם כבר ביצעו את המחקר והאימות הבסיסיים. תסתכל עליהם לאחר זמן מה - האם הפיתוח שלהם הצליח? השתמש במידע זה כדי לייעל את הפתרון שלך, לאמץ את החלקים המוצלחים ולברק את הטעויות. לדוגמה, נניח שאתה צופה במתחרה שמציע שירות ליצירה אוטומטית מלאה של תוכן שיווקי. משתמשים לוחצים על "כפתור אדום גדול", וה-AI צועד קדימה כדי לכתוב ולפרסם את התוכן. לאחר מחקר מסוים, אתה לומד שמשתמשים מהססים להשתמש במוצר זה מכיוון שהם רוצים לשמור על שליטה רבה יותר על התהליך ולתרום את המומחיות והאישיות שלהם לכתיבה. הרי כתיבה עוסקת גם בביטוי עצמי ויצירתיות אינדיבידואלית. זה הזמן בשבילך להתקדם עם כלי רב תכליתי המציע פונקציונליות ותצורה עשירה לעיצוב התוכן שלך. זה מגביר את היעילות של המשתמשים תוך שהוא מאפשר להם "להזריק" את עצמם לתהליך מתי שהם רוצים.
• תקנון: מגמות מגמות כמו שיבוש טכנולוגי וגלובליזציה מאלצות את הרגולטורים להחמיר את דרישותיהם. התקנות יוצרות לחץ ומהוות מקור הזדמנויות חסין כדורים. לדוגמה, דמיינו לעצמכם תקנה שמחייבת את כולם לפרסם תוכן שנוצר בינה מלאכותית ככזה. אותן חברות שכבר משתמשות בכלים ליצירת תוכן בינה מלאכותית ייעלמו לדיונים פנימיים אם הן רוצות זאת. רבים מהם יימנעו כי הם רוצים לשמור על תדמית של מנהיגות מחשבתית אמיתית, בניגוד לייצור שלט שנוצר בינה מלאכותית בעליל. נניח שהיית חכם ובחרת בפתרון מוגבר שנותן למשתמשים מספיק שליטה כדי שיוכלו להישאר "המחברים" הרשמיים של הטקסטים. עם הצגת ההגבלה החדשה, אתה חסין ויכול לדפדף קדימה כדי לנצל את הרגולציה, בעוד שהמתחרים שלך עם פתרונות אוטומטיים לחלוטין יצטרכו זמן להתאושש מהכישלון.
• טכנולוגיות מאפשרות: טכנולוגיות מתפתחות וקפיצות משמעותיות בטכנולוגיות קיימות, כמו גל הבינה המלאכותית הגנרטיבית בשנים 2022–23, יכולות לפתוח דרכים חדשות לעשות דברים, או להזניק יישומים קיימים לרמה חדשה. נניח שאתה מנהל סוכנות שיווק מסורתית בעשור האחרון. כעת, אתה יכול להתחיל להכניס פריצות ופתרונות בינה מלאכותית לעסק שלך כדי להגביר את היעילות של העובדים שלך, לשרת יותר לקוחות עם המשאבים הקיימים ולהגדיל את הרווח שלך. אתה בונה על המומחיות, המוניטין ועל בסיס הלקוחות הקיים שלך (בתקווה טוב), כך שהכנסת שיפורי בינה מלאכותית יכולה להיות הרבה יותר חלקה ופחות מסוכנת ממה שהיא תהיה עבור עולה חדש.

לבסוף, בעולם המוצרים המודרני, הזדמנויות הן לרוב פחות מפורשות ורשמיות וניתן לאמת אותן ישירות בניסויים, מה שמאיץ את הפיתוח שלך. לפיכך, בצמיחה מונחית מוצר, חברי הצוות יכולים להמציא השערות משלהם ללא טיעון קפדני מבוסס נתונים. ניתן לנסח השערות אלו בצורה חלקית, כמו שינוי הנחיה או שינוי הפריסה המקומית של חלק מרכיבי UX, מה שמקל על הטמעה, פריסה ובדיקה. על ידי הסרת הלחץ לספק מלכתחילה נתונים עבור כל הצעה חדשה, גישה זו ממנפת את האינטואיציות והדמיון של כל חברי הצוות תוך אכיפת אימות ישיר של ההצעות. נניח שיצירת התוכן שלך פועלת בצורה חלקה, אבל אתה שומע יותר ויותר תלונות על חוסר כללי של שקיפות והסבר של AI. אתה מחליט ליישם רמת שקיפות נוספת ולהראות למשתמשים שלך את המסמכים הספציפיים ששימשו ליצירת פיסת תוכן. הצוות שלך מבחן את התכונה עם קבוצה של משתמשים ומגלה שהם שמחים להשתמש בה כדי להתחקות בחזרה למקורות המידע המקוריים. לפיכך, אתה מחליט לבסס אותו במוצר הליבה כדי להגביר את השימוש ושביעות הרצון.

2. ערך

כדי להבין ולתקשר את הערך של מוצר או תכונת הבינה המלאכותית שלך, תחילה עליך למפות אותו למקרה שימוש - בעיה עסקית ספציפית שהיא תפתור - ולהבין את החזר ה-ROI (החזר על השקעה). זה מאלץ אותך להסיט את דעתך הרחק מהטכנולוגיה ולהתמקד ביתרונות בצד המשתמש של הפתרון. ניתן למדוד ROI לאורך ממדים שונים. עבור AI, כמה מהם הם:

• יעילות מוגברת: בינה מלאכותית יכולה להוות חיזוק לפרודוקטיביות של יחידים, צוותים וחברות שלמות. לדוגמה, עבור יצירת תוכן, אתה עשוי לגלות שבמקום 4–5 שעות הדרושות בדרך כלל לכתיבת פוסט בבלוג [2], כעת תוכל לעשות זאת תוך 1–2 שעות, ולבזבז את הזמן שחסכת עבור משימות אחרות. רווחי יעילות הולכים לרוב יד ביד עם חיסכון בעלויות, שכן נדרש פחות מאמץ אנושי לביצוע אותה כמות עבודה. לפיכך, בהקשר העסקי, יתרון זה אטרקטיבי הן עבור המשתמשים והן עבור המנהיגות.
• חוויה אישית יותר: לדוגמה, כלי יצירת התוכן שלך יכול לבקש ממשתמשים להגדיר פרמטרים של החברה שלהם כמו תכונות המותג, הטרמינולוגיה, יתרונות המוצר וכו'. בנוסף, הוא יכול לעקוב אחר העריכות שנעשו על ידי כותב ספציפי, ולהתאים את הדורות שלו לכתיבה הייחודית הסגנון של משתמש זה לאורך זמן.
• כיף והנאה: כאן, אנו נכנסים לצד הרגשי של השימוש במוצר, המכונה גם הרמה "הקרביים" על ידי דון נורמן [3]. קטגוריות שלמות של מוצרים להנאה ובידור קיימות במחנה B2C, כמו גיימינג ומציאות רבודה. מה לגבי B2B — האם לא היית מניח שמוצרי B2B קיימים בוואקום מקצועי סטרילי? במציאות, קטגוריה זו יכולה ליצור תגובות רגשיות חזקות אפילו יותר מאשר B2C.[4] למשל, כתיבה יכולה להיתפס כאקט מספק של ביטוי עצמי, או כהתמודדות פנימית עם חסימת סופר וסוגיות אחרות. חשבו כיצד המוצר שלכם יכול לחזק את הרגשות החיוביים של משימה תוך הקלה או אפילו שינוי של ההיבטים הכואבים שלה.
• נוחות: מה המשתמש שלך צריך לעשות כדי למנף את כוחות הקסם של AI? דמיינו לעצמכם שילוב של טייס יצירת התוכן שלכם בכלי שיתוף פעולה פופולריים כמו MS Office, Google Docs ו-Notion. משתמשים יוכלו לגשת לאינטליגנציה והיעילות של המוצר שלך מבלי לצאת מהנוחות של ה"בית" הדיגיטלי שלהם. לפיכך, אתה ממזער את המאמץ שהמשתמשים צריכים לעשות כדי לחוות את הערך של המוצר ולהמשיך להשתמש בו, מה שבתורו מגביר את הרכישה והאימוץ של המשתמשים שלך.

חלק מיתרונות הבינה המלאכותית - למשל יעילות - ניתן לכמת ישירות עבור החזר ROI. לקבלת רווחים פחות מוחשיים כמו נוחות והנאה, תצטרך לחשוב על מדדי פרוקסי כמו שביעות רצון המשתמש. זכור שחשיבה במונחים של ערך משתמש קצה לא רק תסגור את הפער בין המשתמשים שלך למוצר שלך. כתופעת לוואי מבורכת, זה יכול להפחית פרטים טכניים בתקשורת הציבורית שלך. זה ימנע ממך להזמין בטעות תחרות לא רצויה למסיבה.

לבסוף, היבט בסיסי של ערך שעליך לשקול בשלב מוקדם הוא קיימות. כיצד הפתרון שלך משפיע על החברה והסביבה? בדוגמה שלנו, יצירת תוכן אוטומטית או מוגברת יכולה לעקור ולחסל עומסי עבודה אנושיים בקנה מידה גדול. אתה כנראה לא רוצה להתפרסם בתור הרוצח לעתיד של קטגוריית עבודה שלמה - אחרי הכל, זה לא רק יעלה שאלות אתיות אלא גם יעורר התנגדות מצד משתמשים שאתה מאיים על עבודתם. תחשוב איך אתה יכול להתמודד עם הפחדים האלה. לדוגמה, תוכל ללמד את המשתמשים כיצד הם יכולים להשתמש ביעילות בזמנם הפנוי החדש כדי לעצב אסטרטגיות שיווק מתוחכמות עוד יותר. אלה יכולים לספק חפיר בר הגנה גם כאשר מתחרים אחרים מדביקים את יצירת התוכן האוטומטית.

3. נתונים

עבור כל סוג של AI ולמידת מכונה, עליך לאסוף ולהכין את הנתונים שלך כך שישקפו את התשומות מהחיים האמיתיים ויספקו אותות למידה מספיקים עבור המודל שלך. כיום אנו רואים מגמה של בינה מלאכותית ממוקדת נתונים - פילוסופיית בינה מלאכותית שמתרחקת משינויים ואופטימיזציה אינסופיים של מודלים, ומתמקדת בתיקון הבעיות הרבות בנתונים המוזנים למודלים אלו. כשאתה מתחיל, יש דרכים שונות לשים את ידך על מערך נתונים הגון:

• אתה יכול השתמש במערך נתונים קיים. זה יכול להיות מערך נתונים סטנדרטי של למידה חישובית או מערך נתונים עם מטרה ראשונית שונה שתתאים למשימה שלך. יש כמה קלאסיקות של מערכי נתונים, כגון ערכת נתונים של ביקורות סרטים של IMDB לניתוח סנטימנטים וה מערך הנתונים של MNIST לזיהוי תווים בכתב יד. יש חלופות אקזוטיות ומרגשות יותר, כמו לתפוס דיג לא חוקי ו זיהוי גזע כלבים, ואינספור מערכי נתונים שנאספו על ידי משתמשים ברכזות נתונים כמו Kaggle. הסיכוי שתמצא מערך נתונים שמיועד למשימה הספציפית שלך ועומד לחלוטין בדרישות שלך הוא נמוך למדי, וברוב המקרים, תצטרך להשתמש גם בשיטות אחרות כדי להעשיר את הנתונים שלך.
• אתה יכול להוסיף הערות או ליצור את הנתונים באופן ידני כדי ליצור את אותות הלמידה הנכונים. הערת נתונים ידנית - למשל, הערת טקסטים עם ציוני סנטימנט - הייתה שיטת הבחירה בימים הראשונים של למידת מכונה. לאחרונה, הוא חזר לתשומת הלב כמרכיב העיקרי ברוטב הסודי של ChatGPT. מאמץ ידני עצום הושקע ביצירת ודירוג התגובות של המודל כדי לשקף העדפות אנושיות. טכניקה זו נקראת גם למידה של חיזוק משוב אנושי (RLHF). אם יש לך את המשאבים הדרושים, תוכל להשתמש בהם כדי ליצור נתונים באיכות גבוהה עבור משימות ספציפיות יותר, כמו יצירת תוכן שיווקי. הערה יכולה להיעשות באופן פנימי או באמצעות ספק חיצוני או שירות מיקור המונים כגון Amazon Mechanical Turk. בכל מקרה, רוב החברות לא ירצו לבזבז את המשאבים העצומים הנדרשים ליצירה ידנית של נתוני RLHF וישקלו כמה טריקים כדי להפוך את יצירת הנתונים שלהם לאוטומטיים.
• אז אתה יכול להוסיף דוגמאות נוספות למערך נתונים קיים באמצעות הגדלת נתונים. עבור משימות פשוטות יותר כמו ניתוח סנטימנטים, אתה יכול להכניס קצת רעש נוסף לטקסטים, לשנות כמה מילים וכו'. עבור משימות דור פתוח יותר, יש כרגע התלהבות רבה לגבי השימוש במודלים גדולים (למשל מודלים בסיסיים) עבור אוטומטיים יצירת נתוני אימון. לאחר שזיהית את השיטה הטובה ביותר להגדלת הנתונים שלך, תוכל להגדיל אותם בקלות כדי להגיע לגודל הנתונים הנדרש.

בעת יצירת הנתונים שלך, אתה עומד בפני חילופין בין איכות לכמות. אתה יכול לכתוב ידנית פחות נתונים באיכות גבוהה, או לבזבז את התקציב שלך בפיתוח פריצות וטריקים להגדלת נתונים אוטומטית שיכניסו רעש נוסף. אם אתה הולך על הערה ידנית, אתה יכול לעשות זאת באופן פנימי ולעצב תרבות של פרטים ואיכות, או מיקור המונים את העבודה לאנשים אנונימיים. למיקור המונים יש בדרך כלל איכות נמוכה יותר, אז ייתכן שיהיה עליך להוסיף הערות כדי לפצות על הרעש. איך מוצאים את האיזון האידיאלי? אין כאן מתכונים מוכנים - בסופו של דבר, תמצא את הרכב הנתונים האידיאלי שלך באמצעות תנועה מתמדת קדימה ואחורה בין אימון ושיפור הנתונים שלך. באופן כללי, בעת אימון מקדים של מודל, הוא צריך לרכוש ידע מאפס, מה שיכול לקרות רק עם כמות גדולה יותר של נתונים. מצד שני, אם ברצונך לשפר ולתת את נגיעות ההתמחות האחרונות לדגם גדול קיים, ייתכן שתעריך איכות על פני כמות. ההערה הידנית המבוקרת של מערך נתונים קטן תוך שימוש בהנחיות מפורטות עשויה להיות הפתרון האופטימלי במקרה זה.

4. אלגוריתם

נתונים הם חומר הגלם שממנו ילמד המודל שלך, ובתקווה, תוכל להרכיב מערך נתונים מייצג ואיכותי. כעת, כוח העל האמיתי של מערכת הבינה המלאכותית שלך - היכולת שלה ללמוד מנתונים קיימים ולהכליל לנתונים חדשים - נמצא באלגוריתם. מבחינת דגמי הליבה של AI, ישנן שלוש אפשרויות עיקריות בהן תוכלו להשתמש:

• בקש דגם קיים. LLMs מתקדמים (Large Language Models) של משפחת GPT, כגון ChatGPT ו- GPT-4, כמו גם מספקים אחרים כגון Anthropic ו-AI21 Labs זמינים להסקה באמצעות API. באמצעות הנחיה, אתה יכול לדבר ישירות עם המודלים הללו, כולל בהודעה שלך את כל המידע הספציפי לתחום ולמשימה הנדרש למשימה. זה יכול לכלול תוכן ספציפי לשימוש, דוגמאות של משימות מקבילות (הנחיה של מספר יריות) וכן הנחיות למודל. לדוגמה, אם המשתמש שלך רוצה ליצור פוסט בבלוג על תכונת מוצר חדשה, אתה עשוי לבקש ממנו לספק מידע ליבה על התכונה, כגון היתרונות שלה ומקרי שימוש, אופן השימוש בה, תאריך ההשקה וכו'. לאחר מכן, המוצר שלך ממלא את המידע הזה בתבנית הנחיה מעוצבת בקפידה ומבקש מה-LLM להפיק את הטקסט. הנחיה היא נהדרת כדי לקבל התחלה של דגמים שהוכשרו מראש. עם זאת, החפיר שאתה יכול לבנות עם הנחיה ידלל במהירות עם הזמן - בטווח האמצעי, אתה צריך אסטרטגיית מודל הניתנת להגנה כדי לשמור על היתרון התחרותי שלך.
• כוונן דגם מאומן מראש. גישה זו הפכה את הבינה המלאכותית לפופולרית כל כך בשנים האחרונות. ככל שיותר ויותר מודלים מאומנים מראש הופכים לזמינים ופורטלים כגון Huggingface מציעים מאגרי מודלים כמו גם קוד סטנדרטי לעבודה עם המודלים, כוונון עדין הופך לשיטה הרצויה לנסות וליישם. כשאתה עובד עם מודל שהוכשר מראש, אתה יכול להפיק תועלת מההשקעה שמישהו כבר השקיע בנתונים, בהדרכה ובהערכה של המודל, שכבר "יודע" הרבה דברים על השפה והעולם. כל מה שאתה צריך לעשות הוא לכוונן את המודל באמצעות מערך נתונים ספציפי למשימה, שיכול להיות קטן בהרבה ממערך הנתונים ששימש במקור לאימון מקדים. לדוגמה, עבור יצירת תוכן שיווקי, אתה יכול לאסוף קבוצה של פוסטים בבלוג שעשו ביצועים טובים מבחינת מעורבות, ולהנדס לאחור את ההוראות עבורם. מנתונים אלה, המודל שלך ילמד על המבנה, הזרימה והסגנון של מאמרים מוצלחים. כוונון עדין הוא הדרך ללכת כאשר משתמשים במודלים של קוד פתוח, אך ספקי API של LLM כגון OpenAI ו-Cohere מציעים יותר ויותר פונקציונליות של כוונון עדין. במיוחד עבור מסלול הקוד הפתוח, עדיין תצטרך לשקול את הסוגיות של בחירת מודל, עלות תקורה של הדרכה ופריסה של מודלים גדולים יותר, ולוחות הזמנים של תחזוקה ועדכון של המודל שלך.
• אמן את דגם ה-ML שלך מאפס. באופן כללי, גישה זו פועלת היטב עבור בעיות פשוטות יותר, אך ספציפיות ביותר, שעבורן יש לך ידע ספציפי או מערכי נתונים הגונים. יצירת התוכן לא בדיוק נכנסת לקטגוריה הזו - היא דורשת יכולות לשוניות מתקדמות כדי להוציא אותך מהקרקע, ואת אלה ניתן לרכוש רק לאחר אימון על כמויות גדולות עד גיחוך של נתונים. בעיות פשוטות יותר כגון ניתוח סנטימנטים עבור סוג מסוים של טקסט ניתנות לפתרון עם שיטות למידת מכונה מבוססות כמו רגרסיה לוגיסטית, שהן זולות יותר מבחינה חישובית משיטות למידה עמוקה מפוארות. כמובן, יש גם את דרך הביניים של בעיות מורכבות למדי כמו מיצוי מושגים עבור תחומים ספציפיים, שעבורם אתה יכול לשקול לאמן רשת עצבית עמוקה מאפס.

מעבר לאימון, להערכה יש חשיבות עיקרית לשימוש מוצלח בלמידת מכונה. מדדי ושיטות הערכה מתאימים לא רק חשובים להשקה בטוחה של תכונות ה-AI שלך, אלא גם ישמשו כיעד ברור לאופטימיזציה נוספת וכבסיס משותף לדיונים והחלטות פנימיות. בעוד שמדדים טכניים כמו דיוק, זכירה ודיוק יכולים לספק נקודת התחלה טובה, בסופו של דבר תרצה לחפש מדדים המשקפים את הערך האמיתי שה-AI שלך מספק למשתמשים.

5. חווית משתמש

חווית המשתמש של מוצרי בינה מלאכותית היא נושא שובה לב - אחרי הכל, למשתמשים יש תקוות גדולות אבל גם פחדים לגבי "שותפות" עם בינה מלאכותית שיכולה להטעין ולהערים על האינטליגנציה שלהם. העיצוב של שותפות אנושית-AI זו דורש תהליך גילוי ועיצוב מתחשב והגיוני. אחד השיקולים המרכזיים הוא מידת האוטומציה שאתה רוצה להעניק למוצר שלך - וששים לב, אוטומציה מוחלטת היא לא תמיד הפתרון האידיאלי. האיור הבא ממחיש את רצף האוטומציה:

בואו נסתכל על כל אחת מהרמות הללו:

• בשלב הראשון, בני אדם עושים את כל העבודה, ולא מתבצעת אוטומציה. למרות ההייפ סביב AI, רוב המשימות עתירות הידע בחברות מודרניות עדיין מבוצעות ברמה זו, מה שמציג הזדמנויות ענק לאוטומציה. לדוגמה, כותב התוכן שמתנגד לכלים מונעי בינה מלאכותית ומשוכנע שכתיבה היא מלאכה מאוד ידנית ואידיוסינקרטית עובדת כאן.
• בשלב השני של AI מסייע, למשתמשים יש שליטה מלאה על ביצוע המשימות והם עושים חלק גדול מהעבודה באופן ידני, אבל כלי AI עוזרים להם לחסוך זמן ולפצות על נקודות התורפה שלהם. לדוגמה, בעת כתיבת פוסט בבלוג עם מועד צפוף, בדיקה לשונית סופית עם Grammarly או כלי דומה יכולה להפוך לחיסכון זמן מבורך. זה יכול לבטל את העדכון הידני, שדורש הרבה מהזמן והתשומת לב המועטים שלך ועדיין עלול להשאיר אותך עם שגיאות והתעלמות - אחרי הכל, לטעות זה אנושי.
• עם אינטליגנציה מוגברת, AI הוא שותף שמגביר את האינטליגנציה של האדם, ובכך ממנף את החוזקות של שני העולמות. בהשוואה לבינה מלאכותית מסייעת, למכונה יש הרבה יותר מה לומר בתהליך שלך והיא מכסה מערך אחריות גדול יותר, כמו רעיון, יצירה ועריכה של טיוטות, והבדיקה הלשונית הסופית. משתמשים עדיין צריכים להשתתף בעבודה, לקבל החלטות ולבצע חלקים מהמשימה. ממשק המשתמש צריך לציין בבירור את חלוקת העבודה בין האדם ל-AI, להדגיש את פוטנציאל השגיאות ולספק שקיפות לגבי השלבים שהוא מבצע. בקיצור, החוויה ה"מוגברת" מנחה את המשתמשים לתוצאה הרצויה באמצעות איטרציה וחידוד.
• ולבסוף, יש לנו אוטומציה מלאה - רעיון מסקרן עבור חנוני בינה מלאכותית, פילוסופים ומומחים, אבל לרוב לא הבחירה האופטימלית עבור מוצרים מהחיים האמיתיים. אוטומציה מלאה פירושה שאתה מציע "כפתור אדום גדול" אחד שמתניע את התהליך. לאחר סיום הבינה המלאכותית, המשתמשים שלך יתמודדו עם הפלט הסופי ויקח אותו או עוזב אותו. כל מה שקרה בין לבין הם לא יכולים לשלוט. כפי שאתה יכול לדמיין, אפשרויות ה-UX כאן מוגבלות למדי מכיוון שאין כמעט אינטראקטיביות. עיקר האחריות להצלחה מוטלת על כתפי הקולגות הטכניים שלך, שצריכים להבטיח איכות גבוהה במיוחד של התפוקות.

מוצרי AI זקוקים לטיפול מיוחד בכל הנוגע לעיצוב. ממשקים גרפיים סטנדרטיים הם דטרמיניסטיים ומאפשרים לך לחזות את כל הנתיבים האפשריים שהמשתמש עשוי לעבור. לעומת זאת, דגמי AI גדולים הם הסתברותיים ואינם ודאיים - הם חושפים מגוון של יכולות מדהימות אך גם סיכונים כמו תפוקות רעילות, שגויות ומזיקות. מבחוץ, ממשק ה-AI שלך עשוי להיראות פשוט מכיוון שהרבה מהיכולות של המוצר שלך נמצאות ישירות במודל. לדוגמה, LLM יכול לפרש הנחיות, לייצר טקסט, לחפש מידע, לסכם אותו, לאמץ סגנון ומינוח מסוים, לבצע הוראות וכו'. גם אם ממשק המשתמש שלך הוא צ'אט פשוט או ממשק הנחיות, אל תשאיר את הפוטנציאל הזה בלתי נראה. - כדי להוביל משתמשים להצלחה, אתה צריך להיות מפורש ומציאותי. גרמו למשתמשים להיות מודעים ליכולות ולמגבלות של דגמי הבינה המלאכותית שלכם, אפשרו להם לגלות ולתקן בקלות שגיאות שנעשו על ידי הבינה המלאכותית, וללמד אותם דרכים לחזור על עצמם לתפוקות אופטימליות. על ידי שימת דגש על אמון, שקיפות וחינוך משתמשים, אתה יכול לגרום למשתמשים שלך לשתף פעולה עם ה-AI. בעוד צלילה עמוקה לתוך הדיסציפלינה המתפתחת של עיצוב בינה מלאכותית היא מחוץ לתחום המאמר הזה, אני ממליץ לך בחום לחפש השראה לא רק מחברות בינה מלאכותית אחרות אלא גם מתחומי עיצוב אחרים כמו אינטראקציה בין אדם למכונה. בקרוב תזהה מגוון של דפוסי עיצוב חוזרים, כגון השלמות אוטומטיות, הצעות מיידיות והודעות בינה מלאכותית, שתוכל לשלב בממשק שלך כדי להפיק את המרב מהנתונים והדגמים שלך.

יתר על כן, כדי לספק עיצוב נהדר באמת, ייתכן שתצטרך להוסיף כישורי עיצוב חדשים לצוות שלך. לדוגמה, אם אתם בונים אפליקציית צ'ט לשכלול התוכן השיווקי, תעבדו עם מעצב שיחות שדואג לזרימות השיחה ול"אישיות" הצ'אטבוט שלכם. אם אתה בונה מוצר עשיר עשיר שצריך לחנך ולהדריך את המשתמשים שלך דרך האפשרויות הזמינות, מעצב תוכן יכול לעזור לך לבנות את הסוג הנכון של ארכיטקטורת מידע, ולהוסיף את הכמות הנכונה של דחיפה והנחיה עבור המשתמשים שלך.

ולבסוף, היו פתוחים להפתעות. עיצוב AI יכול לגרום לך לחשוב מחדש על התפיסות המקוריות שלך לגבי חווית משתמש. לדוגמה, מעצבי UX ומנהלי מוצר רבים נבדקו כדי למזער זמן חביון וחיכוך על מנת להחליק את חוויית המשתמש. ובכן, במוצרי AI, אתה יכול להשהות את הקרב הזה ולהשתמש בשניהם לטובתך. זמן אחזור וזמני המתנה מעולים לחינוך המשתמשים שלך, למשל על ידי הסבר מה ה-AI עושה כרגע וציון הצעדים הבאים אפשריים בצד שלהם. הפסקות, כמו דיאלוג והודעות קופצות, יכולות ליצור חיכוך כדי לחזק את השותפות האנושית-AI ולהגביר את השקיפות והשליטה עבור המשתמשים שלך.

6. דרישות לא פונקציונליות

מעבר לנתונים, האלגוריתם וה-UX המאפשרים לך ליישם פונקציונליות ספציפית, מה שנקרא דרישות לא פונקציונליות (NFRs) כגון דיוק, חביון, מדרגיות, אמינות וניהול נתונים מבטיחים שהמשתמש אכן מקבל את הערך המיועד. הרעיון של NFRs מגיע מפיתוח תוכנה אך עדיין לא מטופל באופן שיטתי בתחום ה-AI. לעתים קרובות, הדרישות הללו נקלטות באופן אד-הוק כשהן עולות במהלך מחקר משתמשים, רעיונות, פיתוח ותפעול של יכולות AI.

עליך לנסות להבין ולהגדיר את ה-NFR שלך מוקדם ככל האפשר, מכיוון ש-NFRs שונים יתעוררו לחיים בנקודות שונות במסע שלך. לדוגמה, יש לשקול פרטיות החל מהשלב הראשוני של בחירת הנתונים. הדיוק הוא הרגיש ביותר בשלב הייצור כאשר משתמשים מתחילים להשתמש במערכת שלך באינטרנט, ועלול להציף אותה עם תשומות בלתי צפויות. מדרגיות היא שיקול אסטרטגי שבא לידי ביטוי כאשר העסק שלך מגדיל את מספר המשתמשים ו/או הבקשות או את הספקטרום של הפונקציונליות המוצעת.

כשזה מגיע ל-NFRs, אתה לא יכול לקבל את כולם. להלן כמה מהפשרות האופייניות שתצטרך לאזן:

• אחת השיטות הראשונות להגברת הדיוק היא שימוש במודל גדול יותר, שישפיע על זמן ההשהיה.
• שימוש בנתוני ייצור "כמות שהם" לצורך אופטימיזציה נוספת יכול להיות הטוב ביותר ללמידה, אך יכול להפר את כללי הפרטיות והאנוניזציה שלך.
• מודלים ניתנים להרחבה יותר הם כלליים, מה שמשפיע על הדיוק שלהם על משימות ספציפיות לחברה או למשתמש.

האופן שבו תעדיפו את הדרישות השונות יהיה תלוי במשאבי החישוב הזמינים, בתפיסת ה-UX שלכם, כולל מידת האוטומציה, וההשפעה של ההחלטות הנתמכות על ידי ה-AI.

טעימות מפתח

1. התחל עם הסוף בראש: אל תניח שהטכנולוגיה לבדה תעשה את העבודה; אתה צריך מפת דרכים ברורה לשילוב ה-AI שלך במוצר הפונה למשתמש וחינוך המשתמשים שלך לגבי היתרונות, הסיכונים והמגבלות שלו.
2. יישור שוק: תעדוף הזדמנויות שוק וצרכי ​​הלקוח כדי להנחות פיתוח בינה מלאכותית. אל תמהר להטמיע AI המונעים על ידי הייפ וללא אימות מצד השוק.
3. ערך משתמש: להגדיר, לכמת ולהעביר את הערך של מוצרי AI במונחים של יעילות, התאמה אישית, נוחות וממדים אחרים של ערך.
4. איכות מידע: התמקד באיכות הנתונים וברלוונטיות כדי להכשיר מודלים של AI ביעילות. נסה להשתמש בנתונים קטנים ואיכותיים לכוונון עדין, ובמערכי נתונים גדולים יותר לאימון מאפס.
5. בחירת אלגוריתם/דגם: בחר את רמת המורכבות וההגנה הנכונה (הנחיה, כוונון עדין, אימון מאפס) עבור מקרה השימוש שלך והעריך בקפידה את הביצועים שלו. עם הזמן, ככל שתרכוש את המומחיות והביטחון הדרושים במוצר שלך, אולי תרצה לעבור לאסטרטגיות מודל מתקדמות יותר.
6. עיצוב ממוקד משתמש: עצב מוצרי AI תוך התחשבות בצרכי המשתמש ורגשותיהם, איזון אוטומציה ושליטה על המשתמש. שימו לב ל"חוסר הניבוי" של מודלים הסתברותיים של AI, והנחו את המשתמשים שלכם לעבוד איתם ולהפיק ממנו תועלת.
7. עיצוב שיתופי: על ידי שימת דגש על אמון, שקיפות וחינוך משתמשים, אתה יכול לגרום למשתמשים שלך לשתף פעולה עם ה-AI.
8. דרישות לא פונקציונליות: שקול גורמים כמו דיוק, חביון, מדרגיות ואמינות לאורך הפיתוח, ונסה להעריך את ההחלפות בין אלה בשלב מוקדם.
9. שיתוף פעולה: טפח שיתוף פעולה הדוק בין מומחי בינה מלאכותית, מעצבים, מנהלי מוצר וחברי צוות אחרים כדי להפיק תועלת ממודיעין חוצה-תחומי ולשלב בהצלחה את ה-AI שלך.

הפניות

[1] תרזה טורס (2021). הרגלי גילוי מתמשך: גלה מוצרים שיוצרים ערך ללקוח וערך עסקי.

[2] Orbit Media (2022). סטטיסטיקות בלוגים חדשות: אילו אסטרטגיות תוכן עובדות בשנת 2022? שאלנו את 1016 בלוגרים.

[3] דון נורמן (2013). העיצוב של דברים יומיומיים.

[4] גוגל, גרטנר ומוטיסטה (2013). מקידום לרגש: חיבור לקוחות B2B למותגים.

הערה: כל התמונות הן של המחבר.

מאמר זה פורסם במקור ב לקראת מדעי נתונים ופורסם מחדש ל- TOPBOTS באישור המחבר.

נהנים מהמאמר הזה? הירשם לעדכוני מחקר AI נוספים.

נודיע לך כשנפרסם מאמרים נוספים בנושא זה.

מוצרים מקושרים

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• ChartPrime. הרם את משחק המסחר שלך עם ChartPrime. גישה כאן.
• BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
• מקור: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/