Membangun Produk AI Dengan Model Mental Holistik

Catatan: Artikel ini adalah yang pertama dari seri berjudul “Membedah aplikasi AI”, yang memperkenalkan model mental untuk sistem AI. Model ini berfungsi sebagai alat untuk diskusi, perencanaan, dan definisi produk AI oleh tim produk dan AI lintas disiplin, serta untuk penyelarasan dengan departemen bisnis. Hal ini bertujuan untuk menyatukan perspektif manajer produk, desainer UX, ilmuwan data, insinyur, dan anggota tim lainnya. Dalam artikel ini, saya memperkenalkan model mental, sementara artikel berikutnya akan menunjukkan cara menerapkannya pada produk dan fitur AI tertentu.

Seringkali, perusahaan berasumsi bahwa yang mereka perlukan untuk menyertakan AI dalam penawaran mereka hanyalah mempekerjakan ahli AI dan membiarkan mereka memainkan keajaiban teknis. Pendekatan ini mengarahkan mereka langsung ke kekeliruan integrasi: meskipun para ahli dan insinyur ini menghasilkan model dan algoritme yang luar biasa, keluaran mereka sering kali terhenti di tingkat taman bermain, kotak pasir, dan demo, dan tidak pernah benar-benar menjadi bagian penuh dari suatu produk. Selama bertahun-tahun, saya telah melihat banyak rasa frustrasi dari para ilmuwan dan insinyur data yang penerapan AI-nya yang luar biasa secara teknis tidak berhasil diterapkan pada produk yang dapat diakses oleh pengguna. Sebaliknya, mereka memiliki status terhormat atas eksperimen mutakhir yang memberikan kesan kepada pemangku kepentingan internal bahwa mereka sedang memanfaatkan gelombang AI. Kini, dengan maraknya AI sejak diterbitkannya ChatGPT pada tahun 2022, perusahaan tidak dapat lagi menggunakan AI sebagai fitur “mercusuar” untuk memamerkan kecerdasan teknologi mereka.

Mengapa begitu sulit untuk mengintegrasikan AI? Ada beberapa alasan:

• Seringkali, tim fokus pada satu aspek sistem AI. Hal ini bahkan menyebabkan munculnya kubu tersendiri, seperti AI yang berpusat pada data, berpusat pada model, dan berpusat pada manusia. Meskipun masing-masing menawarkan perspektif penelitian yang menarik, produk kehidupan nyata perlu menggabungkan data, model, dan interaksi manusia-mesin ke dalam sistem yang koheren.
• Pengembangan AI adalah usaha yang sangat kolaboratif. Dalam pengembangan perangkat lunak tradisional, Anda bekerja dengan dikotomi yang relatif jelas yang terdiri dari komponen backend dan frontend. Dalam AI, Anda tidak hanya perlu menambahkan peran dan keterampilan yang lebih beragam ke dalam tim Anda, tetapi juga memastikan kerja sama yang lebih erat antara berbagai pihak. Berbagai komponen sistem AI Anda akan berinteraksi satu sama lain secara intim. Misalnya, jika Anda mengerjakan asisten virtual, desainer UX Anda harus memahami rekayasa cepat untuk menciptakan alur pengguna yang alami. Anotator data Anda perlu mengetahui merek Anda dan “karakteristik” asisten virtual Anda untuk membuat data pelatihan yang konsisten dan selaras dengan posisi Anda, dan manajer produk Anda perlu memahami dan meneliti arsitektur saluran data untuk memastikan ini memenuhi permasalahan tata kelola pengguna Anda.
• Saat membangun AI, perusahaan sering kali meremehkan pentingnya desain. Meskipun AI dimulai dari backend, desain yang baik sangat diperlukan agar AI unggul dalam produksi. Desain AI mendorong batas-batas UX tradisional. Banyak fungsi yang Anda tawarkan tidak terlihat di antarmuka, namun “tersembunyi” di dalam model, dan Anda perlu mendidik dan membimbing pengguna untuk memaksimalkan manfaat ini. Selain itu, model dasar modern adalah hal-hal liar yang dapat menghasilkan keluaran yang beracun, salah, dan berbahaya, sehingga Anda perlu menyiapkan pagar pembatas tambahan untuk mengurangi risiko ini. Semua ini mungkin memerlukan keterampilan baru di tim Anda seperti teknik cepat dan desain percakapan. Terkadang, hal ini juga berarti melakukan hal-hal yang berlawanan dengan intuisi, seperti mengecilkan nilai untuk mengelola ekspektasi pengguna dan menambahkan hambatan untuk memberi mereka lebih banyak kontrol dan transparansi.
• Hype AI menciptakan tekanan. Banyak perusahaan mengambil risiko dengan melakukan penerapan yang tidak divalidasi oleh kebutuhan pelanggan dan pasar. Sesekali memasukkan kata kunci AI dapat membantu Anda memasarkan dan memposisikan diri Anda sebagai bisnis yang progresif dan inovatif, namun dalam jangka panjang, Anda perlu mendukung desas-desus dan eksperimen Anda dengan peluang nyata. Hal ini dapat dicapai dengan koordinasi yang erat antara bisnis dan teknologi, yang didasarkan pada pemetaan eksplisit peluang sisi pasar terhadap potensi teknologi.

Pada artikel ini, kami akan membangun model mental untuk sistem AI yang mengintegrasikan berbagai aspek ini (lihat gambar 1). Hal ini mendorong para pembangun untuk berpikir secara holistik, menciptakan pemahaman yang jelas tentang produk target mereka, dan memperbaruinya dengan wawasan dan masukan baru. Model ini dapat digunakan sebagai alat untuk memudahkan kolaborasi, menyelaraskan beragam perspektif di dalam dan di luar tim AI, dan membangun produk yang sukses berdasarkan visi bersama. Hal ini dapat diterapkan tidak hanya pada produk baru yang digerakkan oleh AI, tetapi juga pada fitur AI yang disertakan dalam produk yang sudah ada.

Bagian berikut akan menjelaskan secara singkat masing-masing komponen, dengan fokus pada bagian yang khusus untuk produk AI. Kami akan memulai dengan perspektif bisnis — peluang dan nilai dari sisi pasar — ​​lalu mendalami UX dan teknologi. Untuk mengilustrasikan modelnya, kita akan menggunakan contoh kopilot yang sedang berjalan untuk pembuatan konten pemasaran.

Jika konten pendidikan yang mendalam ini bermanfaat bagi Anda, Anda bisa berlangganan milis penelitian AI kami untuk diperingatkan ketika kami merilis materi baru. 

1. kesempatan

Dengan semua hal keren yang kini dapat Anda lakukan dengan AI, Anda mungkin tidak sabar untuk segera mengotori tangan Anda dan mulai membangun. Namun, untuk membangun sesuatu yang dibutuhkan dan disukai pengguna, Anda harus mendukung pengembangan Anda dengan peluang pasar. Dalam dunia ideal, peluang menjangkau kita dari pelanggan yang memberi tahu kita apa yang mereka butuhkan atau inginkan.[1] Ini bisa berupa kebutuhan, masalah, atau keinginan yang belum terpenuhi. Anda dapat mencari informasi ini di umpan balik pelanggan yang ada, seperti ulasan produk dan catatan dari tim penjualan dan kesuksesan Anda. Selain itu, jangan lupakan diri Anda sebagai calon pengguna produk Anda — jika Anda menargetkan masalah yang Anda alami sendiri, keunggulan informasi ini merupakan keunggulan tambahan. Selain itu, Anda juga dapat melakukan riset pelanggan proaktif menggunakan alat seperti survei dan wawancara.

Misalnya, saya tidak perlu melihat terlalu jauh untuk melihat kesulitan pemasaran konten untuk perusahaan rintisan, tetapi juga perusahaan besar. Saya sendiri pernah mengalaminya - seiring dengan meningkatnya persaingan, pengembangan kepemimpinan pemikiran dengan konten individual, teratur, dan (!) berkualitas tinggi menjadi semakin penting untuk diferensiasi. Sementara itu, dengan tim yang kecil dan sibuk, akan selalu ada hal-hal yang tampaknya lebih penting daripada menulis postingan blog minggu ini. Saya juga sering bertemu orang-orang di jaringan saya yang kesulitan mengatur rutinitas pemasaran konten yang konsisten. Pengamatan “lokal” yang berpotensi bias ini dapat divalidasi melalui survei yang melampaui jaringan seseorang dan memastikan adanya pasar yang lebih luas untuk mencari solusi.

Dunia nyata sedikit lebih kabur, dan pelanggan tidak selalu datang kepada Anda untuk memberikan peluang baru yang dirumuskan dengan baik. Sebaliknya, jika Anda merentangkan antena, peluang akan menjangkau Anda dari berbagai arah, seperti:

• Posisi pasar: AI sedang tren — untuk bisnis yang sudah mapan, AI dapat digunakan untuk memperkuat citra bisnis sebagai bisnis yang inovatif, berteknologi tinggi, tahan masa depan, dll. Misalnya, AI dapat meningkatkan agensi pemasaran yang sudah ada menjadi layanan yang didukung AI dan membedakannya dari pesaing. Namun, jangan lakukan AI demi AI. Trik positioning harus diterapkan dengan hati-hati dan dikombinasikan dengan peluang lain — jika tidak, Anda berisiko kehilangan kredibilitas.
• Pesaing: Saat pesaing Anda mengambil tindakan, kemungkinan besar mereka telah melakukan penelitian dan validasi yang mendasarinya. Lihatlah setelah beberapa waktu — apakah perkembangannya berhasil? Gunakan informasi ini untuk mengoptimalkan solusi Anda sendiri, mengadopsi bagian-bagian yang berhasil, dan mengatasi kesalahan. Misalnya, Anda mengamati pesaing yang menawarkan layanan untuk pembuatan konten pemasaran yang sepenuhnya otomatis. Pengguna mengklik “tombol merah besar”, dan AI bergerak maju untuk menulis dan mempublikasikan konten. Setelah melakukan beberapa penelitian, Anda mengetahui bahwa pengguna ragu untuk menggunakan produk ini karena mereka ingin lebih mengontrol proses dan menyumbangkan keahlian serta kepribadian mereka pada penulisan. Bagaimanapun, menulis juga tentang ekspresi diri dan kreativitas individu. Inilah saatnya bagi Anda untuk maju dengan alat serbaguna yang menawarkan fungsionalitas dan konfigurasi kaya untuk membentuk konten Anda. Ini meningkatkan efisiensi pengguna sekaligus memungkinkan mereka untuk “menyuntikkan” diri mereka ke dalam proses kapan pun mereka mau.
• Regulasi: megatren seperti disrupsi teknologi dan globalisasi memaksa regulator memperketat persyaratan mereka. Peraturan menciptakan tekanan dan merupakan sumber peluang yang tidak dapat dielakkan. Misalnya saja, bayangkan sebuah peraturan diberlakukan yang mewajibkan semua orang untuk mengiklankan konten buatan AI. Perusahaan-perusahaan yang telah menggunakan alat untuk pembuatan konten AI akan menghilang untuk diskusi internal mengenai apakah mereka menginginkan hal ini. Banyak dari mereka yang akan menahan diri karena mereka ingin mempertahankan citra kepemimpinan pemikiran yang sejati, dibandingkan dengan menghasilkan boilerplate yang dihasilkan oleh AI. Katakanlah Anda cerdas dan memilih solusi tambahan yang memberikan kontrol yang cukup kepada pengguna sehingga mereka dapat tetap menjadi “penulis” resmi teks tersebut. Ketika pembatasan baru ini diberlakukan, Anda kebal dan dapat memanfaatkan peraturan tersebut, sementara pesaing Anda yang memiliki solusi yang sepenuhnya otomatis akan membutuhkan waktu untuk pulih dari kemunduran tersebut.
• Teknologi pendukung: Teknologi yang muncul dan lompatan signifikan dalam teknologi yang sudah ada, seperti gelombang AI generatif pada tahun 2022–23, dapat membuka cara-cara baru dalam melakukan sesuatu, atau membawa aplikasi yang sudah ada ke tingkat yang baru. Katakanlah Anda telah menjalankan agen pemasaran tradisional selama dekade terakhir. Sekarang, Anda dapat mulai memperkenalkan peretasan dan solusi AI ke dalam bisnis Anda untuk meningkatkan efisiensi karyawan Anda, melayani lebih banyak klien dengan sumber daya yang ada, dan meningkatkan keuntungan Anda. Anda membangun keahlian, reputasi, dan basis pelanggan (semoga berkehendak baik) yang sudah ada, sehingga memperkenalkan penyempurnaan AI bisa jauh lebih lancar dan risikonya lebih kecil dibandingkan jika dilakukan oleh pendatang baru.

Terakhir, dalam dunia produk modern, peluang sering kali kurang eksplisit dan formal serta dapat langsung divalidasi dalam eksperimen, sehingga mempercepat pengembangan Anda. Jadi, dalam pertumbuhan yang didorong oleh produk, anggota tim dapat mengajukan hipotesis mereka sendiri tanpa argumen yang ketat berdasarkan data. Hipotesis ini dapat dirumuskan sedikit demi sedikit, seperti memodifikasi prompt atau mengubah tata letak lokal beberapa elemen UX, yang membuatnya mudah diimplementasikan, diterapkan, dan diuji. Dengan menghilangkan tekanan untuk memberikan a priori data untuk setiap saran baru, pendekatan ini memanfaatkan intuisi dan imajinasi semua anggota tim sambil menerapkan validasi langsung terhadap saran tersebut. Katakanlah pembuatan konten Anda berjalan lancar, tetapi Anda mendengar semakin banyak keluhan tentang kurangnya transparansi dan penjelasan AI. Anda memutuskan untuk menerapkan tingkat transparansi tambahan dan menunjukkan kepada pengguna Anda dokumen spesifik yang digunakan untuk menghasilkan suatu konten. Tim Anda menguji fitur tersebut dengan sekelompok pengguna dan menemukan bahwa mereka senang menggunakannya untuk menelusuri kembali ke sumber informasi asli. Jadi, Anda memutuskan untuk memasukkannya ke dalam produk inti untuk meningkatkan penggunaan dan kepuasan.

2. Nilai

Untuk memahami dan mengkomunikasikan nilai produk atau fitur AI Anda, pertama-tama Anda perlu memetakannya ke kasus penggunaan — masalah bisnis spesifik yang akan dipecahkannya — dan mencari tahu ROI (laba atas investasi). Hal ini memaksa Anda untuk mengalihkan pikiran dari teknologi dan fokus pada manfaat solusi di sisi pengguna. ROI dapat diukur dalam dimensi yang berbeda. Untuk AI, beberapa di antaranya adalah:

• Peningkatan efisiensi: AI dapat menjadi pendorong produktivitas individu, tim, dan seluruh perusahaan. Misalnya, untuk pembuatan konten, Anda mungkin mendapati bahwa alih-alih membutuhkan waktu 4–5 jam yang biasanya diperlukan untuk menulis postingan blog [2], kini Anda dapat melakukannya dalam 1–2 jam, dan menghabiskan waktu yang Anda simpan untuk tugas lain. Peningkatan efisiensi seringkali berjalan seiring dengan penghematan biaya, karena lebih sedikit tenaga manusia yang diperlukan untuk melakukan jumlah pekerjaan yang sama. Jadi, dalam konteks bisnis, manfaat ini menarik bagi pengguna dan pimpinan.
• Pengalaman yang lebih personal: Misalnya, alat pembuatan konten Anda dapat meminta pengguna untuk menetapkan parameter perusahaan mereka seperti atribut merek, terminologi, manfaat produk, dll. Selain itu, alat ini dapat melacak pengeditan yang dilakukan oleh penulis tertentu, dan menyesuaikan generasinya dengan tulisan unik gaya pengguna ini dari waktu ke waktu.
• Kesenangan dan kesenangan: Di sini, kita masuk ke sisi emosional dari penggunaan produk, yang juga disebut tingkat “mendalam” oleh Don Norman [3]. Seluruh kategori produk untuk kesenangan dan hiburan ada di kamp B2C, seperti game dan Augmented Reality. Bagaimana dengan B2B — tidakkah Anda berasumsi bahwa produk B2B ada di ruang hampa profesional yang steril? Pada kenyataannya, kategori ini dapat menghasilkan respons emosional yang lebih kuat dibandingkan B2C.[4] Misalnya, menulis dapat dianggap sebagai tindakan ekspresi diri yang memuaskan, atau sebagai perjuangan batin melawan hambatan penulis dan masalah lainnya. Pikirkan tentang bagaimana produk Anda dapat memperkuat emosi positif dari suatu tugas sekaligus meringankan atau bahkan mengubah aspek-aspek yang menyakitkan.
• Praktis: Apa yang perlu dilakukan pengguna Anda untuk memanfaatkan kekuatan ajaib AI? Bayangkan mengintegrasikan kopilot pembuatan konten Anda ke dalam alat kolaborasi populer seperti MS Office, Google Docs, dan Notion. Pengguna akan dapat mengakses kecerdasan dan efisiensi produk Anda tanpa meninggalkan kenyamanan “rumah” digital mereka. Dengan demikian, Anda meminimalkan upaya yang perlu dilakukan pengguna untuk merasakan nilai produk dan terus menggunakannya, yang pada gilirannya akan meningkatkan akuisisi dan adopsi pengguna Anda.

Beberapa manfaat AI — misalnya efisiensi — dapat langsung diukur untuk ROI. Untuk mendapatkan keuntungan yang kurang nyata seperti kenyamanan dan kesenangan, Anda perlu memikirkan metrik proxy seperti kepuasan pengguna. Ingatlah bahwa memikirkan nilai pengguna akhir tidak hanya akan menutup kesenjangan antara pengguna dan produk Anda. Sebagai efek samping yang baik, hal ini dapat mengurangi detail teknis dalam komunikasi publik Anda. Ini akan mencegah Anda mengundang persaingan yang tidak diinginkan ke pesta secara tidak sengaja.

Terakhir, aspek mendasar dari nilai yang harus Anda pertimbangkan sejak dini adalah keberlanjutan. Bagaimana dampak solusi Anda terhadap masyarakat dan lingkungan? Dalam contoh kami, pembuatan konten otomatis atau augmented dapat menggantikan dan menghilangkan beban kerja manusia dalam skala besar. Anda mungkin tidak ingin dikenal sebagai calon pembunuh di seluruh kategori pekerjaan — lagipula, hal ini tidak hanya akan menimbulkan pertanyaan etis namun juga menimbulkan perlawanan dari pengguna yang pekerjaannya Anda ancam. Pikirkan tentang bagaimana Anda dapat mengatasi ketakutan ini. Misalnya, Anda dapat mendidik pengguna tentang bagaimana mereka dapat menggunakan waktu luang mereka secara efisien untuk merancang strategi pemasaran yang lebih canggih. Hal ini dapat memberikan parit yang dapat dipertahankan bahkan ketika pesaing lain mengejar ketertinggalan dengan pembuatan konten otomatis.

3. Data

Untuk segala jenis AI dan pembelajaran mesin, Anda perlu mengumpulkan dan menyiapkan data sehingga mencerminkan masukan di kehidupan nyata dan memberikan sinyal pembelajaran yang memadai untuk model Anda. Saat ini, kita melihat tren menuju AI yang berpusat pada data — sebuah filosofi AI yang beralih dari penyesuaian dan optimalisasi model tanpa henti, dan berfokus pada perbaikan berbagai masalah pada data yang dimasukkan ke dalam model ini. Saat Anda memulai, ada berbagai cara untuk mendapatkan kumpulan data yang layak:

• Anda dapat menggunakan kumpulan data yang ada. Ini bisa berupa kumpulan data pembelajaran mesin standar atau kumpulan data dengan tujuan awal berbeda yang Anda sesuaikan untuk tugas Anda. Ada beberapa kumpulan data klasik, seperti Kumpulan Data Ulasan Film IMDB untuk analisis sentimen dan kumpulan data MNIST untuk pengenalan karakter tulisan tangan. Ada alternatif yang lebih eksotis dan menarik, seperti Penangkapan Ikan Ilegal dan Identifikasi Jenis Anjing, dan kumpulan data hasil kurasi pengguna yang tak terhitung banyaknya di pusat data seperti Kaggle. Kemungkinan Anda akan menemukan kumpulan data yang dibuat untuk tugas spesifik Anda dan sepenuhnya memenuhi kebutuhan Anda cukup rendah, dan dalam banyak kasus, Anda juga perlu menggunakan metode lain untuk memperkaya data Anda.
• Anda dapat membubuhi keterangan atau membuat data secara manual untuk menciptakan sinyal pembelajaran yang tepat. Anotasi data manual — misalnya, anotasi teks dengan skor sentimen — adalah metode yang digunakan pada masa-masa awal pembelajaran mesin. Baru-baru ini, ia mendapatkan kembali perhatian sebagai bahan utama saus rahasia ChatGPT. Upaya manual yang sangat besar dilakukan untuk membuat dan memberi peringkat respons model agar mencerminkan preferensi manusia. Teknik ini disebut juga Reinforcement Learning from Human Feedback (RLHF). Jika Anda memiliki sumber daya yang diperlukan, Anda dapat menggunakannya untuk membuat data berkualitas tinggi untuk tugas yang lebih spesifik, seperti pembuatan konten pemasaran. Anotasi dapat dilakukan secara internal atau menggunakan penyedia eksternal atau layanan crowdsourcing seperti Amazon Mechanical Turk. Bagaimanapun, sebagian besar perusahaan tidak ingin menghabiskan sumber daya besar yang diperlukan untuk pembuatan data RLHF secara manual dan akan mempertimbangkan beberapa trik untuk mengotomatiskan pembuatan data mereka.
• Jadi, Anda dapat menambahkan lebih banyak contoh ke kumpulan data yang sudah ada menggunakan augmentasi data. Untuk tugas yang lebih sederhana seperti analisis sentimen, Anda dapat memasukkan beberapa gangguan tambahan ke dalam teks, mengganti beberapa kata, dll. Untuk tugas generasi yang lebih terbuka, saat ini terdapat banyak antusiasme untuk menggunakan model besar (misalnya model dasar) untuk tugas otomatis. pembuatan data pelatihan. Setelah Anda mengidentifikasi metode terbaik untuk menambah data, Anda dapat dengan mudah menskalakannya untuk mencapai ukuran kumpulan data yang diperlukan.

Saat membuat data, Anda menghadapi trade-off antara kualitas dan kuantitas. Anda dapat secara manual memberi anotasi pada lebih sedikit data dengan kualitas tinggi, atau menghabiskan anggaran Anda untuk mengembangkan peretasan dan trik untuk augmentasi data otomatis yang akan menimbulkan gangguan tambahan. Jika Anda menggunakan anotasi manual, Anda dapat melakukannya secara internal dan membentuk budaya detail dan kualitas, atau melakukan crowdsourcing pekerjaan kepada orang-orang anonim. Crowdsourcing biasanya memiliki kualitas yang lebih rendah, jadi Anda mungkin perlu membuat anotasi lebih banyak untuk mengimbangi kebisingan tersebut. Bagaimana Anda menemukan keseimbangan ideal? Tidak ada resep yang siap pakai di sini — pada akhirnya, Anda akan menemukan komposisi data ideal melalui bolak-balik antara pelatihan dan peningkatan data Anda. Secara umum, saat melakukan pra-pelatihan suatu model, model perlu memperoleh pengetahuan dari awal, yang hanya dapat dilakukan dengan jumlah data yang lebih besar. Di sisi lain, jika Anda ingin menyempurnakan dan memberikan sentuhan terakhir spesialisasi pada model besar yang sudah ada, Anda mungkin lebih mementingkan kualitas daripada kuantitas. Anotasi manual yang terkontrol pada kumpulan data kecil menggunakan pedoman terperinci mungkin merupakan solusi optimal dalam kasus ini.

4. algoritma

Data adalah bahan mentah yang akan digunakan untuk mempelajari model Anda, dan mudah-mudahan, Anda dapat mengumpulkan kumpulan data yang representatif dan berkualitas tinggi. Kini, kekuatan super sistem AI Anda — kemampuannya untuk belajar dari data yang ada dan menggeneralisasi data baru — terletak pada algoritme. Terkait model AI inti, ada tiga opsi utama yang dapat Anda gunakan:

• Minta model yang sudah ada. LLM tingkat lanjut (Model Bahasa Besar) dari keluarga GPT, seperti ChatGPT dan GPT-4, serta dari penyedia lain seperti Lab Anthropic dan AI21 tersedia untuk inferensi melalui API. Dengan prompt, Anda dapat langsung berkomunikasi dengan model ini, termasuk dalam prompt Anda semua informasi spesifik domain dan tugas yang diperlukan untuk suatu tugas. Hal ini dapat mencakup konten spesifik yang akan digunakan, contoh tugas analog (permintaan beberapa langkah) serta instruksi yang harus diikuti oleh model. Misalnya, jika pengguna Anda ingin membuat postingan blog tentang fitur produk baru, Anda dapat meminta mereka untuk memberikan beberapa informasi inti tentang fitur tersebut, seperti manfaat dan kasus penggunaannya, cara menggunakannya, tanggal peluncuran, dll. Produk Anda kemudian mengisi informasi ini ke dalam templat cepat yang dibuat dengan cermat dan meminta LLM untuk membuat teksnya. Anjuran sangat bagus untuk memulai model terlatih. Namun, parit yang dapat Anda bangun dengan dorongan akan cepat menipis seiring berjalannya waktu — dalam jangka menengah, Anda memerlukan model strategi yang lebih dapat dipertahankan untuk mempertahankan keunggulan kompetitif Anda.
• Menyempurnakan model yang telah dilatih sebelumnya. Pendekatan ini telah membuat AI begitu populer dalam beberapa tahun terakhir. Karena semakin banyak model terlatih yang tersedia dan portal seperti Huggingface menawarkan repositori model serta kode standar untuk bekerja dengan model tersebut, penyesuaian menjadi metode yang tepat untuk dicoba dan diterapkan. Saat Anda bekerja dengan model terlatih, Anda bisa mendapatkan keuntungan dari investasi yang telah dilakukan seseorang pada data, pelatihan, dan evaluasi model, yang sudah “mengetahui” banyak hal tentang bahasa dan dunia. Yang perlu Anda lakukan hanyalah menyempurnakan model menggunakan kumpulan data khusus tugas, yang mungkin jauh lebih kecil daripada kumpulan data yang awalnya digunakan untuk pra-pelatihan. Misalnya, untuk pembuatan konten pemasaran, Anda dapat mengumpulkan sekumpulan postingan blog yang berkinerja baik dalam hal keterlibatan, dan merekayasa balik petunjuknya. Dari data ini, model Anda akan mempelajari struktur, alur, dan gaya artikel yang sukses. Penyempurnaan adalah cara yang harus dilakukan saat menggunakan model sumber terbuka, namun penyedia API LLM seperti OpenAI dan Cohere juga semakin banyak menawarkan fungsionalitas penyempurnaan. Khususnya untuk jalur sumber terbuka, Anda masih perlu mempertimbangkan masalah pemilihan model, biaya tambahan untuk pelatihan dan penerapan model yang lebih besar, serta jadwal pemeliharaan dan pembaruan model Anda.
• Latih model ML Anda dari awal. Secara umum, pendekatan ini bekerja dengan baik untuk masalah yang lebih sederhana namun sangat spesifik dimana Anda memiliki pengetahuan khusus atau kumpulan data yang layak. Pembuatan konten tidak termasuk dalam kategori ini — hal ini memerlukan kemampuan linguistik tingkat lanjut untuk membantu Anda memulai, dan ini hanya dapat diperoleh setelah melatih data dalam jumlah yang sangat besar. Masalah yang lebih sederhana seperti analisis sentimen untuk jenis teks tertentu seringkali dapat diselesaikan dengan metode pembelajaran mesin yang sudah ada seperti regresi logistik, yang secara komputasi lebih murah dibandingkan metode pembelajaran mendalam yang canggih. Tentu saja, ada juga jalan tengah untuk mengatasi masalah yang cukup rumit seperti ekstraksi konsep untuk domain tertentu, sehingga Anda mungkin mempertimbangkan untuk melatih jaringan neural dalam dari awal.

Selain pelatihan, evaluasi merupakan hal yang sangat penting untuk keberhasilan penggunaan pembelajaran mesin. Metrik dan metode evaluasi yang sesuai tidak hanya penting untuk peluncuran fitur AI Anda dengan percaya diri, namun juga akan berfungsi sebagai target yang jelas untuk pengoptimalan lebih lanjut dan sebagai landasan bersama untuk diskusi dan pengambilan keputusan internal. Meskipun metrik teknis seperti presisi, perolehan, dan akurasi dapat memberikan titik awal yang baik, pada akhirnya Anda sebaiknya mencari metrik yang mencerminkan nilai nyata yang diberikan AI Anda kepada pengguna.

5. Pengalaman pengguna

Pengalaman pengguna terhadap produk AI adalah tema yang menarik — bagaimanapun juga, pengguna memiliki harapan yang tinggi namun juga ketakutan untuk “bermitra” dengan AI yang dapat meningkatkan dan berpotensi mengakali kecerdasan mereka. Rancangan kemitraan manusia-AI ini memerlukan proses penemuan dan perancangan yang bijaksana dan masuk akal. Salah satu pertimbangan utama adalah tingkat otomatisasi yang ingin Anda berikan pada produk Anda — dan perlu diingat, otomatisasi total tidak selalu merupakan solusi ideal. Gambar berikut mengilustrasikan kontinum otomatisasi:

Mari kita lihat masing-masing level berikut:

• Pada tahap pertama, semua pekerjaan dilakukan oleh manusia, dan tidak ada otomatisasi yang dilakukan. Meskipun AI sedang booming, sebagian besar tugas yang membutuhkan banyak pengetahuan di perusahaan modern masih dilakukan pada tingkat ini, sehingga memberikan peluang besar bagi otomatisasi. Misalnya, penulis konten yang menolak alat berbasis AI dan yakin bahwa menulis adalah pekerjaan yang sangat manual dan unik dapat dilakukan di sini.
• Pada tahap kedua dari AI yang dibantu, pengguna memiliki kendali penuh atas pelaksanaan tugas dan melakukan sebagian besar pekerjaan secara manual, namun alat AI membantu mereka menghemat waktu dan mengkompensasi kelemahan mereka. Misalnya, saat menulis postingan blog dengan tenggat waktu yang ketat, pemeriksaan linguistik terakhir dengan Grammarly atau alat serupa dapat menjadi penghemat waktu yang baik. Hal ini dapat menghilangkan revisi manual, yang membutuhkan banyak waktu dan perhatian Anda dan mungkin masih meninggalkan Anda dengan kesalahan dan kelalaian — lagi pula, melakukan kesalahan adalah hal yang manusiawi.
• Dengan kecerdasan yang ditingkatkan, AI adalah mitra yang meningkatkan kecerdasan manusia, sehingga memanfaatkan kekuatan kedua dunia tersebut. Dibandingkan dengan AI yang dibantu, mesin ini memiliki lebih banyak hal untuk disampaikan dalam proses Anda dan mencakup serangkaian tanggung jawab yang lebih besar, seperti pembuatan ide, pembuatan, dan pengeditan draf, serta pemeriksaan linguistik akhir. Pengguna masih perlu berpartisipasi dalam pekerjaan, membuat keputusan, dan melakukan sebagian tugas. Antarmuka pengguna harus dengan jelas menunjukkan distribusi tenaga kerja antara manusia dan AI, menyoroti potensi kesalahan, dan memberikan transparansi pada langkah-langkah yang dilakukan. Singkatnya, pengalaman yang “ditambah” memandu pengguna menuju hasil yang diinginkan melalui iterasi dan penyempurnaan.
• Dan yang terakhir, kita memiliki otomatisasi penuh — sebuah ide yang menarik bagi para ahli AI, filsuf, dan pakar, namun seringkali bukan pilihan optimal untuk produk kehidupan nyata. Otomatisasi penuh berarti Anda menawarkan satu “tombol merah besar” yang memulai proses. Setelah AI selesai, pengguna Anda menghadapi hasil akhir dan memilih atau meninggalkannya. Apa pun yang terjadi di antara mereka tidak dapat mereka kendalikan. Seperti yang bisa Anda bayangkan, opsi UX di sini agak terbatas karena hampir tidak ada interaktivitas. Sebagian besar tanggung jawab keberhasilan berada di pundak rekan teknis Anda, yang perlu memastikan kualitas hasil yang sangat tinggi.

Produk AI memerlukan perlakuan khusus dalam hal desain. Antarmuka grafis standar bersifat deterministik dan memungkinkan Anda memperkirakan semua kemungkinan jalur yang mungkin diambil pengguna. Sebaliknya, model AI berukuran besar bersifat probabilistik dan tidak pasti. Model ini memperlihatkan serangkaian kemampuan luar biasa namun juga risiko seperti keluaran yang beracun, salah, dan berbahaya. Dari luar, antarmuka AI Anda mungkin terlihat sederhana karena banyak kemampuan produk Anda berada langsung di modelnya. Misalnya, LLM dapat menafsirkan perintah, menghasilkan teks, mencari informasi, meringkasnya, mengadopsi gaya dan terminologi tertentu, menjalankan instruksi, dll. Bahkan jika UI Anda adalah antarmuka obrolan atau prompt sederhana, jangan biarkan potensi ini tidak terlihat — untuk mengarahkan pengguna menuju kesuksesan, Anda harus eksplisit dan realistis. Buat pengguna sadar akan kemampuan dan keterbatasan model AI Anda, izinkan mereka menemukan dan memperbaiki kesalahan yang dibuat oleh AI dengan mudah, dan mengajari mereka cara melakukan iterasi hingga menghasilkan keluaran yang optimal. Dengan menekankan kepercayaan, transparansi, dan pendidikan pengguna, Anda dapat membuat pengguna berkolaborasi dengan AI. Meskipun pembahasan mendalam tentang disiplin desain AI yang baru muncul berada di luar cakupan artikel ini, saya sangat menganjurkan Anda untuk mencari inspirasi tidak hanya dari perusahaan AI lain tetapi juga dari bidang desain lain seperti interaksi manusia-mesin. Anda akan segera mengidentifikasi serangkaian pola desain berulang, seperti pelengkapan otomatis, saran cepat, dan pemberitahuan AI, yang dapat Anda integrasikan ke antarmuka Anda sendiri untuk memaksimalkan data dan model Anda.

Selanjutnya, untuk menghasilkan desain yang benar-benar hebat, Anda mungkin perlu menambahkan keterampilan desain baru ke tim Anda. Misalnya, jika Anda membuat aplikasi obrolan untuk menyempurnakan konten pemasaran, Anda akan bekerja dengan desainer percakapan yang menangani alur percakapan dan “kepribadian” chatbot Anda. Jika Anda sedang membangun produk tambahan yang kaya yang perlu mendidik dan membimbing pengguna Anda secara menyeluruh melalui opsi yang tersedia, perancang konten dapat membantu Anda membangun arsitektur informasi yang tepat, dan menambahkan jumlah dorongan dan dorongan yang tepat untuk pengguna Anda.

Dan terakhir, bersikaplah terbuka terhadap kejutan. Desain AI dapat membuat Anda memikirkan kembali konsep awal Anda tentang pengalaman pengguna. Misalnya, banyak desainer UX dan manajer produk dilatih untuk meminimalkan latensi dan gesekan guna memperlancar pengalaman pengguna. Nah, dalam produk AI, Anda dapat menghentikan pertarungan ini dan menggunakan keduanya untuk keuntungan Anda. Latensi dan waktu tunggu sangat bagus untuk mendidik pengguna Anda, misalnya dengan menjelaskan apa yang sedang dilakukan AI dan menunjukkan kemungkinan langkah selanjutnya di pihak mereka. Jeda, seperti dialog dan pop-up notifikasi, dapat menimbulkan gesekan untuk memperkuat kemitraan manusia-AI serta meningkatkan transparansi dan kontrol bagi pengguna Anda.

6. Persyaratan non-fungsional

Di luar data, algoritme, dan UX yang memungkinkan Anda mengimplementasikan fungsionalitas tertentu, apa yang disebut persyaratan non-fungsional (NFR) seperti akurasi, latensi, skalabilitas, keandalan, dan tata kelola data memastikan bahwa pengguna memang mendapatkan nilai yang diharapkan. Konsep NFR berasal dari pengembangan perangkat lunak namun belum diperhitungkan secara sistematis dalam domain AI. Seringkali, persyaratan ini diambil secara ad-hoc saat muncul selama penelitian pengguna, pembuatan ide, pengembangan, dan pengoperasian kemampuan AI.

Anda harus mencoba memahami dan mendefinisikan NFR Anda sedini mungkin karena NFR yang berbeda akan muncul pada titik berbeda dalam perjalanan Anda. Misalnya, privasi perlu dipertimbangkan sejak langkah awal pemilihan data. Akurasi paling sensitif dalam tahap produksi ketika pengguna mulai menggunakan sistem Anda secara online, sehingga berpotensi membebani sistem dengan masukan yang tidak terduga. Skalabilitas adalah pertimbangan strategis yang berperan ketika bisnis Anda meningkatkan jumlah pengguna dan/atau permintaan atau spektrum fungsionalitas yang ditawarkan.

Terkait NFR, Anda tidak bisa memiliki semuanya. Berikut adalah beberapa trade-off umum yang perlu Anda seimbangkan:

• Salah satu metode pertama untuk meningkatkan akurasi adalah dengan menggunakan model yang lebih besar, yang akan memengaruhi latensi.
• Menggunakan data produksi “sebagaimana adanya” untuk pengoptimalan lebih lanjut mungkin merupakan cara terbaik untuk pembelajaran, namun dapat melanggar aturan privasi dan anonimisasi Anda.
• Model yang lebih skalabel bersifat generalis, yang berdampak pada keakuratannya pada tugas spesifik perusahaan atau pengguna.

Cara Anda memprioritaskan berbagai persyaratan akan bergantung pada sumber daya komputasi yang tersedia, konsep UX Anda termasuk tingkat otomatisasi, dan dampak keputusan yang didukung oleh AI.

Takeaway kunci

1. Mulailah dengan memikirkan akhir: Jangan berasumsi bahwa hanya teknologi saja yang dapat menyelesaikan pekerjaan; Anda memerlukan peta jalan yang jelas untuk mengintegrasikan AI Anda ke dalam produk yang dapat diakses oleh pengguna dan mengedukasi pengguna tentang manfaat, risiko, dan keterbatasannya.
2. Penyelarasan pasar: Memprioritaskan peluang pasar dan kebutuhan pelanggan untuk memandu pengembangan AI. Jangan terburu-buru menerapkan AI yang didorong oleh hype dan tanpa validasi sisi pasar.
3. Nilai pengguna: Mendefinisikan, mengukur, dan mengkomunikasikan nilai produk AI dalam hal efisiensi, personalisasi, kenyamanan, dan dimensi nilai lainnya.
4. Kualitas data: Fokus pada kualitas dan relevansi data untuk melatih model AI secara efektif. Cobalah untuk menggunakan data kecil dan berkualitas tinggi untuk penyesuaian, dan kumpulan data yang lebih besar untuk pelatihan dari awal.
5. Pemilihan algoritma/model: Pilih tingkat kompleksitas dan pertahanan yang tepat (prompting, fine-tuning, pelatihan dari awal) untuk kasus penggunaan Anda dan evaluasi kinerjanya dengan cermat. Seiring waktu, saat Anda memperoleh keahlian dan kepercayaan diri yang diperlukan pada produk Anda, Anda mungkin ingin beralih ke strategi model yang lebih canggih.
6. Desain yang berpusat pada pengguna: Rancang produk AI dengan mempertimbangkan kebutuhan dan emosi pengguna, menyeimbangkan otomatisasi dan kontrol pengguna. Perhatikan “ketidakpastian” model AI probabilistik, dan pandu pengguna Anda untuk bekerja dengannya dan mendapatkan manfaat darinya.
7. Desain kolaboratif: Dengan menekankan kepercayaan, transparansi, dan pendidikan pengguna, Anda dapat membuat pengguna berkolaborasi dengan AI.
8. Persyaratan non-fungsional: Pertimbangkan faktor-faktor seperti akurasi, latensi, skalabilitas, dan keandalan selama pengembangan, dan coba evaluasi trade-off di antara faktor-faktor tersebut sejak dini.
9. Kolaborasi: Menumbuhkan kolaborasi erat antara pakar AI, desainer, manajer produk, dan anggota tim lainnya untuk mendapatkan manfaat dari kecerdasan lintas disiplin dan berhasil mengintegrasikan AI Anda.

Referensi

[1] Teresa Torres (2021). Kebiasaan Penemuan Berkelanjutan: Temukan Produk yang Menciptakan Nilai Pelanggan dan Nilai Bisnis.

[2] Media Orbit (2022). Statistik Blogging Baru: Strategi Konten Apa yang Berhasil di Tahun 2022? Kami bertanya kepada 1016 Blogger.

[3] Don Norman (2013). Desain Benda Sehari-hari.

[4] Google, Gartner dan Motista (2013). Dari Promosi ke Emosi: Menghubungkan Pelanggan B2B ke Merek.

Catatan: Semua gambar adalah milik penulis.

Artikel ini awalnya diterbitkan pada Menuju Ilmu Data dan diterbitkan kembali ke TOPBOTS dengan izin dari penulis.

Selamat menikmati artikel ini? Mendaftar untuk lebih banyak pembaruan penelitian AI.

Kami akan memberi tahu Anda ketika kami merilis lebih banyak artikel ringkasan seperti ini.

terkait

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• ChartPrime. Tingkatkan Game Trading Anda dengan ChartPrime. Akses Di Sini.
• BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
• Sumber: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/