การสร้างผลิตภัณฑ์ AI ด้วยโมเดลทางจิตแบบองค์รวม

หมายเหตุ: บทความนี้เป็นบทความแรกในชุดชื่อ “การแยกแอปพลิเคชัน AI” ซึ่งแนะนำแบบจำลองทางจิตสำหรับระบบ AI โมเดลนี้ทำหน้าที่เป็นเครื่องมือสำหรับการอภิปราย การวางแผน และคำจำกัดความของผลิตภัณฑ์ AI โดยทีม AI และผลิตภัณฑ์จากหลากหลายสาขา ตลอดจนเพื่อให้สอดคล้องกับแผนกธุรกิจ โดยมีจุดมุ่งหมายเพื่อรวบรวมมุมมองของผู้จัดการผลิตภัณฑ์ นักออกแบบ UX นักวิทยาศาสตร์ข้อมูล วิศวกร และสมาชิกในทีมคนอื่นๆ ในบทความนี้ ฉันแนะนำโมเดลทางจิต ในขณะที่บทความในอนาคตจะสาธิตวิธีนำไปใช้กับผลิตภัณฑ์และฟีเจอร์ AI ที่เฉพาะเจาะจง

บ่อยครั้งที่บริษัทต่างๆ คิดว่าสิ่งที่พวกเขาจำเป็นต้องมีเพื่อรวม AI ไว้ในข้อเสนอของพวกเขาคือการจ้างผู้เชี่ยวชาญด้าน AI และปล่อยให้พวกเขาเล่นเวทมนตร์ทางเทคนิค แนวทางนี้นำพวกเขาไปสู่ความผิดพลาดในการบูรณาการโดยตรง แม้ว่าผู้เชี่ยวชาญและวิศวกรเหล่านี้จะผลิตโมเดลและอัลกอริธึมที่ยอดเยี่ยม แต่ผลลัพธ์ของพวกเขามักจะติดอยู่ที่ระดับสนามเด็กเล่น แซนด์บ็อกซ์ และการสาธิต และไม่เคยกลายเป็นส่วนหนึ่งของผลิตภัณฑ์อย่างเต็มรูปแบบเลย ในช่วงหลายปีที่ผ่านมา ฉันได้เห็นความหงุดหงิดมากมายจากนักวิทยาศาสตร์ข้อมูลและวิศวกร ซึ่งการนำ AI ที่โดดเด่นทางเทคนิคไม่สามารถหาทางไปสู่ผลิตภัณฑ์ที่ต้องเผชิญกับผู้ใช้ได้ แต่พวกเขามีสถานะอันทรงเกียรติของการทดลองที่ล้ำสมัยซึ่งทำให้ผู้มีส่วนได้ส่วนเสียภายในรู้สึกประทับใจที่ได้ขี่คลื่น AI ขณะนี้ ด้วยการแพร่กระจายของ AI อย่างแพร่หลายนับตั้งแต่การเผยแพร่ ChatGPT ในปี 2022 บริษัทต่างๆ ไม่สามารถใช้ AI เป็นฟีเจอร์ "ประภาคาร" เพื่อแสดงความเฉียบแหลมทางเทคโนโลยีได้อีกต่อไป

เหตุใดการรวม AI จึงเป็นเรื่องยาก มีเหตุผลสองสามประการ:

• บ่อยครั้งที่ทีมมุ่งเน้นไปที่ด้านเดียวของระบบ AI สิ่งนี้ยังนำไปสู่การเกิดขึ้นของค่ายที่แยกจากกัน เช่น AI ที่เน้นข้อมูลเป็นศูนย์กลาง โมเดลเป็นศูนย์กลาง และ AI ที่เน้นมนุษย์เป็นศูนย์กลาง แม้ว่าแต่ละผลิตภัณฑ์จะนำเสนอมุมมองที่น่าตื่นเต้นสำหรับการวิจัย แต่ผลิตภัณฑ์ในชีวิตจริงจำเป็นต้องรวมข้อมูล แบบจำลอง และปฏิสัมพันธ์ระหว่างมนุษย์กับเครื่องจักรเข้ากับระบบที่สอดคล้องกัน
• การพัฒนา AI เป็นองค์กรที่มีความร่วมมือสูง ในการพัฒนาซอฟต์แวร์แบบดั้งเดิม คุณทำงานกับการแบ่งขั้วที่ค่อนข้างชัดเจนซึ่งประกอบด้วยส่วนประกอบแบ็คเอนด์และส่วนหน้า ใน AI คุณไม่เพียงแต่จะต้องเพิ่มบทบาทและทักษะที่หลากหลายให้กับทีมของคุณ แต่ยังรับประกันความร่วมมือที่ใกล้ชิดยิ่งขึ้นระหว่างฝ่ายต่างๆ ส่วนประกอบต่างๆ ของระบบ AI ของคุณจะโต้ตอบกันอย่างใกล้ชิด ตัวอย่างเช่น หากคุณกำลังทำงานกับผู้ช่วยเสมือน นักออกแบบ UX ของคุณจะต้องเข้าใจวิศวกรรมทันทีเพื่อสร้างกระแสผู้ใช้ที่เป็นธรรมชาติ ผู้อธิบายข้อมูลของคุณจำเป็นต้องตระหนักถึงแบรนด์ของคุณและ “ลักษณะนิสัย” ของผู้ช่วยเสมือนของคุณ เพื่อสร้างข้อมูลการฝึกอบรมที่สอดคล้องและสอดคล้องกับตำแหน่งของคุณ และผู้จัดการผลิตภัณฑ์ของคุณจำเป็นต้องเข้าใจและกลั่นกรองสถาปัตยกรรมของไปป์ไลน์ข้อมูลเพื่อให้แน่ใจว่า เป็นไปตามข้อกังวลด้านการกำกับดูแลของผู้ใช้ของคุณ
• เมื่อสร้าง AI บริษัทต่างๆ มักจะดูถูกดูแคลนความสำคัญของการออกแบบ ในขณะที่ AI เริ่มต้นในแบ็กเอนด์ การออกแบบที่ดีก็เป็นสิ่งที่ขาดไม่ได้ในการทำให้โดดเด่นในการผลิต การออกแบบ AI ก้าวข้ามขอบเขตของ UX แบบดั้งเดิม ฟังก์ชันการทำงานจำนวนมากที่คุณนำเสนอไม่สามารถมองเห็นได้ในอินเทอร์เฟซ แต่จะ "ซ่อน" อยู่ในโมเดล และคุณต้องให้ความรู้และแนะนำผู้ใช้ของคุณเพื่อเพิ่มผลประโยชน์เหล่านี้ให้สูงสุด นอกจากนี้ โมเดลพื้นฐานสมัยใหม่ยังเป็นสิ่งแปลกปลอมที่สามารถสร้างผลลัพธ์ที่เป็นพิษ ผิด และเป็นอันตรายได้ ดังนั้นคุณจะต้องสร้างราวกั้นเพิ่มเติมเพื่อลดความเสี่ยงเหล่านี้ ทั้งหมดนี้อาจต้องใช้ทักษะใหม่ๆ ในทีมของคุณ เช่น วิศวกรรมที่รวดเร็วและการออกแบบการสนทนา บางครั้งก็หมายถึงการทำสิ่งที่ขัดกับสัญชาตญาณ เช่น การให้คุณค่าต่ำไปเพื่อจัดการความคาดหวังของผู้ใช้ และเพิ่มความขัดแย้งเพื่อให้พวกเขาควบคุมและโปร่งใสได้มากขึ้น
• กระแส AI สร้างความกดดัน บริษัทหลายแห่งวางรถเข็นไว้หน้าม้าด้วยการกระโดดเข้าสู่การใช้งานที่ไม่ผ่านการตรวจสอบตามความต้องการของลูกค้าและตลาด การใช้คำศัพท์เกี่ยวกับ AI เป็นครั้งคราวสามารถช่วยให้คุณทำการตลาดและวางตำแหน่งตัวเองในฐานะธุรกิจที่ก้าวหน้าและมีนวัตกรรม แต่ในระยะยาว คุณจะต้องสนับสนุนการพูดถึงและทดลองกับโอกาสที่แท้จริง สิ่งนี้สามารถเกิดขึ้นได้ด้วยการประสานงานที่แน่นแฟ้นระหว่างธุรกิจและเทคโนโลยี ซึ่งอยู่บนพื้นฐานของแผนที่ที่ชัดเจนของโอกาสฝั่งตลาดกับศักยภาพทางเทคโนโลยี

ในบทความนี้ เราจะสร้างแบบจำลองทางจิตสำหรับระบบ AI ที่บูรณาการแง่มุมต่างๆ เหล่านี้ (รูปที่ 1) ช่วยกระตุ้นให้ผู้สร้างคิดแบบองค์รวม สร้างความเข้าใจที่ชัดเจนเกี่ยวกับผลิตภัณฑ์เป้าหมายของตน และอัปเดตด้วยข้อมูลเชิงลึกและข้อมูลใหม่ๆ ตลอดทาง โมเดลนี้สามารถใช้เป็นเครื่องมือในการทำงานร่วมกันได้ง่ายขึ้น จัดมุมมองที่หลากหลายทั้งภายในและภายนอกทีม AI และสร้างผลิตภัณฑ์ที่ประสบความสำเร็จตามวิสัยทัศน์ที่มีร่วมกัน ไม่เพียงแต่สามารถนำไปใช้กับผลิตภัณฑ์ใหม่ที่ขับเคลื่อนด้วย AI เท่านั้น แต่ยังรวมถึงฟีเจอร์ AI ที่รวมอยู่ในผลิตภัณฑ์ที่มีอยู่ด้วย

ส่วนต่อไปนี้จะอธิบายแต่ละส่วนประกอบโดยย่อ โดยเน้นไปที่ส่วนที่เฉพาะเจาะจงสำหรับผลิตภัณฑ์ AI เราจะเริ่มต้นด้วยมุมมองทางธุรกิจ — โอกาสฝั่งตลาดและมูลค่า — จากนั้นจึงเจาะลึก UX และเทคโนโลยี เพื่อแสดงให้เห็นโมเดลนี้ เราจะใช้ตัวอย่างที่กำลังดำเนินอยู่ของโปรแกรมควบคุมสำหรับการสร้างเนื้อหาทางการตลาด

หากเนื้อหาการศึกษาเชิงลึกนี้มีประโยชน์สำหรับคุณ คุณสามารถ สมัครรับจดหมายข่าวการวิจัย AI ของเรา เพื่อรับการแจ้งเตือนเมื่อเราเผยแพร่เนื้อหาใหม่ 

1 โอกาส

ด้วยสิ่งดีๆ ทั้งหมดที่คุณสามารถทำได้ด้วย AI ในตอนนี้ คุณอาจใจร้อนที่จะทำมือให้สกปรกและเริ่มสร้าง อย่างไรก็ตาม เพื่อสร้างสิ่งที่ผู้ใช้ของคุณต้องการและชื่นชอบ คุณควรสนับสนุนการพัฒนาของคุณด้วยโอกาสทางการตลาด ในโลกอุดมคติ โอกาสมาถึงเราจากลูกค้าที่บอกเราว่าพวกเขาต้องการหรือต้องการอะไร[1] สิ่งเหล่านี้อาจเป็นความต้องการที่ไม่ได้รับการตอบสนอง จุดเจ็บปวด หรือความปรารถนา คุณสามารถค้นหาข้อมูลนี้ได้ในคำติชมของลูกค้าที่มีอยู่ เช่น ในบทวิจารณ์ผลิตภัณฑ์และบันทึกจากทีมขายและทีมที่ประสบความสำเร็จของคุณ นอกจากนี้ อย่าลืมตัวเองในฐานะผู้มีโอกาสเป็นผู้ใช้ผลิตภัณฑ์ของคุณ — หากคุณกำลังกำหนดเป้าหมายปัญหาที่คุณประสบด้วยตัวเอง ข้อดีของข้อมูลนี้จะเป็นข้อได้เปรียบเพิ่มเติม นอกจากนี้คุณยังสามารถทำการวิจัยลูกค้าเชิงรุกโดยใช้เครื่องมือต่างๆ เช่น แบบสำรวจและการสัมภาษณ์ได้อีกด้วย

ตัวอย่างเช่น ฉันไม่จำเป็นต้องมองไกลเกินไปเพื่อดูความเจ็บปวดของการตลาดเนื้อหาสำหรับสตาร์ทอัพ แต่ยังรวมถึงบริษัทขนาดใหญ่ด้วย ฉันมีประสบการณ์ด้วยตัวเอง — เมื่อการแข่งขันเพิ่มมากขึ้น การพัฒนาความเป็นผู้นำทางความคิดด้วยเนื้อหาที่เป็นรายบุคคล สม่ำเสมอ และ (!) คุณภาพสูงก็มีความสำคัญมากขึ้นเรื่อยๆ สำหรับการสร้างความแตกต่าง ในขณะเดียวกัน ด้วยทีมเล็กๆ และงานยุ่ง จะมีเรื่องต่างๆ บนโต๊ะที่ดูสำคัญกว่าการเขียนโพสต์ในบล็อกประจำสัปดาห์อยู่เสมอ ฉันมักจะพบปะผู้คนในเครือข่ายของฉันที่พยายามดิ้นรนเพื่อสร้างกิจวัตรการตลาดเนื้อหาที่สอดคล้องกัน การสังเกตการณ์ "ในท้องถิ่น" ที่อาจมีความเอนเอียงเหล่านี้สามารถตรวจสอบได้ด้วยการสำรวจที่นอกเหนือไปจากเครือข่ายของตนเอง และยืนยันตลาดในวงกว้างสำหรับโซลูชัน

โลกแห่งความเป็นจริงนั้นคลุมเครือกว่าเล็กน้อย และลูกค้าไม่ได้มาหาคุณเพื่อนำเสนอโอกาสใหม่ๆ ที่ได้รับการกำหนดไว้อย่างดีเสมอไป แต่หากยืดหนวดออก โอกาสก็จะเข้าถึงคุณจากหลายทิศทาง เช่น:

• การวางตำแหน่งการตลาด: AI เป็นที่นิยม — สำหรับธุรกิจที่จัดตั้งขึ้นแล้ว สามารถใช้เพื่อเสริมภาพลักษณ์ของธุรกิจว่าเป็นนวัตกรรม เทคโนโลยีขั้นสูง และรองรับอนาคต ฯลฯ ตัวอย่างเช่น สามารถยกระดับเอเจนซี่การตลาดที่มีอยู่ให้เป็นบริการที่ขับเคลื่อนด้วย AI และ สร้างความแตกต่างจากคู่แข่ง อย่างไรก็ตาม อย่าทำ AI เพื่อประโยชน์ของ AI เคล็ดลับในการวางตำแหน่งจะต้องใช้ด้วยความระมัดระวังและใช้ร่วมกับโอกาสอื่นๆ มิฉะนั้นคุณอาจเสี่ยงต่อการสูญเสียความน่าเชื่อถือ
• คู่แข่ง: เมื่อคู่แข่งของคุณดำเนินการ มีแนวโน้มว่าพวกเขาได้ทำการวิจัยและการตรวจสอบความถูกต้องแล้ว ลองมองพวกเขาดูอีกครั้ง — การพัฒนาของพวกเขาประสบความสำเร็จหรือไม่? ใช้ข้อมูลนี้เพื่อเพิ่มประสิทธิภาพโซลูชันของคุณเอง นำส่วนที่ประสบความสำเร็จไปใช้ และแก้ไขข้อผิดพลาด ตัวอย่างเช่น สมมติว่าคุณกำลังสังเกตคู่แข่งที่นำเสนอบริการสำหรับการสร้างเนื้อหาทางการตลาดแบบอัตโนมัติเต็มรูปแบบ ผู้ใช้คลิกปุ่ม "สีแดงขนาดใหญ่" จากนั้น AI ก็เดินหน้าเขียนและเผยแพร่เนื้อหา หลังจากการค้นคว้าข้อมูล คุณได้เรียนรู้ว่าผู้ใช้ลังเลที่จะใช้ผลิตภัณฑ์นี้ เนื่องจากพวกเขาต้องการควบคุมกระบวนการนี้มากขึ้น และมีส่วนร่วมในความเชี่ยวชาญและบุคลิกภาพของตนเองในการเขียน ท้ายที่สุดแล้ว การเขียนยังเกี่ยวกับการแสดงออกและความคิดสร้างสรรค์ของแต่ละบุคคลอีกด้วย นี่คือเวลาที่คุณจะก้าวไปข้างหน้าด้วยเครื่องมืออเนกประสงค์ที่มีฟังก์ชันการทำงานที่หลากหลายและการกำหนดค่าสำหรับการกำหนดรูปแบบเนื้อหาของคุณ ช่วยเพิ่มประสิทธิภาพของผู้ใช้ในขณะเดียวกันก็อนุญาตให้พวกเขา "ฉีด" ตัวเองเข้าสู่กระบวนการได้ทุกเมื่อที่ต้องการ
• กฎข้อบังคับ: เมกะเทรนด์ เช่น การหยุดชะงักทางเทคโนโลยีและโลกาภิวัตน์ บังคับให้หน่วยงานกำกับดูแลกระชับข้อกำหนดของตน กฎระเบียบสร้างความกดดันและเป็นแหล่งที่มาของโอกาส ตัวอย่างเช่น ลองจินตนาการถึงกฎระเบียบที่กำหนดให้ทุกคนต้องโฆษณาเนื้อหาที่สร้างโดย AI อย่างเคร่งครัด บริษัทเหล่านั้นที่ใช้เครื่องมือสำหรับการสร้างเนื้อหา AI อยู่แล้วจะหายไปเพื่อหารือภายในว่าพวกเขาต้องการสิ่งนี้หรือไม่ หลายคนจะละเว้นเพราะต้องการรักษาภาพลักษณ์ของความเป็นผู้นำทางความคิดอย่างแท้จริง แทนที่จะสร้างต้นแบบที่สร้างโดย AI อย่างเห็นได้ชัด สมมติว่าคุณฉลาดและเลือกใช้โซลูชันเสริมที่ให้ผู้ใช้ควบคุมได้เพียงพอ เพื่อให้พวกเขายังคงเป็น "ผู้เขียน" ข้อความอย่างเป็นทางการได้ เมื่อมีการเปิดตัวข้อจำกัดใหม่ คุณจะมีภูมิคุ้มกันและสามารถรีบเร่งเพื่อใช้ประโยชน์จากกฎระเบียบ ในขณะที่คู่แข่งของคุณที่มีโซลูชันอัตโนมัติเต็มรูปแบบจะต้องใช้เวลาในการฟื้นฟูจากความล้มเหลว
• การเปิดใช้งานเทคโนโลยี: เทคโนโลยีเกิดใหม่และการก้าวกระโดดที่สำคัญในเทคโนโลยีที่มีอยู่ เช่น คลื่นของ generative AI ในปี 2022-23 สามารถเปิดวิธีการใหม่ๆ ในการทำสิ่งต่าง ๆ หรือผลักดันแอปพลิเคชันที่มีอยู่ไปสู่ระดับใหม่ สมมติว่าคุณดำเนินธุรกิจเอเจนซี่การตลาดแบบเดิมๆ มาตลอดทศวรรษที่ผ่านมา ตอนนี้คุณสามารถเริ่มแนะนำแฮ็กและโซลูชัน AI ในธุรกิจของคุณเพื่อเพิ่มประสิทธิภาพของพนักงาน ให้บริการลูกค้ามากขึ้นด้วยทรัพยากรที่มีอยู่ และเพิ่มผลกำไรของคุณ คุณกำลังต่อยอดจากความเชี่ยวชาญ ชื่อเสียง และฐานลูกค้า (หวังว่าจะมีความปรารถนาดี) ที่มีอยู่ ดังนั้นการแนะนำการปรับปรุง AI จึงราบรื่นกว่าและมีความเสี่ยงน้อยกว่าสำหรับผู้มาใหม่มาก

สุดท้ายนี้ ในโลกของผลิตภัณฑ์สมัยใหม่ โอกาสมักจะชัดเจนและเป็นทางการน้อยลง และสามารถตรวจสอบได้โดยตรงในการทดลอง ซึ่งจะช่วยเร่งการพัฒนาของคุณ ดังนั้น ในการเติบโตที่ขับเคลื่อนด้วยผลิตภัณฑ์ สมาชิกในทีมสามารถตั้งสมมติฐานของตนเองได้โดยไม่ต้องมีข้อโต้แย้งที่ขับเคลื่อนด้วยข้อมูลที่เข้มงวด สมมติฐานเหล่านี้สามารถกำหนดได้ทีละน้อย เช่น การปรับเปลี่ยนพรอมต์หรือการเปลี่ยนเลย์เอาต์ในเครื่องขององค์ประกอบ UX บางอย่าง ซึ่งทำให้ง่ายต่อการนำไปใช้ ปรับใช้ และทดสอบ โดยเอาความกดดันมามอบให้ priori ข้อมูลสำหรับข้อเสนอแนะใหม่แต่ละรายการ วิธีการนี้จะใช้ประโยชน์จากสัญชาตญาณและจินตนาการของสมาชิกในทีมทุกคน ในขณะเดียวกันก็บังคับใช้การตรวจสอบความถูกต้องของข้อเสนอแนะโดยตรง สมมติว่าการสร้างเนื้อหาของคุณดำเนินไปอย่างราบรื่น แต่คุณได้ยินข้อร้องเรียนมากขึ้นเรื่อยๆ เกี่ยวกับการขาดความโปร่งใสและความสามารถในการอธิบายของ AI โดยทั่วไป คุณตัดสินใจที่จะใช้ระดับความโปร่งใสเพิ่มเติม และแสดงให้ผู้ใช้ของคุณเห็นเอกสารเฉพาะที่ใช้ในการสร้างเนื้อหา ทีมของคุณนำฟีเจอร์นี้มาทดสอบกับผู้ใช้กลุ่มประชากรตามรุ่นและพบว่าพวกเขายินดีใช้ฟีเจอร์นี้เพื่อติดตามกลับไปยังแหล่งข้อมูลดั้งเดิม ดังนั้นคุณจึงตัดสินใจสร้างมันขึ้นมาในผลิตภัณฑ์หลักเพื่อเพิ่มการใช้งานและความพึงพอใจ

2. มูลค่า

เพื่อทำความเข้าใจและสื่อสารคุณค่าของผลิตภัณฑ์หรือฟีเจอร์ AI ของคุณ ก่อนอื่นคุณต้องแมปผลิตภัณฑ์หรือฟีเจอร์นั้นกับกรณีการใช้งาน — ปัญหาทางธุรกิจเฉพาะที่มันจะแก้ไข — และหา ROI (ผลตอบแทนจากการลงทุน) สิ่งนี้บังคับให้คุณเปลี่ยนใจจากเทคโนโลยีและมุ่งเน้นไปที่ประโยชน์ด้านผู้ใช้ของโซลูชัน ROI สามารถวัดได้จากมิติข้อมูลต่างๆ สำหรับ AI บางส่วนได้แก่:

• เพิ่มประสิทธิภาพ: AI สามารถเป็นตัวเสริมประสิทธิภาพการทำงานของบุคคล ทีม และทั้งบริษัทได้ ตัวอย่างเช่น สำหรับการสร้างเนื้อหา คุณอาจพบว่าแทนที่จะต้องใช้เวลา 4-5 ชั่วโมงในการเขียนโพสต์บนบล็อกตามปกติ [2] คุณสามารถเขียนได้ภายใน 1-2 ชั่วโมง และใช้เวลาที่คุณประหยัดไปทำงานอื่นได้ ประสิทธิภาพที่เพิ่มขึ้นมักจะควบคู่ไปกับการประหยัดต้นทุน เนื่องจากต้องใช้ความพยายามของมนุษย์น้อยลงในการทำงานในปริมาณเท่าเดิม ดังนั้นในบริบททางธุรกิจ ผลประโยชน์นี้จึงน่าดึงดูดทั้งสำหรับผู้ใช้และความเป็นผู้นำ
• ประสบการณ์ที่เป็นส่วนตัวมากขึ้น: ตัวอย่างเช่น เครื่องมือสร้างเนื้อหาของคุณสามารถขอให้ผู้ใช้ตั้งค่าพารามิเตอร์ของบริษัทของตน เช่น คุณลักษณะของแบรนด์ คำศัพท์เฉพาะทาง ประโยชน์ของผลิตภัณฑ์ ฯลฯ นอกจากนี้ ยังสามารถติดตามการแก้ไขที่ทำโดยนักเขียนคนใดคนหนึ่ง และปรับรุ่นให้เข้ากับงานเขียนที่เป็นเอกลักษณ์ สไตล์ของผู้ใช้รายนี้เมื่อเวลาผ่านไป
• ความสนุกสนานและความสุข: ที่นี่ เราจะพูดถึงด้านอารมณ์ของการใช้ผลิตภัณฑ์ หรือที่เรียกว่าระดับ "อวัยวะภายใน" โดย Don Norman [3] ผลิตภัณฑ์เพื่อความสนุกสนานและความบันเทิงทุกประเภทมีอยู่ในค่าย B2C เช่น เกม และ Augmented Reality แล้ว B2B ล่ะ คุณไม่คิดว่าผลิตภัณฑ์ B2B มีอยู่ในสุญญากาศปลอดเชื้อระดับมืออาชีพใช่หรือไม่ ในความเป็นจริง หมวดหมู่นี้สามารถสร้างการตอบสนองทางอารมณ์ที่รุนแรงยิ่งกว่า B2C[4] ตัวอย่างเช่น การเขียนสามารถถูกมองว่าเป็นการแสดงออกที่น่าพึงพอใจ หรือเป็นการต่อสู้ภายในกับอุปสรรคของนักเขียนและประเด็นอื่นๆ ลองนึกถึงวิธีที่ผลิตภัณฑ์ของคุณสามารถเพิ่มอารมณ์เชิงบวกของงานในขณะที่บรรเทาหรือเปลี่ยนแปลงแง่มุมที่เจ็บปวดของมันได้อย่างไร
• ความสะดวกสบาย: ผู้ใช้ของคุณจำเป็นต้องทำอะไรเพื่อใช้ประโยชน์จากพลังเวทย์มนตร์ของ AI? ลองจินตนาการถึงการรวมโปรแกรมไพลอตการสร้างเนื้อหาของคุณเข้ากับเครื่องมือการทำงานร่วมกันยอดนิยม เช่น MS Office, Google Docs และ Notion ผู้ใช้จะสามารถเข้าถึงข้อมูลอัจฉริยะและประสิทธิภาพของผลิตภัณฑ์ของคุณได้โดยไม่ต้องละทิ้งความสะดวกสบายจาก "บ้าน" ดิจิทัลของตน ดังนั้น คุณจะลดความพยายามที่ผู้ใช้ต้องทำเพื่อสัมผัสถึงคุณค่าของผลิตภัณฑ์และใช้งานต่อไป ซึ่งจะช่วยเพิ่มการได้มาและการนำไปใช้ของผู้ใช้

ประโยชน์บางประการของ AI เช่น ประสิทธิภาพ สามารถวัดปริมาณสำหรับ ROI ได้โดยตรง เพื่อให้ได้ประโยชน์ที่จับต้องได้น้อยลง เช่น ความสะดวกสบายและความพึงพอใจ คุณจะต้องคิดถึงการวัดพร็อกซี เช่น ความพึงพอใจของผู้ใช้ โปรดทราบว่าการคิดในแง่ของมูลค่าของผู้ใช้ปลายทางจะไม่เพียงปิดช่องว่างระหว่างผู้ใช้และผลิตภัณฑ์ของคุณเท่านั้น ผลข้างเคียงที่น่ายินดีสามารถลดรายละเอียดทางเทคนิคในการสื่อสารสาธารณะของคุณได้ วิธีนี้จะป้องกันไม่ให้คุณเชิญการแข่งขันที่ไม่พึงประสงค์มางานปาร์ตี้โดยไม่ตั้งใจ

สุดท้ายนี้ แง่มุมพื้นฐานของคุณค่าที่คุณควรพิจารณาตั้งแต่เนิ่นๆ ก็คือความยั่งยืน แนวทางการแก้ปัญหาของคุณส่งผลต่อสังคมและสิ่งแวดล้อมอย่างไร? ในตัวอย่างของเรา การสร้างเนื้อหาแบบอัตโนมัติหรือแบบเสริมสามารถเข้ามาแทนที่และขจัดภาระงานของมนุษย์ในวงกว้างได้ คุณอาจไม่ต้องการที่จะเป็นที่รู้จักในฐานะนักฆ่าในประเภทงานทั้งหมด เพราะท้ายที่สุดแล้ว สิ่งนี้จะไม่เพียงแต่ทำให้เกิดคำถามด้านจริยธรรมเท่านั้น แต่ยังเรียกร้องให้มีการต่อต้านในส่วนของผู้ใช้ที่คุณกำลังคุกคามงานอีกด้วย ลองคิดดูว่าคุณจะจัดการกับความกลัวเหล่านี้ได้อย่างไร ตัวอย่างเช่น คุณสามารถให้ความรู้แก่ผู้ใช้เกี่ยวกับวิธีที่พวกเขาสามารถใช้เวลาว่างใหม่อย่างมีประสิทธิภาพเพื่อออกแบบกลยุทธ์ทางการตลาดที่ซับซ้อนยิ่งขึ้นได้ สิ่งเหล่านี้สามารถทำให้เกิดคูน้ำที่สามารถป้องกันได้ แม้ว่าคู่แข่งรายอื่นจะตามทันการสร้างเนื้อหาอัตโนมัติก็ตาม

3 ข้อมูล

สำหรับ AI และการเรียนรู้ของเครื่องทุกประเภท คุณต้องรวบรวมและเตรียมข้อมูลของคุณเพื่อให้สะท้อนถึงอินพุตในชีวิตจริงและให้สัญญาณการเรียนรู้ที่เพียงพอสำหรับโมเดลของคุณ ทุกวันนี้ เราเห็นแนวโน้มของ AI ที่เน้นข้อมูลเป็นศูนย์กลาง ซึ่งเป็นปรัชญาของ AI ที่หลุดพ้นจากการปรับแต่งและเพิ่มประสิทธิภาพโมเดลอย่างไม่มีที่สิ้นสุด และมุ่งเน้นไปที่การแก้ไขปัญหาต่างๆ มากมายในข้อมูลที่ป้อนเข้าไปในโมเดลเหล่านี้ เมื่อคุณเริ่มต้น มีหลายวิธีในการครอบครองชุดข้อมูลที่เหมาะสม:

• คุณสามารถ ใช้ชุดข้อมูลที่มีอยู่. ซึ่งอาจเป็นชุดข้อมูลแมชชีนเลิร์นนิงมาตรฐานหรือชุดข้อมูลที่มีวัตถุประสงค์เริ่มต้นอื่นที่คุณปรับให้เข้ากับงานของคุณได้ มีชุดข้อมูลคลาสสิกบางชุด เช่น ชุดข้อมูลบทวิจารณ์ภาพยนตร์ IMDB สำหรับการวิเคราะห์ความรู้สึกและ ชุดข้อมูล MNIST สำหรับการรู้จำอักขระที่เขียนด้วยลายมือ มีทางเลือกที่แปลกใหม่และน่าตื่นเต้นมากกว่าเช่น การจับปลาที่ผิดกฎหมาย และ  การระบุสายพันธุ์สุนัขและชุดข้อมูลที่ผู้ใช้กำหนดเองจำนวนนับไม่ถ้วนบนฮับข้อมูล เช่น Kaggle โอกาสที่คุณจะพบชุดข้อมูลที่สร้างขึ้นสำหรับงานเฉพาะของคุณและตอบสนองความต้องการของคุณอย่างสมบูรณ์นั้นค่อนข้างต่ำ และในกรณีส่วนใหญ่ คุณจะต้องใช้วิธีการอื่นเพื่อเพิ่มคุณค่าให้กับข้อมูลของคุณ
• คุณสามารถ ใส่คำอธิบายประกอบหรือสร้างข้อมูลด้วยตนเอง เพื่อสร้างสัญญาณการเรียนรู้ที่เหมาะสม คำอธิบายประกอบข้อมูลด้วยตนเอง เช่น คำอธิบายประกอบข้อความที่มีคะแนนความคิดเห็น เป็นวิธีการที่นิยมใช้ในช่วงแรกๆ ของการเรียนรู้ของเครื่อง ล่าสุดได้รับความสนใจอีกครั้งในฐานะส่วนผสมหลักในซอสสูตรลับของ ChatGPT มีการใช้ความพยายามอย่างมากในการสร้างและจัดอันดับการตอบสนองของแบบจำลองเพื่อสะท้อนถึงความชอบของมนุษย์ เทคนิคนี้เรียกอีกอย่างว่าการเรียนรู้การเสริมกำลังจากผลตอบรับของมนุษย์ (RLHF) หากคุณมีทรัพยากรที่จำเป็น คุณสามารถใช้ทรัพยากรเหล่านี้เพื่อสร้างข้อมูลคุณภาพสูงสำหรับงานที่เฉพาะเจาะจงมากขึ้น เช่น การสร้างเนื้อหาทางการตลาด คำอธิบายประกอบสามารถทำได้ทั้งภายในหรือโดยใช้ผู้ให้บริการภายนอกหรือบริการคราวด์ซอร์ส เช่น Amazon Mechanical Turk อย่างไรก็ตาม บริษัทส่วนใหญ่ไม่ต้องการใช้ทรัพยากรจำนวนมากที่จำเป็นสำหรับการสร้างข้อมูล RLHF ด้วยตนเอง และจะพิจารณาเคล็ดลับบางประการในการสร้างข้อมูลโดยอัตโนมัติ
• ดังนั้นคุณสามารถเพิ่มตัวอย่างเพิ่มเติมให้กับชุดข้อมูลที่มีอยู่ได้โดยใช้ การเสริมข้อมูล. สำหรับงานที่เรียบง่ายกว่า เช่น การวิเคราะห์ความรู้สึก คุณอาจเพิ่มเสียงรบกวนในข้อความ สลับคำสองสามคำ เป็นต้น สำหรับงานรุ่นเปิดมากขึ้น ขณะนี้มีความกระตือรือร้นอย่างมากเกี่ยวกับการใช้แบบจำลองขนาดใหญ่ (เช่น โมเดลพื้นฐาน) สำหรับระบบอัตโนมัติ การสร้างข้อมูลการฝึกอบรม เมื่อคุณระบุวิธีที่ดีที่สุดในการเพิ่มข้อมูลของคุณแล้ว คุณสามารถปรับขนาดเพื่อให้ได้ขนาดชุดข้อมูลที่ต้องการได้อย่างง่ายดาย

เมื่อสร้างข้อมูล คุณจะต้องเผชิญกับข้อเสียระหว่างคุณภาพและปริมาณ คุณสามารถใส่คำอธิบายประกอบข้อมูลให้น้อยลงด้วยตนเองให้มีคุณภาพสูง หรือใช้งบประมาณในการพัฒนากลเม็ดและเคล็ดลับสำหรับการเพิ่มข้อมูลอัตโนมัติที่จะทำให้เกิดสัญญาณรบกวนเพิ่มเติม หากคุณใช้คำอธิบายประกอบด้วยตนเอง คุณสามารถทำได้ภายในองค์กรและกำหนดวัฒนธรรมแห่งรายละเอียดและคุณภาพ หรือรวบรวมงานจากบุคคลที่ไม่เปิดเผยตัวตน โดยทั่วไปแล้ว Crowdsourcing จะมีคุณภาพต่ำกว่า ดังนั้นคุณอาจต้องใส่คำอธิบายเพิ่มเติมเพื่อชดเชยเสียงรบกวน คุณจะหาสมดุลในอุดมคติได้อย่างไร? ไม่มีสูตรสำเร็จในที่นี้ ในที่สุดคุณจะพบองค์ประกอบข้อมูลในอุดมคติของคุณผ่านการกลับไปกลับมาอย่างต่อเนื่องระหว่างการฝึกอบรมและการปรับปรุงข้อมูลของคุณ โดยทั่วไป เมื่อฝึกอบรมโมเดลล่วงหน้า จะต้องได้รับความรู้ตั้งแต่เริ่มต้น ซึ่งสามารถเกิดขึ้นได้เมื่อมีข้อมูลจำนวนมากเท่านั้น ในทางกลับกัน หากคุณต้องการปรับแต่งและมอบความเชี่ยวชาญพิเศษขั้นสุดท้ายให้กับโมเดลขนาดใหญ่ที่มีอยู่ คุณอาจให้ความสำคัญกับคุณภาพมากกว่าปริมาณ คำอธิบายประกอบแบบแมนนวลที่มีการควบคุมของชุดข้อมูลขนาดเล็กโดยใช้แนวทางโดยละเอียดอาจเป็นวิธีแก้ปัญหาที่ดีที่สุดในกรณีนี้

4 ขั้นตอนวิธี

ข้อมูลเป็นวัตถุดิบที่โมเดลของคุณจะได้เรียนรู้ และหวังว่าคุณจะสามารถรวบรวมชุดข้อมูลตัวแทนคุณภาพสูงได้ ตอนนี้ พลังพิเศษที่แท้จริงของระบบ AI ของคุณ — ความสามารถในการเรียนรู้จากข้อมูลที่มีอยู่และสรุปเป็นข้อมูลใหม่ — อยู่ในอัลกอริทึม ในแง่ของโมเดล AI หลัก มีสามตัวเลือกหลักที่คุณสามารถใช้ได้:

• แจ้งรุ่นที่มีอยู่ LLM ขั้นสูง (โมเดลภาษาขนาดใหญ่) ของกลุ่ม GPT เช่น ChatGPT และ GPT-4 รวมถึงจากผู้ให้บริการอื่นๆ เช่น Anthropic และ AI21 Labs พร้อมสำหรับการอนุมานผ่าน API ด้วยการแจ้ง คุณสามารถพูดคุยกับโมเดลเหล่านี้ได้โดยตรง รวมถึงในการแจ้งเตือนข้อมูลเฉพาะโดเมนและงานทั้งหมดที่จำเป็นสำหรับงานด้วย ซึ่งอาจรวมถึงเนื้อหาเฉพาะที่จะใช้ ตัวอย่างของงานที่คล้ายคลึงกัน (การแจ้งแบบไม่กี่ช็อต) ตลอดจนคำแนะนำสำหรับโมเดลในการปฏิบัติตาม ตัวอย่างเช่น หากผู้ใช้ของคุณต้องการสร้างโพสต์บนบล็อกเกี่ยวกับคุณลักษณะของผลิตภัณฑ์ใหม่ คุณอาจขอให้พวกเขาให้ข้อมูลหลักเกี่ยวกับคุณลักษณะดังกล่าว เช่น คุณประโยชน์และกรณีการใช้งาน วิธีใช้งาน วันที่เปิดตัว เป็นต้น จากนั้นผลิตภัณฑ์ของคุณจะกรอกข้อมูลนี้ลงในเทมเพลตข้อความแจ้งที่สร้างขึ้นอย่างพิถีพิถัน และขอให้ LLM สร้างข้อความ การแจ้งเป็นการดีที่จะเริ่มต้นใช้งานโมเดลที่ได้รับการฝึกล่วงหน้า อย่างไรก็ตาม คูน้ำที่คุณสามารถสร้างได้ด้วยการกระตุ้นเตือนจะค่อยๆ ลดลงเมื่อเวลาผ่านไป ในระยะกลาง คุณจะต้องใช้กลยุทธ์แบบจำลองที่สามารถป้องกันได้มากขึ้นเพื่อรักษาความได้เปรียบทางการแข่งขันของคุณ
• ปรับแต่งโมเดลที่ผ่านการฝึกอบรมมาแล้วอย่างละเอียด แนวทางนี้ทำให้ AI ได้รับความนิยมอย่างมากในช่วงหลายปีที่ผ่านมา เมื่อมีโมเดลที่ได้รับการฝึกล่วงหน้าเพิ่มมากขึ้นเรื่อยๆ และพอร์ทัล เช่น Huggingface ก็มีที่เก็บโมเดลและโค้ดมาตรฐานเพื่อทำงานกับโมเดลต่างๆ การปรับแต่งอย่างละเอียดจึงกลายเป็นวิธีที่นิยมในการลองใช้ เมื่อคุณทำงานกับโมเดลที่ได้รับการฝึกอบรมล่วงหน้า คุณจะได้รับประโยชน์จากการลงทุนที่ใครบางคนได้ทำไว้แล้วกับข้อมูล การฝึกอบรม และการประเมินผลของโมเดล ซึ่ง "รู้" สิ่งต่างๆ มากมายเกี่ยวกับภาษาและโลกอยู่แล้ว สิ่งที่คุณต้องทำคือปรับแต่งโมเดลโดยใช้ชุดข้อมูลเฉพาะงาน ซึ่งอาจมีขนาดเล็กกว่าชุดข้อมูลเดิมที่ใช้สำหรับการฝึกล่วงหน้ามาก ตัวอย่างเช่น สำหรับการสร้างเนื้อหาทางการตลาด คุณสามารถรวบรวมชุดโพสต์ในบล็อกที่ทำงานได้ดีในแง่ของการมีส่วนร่วม และทำวิศวกรรมย้อนกลับสำหรับคำแนะนำเหล่านี้ จากข้อมูลนี้ แบบจำลองของคุณจะได้เรียนรู้เกี่ยวกับโครงสร้าง โฟลว์ และรูปแบบของบทความที่ประสบความสำเร็จ การปรับแต่งอย่างละเอียดเป็นวิธีที่จะดำเนินการเมื่อใช้โมเดลโอเพ่นซอร์ส แต่ผู้ให้บริการ LLM API เช่น OpenAI และ Cohere ก็เสนอฟังก์ชันการปรับแต่งอย่างละเอียดมากขึ้นเช่นกัน โดยเฉพาะอย่างยิ่งสำหรับแทร็กโอเพ่นซอร์ส คุณยังคงต้องพิจารณาปัญหาในการเลือกโมเดล ค่าใช้จ่ายในการฝึกอบรมและการปรับใช้โมเดลที่ใหญ่ขึ้น และกำหนดการบำรุงรักษาและอัปเดตโมเดลของคุณ
• ฝึกฝนโมเดล ML ของคุณตั้งแต่เริ่มต้น โดยทั่วไป วิธีการนี้ใช้ได้ผลดีกับปัญหาที่ง่ายกว่าแต่มีความเฉพาะเจาะจงสูง ซึ่งคุณมีความรู้เฉพาะหรือชุดข้อมูลที่เหมาะสม การสร้างเนื้อหาไม่จัดอยู่ในหมวดหมู่นี้ทุกประการ แต่ต้องใช้ความสามารถด้านภาษาขั้นสูงเพื่อให้คุณเริ่มต้นได้ และสิ่งเหล่านี้จะได้มาหลังจากการฝึกอบรมเกี่ยวกับข้อมูลจำนวนมหาศาลเท่านั้น ปัญหาที่ง่ายกว่า เช่น การวิเคราะห์ความรู้สึกสำหรับข้อความประเภทใดประเภทหนึ่ง มักจะสามารถแก้ไขได้ด้วยวิธีการเรียนรู้ของเครื่องที่เป็นที่ยอมรับ เช่น การถดถอยลอจิสติก ซึ่งมีราคาถูกกว่าวิธีการเรียนรู้เชิงลึกแบบแฟนซีในเชิงคำนวณ แน่นอนว่า ยังมีจุดกึ่งกลางของปัญหาที่ซับซ้อนพอสมควร เช่น การแยกแนวคิดสำหรับโดเมนเฉพาะ ซึ่งคุณอาจพิจารณาฝึก Deep Neural Network ตั้งแต่เริ่มต้น

นอกเหนือจากการฝึกอบรมแล้ว การประเมินมีความสำคัญเป็นอันดับแรกสำหรับการใช้แมชชีนเลิร์นนิงให้ประสบความสำเร็จ ตัวชี้วัดและวิธีการประเมินที่เหมาะสมไม่เพียงแต่มีความสำคัญต่อการเปิดตัวฟีเจอร์ AI ของคุณอย่างมั่นใจ แต่ยังทำหน้าที่เป็นเป้าหมายที่ชัดเจนสำหรับการเพิ่มประสิทธิภาพเพิ่มเติม และเป็นพื้นฐานทั่วไปสำหรับการสนทนาและการตัดสินใจภายใน แม้ว่าตัวชี้วัดทางเทคนิค เช่น ความแม่นยำ การเรียกคืน และความแม่นยำสามารถเป็นจุดเริ่มต้นที่ดีได้ แต่ท้ายที่สุดแล้ว คุณจะต้องมองหาตัวชี้วัดที่สะท้อนถึงคุณค่าในชีวิตจริงที่ AI ของคุณมอบให้กับผู้ใช้

5. ประสบการณ์ผู้ใช้

ประสบการณ์ผู้ใช้ผลิตภัณฑ์ AI เป็นธีมที่น่าดึงดูด อย่างไรก็ตาม ผู้ใช้มีความหวังสูง แต่ยังกลัวที่จะ "เป็นพันธมิตร" กับ AI ที่สามารถเติมพลังและอาจเอาชนะสติปัญญาของพวกเขาได้ การออกแบบความร่วมมือระหว่างมนุษย์และ AI ต้องใช้กระบวนการค้นพบและออกแบบที่รอบคอบและสมเหตุสมผล ข้อควรพิจารณาที่สำคัญประการหนึ่งคือระดับของระบบอัตโนมัติที่คุณต้องการมอบให้กับผลิตภัณฑ์ของคุณ และอย่าลืมว่าระบบอัตโนมัติทั้งหมดไม่ใช่วิธีแก้ปัญหาในอุดมคติเสมอไป รูปภาพต่อไปนี้แสดงให้เห็นถึงความต่อเนื่องของระบบอัตโนมัติ:

มาดูแต่ละระดับเหล่านี้กัน:

• ในระยะแรก มนุษย์จะทำงานทั้งหมด และไม่มีการดำเนินการอัตโนมัติใดๆ แม้จะมีกระแสเกี่ยวกับ AI มาก แต่งานที่เน้นความรู้ส่วนใหญ่ในบริษัทสมัยใหม่ยังคงดำเนินการในระดับนี้ ซึ่งนำเสนอโอกาสมหาศาลสำหรับระบบอัตโนมัติ ตัวอย่างเช่น นักเขียนเนื้อหาที่ต่อต้านเครื่องมือที่ขับเคลื่อนด้วย AI และถูกชักชวนว่างานเขียนต้องใช้แรงงานคนสูงและเป็นงานฝีมือที่แปลกประหลาดที่นี่
• ในขั้นตอนที่สองของ Assisted AI ผู้ใช้จะสามารถควบคุมการปฏิบัติงานได้อย่างสมบูรณ์และทำงานส่วนใหญ่ด้วยตนเอง แต่เครื่องมือ AI ช่วยให้พวกเขาประหยัดเวลาและชดเชยจุดอ่อนของตนได้ ตัวอย่างเช่น เมื่อเขียนบล็อกโพสต์โดยมีกำหนดเวลาที่จำกัด การตรวจสอบภาษาขั้นสุดท้ายด้วย Grammarly หรือเครื่องมือที่คล้ายกันอาจกลายเป็นตัวช่วยประหยัดเวลาได้ มันสามารถขจัดการแก้ไขด้วยตนเอง ซึ่งต้องใช้เวลาและความใส่ใจอย่างมาก และยังอาจทำให้คุณเกิดข้อผิดพลาดและมองข้ามไป เพราะท้ายที่สุดแล้ว ความผิดพลาดนั้นเกิดขึ้นจากมนุษย์
• ด้วยความฉลาดที่เพิ่มขึ้น AI จึงเป็นพันธมิตรที่เพิ่มความฉลาดของมนุษย์ จึงใช้ประโยชน์จากจุดแข็งของทั้งสองโลก เมื่อเปรียบเทียบกับ AI ที่ได้รับความช่วยเหลือแล้ว เครื่องจักรมีอะไรให้พูดอีกมากในกระบวนการของคุณและครอบคลุมชุดความรับผิดชอบที่ใหญ่กว่า เช่น การคิด การสร้าง และการแก้ไขแบบร่าง และการตรวจสอบทางภาษาขั้นสุดท้าย ผู้ใช้ยังคงต้องมีส่วนร่วมในงาน ตัดสินใจ และดำเนินการบางส่วนของงาน อินเทอร์เฟซผู้ใช้ควรระบุถึงการกระจายแรงงานระหว่างมนุษย์และ AI อย่างชัดเจน เน้นย้ำถึงข้อผิดพลาดที่อาจเกิดขึ้น และให้ความโปร่งใสในขั้นตอนการดำเนินการ กล่าวโดยสรุป ประสบการณ์ "เสริม" จะนำทางผู้ใช้ไปสู่ผลลัพธ์ที่ต้องการผ่านการทำซ้ำและการปรับแต่ง
• และสุดท้าย เราก็มีระบบอัตโนมัติเต็มรูปแบบ ซึ่งเป็นแนวคิดที่น่าสนใจสำหรับผู้เชี่ยวชาญด้าน AI นักปรัชญา และผู้เชี่ยวชาญ แต่มักไม่ใช่ตัวเลือกที่ดีที่สุดสำหรับผลิตภัณฑ์ในชีวิตจริง ระบบอัตโนมัติเต็มรูปแบบหมายความว่าคุณกำลังเสนอ "ปุ่มสีแดงใหญ่" หนึ่งปุ่มที่จะเริ่มต้นกระบวนการ เมื่อ AI เสร็จสิ้น ผู้ใช้ของคุณต้องเผชิญกับผลลัพธ์สุดท้ายและนำไปใช้หรือปล่อยมันไป อะไรก็ตามที่เกิดขึ้นระหว่างนั้นไม่สามารถควบคุมได้ อย่างที่คุณคงจินตนาการได้ ตัวเลือก UX ที่นี่ค่อนข้างจำกัดเนื่องจากแทบไม่มีการโต้ตอบเลย ความรับผิดชอบส่วนใหญ่ในการประสบความสำเร็จนั้นตกเป็นภาระของเพื่อนร่วมงานด้านเทคนิคของคุณ ซึ่งจำเป็นต้องรับประกันคุณภาพผลงานที่สูงเป็นพิเศษ

ผลิตภัณฑ์ AI จำเป็นต้องได้รับการดูแลเป็นพิเศษเมื่อเป็นเรื่องของการออกแบบ อินเทอร์เฟซแบบกราฟิกมาตรฐานถูกกำหนดไว้แล้วและช่วยให้คุณคาดการณ์เส้นทางที่เป็นไปได้ทั้งหมดที่ผู้ใช้อาจใช้ ในทางตรงกันข้าม โมเดล AI ขนาดใหญ่มีความน่าจะเป็นและไม่แน่นอน โดยเผยให้เห็นความสามารถที่น่าทึ่งมากมาย แต่ยังมีความเสี่ยง เช่น ผลลัพธ์ที่เป็นพิษ ผิด และเป็นอันตราย เมื่อมองจากภายนอก อินเทอร์เฟซ AI ของคุณอาจดูเรียบง่าย เนื่องจากความสามารถมากมายของผลิตภัณฑ์ของคุณอยู่ในโมเดลโดยตรง ตัวอย่างเช่น LLM สามารถตีความข้อความแจ้ง สร้างข้อความ ค้นหาข้อมูล สรุป ใช้รูปแบบและคำศัพท์เฉพาะ ดำเนินการตามคำแนะนำ ฯลฯ แม้ว่า UI ของคุณจะเป็นอินเทอร์เฟซการแชทหรือข้อความแจ้งแบบธรรมดา แต่อย่าปล่อยให้โอกาสนี้ถูกมองข้าม — เพื่อนำผู้ใช้ไปสู่ความสำเร็จ คุณต้องชัดเจนและสมจริง ทำให้ผู้ใช้ตระหนักถึงความสามารถและข้อจำกัดของโมเดล AI ของคุณ ช่วยให้พวกเขาค้นพบและแก้ไขข้อผิดพลาดที่ทำโดย AI ได้อย่างง่ายดาย และสอนวิธีทำซ้ำตัวเองเพื่อให้ได้ผลลัพธ์ที่เหมาะสมที่สุด ด้วยการเน้นย้ำถึงความไว้วางใจ ความโปร่งใส และการให้ความรู้แก่ผู้ใช้ คุณสามารถทำให้ผู้ใช้ของคุณทำงานร่วมกับ AI ได้ แม้ว่าการเจาะลึกเกี่ยวกับระเบียบวินัยที่เกิดขึ้นใหม่ของการออกแบบ AI นั้นอยู่นอกขอบเขตของบทความนี้ ฉันขอแนะนำให้คุณมองหาแรงบันดาลใจไม่เพียงแต่จากบริษัท AI อื่นๆ เท่านั้น แต่ยังมาจากการออกแบบด้านอื่นๆ ด้วย เช่น ปฏิสัมพันธ์ระหว่างมนุษย์กับเครื่องจักรด้วย ในไม่ช้า คุณจะระบุรูปแบบการออกแบบที่เกิดขึ้นซ้ำๆ เช่น การเติมข้อความอัตโนมัติ คำแนะนำทันที และการแจ้งเตือน AI ซึ่งคุณสามารถรวมเข้ากับอินเทอร์เฟซของคุณเองเพื่อใช้ประโยชน์สูงสุดจากข้อมูลและแบบจำลองของคุณ

นอกจากนี้ เพื่อมอบการออกแบบที่ยอดเยี่ยมอย่างแท้จริง คุณอาจต้องเพิ่มทักษะการออกแบบใหม่ๆ ให้กับทีมของคุณ ตัวอย่างเช่น หากคุณกำลังสร้างแอปพลิเคชันแชทเพื่อปรับแต่งเนื้อหาทางการตลาด คุณจะทำงานร่วมกับนักออกแบบการสนทนาที่ดูแลกระแสการสนทนาและ “บุคลิกภาพ” ของแชทบอตของคุณ หากคุณกำลังสร้างผลิตภัณฑ์เสริมที่ครบครันซึ่งจำเป็นต้องให้ความรู้อย่างละเอียดและแนะนำผู้ใช้ของคุณเกี่ยวกับตัวเลือกที่มีให้ นักออกแบบเนื้อหาสามารถช่วยคุณสร้างสถาปัตยกรรมข้อมูลประเภทที่เหมาะสม และเพิ่มปริมาณการกระตุ้นเตือนและพร้อมท์ที่เหมาะสมให้กับผู้ใช้ของคุณ

และสุดท้ายก็เปิดใจรับเรื่องเซอร์ไพรส์ การออกแบบ AI สามารถทำให้คุณคิดใหม่เกี่ยวกับแนวคิดดั้งเดิมเกี่ยวกับประสบการณ์ผู้ใช้ ตัวอย่างเช่น นักออกแบบ UX และผู้จัดการผลิตภัณฑ์จำนวนมากได้รับการฝึกอบรมเพื่อลดเวลาแฝงและความเสียดทานเพื่อทำให้ประสบการณ์ของผู้ใช้ราบรื่นขึ้น ในผลิตภัณฑ์ AI คุณสามารถหยุดการต่อสู้นี้ชั่วคราวและใช้ทั้งสองอย่างเพื่อผลประโยชน์ของคุณ เวลาแฝงและเวลารอเป็นสิ่งที่ดีสำหรับการให้ความรู้แก่ผู้ใช้ของคุณ เช่น โดยการอธิบายว่า AI กำลังทำอะไรอยู่ในปัจจุบัน และระบุขั้นตอนต่อไปที่เป็นไปได้ในด้านของพวกเขา การหยุดพัก เช่น กล่องโต้ตอบและป๊อปอัปการแจ้งเตือน อาจทำให้เกิดความขัดแย้งเพื่อเสริมสร้างความร่วมมือระหว่างมนุษย์และ AI และเพิ่มความโปร่งใสและการควบคุมให้กับผู้ใช้ของคุณ

6. ข้อกำหนดที่ไม่เกี่ยวกับการทำงาน

นอกเหนือจากข้อมูลแล้ว อัลกอริธึมและ UX ที่ทำให้คุณสามารถใช้ฟังก์ชันเฉพาะที่เรียกว่าข้อกำหนดที่ไม่เกี่ยวกับฟังก์ชัน (NFR) เช่น ความแม่นยำ เวลาแฝง ความสามารถในการปรับขนาด ความน่าเชื่อถือ และการกำกับดูแลข้อมูล ทำให้มั่นใจได้ว่าผู้ใช้จะได้รับคุณค่าที่คาดหวังไว้อย่างแท้จริง แนวคิดของ NFR มาจากการพัฒนาซอฟต์แวร์ แต่ยังไม่ได้รับการพิจารณาอย่างเป็นระบบในขอบเขตของ AI บ่อยครั้งที่ข้อกำหนดเหล่านี้ถูกหยิบยกขึ้นมาเฉพาะกิจเมื่อเกิดขึ้นระหว่างการวิจัยผู้ใช้ แนวคิด การพัฒนา และการดำเนินการของความสามารถ AI

คุณควรพยายามทำความเข้าใจและกำหนด NFR ของคุณให้เร็วที่สุดเท่าที่จะเป็นไปได้ เนื่องจาก NFR ต่างๆ จะเกิดขึ้นที่จุดต่างๆ ในการเดินทางของคุณ ตัวอย่างเช่น ความเป็นส่วนตัวจะต้องได้รับการพิจารณาตั้งแต่ขั้นตอนแรกของการเลือกข้อมูล ความแม่นยำนั้นมีความสำคัญมากที่สุดในขั้นตอนการผลิตเมื่อผู้ใช้เริ่มใช้ระบบของคุณทางออนไลน์ ซึ่งอาจล้นหลามด้วยอินพุตที่ไม่คาดคิด ความสามารถในการปรับขนาดคือการพิจารณาเชิงกลยุทธ์ที่เกิดขึ้นเมื่อธุรกิจของคุณขยายจำนวนผู้ใช้และ/หรือคำขอหรือขอบเขตของฟังก์ชันการทำงานที่นำเสนอ

เมื่อพูดถึง NFR คุณไม่สามารถมีได้ทั้งหมด นี่คือข้อดีข้อเสียทั่วไปบางประการที่คุณจะต้องรักษาสมดุล:

• วิธีแรกๆ วิธีหนึ่งในการเพิ่มความแม่นยำคือการใช้โมเดลที่ใหญ่ขึ้น ซึ่งจะส่งผลต่อเวลาในการตอบสนอง
• การใช้ข้อมูลการผลิต "ตามที่เป็น" เพื่อการเพิ่มประสิทธิภาพเพิ่มเติมอาจดีที่สุดสำหรับการเรียนรู้ แต่อาจละเมิดกฎความเป็นส่วนตัวและการลบข้อมูลระบุตัวตนของคุณได้
• โมเดลที่ปรับขนาดได้มากขึ้นนั้นเป็นแบบจำลองทั่วไป ซึ่งส่งผลต่อความแม่นยำในงานเฉพาะของบริษัทหรือผู้ใช้

วิธีที่คุณจัดลำดับความสำคัญของข้อกำหนดที่แตกต่างกันจะขึ้นอยู่กับทรัพยากรการคำนวณที่มีอยู่ แนวคิด UX ของคุณ รวมถึงระดับของระบบอัตโนมัติ และผลกระทบของการตัดสินใจที่ AI สนับสนุน

ประเด็นที่สำคัญ

1. เริ่มต้นด้วยจุดสิ้นสุดในใจ: อย่าคิดว่าเทคโนโลยีเพียงอย่างเดียวจะทำงานได้ คุณต้องมีแผนงานที่ชัดเจนในการผสานรวม AI ของคุณเข้ากับผลิตภัณฑ์ที่พบปะกับผู้ใช้ และให้ความรู้ผู้ใช้เกี่ยวกับคุณประโยชน์ ความเสี่ยง และข้อจำกัด
2. การจัดตำแหน่งตลาด: จัดลำดับความสำคัญโอกาสทางการตลาดและความต้องการของลูกค้าเพื่อเป็นแนวทางในการพัฒนา AI อย่ารีบเร่งการนำ AI ไปใช้โดยการโฆษณาเกินจริงและไม่มีการตรวจสอบฝั่งตลาด
3. คุณค่าของผู้ใช้: กำหนด ปริมาณ และสื่อสารคุณค่าของผลิตภัณฑ์ AI ในแง่ของประสิทธิภาพ ความเป็นส่วนตัว ความสะดวกสบาย และมูลค่ามิติอื่น ๆ
4. ข้อมูลที่มีคุณภาพ: มุ่งเน้นไปที่คุณภาพข้อมูลและความเกี่ยวข้องเพื่อฝึกฝนโมเดล AI อย่างมีประสิทธิภาพ พยายามใช้ข้อมูลขนาดเล็กคุณภาพสูงเพื่อการปรับแต่ง และใช้ชุดข้อมูลที่ใหญ่ขึ้นสำหรับการฝึกอบรมตั้งแต่เริ่มต้น
5. การเลือกอัลกอริทึม/แบบจำลอง: เลือกระดับความซับซ้อนและการป้องกันที่เหมาะสม (การแจ้ง การปรับแต่งอย่างละเอียด การฝึกอบรมตั้งแต่เริ่มต้น) สำหรับกรณีการใช้งานของคุณและประเมินประสิทธิภาพอย่างรอบคอบ เมื่อเวลาผ่านไป เมื่อคุณได้รับความเชี่ยวชาญและความมั่นใจที่จำเป็นในผลิตภัณฑ์ของคุณ คุณอาจต้องการเปลี่ยนไปใช้กลยุทธ์การสร้างแบบจำลองขั้นสูงเพิ่มเติม
6. การออกแบบที่เน้นผู้ใช้เป็นศูนย์กลาง: ออกแบบผลิตภัณฑ์ AI โดยคำนึงถึงความต้องการและอารมณ์ของผู้ใช้ สร้างสมดุลระหว่างระบบอัตโนมัติและการควบคุมของผู้ใช้ คำนึงถึง “ความไม่แน่นอน” ของโมเดล AI ที่น่าจะเป็น และแนะนำผู้ใช้ของคุณให้ทำงานกับโมเดลนี้และรับประโยชน์จากโมเดลนั้น
7. การออกแบบการทำงานร่วมกัน: ด้วยการเน้นความไว้วางใจ ความโปร่งใส และการให้ความรู้แก่ผู้ใช้ คุณสามารถทำให้ผู้ใช้ของคุณทำงานร่วมกับ AI ได้
8. ข้อกำหนดที่ไม่เกี่ยวกับการทำงาน: พิจารณาปัจจัยต่างๆ เช่น ความแม่นยำ เวลาแฝง ความสามารถในการปรับขนาด และความน่าเชื่อถือตลอดการพัฒนา และพยายามประเมินข้อดีข้อเสียระหว่างสิ่งเหล่านี้ตั้งแต่เนิ่นๆ
9. การร่วมมือ: ส่งเสริมการทำงานร่วมกันอย่างใกล้ชิดระหว่างผู้เชี่ยวชาญ AI นักออกแบบ ผู้จัดการผลิตภัณฑ์ และสมาชิกในทีมอื่น ๆ เพื่อรับประโยชน์จากข้อมูลข่าวกรองแบบสหสาขาวิชาชีพและบูรณาการ AI ของคุณให้ประสบความสำเร็จ

อ้างอิง

[1] เทเรซา ตอร์เรส (2021) พฤติกรรมการค้นพบอย่างต่อเนื่อง: ค้นพบผลิตภัณฑ์ที่สร้างมูลค่าลูกค้าและมูลค่าทางธุรกิจ

[2] วงโคจรสื่อ (2022) สถิติการเขียนบล็อกใหม่: กลยุทธ์เนื้อหาใดที่ใช้ได้ผลในปี 2022 เราถามบล็อกเกอร์ 1016 คน.

[3] ดอน นอร์แมน (2013) การออกแบบสิ่งของในชีวิตประจำวัน

(4) Google, Gartner และ Motista (2013) จากโปรโมชันสู่อารมณ์: การเชื่อมโยงลูกค้า B2B เข้ากับแบรนด์.

หมายเหตุ: ภาพทั้งหมดเป็นของผู้เขียน

บทความนี้ถูกเผยแพร่เมื่อวันที่ ต่อวิทยาศาสตร์ข้อมูล และเผยแพร่ซ้ำไปยัง TOPBOTS โดยได้รับอนุญาตจากผู้เขียน

สนุกกับบทความนี้? ลงทะเบียนเพื่อรับการอัปเดตการวิจัย AI เพิ่มเติม

เราจะแจ้งให้คุณทราบเมื่อเราเผยแพร่บทความสรุปเพิ่มเติมเช่นนี้

ที่เกี่ยวข้อง

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ChartPrime. ยกระดับเกมการซื้อขายของคุณด้วย ChartPrime เข้าถึงได้ที่นี่.
• BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
• ที่มา: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/