Bütünsel Bir Zihinsel Modelle Yapay Zeka Ürünleri Oluşturma

Not: Bu makale, yapay zeka sistemleri için zihinsel bir model tanıtan "Yapay zeka uygulamalarını parçalara ayırma" adlı serinin ilkidir. Model, yapay zeka ürünlerinin disiplinler arası yapay zeka ve ürün ekipleri tarafından tartışılması, planlanması ve tanımlanmasının yanı sıra iş departmanıyla uyum sağlanması için bir araç görevi görüyor. Ürün yöneticilerinin, UX tasarımcılarının, veri bilimcilerinin, mühendislerin ve diğer ekip üyelerinin bakış açılarını bir araya getirmeyi amaçlamaktadır. Bu makalede zihinsel modeli tanıtacağım, gelecekteki makaleler ise bunun belirli yapay zeka ürünlerine ve özelliklerine nasıl uygulanacağını gösterecek.

Çoğu zaman şirketler, tekliflerine yapay zekayı dahil etmek için ihtiyaç duydukları tek şeyin, yapay zeka uzmanlarını işe almak ve teknik büyüyü yapmalarına izin vermek olduğunu varsayarlar. Bu yaklaşım onları doğrudan entegrasyon yanılgısına sürükler: Bu uzmanlar ve mühendisler olağanüstü modeller ve algoritmalar üretseler bile, çıktıları genellikle oyun alanları, sanal alanlar ve demolar düzeyinde takılıp kalır ve hiçbir zaman bir ürünün tam teşekküllü parçaları haline gelmez. Yıllar boyunca, teknik açıdan olağanüstü yapay zeka uygulamaları kullanıcıların karşılaştığı ürünlerde yer bulamayan veri bilimcileri ve mühendislerinden büyük bir hayal kırıklığı gördüm. Aksine, iç paydaşlara yapay zeka dalgasına ayak uydurdukları izlenimini veren son teknoloji deneylerin onurlu statüsüne sahiptiler. Artık, ChatGPT'nin 2022'de yayınlanmasından bu yana yapay zekanın her yerde yaygınlaşmasıyla birlikte, şirketler artık yapay zekayı teknolojik zekalarını göstermek için bir "deniz feneri" özelliği olarak kullanmaya gücü yetmiyor.

Yapay zekayı entegre etmek neden bu kadar zor? Bunun birkaç nedeni var:

• Ekipler genellikle yapay zeka sisteminin tek bir yönüne odaklanır. Bu durum veri merkezli, model merkezli ve insan merkezli yapay zeka gibi ayrı kampların ortaya çıkmasına bile yol açtı. Her biri araştırma için heyecan verici perspektifler sunarken, gerçek hayattaki bir ürünün verileri, modeli ve insan-makine etkileşimini tutarlı bir sistemde birleştirmesi gerekir.
• Yapay zeka geliştirme, son derece işbirlikçi bir girişimdir. Geleneksel yazılım geliştirmede, arka uç ve ön uç bileşenlerinden oluşan nispeten net bir ikilemle çalışırsınız. Yapay zekada yalnızca ekibinize daha çeşitli roller ve beceriler eklemekle kalmayacak, aynı zamanda farklı taraflar arasında daha yakın işbirliği sağlamanız da gerekecek. Yapay zeka sisteminizin farklı bileşenleri birbirleriyle samimi yollarla etkileşime girecektir. Örneğin, bir sanal asistan üzerinde çalışıyorsanız, kullanıcı deneyimi tasarımcılarınızın doğal bir kullanıcı akışı oluşturmak için hızlı mühendisliği anlaması gerekecektir. Konumlandırmanızla tutarlı ve uyumlu eğitim verileri oluşturmak için veri açıklayıcılarınızın markanızdan ve sanal asistanınızın "karakter özelliklerinden" haberdar olması gerekir; ürün yöneticinizin ise veri hattının mimarisini kavraması ve incelemesi gerekir. kullanıcılarınızın yönetişim kaygılarını karşılar.
• Yapay zekayı oluştururken şirketler genellikle tasarımın önemini hafife alıyor. Yapay zeka arka uçta başlarken, üretimde parlamasını sağlamak için iyi tasarım vazgeçilmezdir. Yapay zeka tasarımı, geleneksel kullanıcı deneyiminin sınırlarını zorluyor. Sunduğunuz işlevselliklerin çoğu arayüzde görünür değildir ancak modelde "gizlidir" ve bu faydaları en üst düzeye çıkarmak için kullanıcılarınızı eğitmeniz ve yönlendirmeniz gerekir. Ayrıca modern temel modeller toksik, yanlış ve zararlı çıktılar üretebilecek çılgın şeylerdir, dolayısıyla bu riskleri azaltmak için ek korkuluklar kuracaksınız. Tüm bunlar, ekibinizde hızlı mühendislik ve konuşmaya dayalı tasarım gibi yeni beceriler gerektirebilir. Bazen bu aynı zamanda kullanıcıların beklentilerini yönetmek için değeri küçümsemek ve onlara daha fazla kontrol ve şeffaflık sağlamak için anlaşmazlıklar eklemek gibi mantık dışı şeyler yapmak anlamına da gelir.
• Yapay zeka reklamı baskı yaratıyor. Birçok şirket, müşteri ve pazar ihtiyaçları tarafından onaylanmayan uygulamalara atlayarak arabayı atın önüne koyuyor. Zaman zaman yapay zeka moda sözcüğünü eklemek, kendinizi ilerici ve yenilikçi bir işletme olarak pazarlamanıza ve konumlandırmanıza yardımcı olabilir, ancak uzun vadede, söylentilerinizi ve denemelerinizi gerçek fırsatlarla desteklemeniz gerekecektir. Bu, pazar tarafındaki fırsatların teknolojik potansiyellerle açık bir şekilde eşleştirilmesine dayanan iş dünyası ve teknoloji arasındaki sıkı koordinasyonla başarılabilir.

Bu makalede yapay zeka sistemleri için bu farklı yönleri birleştiren zihinsel bir model oluşturacağız (bkz. Şekil 1). İnşaatçıları bütünsel düşünmeye, hedef ürünlerine ilişkin net bir anlayış oluşturmaya ve bunu yol boyunca yeni bilgiler ve girdilerle güncellemeye teşvik eder. Model, işbirliğini kolaylaştırmak, yapay zeka ekibinin içindeki ve dışındaki farklı bakış açılarını hizalamak ve ortak bir vizyona dayalı başarılı ürünler oluşturmak için bir araç olarak kullanılabilir. Yalnızca yeni, yapay zeka odaklı ürünlere değil, aynı zamanda mevcut ürünlere dahil edilen yapay zeka özelliklerine de uygulanabilir.

Aşağıdaki bölümlerde AI ürünlerine özel parçalara odaklanarak her bir bileşen kısaca açıklanacaktır. İş perspektifiyle (pazar tarafındaki fırsat ve değer) başlayacağız ve ardından kullanıcı deneyimi ve teknolojiye dalacağız. Modeli açıklamak için, pazarlama içeriğinin oluşturulmasına yönelik çalışan bir yardımcı pilot örneğini kullanacağız.

Bu kapsamlı eğitim içeriği sizin için yararlıysa şunları yapabilirsiniz: AI araştırma e-posta listemize abone olun yeni materyal çıkardığımızda uyarılmak. 

1. fırsat

Artık yapay zeka ile yapabileceğiniz tüm harika şeyler varken, ellerinizi kirletip inşaat yapmaya başlamak için sabırsızlanıyor olabilirsiniz. Ancak kullanıcılarınızın ihtiyaç duyduğu ve sevdiği bir şey oluşturmak için gelişiminizi bir pazar fırsatıyla desteklemelisiniz. İdeal dünyada fırsatlar bize neye ihtiyaç duyduklarını veya istediklerini söyleyen müşterilerden ulaşır.[1] Bunlar karşılanmamış ihtiyaçlar, acı noktaları veya arzular olabilir. Bu bilgiyi, ürün incelemeleri ve satış ve başarı ekiplerinizden gelen notlar gibi mevcut müşteri geri bildirimlerinde arayabilirsiniz. Ayrıca, ürününüzün potansiyel kullanıcısı olarak kendinizi de unutmayın; eğer bizzat yaşadığınız bir sorunu hedefliyorsanız, bu bilgi avantajı ek bir avantajdır. Bunun ötesinde anket ve röportaj gibi araçları kullanarak proaktif müşteri araştırmaları da yapabilirsiniz.

Örneğin, içerik pazarlamanın yeni başlayanlar için olduğu kadar büyük şirketler için de sıkıntılarını görmek için çok uzağa bakmama gerek yok. Bunu bizzat yaşadım; rekabet arttıkça bireysel, düzenli ve(!) kaliteli içerikle düşünce liderliğini geliştirmek, farklılaşma için giderek daha önemli hale geliyor. Bu arada, küçük ve meşgul bir ekiple, masada her zaman haftanın blog yazısını yazmaktan daha önemli görünen şeyler olacaktır. Ayrıca çevremde tutarlı bir içerik pazarlama rutini oluşturmakta zorlanan insanlarla da sıklıkla karşılaşıyorum. Bu "yerel", potansiyel olarak önyargılı gözlemler, kişinin ağının ötesine geçen ve çözüm için daha geniş bir pazarı doğrulayan araştırmalarla doğrulanabilir.

Gerçek dünya biraz daha bulanıktır ve müşteriler her zaman yeni, iyi formüle edilmiş fırsatlar sunmak için size gelmeyecektir. Aksine, anteninizi uzatırsanız fırsatlar size birçok yönden ulaşacaktır:

• Pazar konumlandırma: Yapay zeka modadır; yerleşik işletmeler için, bir işletmenin yenilikçi, ileri teknolojiye sahip, geleceğe hazır vb. imajını güçlendirmek için kullanılabilir. Örneğin, mevcut bir pazarlama ajansını yapay zeka destekli bir hizmete yükseltebilir ve rakiplerinden farklılaştırıyor. Ancak yapay zeka uğruna yapay zeka yapmayın. Konumlandırma hilesi dikkatli bir şekilde ve diğer fırsatlarla birlikte uygulanmalıdır; aksi takdirde güvenilirliği kaybetme riskiyle karşı karşıya kalırsınız.
• Yarışmacılar: Rakipleriniz bir hamle yaptığında, muhtemelen bunun altında yatan araştırmayı ve doğrulamayı zaten yapmışlardır. Bir süre sonra onlara bakın; gelişimleri başarılı mıydı? Bu bilgiyi kendi çözümünüzü optimize etmek, başarılı parçaları benimsemek ve hataları düzeltmek için kullanın. Örneğin, tamamen otomatik pazarlama içeriği oluşturmaya yönelik bir hizmet sunan bir rakibi gözlemlediğinizi varsayalım. Kullanıcılar "büyük kırmızı düğmeye" tıklar ve yapay zeka, içeriği yazmaya ve yayınlamaya devam eder. Biraz araştırma yaptıktan sonra, kullanıcıların süreç üzerinde daha fazla kontrol sahibi olmak ve yazıya kendi uzmanlık ve kişilikleriyle katkıda bulunmak istedikleri için bu ürünü kullanmaktan çekindiklerini öğreniyorsunuz. Sonuçta yazmak aynı zamanda kendini ifade etme ve bireysel yaratıcılıkla da ilgilidir. İçeriğinizi şekillendirmek için zengin işlevsellik ve yapılandırma sunan çok yönlü bir araçla ilerlemenin zamanı geldi. Kullanıcıların verimliliğini artırırken, istedikleri zaman kendilerini sürece “enjekte etmelerine” olanak tanır.
• Mevzuat: Teknolojik bozulma ve küreselleşme gibi mega trendler, düzenleyicileri gereksinimlerini sıkılaştırmaya zorluyor. Düzenlemeler baskı yaratır ve kurşun geçirmez bir fırsat kaynağıdır. Örneğin, herkesin kesinlikle yapay zeka tarafından oluşturulan içeriğin reklamını yapmasını zorunlu kılan bir düzenlemenin yürürlüğe girdiğini hayal edin. Yapay zeka içerik üretimine yönelik araçları halihazırda kullanan şirketler, bunu isteyip istemedikleri konusundaki iç tartışmalar nedeniyle ortadan kaybolacak. Birçoğu, gözle görülür şekilde yapay zeka tarafından oluşturulmuş standart metinler üretmek yerine, gerçek bir düşünce liderliği imajını korumak istedikleri için bundan kaçınacak. Diyelim ki akıllı davrandınız ve kullanıcılara metinlerin resmi "yazarları" olarak kalabilmeleri için yeterli kontrol sağlayan artırılmış bir çözümü tercih ettiniz. Yeni kısıtlama uygulamaya konduğunda, siz bağışıklık kazanırsınız ve düzenlemeden yararlanmak için hızla ilerleyebilirsiniz; tam otomatik çözümlere sahip rakiplerinizin ise bu aksaklıktan kurtulmak için zamana ihtiyacı olacaktır.
• Etkinleştirme teknolojileri: 2022-23'teki üretken yapay zeka dalgası gibi, gelişen teknolojiler ve mevcut teknolojilerdeki önemli sıçramalar, işleri yapmanın yeni yollarını açabilir veya mevcut uygulamaları yeni bir düzeye taşıyabilir. Diyelim ki son on yıldır geleneksel bir pazarlama ajansı işletiyorsunuz. Artık çalışanlarınızın verimliliğini artırmak, mevcut kaynaklarla daha fazla müşteriye hizmet vermek ve kârınızı artırmak için işinize AI hack'leri ve çözümleri sunmaya başlayabilirsiniz. Mevcut uzmanlığınızı, itibarınızı ve (umarım iyi niyetli) müşteri tabanınızı geliştiriyorsunuz, bu nedenle yapay zeka geliştirmelerini sunmak, yeni gelen birine göre çok daha sorunsuz ve daha az riskli olabilir.

Son olarak, modern ürün dünyasında fırsatlar genellikle daha az açık ve resmidir ve deneylerle doğrudan doğrulanabilir, bu da gelişiminizi hızlandırır. Böylece ürün odaklı büyümede ekip üyeleri, veriye dayalı katı bir tartışma olmadan kendi hipotezlerini ortaya koyabilirler. Bu hipotezler, bir istemi değiştirmek veya bazı UX öğelerinin yerel düzenini değiştirmek gibi parça parça formüle edilebilir; bu da bunların uygulanmasını, dağıtılmasını ve test edilmesini kolaylaştırır. sağlama baskısını ortadan kaldırarak önsel Her yeni öneri için veri toplayan bu yaklaşım, önerilerin doğrudan doğrulanmasını zorunlu kılarken tüm ekip üyelerinin sezgilerinden ve hayal güçlerinden yararlanır. Diyelim ki içerik oluşturma süreciniz sorunsuz ilerliyor ancak yapay zekanın şeffaflığı ve açıklanabilirliği konusunda genel bir eksiklik olduğuna dair giderek daha fazla şikayet duyuyorsunuz. Ek bir şeffaflık düzeyi uygulamaya ve kullanıcılarınıza bir içerik parçası oluşturmak için kullanılan belirli belgeleri göstermeye karar veriyorsunuz. Ekibiniz bu özelliği bir grup kullanıcıyla test ediyor ve orijinal bilgi kaynaklarına geri dönmek için bu özelliği kullanmaktan memnun olduklarını görüyor. Böylece kullanımı ve memnuniyeti artırmak için bunu temel ürüne yerleştirmeye karar verirsiniz.

2. Değer

Yapay zeka ürününüzün veya özelliğinizin değerini anlamak ve iletmek için öncelikle onu bir kullanım senaryosuyla (çözeceği belirli bir iş sorunuyla) eşleştirmeniz ve yatırım getirisini (yatırım getirisi) hesaplamanız gerekir. Bu, sizi zihninizi teknolojiden uzaklaştırmaya ve çözümün kullanıcı tarafındaki faydalarına odaklanmaya zorlar. ROI farklı boyutlarda ölçülebilir. AI için bunlardan bazıları şunlardır:

• Verimliliği arttırmak: Yapay zeka bireylerin, ekiplerin ve tüm şirketin üretkenliğini artırıcı olabilir. Örneğin, içerik üretimi için, normalde bir blog yazısı yazmak için gereken 4-5 saat yerine [2], bunu artık 1-2 saatte yapabileceğinizi ve ayırdığınız zamanı başka görevlere harcayabileceğinizi görebilirsiniz. Aynı miktarda işi gerçekleştirmek için daha az insan çabası gerektiğinden, verimlilik kazanımları genellikle maliyet tasarrufuyla el ele gider. Dolayısıyla iş bağlamında bu fayda hem kullanıcılar hem de liderlik açısından caziptir.
• Daha kişiselleştirilmiş bir deneyim: Örneğin, içerik oluşturma aracınız kullanıcılardan şirketlerinin marka özellikleri, terminolojisi, ürün avantajları vb. parametrelerini ayarlamalarını isteyebilir. Ayrıca belirli bir yazarın yaptığı düzenlemeleri takip edebilir ve nesillerini benzersiz yazıya uyarlayabilir. Bu kullanıcının tarzı zamanla değişir.
• Eğlence ve zevk: Burada, ürün kullanımının Don Norman tarafından “içgüdüsel” düzey olarak da adlandırılan duygusal yönüne giriyoruz [3]. B2C kampında oyun ve Artırılmış Gerçeklik gibi eğlence ve eğlenceye yönelik tüm ürün kategorileri mevcuttur. Peki ya B2B - B2B ürünlerinin steril bir profesyonel boşlukta var olduğunu varsaymaz mıydınız? Gerçekte bu kategori B2C'den bile daha güçlü duygusal tepkiler üretebilir.[4] Örneğin yazmak, tatmin edici bir kendini ifade etme eylemi olarak ya da yazma tıkanıklığı ve diğer sorunlarla içsel bir mücadele olarak algılanabilir. Ürününüzün, bir görevin acı verici yönlerini hafifletirken ve hatta dönüştürürken, olumlu duygularını nasıl güçlendirebileceğini düşünün.
• Kolaylık: Yapay zekanın sihirli güçlerinden yararlanmak için kullanıcınızın ne yapması gerekiyor? İçerik oluşturma yardımcı pilotunuzu MS Office, Google Dokümanlar ve Notion gibi popüler işbirliği araçlarına entegre ettiğinizi hayal edin. Kullanıcılar dijital “evlerinin” konforunu terk etmeden ürününüzün zekasına ve verimliliğine erişebilecekler. Böylece, kullanıcıların ürünün değerini deneyimlemek ve kullanmaya devam etmek için sarf etmesi gereken çabayı en aza indirirsiniz, bu da kullanıcı edinme ve benimseme oranınızı artırır.

Yapay zekanın faydalarından bazıları (örneğin verimlilik) yatırım getirisi için doğrudan ölçülebilir. Rahatlık ve keyif gibi daha az somut kazançlar için kullanıcı memnuniyeti gibi temsili ölçümleri düşünmeniz gerekecektir. Son kullanıcı değeri açısından düşünmenin yalnızca kullanıcılarınız ile ürününüz arasındaki boşluğu kapatmayacağını unutmayın. Hoş bir yan etki olarak, kamuya açık iletişimlerinizde teknik ayrıntıları azaltabilir. Bu, kazara istenmeyen rekabeti partiye davet etmenizi önleyecektir.

Son olarak, değerin erkenden dikkate almanız gereken temel bir yönü sürdürülebilirliktir. Çözümünüz toplumu ve çevreyi nasıl etkiliyor? Örneğimizde, otomatikleştirilmiş veya artırılmış içerik üretimi, büyük ölçekli insan iş yükünün yerini alabilir ve ortadan kaldırabilir. Muhtemelen tüm bir iş kategorisinin katili olarak bilinmek istemezsiniz; sonuçta, bu sadece etik soruları gündeme getirmekle kalmayacak, aynı zamanda işlerini tehdit ettiğiniz kullanıcılar açısından da direnişe yol açacaktır. Bu korkularla nasıl başa çıkabileceğinizi düşünün. Örneğin, kullanıcıları yeni boş zamanlarını daha karmaşık pazarlama stratejileri tasarlamak için nasıl verimli bir şekilde kullanabilecekleri konusunda eğitebilirsiniz. Bunlar, diğer rakipler otomatik içerik üretimine yetişirken bile savunulabilir bir hendek sağlayabilir.

3. Veri

Her türlü yapay zeka ve makine öğrenimi için, verilerinizi gerçek hayattaki girdileri yansıtacak ve modeliniz için yeterli öğrenme sinyalleri sağlayacak şekilde toplamanız ve hazırlamanız gerekir. Günümüzde, veri merkezli yapay zekaya doğru bir eğilim görüyoruz; bu, modellerde sonsuz ayarlama ve optimizasyondan uzaklaşan ve bu modellere beslenen verilerdeki sayısız sorunu düzeltmeye odaklanan bir yapay zeka felsefesidir. Başladığınızda, iyi bir veri kümesine sahip olmanın farklı yolları vardır:

• Yapabilirsin mevcut bir veri kümesini kullan. Bu, standart bir makine öğrenimi veri kümesi veya görevinize uyarladığınız farklı bir başlangıç ​​amacına sahip bir veri kümesi olabilir. Bazı veri kümesi klasikleri vardır, örneğin IMDB Film İncelemeleri Veri Kümesi duygu analizi için MNIST veri seti elle yazılmış karakter tanıma için. Daha egzotik ve heyecan verici alternatifler var, örneğin Yasadışı Balıkçılığın Yakalanması ve Köpek Cinsi Tanımlamave Kaggle gibi veri merkezlerinde kullanıcı tarafından seçilen sayısız veri kümesi. Özel göreviniz için oluşturulmuş ve gereksinimlerinizi tamamen karşılayan bir veri kümesi bulma şansınız oldukça düşüktür ve çoğu durumda verilerinizi zenginleştirmek için başka yöntemler de kullanmanız gerekecektir.
• Yapabilirsin Verilere manuel olarak açıklama ekleyin veya oluşturun Doğru öğrenme sinyallerini oluşturmak için. Manuel veri açıklaması (örneğin, metinlere duygu puanlarıyla açıklama eklemek) makine öğreniminin ilk günlerinde başvurulan yöntemdi. Son zamanlarda ChatGPT'nin gizli sosunun ana maddesi olarak yeniden ilgi görmeye başladı. Modelin yanıtlarını insan tercihlerini yansıtacak şekilde oluşturmak ve sıralamak için büyük bir manuel çaba harcandı. Bu tekniğe aynı zamanda İnsan Geri Bildiriminden (RLHF) Takviyeli Öğrenme de denir. Gerekli kaynaklara sahipseniz bunları, pazarlama içeriği oluşturmak gibi daha spesifik görevler için yüksek kaliteli veriler oluşturmak amacıyla kullanabilirsiniz. Ek açıklama dahili olarak veya harici bir sağlayıcı ya da Amazon Mechanical Turk gibi bir kitle kaynak hizmeti kullanılarak yapılabilir. Zaten çoğu şirket, RLHF verilerinin manuel olarak oluşturulması için gereken büyük kaynakları harcamak istemeyecek ve verilerinin oluşturulmasını otomatikleştirmek için bazı püf noktaları dikkate alacaktır.
• Böylece, mevcut bir veri kümesine kullanarak daha fazla örnek ekleyebilirsiniz. veri büyütme. Duygu analizi gibi daha basit görevler için, metinlere biraz daha fazla gürültü katabilir, birkaç kelimeyi değiştirebilir, vb. Daha açık nesil görevler için, otomatikleştirme için büyük modellerin (örneğin temel modeller) kullanılması konusunda şu anda büyük bir istek var. eğitim verisi üretimi. Verilerinizi büyütmenin en iyi yöntemini belirledikten sonra, gerekli veri kümesi boyutuna ulaşmak için bunu kolayca ölçeklendirebilirsiniz.

Verilerinizi oluştururken nitelik ve nicelik arasında bir dengeyle karşı karşıya kalırsınız. Daha az veriye yüksek kalitede manuel olarak açıklama ekleyebilir veya bütçenizi, ek gürültü yaratacak otomatik veri artırmaya yönelik hileler ve püf noktaları geliştirmeye harcayabilirsiniz. Manuel açıklama eklemeyi tercih ederseniz, bunu dahili olarak yapabilir ve bir ayrıntı ve kalite kültürü şekillendirebilir veya çalışmayı anonim kişilere kitle kaynak olarak kullanabilirsiniz. Kitle kaynak kullanımı genellikle daha düşük bir kaliteye sahiptir, dolayısıyla gürültüyü telafi etmek için daha fazla açıklama eklemeniz gerekebilir. İdeal dengeyi nasıl buluyorsunuz? Burada hazır tarifler yok; sonuçta ideal veri kompozisyonunuzu, verilerinizi eğitme ve geliştirme arasında sürekli gidip gelerek bulacaksınız. Genel olarak, bir modelin ön eğitimi sırasında, bilginin sıfırdan edinilmesi gerekir ve bu da yalnızca daha büyük miktarda veriyle gerçekleşebilir. Öte yandan, mevcut büyük bir modele ince ayar yapmak ve son uzmanlık dokunuşlarını yapmak istiyorsanız, nicelikten çok kaliteye değer verebilirsiniz. Küçük bir veri kümesine ayrıntılı yönergeler kullanılarak kontrollü manuel açıklama eklenmesi bu durumda en uygun çözüm olabilir.

4. Algoritma

Veriler, modelinizin öğreneceği ham maddedir ve umarım temsili, yüksek kaliteli bir veri kümesi derleyebilirsiniz. Artık yapay zeka sisteminizin gerçek süper gücü (mevcut verilerden öğrenme ve yeni verilere genelleme yapma yeteneği) algoritmada yatıyor. Temel yapay zeka modelleri açısından kullanabileceğiniz üç ana seçenek vardır:

• Mevcut bir modeli sor. ChatGPT ve GPT-4 gibi GPT ailesinin yanı sıra Anthropic ve AI21 Labs gibi diğer sağlayıcıların gelişmiş LLM'leri (Büyük Dil Modelleri) API aracılığıyla çıkarım için mevcuttur. Komut istemiyle, bir görev için gereken tüm alana ve göreve özgü bilgileri isteminize dahil ederek bu modellerle doğrudan konuşabilirsiniz. Bu, kullanılacak belirli içeriği, benzer görev örneklerini (birkaç adımlık yönlendirme) ve modelin takip edeceği talimatları içerebilir. Örneğin, kullanıcınız yeni bir ürün özelliği hakkında bir blog yazısı oluşturmak istiyorsa, ondan özellik hakkında faydaları ve kullanım durumları, nasıl kullanılacağı, lansman tarihi vb. gibi bazı temel bilgileri sağlamasını isteyebilirsiniz. Daha sonra ürününüz bu bilgiyi dikkatlice hazırlanmış bir bilgi istemi şablonuna doldurur ve LLM'den metni oluşturmasını ister. İstemde bulunmak, önceden eğitilmiş modellere avantajlı bir başlangıç ​​yapmak için harikadır. Ancak, yönlendirmeyle inşa edebileceğiniz hendek zamanla hızla incelir; orta vadede rekabet avantajınızı sürdürmek için daha savunulabilir bir model stratejisine ihtiyacınız vardır.
• Önceden eğitilmiş bir modele ince ayar yapın. Bu yaklaşım yapay zekayı geçtiğimiz yıllarda çok popüler hale getirdi. Giderek daha fazla önceden eğitilmiş model mevcut hale geldikçe ve Huggingface gibi portallar, modellerle çalışmak için standart kodun yanı sıra model depoları da sundukça, ince ayar denenmesi ve uygulanması gereken yöntem haline geliyor. Önceden eğitilmiş bir modelle çalıştığınızda, dil ve dünya hakkında zaten pek çok şeyi "bilen" modelin verilerine, eğitimine ve değerlendirmesine zaten yapılmış olan yatırımdan yararlanabilirsiniz. Yapmanız gereken tek şey, başlangıçta eğitim öncesi için kullanılan veri kümesinden çok daha küçük olabilen, göreve özgü bir veri kümesi kullanarak modele ince ayar yapmaktır. Örneğin, pazarlama içeriği oluşturmak için etkileşim açısından iyi performans gösteren bir dizi blog gönderisi toplayabilir ve bunlara ilişkin talimatlarda tersine mühendislik yapabilirsiniz. Modeliniz bu verilerden başarılı makalelerin yapısı, akışı ve stili hakkında bilgi edinecektir. Açık kaynak modelleri kullanırken ince ayar yapılması gereken yoldur, ancak OpenAI ve Cohere gibi LLM API sağlayıcıları da giderek daha fazla ince ayar işlevselliği sunuyor. Özellikle açık kaynak yolu için model seçimi, eğitim maliyeti ve daha büyük modellerin dağıtımı ile modelinizin bakım ve güncelleme programlarını dikkate almanız gerekecektir.
• ML modelinizi sıfırdan eğitin. Genel olarak bu yaklaşım, belirli teknik bilgiye veya yeterli veri kümelerine sahip olduğunuz daha basit ancak son derece spesifik problemler için işe yarar. İçerik üretimi tam olarak bu kategoriye girmiyor; sizi harekete geçirecek gelişmiş dil becerileri gerektirir ve bunlar ancak gülünç derecede büyük miktarda veri üzerinde eğitim alındıktan sonra elde edilebilir. Belirli bir metin türü için duygu analizi gibi daha basit problemler genellikle, gelişmiş derin öğrenme yöntemlerinden hesaplama açısından daha ucuz olan lojistik regresyon gibi yerleşik makine öğrenme yöntemleriyle çözülebilir. Tabii ki, sıfırdan derin bir sinir ağı eğitmeyi düşünebileceğiniz belirli alanlar için kavram çıkarma gibi oldukça karmaşık sorunların da orta yolu vardır.

Makine öğreniminin başarılı kullanımı için eğitimin ötesinde değerlendirme birincil öneme sahiptir. Uygun değerlendirme metrikleri ve yöntemleri yalnızca yapay zeka özelliklerinizin güvenli bir şekilde başlatılması için önemli olmakla kalmaz, aynı zamanda daha fazla optimizasyon için açık bir hedef ve şirket içi tartışmalar ve kararlar için ortak bir zemin görevi görür. Hassasiyet, geri çağırma ve doğruluk gibi teknik ölçümler iyi bir başlangıç ​​noktası sağlasa da sonuçta yapay zekanızın kullanıcılara sunduğu gerçek hayattaki değeri yansıtan ölçümler aramak isteyeceksiniz.

5. Kullanıcı deneyimi

Yapay zeka ürünlerinin kullanıcı deneyimi büyüleyici bir tema; sonuçta kullanıcıların büyük umutları var ama aynı zamanda zekalarını güçlendirebilecek ve potansiyel olarak zekalarını alt edebilecek bir yapay zeka ile "ortaklık kurma" konusunda da korkuyorlar. Bu insan-yapay zeka ortaklığının tasarımı, düşünceli ve duyarlı bir keşif ve tasarım süreci gerektiriyor. Göz önünde bulundurulması gereken en önemli konulardan biri, ürününüze vermek istediğiniz otomasyon derecesidir ve unutmayın ki, toplam otomasyon her zaman ideal çözüm değildir. Aşağıdaki şekil otomasyon sürekliliğini göstermektedir:

Şimdi bu seviyelerin her birine bakalım:

• İlk aşamada tüm iş insanlar tarafından yapılır ve herhangi bir otomasyon yapılmaz. Yapay zeka hakkındaki heyecana rağmen, modern şirketlerdeki bilgi yoğun görevlerin çoğu hâlâ bu seviyede gerçekleştiriliyor ve bu da otomasyon için büyük fırsatlar sunuyor. Örneğin, yapay zeka destekli araçlara direnen ve yazmanın oldukça manuel ve kendine özgü bir zanaat olduğuna inanan içerik yazarı burada çalışıyor.
• Yardımlı yapay zekanın ikinci aşamasında kullanıcılar, görevin yürütülmesi üzerinde tam kontrole sahip oluyor ve işin büyük bir bölümünü manuel olarak gerçekleştiriyor ancak yapay zeka araçları, zamandan tasarruf etmelerine ve zayıf noktalarını telafi etmelerine yardımcı oluyor. Örneğin, teslim tarihi kısıtlı bir blog yazısı yazarken, Grammarly veya benzeri bir araçla son bir dil kontrolü yapmak hoş bir zaman tasarrufu sağlayabilir. Çok fazla zaman ve dikkat gerektiren ve yine de sizi hatalarla ve gözden kaçırmalarla karşı karşıya bırakabilecek manuel revizyonu ortadan kaldırabilir; sonuçta hata yapmak insandır.
• Artırılmış zekayla yapay zeka, insanın zekasını artıran, böylece her iki dünyanın da güçlü yönlerinden yararlanan bir ortaktır. Destekli yapay zeka ile karşılaştırıldığında, makinenin sürecinizde söyleyecek çok daha fazla şeyi vardır ve fikir oluşturma, taslak oluşturma, düzenleme ve son dil kontrolü gibi daha geniş sorumlulukları kapsar. Kullanıcıların yine de çalışmaya katılması, kararlar alması ve görevin bazı kısımlarını gerçekleştirmesi gerekiyor. Kullanıcı arayüzü, insan ve yapay zeka arasındaki iş dağılımını açıkça göstermeli, hata potansiyellerini vurgulamalı ve gerçekleştirdiği adımlara ilişkin şeffaflık sağlamalıdır. Kısacası, "artırılmış" deneyim, kullanıcıları yineleme ve iyileştirme yoluyla istenen sonuca yönlendirir.
• Ve son olarak, tam otomasyona sahibiz; yapay zeka meraklıları, filozofları ve uzmanları için ilgi çekici bir fikir, ancak çoğu zaman gerçek hayattaki ürünler için en uygun seçim değil. Tam otomasyon, süreci başlatan bir "büyük kırmızı düğme" sunduğunuz anlamına gelir. Yapay zeka tamamlandıktan sonra kullanıcılarınız nihai çıktıyla karşı karşıya kalır ve ya onu alır ya da bırakır. Aralarında olup biten hiçbir şeyi kontrol edemezler. Tahmin edebileceğiniz gibi, neredeyse hiç etkileşim olmadığından buradaki UX seçenekleri oldukça sınırlıdır. Başarının sorumluluğunun büyük kısmı, son derece yüksek kalitede çıktılar sağlaması gereken teknik meslektaşlarınızın omuzlarındadır.

Yapay zeka ürünleri, tasarım söz konusu olduğunda özel bir muameleye ihtiyaç duyar. Standart grafik arayüzler belirleyicidir ve kullanıcının izleyebileceği tüm olası yolları öngörmenize olanak tanır. Buna karşılık, büyük yapay zeka modelleri olasılıksal ve belirsizdir; bir dizi şaşırtıcı yeteneğin yanı sıra toksik, yanlış ve zararlı çıktılar gibi riskleri de ortaya çıkarırlar. Dışarıdan bakıldığında, ürününüzün birçok özelliği doğrudan modelde yer aldığından yapay zeka arayüzünüz basit görünebilir. Örneğin, bir Yüksek Lisans bilgi istemlerini yorumlayabilir, metin üretebilir, bilgi arayabilir, özetleyebilir, belirli bir stil ve terminoloji benimseyebilir, talimatları uygulayabilir vb. — Kullanıcıları başarıya yönlendirmek için açık ve gerçekçi olmanız gerekir. Kullanıcıları yapay zeka modellerinizin yetenekleri ve sınırlamaları konusunda bilgilendirin, yapay zeka tarafından yapılan hataları kolayca keşfedip düzeltmelerine olanak tanıyın ve onlara kendilerini en iyi çıktılara yinelemenin yollarını öğretin. Güveni, şeffaflığı ve kullanıcı eğitimini vurgulayarak kullanıcılarınızın yapay zeka ile işbirliği yapmasını sağlayabilirsiniz. Yeni ortaya çıkan yapay zeka tasarımı disiplinine derinlemesine bir bakış bu makalenin kapsamı dışında olsa da, yalnızca diğer yapay zeka şirketlerinden değil, aynı zamanda insan-makine etkileşimi gibi tasarımın diğer alanlarından da ilham almanızı şiddetle tavsiye ediyorum. Verilerinizden ve modellerinizden en iyi şekilde yararlanmak için kendi arayüzünüze entegre edebileceğiniz, otomatik tamamlamalar, anlık öneriler ve yapay zeka bildirimleri gibi yinelenen bir dizi tasarım modelini yakında belirleyeceksiniz.

Ayrıca gerçekten harika bir tasarım ortaya koymak için ekibinize yeni tasarım becerileri eklemeniz gerekebilir. Örneğin, pazarlama içeriğinin iyileştirilmesi için bir sohbet uygulaması oluşturuyorsanız, sohbet akışlarıyla ve sohbet robotunuzun "kişiliğiyle" ilgilenen bir sohbet tasarımcısıyla çalışacaksınız. Kullanıcılarınızı mevcut seçenekler konusunda kapsamlı bir şekilde eğitmesi ve yönlendirmesi gereken, zenginleştirilmiş, zenginleştirilmiş bir ürün oluşturuyorsanız, bir içerik tasarımcısı doğru türde bilgi mimarisi oluşturmanıza ve kullanıcılarınız için doğru miktarda dürtükleme ve yönlendirme eklemenize yardımcı olabilir.

Ve son olarak sürprizlere açık olun. Yapay zeka tasarımı, kullanıcı deneyimiyle ilgili orijinal konseptlerinizi yeniden düşünmenizi sağlayabilir. Örneğin, birçok UX tasarımcısı ve ürün yöneticisi, kullanıcının deneyimini kolaylaştırmak amacıyla gecikmeyi ve sürtünmeyi en aza indirecek şekilde eğitildi. Yapay zeka ürünlerinde bu mücadeleyi duraklatabilir ve her ikisini de kendi avantajınıza kullanabilirsiniz. Gecikme ve bekleme süreleri kullanıcılarınızı eğitmek için harikadır; örneğin yapay zekanın şu anda ne yaptığını açıklayarak ve olası sonraki adımları göstererek. Diyalog ve bildirim açılır pencereleri gibi aralar, insan-yapay zeka ortaklığını güçlendirmek ve kullanıcılarınız için şeffaflığı ve kontrolü artırmak için sürtüşmeye neden olabilir.

6. İşlevsel olmayan gereksinimler

Belirli bir işlevselliği uygulamanıza olanak tanıyan veri, algoritma ve UX'in ötesinde, doğruluk, gecikme, ölçeklenebilirlik, güvenilirlik ve veri yönetimi gibi işlevsel olmayan gereksinimler (NFR'ler) kullanıcının gerçekten de öngörülen değeri almasını sağlar. NFR kavramı yazılım geliştirmeden gelmektedir ancak yapay zeka alanında henüz sistematik olarak hesaba katılmamıştır. Çoğu zaman bu gereksinimler, yapay zeka yeteneklerinin kullanıcı araştırması, düşüncesi, geliştirilmesi ve işletilmesi sırasında ortaya çıktıkça geçici bir şekilde ele alınır.

Yolculuğunuzun farklı noktalarında farklı NFR'ler hayat bulacağından, NFR'lerinizi mümkün olduğu kadar erken anlamaya ve tanımlamaya çalışmalısınız. Örneğin, veri seçiminin ilk adımından başlayarak gizliliğin dikkate alınması gerekir. Doğruluk, kullanıcıların sisteminizi çevrimiçi olarak kullanmaya başladığı ve potansiyel olarak beklenmeyen girdilerle bunaltıldığı üretim aşamasında en hassas olanıdır. Ölçeklenebilirlik, işletmeniz kullanıcı sayısını ve/veya istekleri ya da sunulan işlevsellik yelpazesini ölçeklendirdiğinde devreye giren stratejik bir husustur.

NFR'ler söz konusu olduğunda hepsine sahip olamazsınız. Dengelemeniz gereken tipik ödünleşimlerden bazıları şunlardır:

• Doğruluğu artırmanın ilk yöntemlerinden biri daha büyük bir model kullanmaktır, bu da gecikmeyi etkileyecektir.
• Daha fazla optimizasyon için üretim verilerini "olduğu gibi" kullanmak öğrenme açısından en iyisi olabilir ancak gizlilik ve anonimleştirme kurallarınızı ihlal edebilir.
• Daha ölçeklenebilir modeller geneldir ve bu da şirkete veya kullanıcıya özel görevlerde doğruluklarını etkiler.

Farklı gereksinimleri nasıl önceliklendireceğiniz, mevcut hesaplama kaynaklarına, otomasyon derecesi de dahil olmak üzere kullanıcı deneyimi konseptinize ve yapay zeka tarafından desteklenen kararların etkisine bağlı olacaktır.

Anahtar teslim paketler

1. Sonunu düşünerek başla: Teknolojinin tek başına bu işi yapacağını varsaymayın; Yapay zekanızı kullanıcıya yönelik ürüne entegre etmek ve kullanıcılarınızı bunun yararları, riskleri ve sınırlamaları konusunda eğitmek için net bir yol haritasına ihtiyacınız var.
2. Pazar uyumu: Yapay zeka gelişimine rehberlik etmek için pazar fırsatlarına ve müşteri ihtiyaçlarına öncelik verin. Heyecandan kaynaklanan ve pazar doğrulaması olmayan yapay zeka uygulamalarını aceleye getirmeyin.
3. kullanıcı değeri: Yapay zeka ürünlerinin değerini verimlilik, kişiselleştirme, kolaylık ve diğer değer boyutları açısından tanımlayın, ölçün ve iletin.
4. Veri kalitesi: Yapay zeka modellerini etkili bir şekilde eğitmek için veri kalitesine ve alaka düzeyine odaklanın. İnce ayar için küçük, yüksek kaliteli verileri, sıfırdan eğitim için ise daha büyük veri kümelerini kullanmayı deneyin.
5. Algoritma/model seçimi: Kullanım durumunuz için doğru karmaşıklık ve savunulabilirlik düzeyini seçin (istem verme, ince ayar yapma, sıfırdan eğitim) ve performansını dikkatlice değerlendirin. Zamanla ürününüzle ilgili gerekli uzmanlığı ve güveni kazandıkça daha gelişmiş model stratejilerine geçmek isteyebilirsiniz.
6. Kullanıcı odaklı tasarım: Otomasyon ve kullanıcı kontrolünü dengeleyerek, kullanıcı ihtiyaçlarını ve duygularını göz önünde bulundurarak AI ürünlerini tasarlayın. Olasılığa dayalı yapay zeka modellerinin "öngörülemezliğine" dikkat edin ve kullanıcılarınızı onunla çalışıp ondan yararlanmaya yönlendirin.
7. işbirlikçi tasarım: Güveni, şeffaflığı ve kullanıcı eğitimini vurgulayarak kullanıcılarınızın yapay zeka ile işbirliği yapmasını sağlayabilirsiniz.
8. İşlevsel olmayan gereksinimler: Geliştirme boyunca doğruluk, gecikme, ölçeklenebilirlik ve güvenilirlik gibi faktörleri göz önünde bulundurun ve bunlar arasındaki dengeyi erkenden değerlendirmeye çalışın.
9. İşbirliği: Disiplinler arası zekadan yararlanmak ve yapay zekanızı başarılı bir şekilde entegre etmek için yapay zeka uzmanları, tasarımcılar, ürün yöneticileri ve diğer ekip üyeleri arasında yakın işbirliğini teşvik edin.

Referanslar

[1] Teresa Torres (2021). Sürekli Keşif Alışkanlıkları: Müşteri Değeri ve İş Değeri Yaratan Ürünleri Keşfedin.

[2] Yörünge Medyası (2022). Yeni Blog İstatistikleri: 2022'de Hangi İçerik Stratejileri İşe Yarayacak? 1016 Blogcuya sorduk.

[3]Don Norman (2013). Gündelik Şeylerin Tasarımı.

[4] Google, Gartner ve Motista (2013). Promosyondan Duyguya: B2B Müşterilerini Markalara Bağlamak.

Not: Tüm görseller yazara aittir.

Bu yazı orijinalinde Veri Bilimine Doğru ve yazarın izniyle TOPBOTS'a yeniden yayınlandı.

Bu makaleyi beğendiniz mi? Daha fazla AI araştırma güncellemesi için kaydolun.

Bunun gibi daha özet makaleler yayınladığımızda size haber vereceğiz.

İlgili bağlantılar

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
• Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
• Kaynak: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/