Tikrasis produktas yra UX, duomenys ir pasitikėjimas

Pavaizduokite tai: Jūsų duomenų mokslo komanda pagaliau ją nulaužė. Modelis pasiekia 95% tikslumą, diagramos atrodo gražiai, o demonstracinės versijos – nepriekaištingai. Jūs, penkeri, mastelio keitimas, „Slack“ šurmulys su jauduliu, o lyderystė yra pasirengusi pop šampaną.

Greitai į priekį tris mėnesius. Vartotojai yra nusivylę, „Churn“ kyla, palaikymo bilietai kaupiasi. Kas nutiko?

Ši istorija pernelyg dažnai vaidina „SaaS“ ir „AI“ startuoliuose. Sunki tiesa? Jūsų AI modelis nėra jūsų produktas. Tai tik vienas komponentas daug didesnėje sistemoje – ir nebent gausite Vartotojo patirtisAr Duomenų srautaiir kraštų atvejai Teisingai, tas blizgantis AI modelis nepadės į produkto sėkmę.

PG iliuzija: modelio tikslumas ir realaus pasaulio poveikis

Pagunda įsimylėti modelio našumo metriką. Tikslumas, prisiminimas, F1 balai – jie jaučiasi konkretūs, išmatuojami ir įspūdingi. Tačiau realaus pasaulio produkto sėkmė negyvena „Jupyter“ nešiojamojo kompiuterio viduje.

Pagalvokite apie tai: klientams nerūpi jūsų modelio 95% tikslumas. Jiems rūpi sklandūs išgyvenimaiAr Greiti atsakymaiir Patikimi rezultatai. Gražiai veikiantis modelis, kuris sėdi už nemandagios sąsajos, klaidina retus, bet kritinius atvejus arba atsilieka dėl duomenų kliūčių Nepavyko produkto testo – Kiekvieną kartą.

Produkto realybė: UX yra karalius

PG gali suteikti neįtikėtinos galios, bet tai negali kompensuoti prasto produkto dizaino. Paini darbo eiga, dviprasmiški klaidų pranešimai ar nenuspėjamas elgesys pašalins vartotojus, nepaisant to, koks protingas yra jūsų modelis.

Puikūs PG produktai prioritetą:

• Išvalyti grįžtamojo ryšio kilpos (Taigi vartotojai supranta, kodėl AI priėmė sprendimą)
• Nuspėjami, grakščios atsarginės spalvos (ypač kai AI yra neaiški)
• Minimali kognityvinė apkrova (Vartotojai neturėtų jaustis, kad jiems reikia auklėti jūsų AI)

Jei AI yra variklis, UX yra vairas, stabdžiai ir prietaisų skydelis. Be jo jūs tiesiog prašote vartotojų važiuoti „Ferrari“ be valdymo.

Duomenų vamzdynas: nematytas stuburas

Dauguma AI gamybos nesėkmių įvyksta Ne todėl, kad modelis neteisingasbet todėl Duomenys yra pasenę, neišsamūs ar blogai kontekstualizuoti.

„SaaS“ komandos dažnai nepakankamai įvertina:

• Kaip sunku Sukurkite realaus laiko, švarių duomenų vamzdynus
• Skausmas Trūksta duomenų ar nenuoseklių formatų tvarkymas
• Poreikis nuolatinis įvesties srautų stebėjimas ir gaivinimas

PG yra tik taip gerai, kaip į jį teka duomenys. Silpnas duomenų vamzdynas puikius modelius paverčia šiukšlių išėjimo mašinomis. Duomenų vamzdyno gavimas paprastai yra teisingas sudėtingesnis ir svarbesnis nei išspausti dar 2% modelio patobulinimą.

„Edge Case“ spąstai: mažos nesėkmės, didelės pasekmės

Edrijos atvejai yra ten, kur pasitikėjimas nutrūksta. Vartotojai neprisimena, kada jūsų AI veikia gerai 99 kartus – jie prisimena, kai vieną kartą tai nepavyko esant kritinei situacijai.

Tokiuose sektoriuose kaip Sveikatos priežiūraAr Aviacijair Finansaikraštų atvejai nėra retai – jie misija kritiški. Tvirtų AI produktų kūrimas reiškia:

• Proaktyviai kraštų atvejų nustatymas ir tikrinimas
• Projektavimas Skaidrūs gedimo režimai (pvz., „Aš nesu tikras“ atsakymai)
• Suteikite vartotojams kontrolė, kad būtų galima nepaisyti ar audito AI sprendimų

„Edge“ dėklų ignoravimas yra tarsi namo statyba su gražiomis sienomis, bet įtrūkęs pagrindas.

Realaus pasaulio pavyzdys: pokalbio AI suklydo

Mes visi patyrėme pokalbių programas, kurios įstrigo kilpose, balso padėjėjais, kurie neteisingai supranta pagrindines komandas, arba nuspėjamosios sistemos, užtikrintai siūlantys nenaudingus rezultatus.

Kodėl? Nes AI modelis veikė atskiraibet Realaus pasaulio produktų naudojimas buvo nepatogus:

• Vartotojai uždavė nenuspėjamus klausimus
• Akcentai ar tarmės sukėlė transkripcijos klaidas
• „Backend“ sistemos tyliai nepavyko

Laimėti AI produktus NUSIKALSTYMO DIZAINAS: Nelygivarutinio elgesio tvarkymas, prisitaikymas prie vartotojo elgesio ir siūlo paprastus atkūrimo kelius.

„Spritle“ požiūris: nuo išmaniųjų modelių iki išmaniųjų produktų

„Spritle“ programinėje įrangoje mes ne tik kuriame modelius – kuriame AI produktai, kurie veikia gamtoje.

Mūsų produkto strategija susimaišo:

• Į žmogų orientuotas UX dizainas AI darbo eigai
• Patikimi, realaus laiko duomenų vamzdynai kurie išlaiko modelius šviežius
• Griežta bylų analizė Norėdami apsaugoti vartotojo pasitikėjimą
• Keičiama, prižiūrima architektūra ilgalaikei produkto sveikatai

Mes bendradarbiaujame su komandomis „Jūs turite demonstracinę versiją” į „AI diegimai, kuriuos mėgsta vartotojai“.

Mąstymo poslinkis: už modelio metrikos ribų

Jei vadovaujate „SaaS“ ar „AI“ produktų komandai, štai ką apmąstyti:

• Ar tu vijosi Modelio našumasarba vartotojo pasitenkinimas?
• Ar jūs pažymėjote kraštų atvejai Tai galėtų pakenkti pasitikėjimui?
• Ar tavo Duomenų vamzdynas Pakankamai patikimas, ar AI prognozės galioja nuo šešių mėnesių nuo dabar?
• Ar tavo Ux paaiškinti AI elgesįar paslėpti tai už painių sprendimų?

Komandos, laimėjusios AI produktus Geriausias produkto mąstymas.

„Takeaway“: vartotojai neperka AI – jie perka rezultatus

Dienos pabaigoje jūsų klientai nemoka už modelį. Jie moka už efektyvumasAr aiškumasAr Sumažintas darbo krūvisir geresni sprendimai.

Tikrasis produktas yra patirtisThe rezultatasir pasitikėjimas Jūs pristatote.

Neuždėkite į „modelio tikslumo spąstus“. Sutelkite dėmesį į gaminių statybą Išspręskite realias problemasAr Gerbkite vartotojo laikąir Tvarkykite netvarkingumą grakščiai.

Galutinė mintis: nuo modelių statytojų iki problemų sprendimų

Kitą kartą, kai jūsų komanda švenčia didelio tikslumo modelį, ženkite žingsnį atgal. Užduokite sunkesnį klausimą:

„Ar šis produktas yra pakankamai geras, kad kažkieno diena būtų lengvesnė?”

Nes štai kur AI laimi-ne testų balais, o realiose šypsenose.

Pasiruošę savo intelektualųjį modelį paversti išmaniuoju produktu? Mes esame čia, kad padėtume.