Szukasz elementów, które powinny zostać uwzględnione w Twojej mapie drogowej produktu opartej na sztucznej inteligencji? Czy wiesz jak budować i wprowadzać na rynek produkt?
W tym artykule opiszemy, jakie konkretne komponenty muszą wziąć pod uwagę menedżerowie produktu podczas pracy nad produktami opartymi na sztucznej inteligencji.
Spis treści
A. Wprowadzenie
— 1 Czym jest product roadmap (definicja)?
B . Jak wpisać sztuczną inteligencję w roadmap produktu
— 1. Zrozum potrzeby klientów, które sztuczna inteligencja może rozwiązać lepiej niż tradycyjne metody
— 2. Sformułuj hipotezę problemu, który ma znaczenie dla sztucznej inteligencji
— 3. Jak przygotować odpowiedni zestaw danych do zbudowania i wprowadzenia produktu na rynek?
— 4. Bądź świadomy zagrożeń i wyzwań, ale nie pozwól im powstrzymać się przed eksperymentowaniem.
— 5. Nigdy nie przestawaj iterować (usprawniać); w przeciwnym razie twój algorytm nie będzie się ulepszał.
Sztuczna inteligencja (AI) przeniknęła niemal każdą sferę naszego życia. Jest to ukryta siła sugerująca najlepszą ofertę na Amazon i podpowiadająca co oglądać na Netflix lub jak korzystać z laptopa Dell.
Sztuczna inteligencja to czarodziej, który za kulisami automatyzuje nasze najbardziej ręczne zadania i sprawia, że nasza interakcja z produktami jest przyjemniejsza. Zbudowanie produktu opartego na sztucznej inteligencji wymaga innego podejścia niż budowa produktów, które nie wykorzystują inteligentnych algorytmów.
Mapa drogowa produktu (product roadmap) to dokument strategiczny, graf lub jakakolwiek inna forma dokumentu, który odwzorowuje etapy rozwoju produktu, w tym wejścia i wyjścia, które są niezbędne do zapewnienia przez produkt wartości.
Głównym celem mapy drogowej produktu jest dopasowanie wizji produktu do celów biznesowych firmy.
Co należy wziąć pod uwagę tworząc lub ulepszając produkt wykorzystujący sztuczną inteligencję
Tworząc lub ulepszając produkt wykorzystujący sztuczną inteligencję, należy wziąć pod uwagę kilka dodatkowych elementów, które należy umieścić w planie działania. Tutaj są:
1. Zrozum potrzeby klientów, które AI może rozwiązać lepiej niż tradycyjne metody
Menedżerowie produktu muszą zawsze najpierw zrozumieć problem (usunąć przyczynę niewygody klienta), który chcą rozwiązać dla klientów. Zacznij od unikania błędu popełnianego przez wiele firm, startupów i zespołów produktowych: nie traktuj sztucznej inteligencji (uczenia maszynowego, sieci neuronowych i data science) jako rozwiązania z definicji. Najpierw przejdź do poznania istoty problemu, który chcesz rozwiązać.
Wszystko zaczyna się od klienta i niedogodności, jaki Twój produkt usunie dla Twojej grupy klientów czy niszy. Sztuczna inteligencja jest tylko tak dobra, jak bardzo może wyeliminować (zautomatyzować) problemy skuteczniej niż klasyczna inżynieria oprogramowania.
Ponieważ produkty oparte na sztucznej inteligencji polegają na podejmowaniu decyzji i dostarczaniu wyników (konwertowanie danych wejściowych na dane wyjściowe szybciej, mądrzej z elementem samo uczenia się), polecam zacząć od zmapowania problemów klientów i przeanalizowania, w jaki sposób proces usuwania niedogodności można zautomatyzować.
Twoi menedżerowie produktu powinni katalogować decyzje, które Twoi klienci muszą wykonać ręcznie (na przykład, aby wyszukać informacji o numerze rejestracyjnym pojazdu ręcznie, proces można zautomatyzować dyktując numer głosowo lub głosowo opisując szukany pojazd).
Poszukiwania i katalogowania nie wykonuj w domu, przeprowadzaj eksperymenty poza biurem i rozmawiaj z klientami, aby dowiedzieć się, jakie niedogodności są najbardziej uciążliwe.
Pomyśl także o decyzjach, których aktualnie nie podejmują Twoi klienci docelowi lub o problemach, których nie dostrzegają użytkownicy końcowi. Te badania doprowadzą Cię do zorientowanego na produkt zrozumienia możliwości sztucznej inteligencji, a szansa ta będzie płynąć bezpośrednio od klientów, a nie od najmądrzejszych inżynierów lub kadry kierowniczej wyższego szczebla. Chodzi mi o to, że Twój produkt od samego początku będzie zorientowany na klienta, a nie na pracowników, menedżerów czy inne osoby z Twojej organizacji.
Sztuczna inteligencja rzeczywiście zautomatyzuje najbardziej powtarzalne zadania i na tym polega jej moc. Dodatkowo, będzie się uczyć i stawać dokładniejsza w miarę rozwiązywania problemów Twoich klientów.
Pamiętaj, że sztuczna inteligencja nie może wszystkiego zautomatyzować. Na przykład, aby przeanalizować wybrany rynek i napisać 130-stronicowy raport, człowiek może to zrobić ręcznie. System sztucznej inteligencji do przeprowadzenia badań rynkowych i stworzenia rozszerzonego raportu rynkowego nie jest odpowiedni. Nie będzie potrafił przeprowadzić badań i wyciągnąć z nich wniosków, ale już napisanie raportu będzie możliwe.
2. Sformułuj hipotezę problemu, który ma znaczenie dla AI
Dla każdego z problemów klienta zidentyfikowanych w poprzednim kroku sformułuj i udokumentuj hipotezę, która będzie testowana.
Ogólnie rzecz biorąc, twoja hipoteza będzie zawierała następujące elementy:
- Zidentyfikowany problem / dyskomfort (np. użytkownik aplikacji spędza zbyt dużo czasu na przewijaniu strony z wynikami wyszukiwania)
- Oczekiwany efekt (np. skrócenie czasu potrzebnego na przewijanie).
- Wskaźniki sukcesu
- Czas wyszukiwania (np. zrobienie zdjęcie przedmiotu, aby doprecyzować listę wyszukiwania)
- Wzrost biznesu, jaki powinien przynieść produkt lub usługa wykorzystująca sztuczną inteligencję (np. Amazon Brick&Mortar Stores „chcą”, abyś zrobił zdjęcie produktu, aby poznać jego cenę ( mój post na ten temat ). Pomaga to firmie przekonywać użytkowników do wykonywania zdjęć, ale także poszerzać bazę zdjęć, które firma wykorzystuje do trenowania algorytmów sztucznej inteligencji.
Wykorzystuj proces, aby upewnić się, że w mapie rozwoju produktu jest miejsce na sztuczną inteligencję
Proszę przeczytaj dokładnie to zdanie.
Wierzymy, że [ stworzenie tej funkcji] dla tych klientów/użytkowników końcowych przyniesie [usunie problem poprzez automatyzację zadania] . Będziemy wiedzieć, że produkt zapewnia wartość [wskaźniki sukcesu] .
Tak wiem to zdanie brzmi dziwnie, ale w gruncie rzeczy jest bardzo przydatną metodą poszukiwania, czy w Twoim produkcie cyfrowym jest miejsce na wdrożenie sztucznej inteligencji. Jeśli zidentyfikujesz wysiłek jaki klient musi w coś włożyć, aby otrzymać efekt, masz już fazę PAIN (rysunek poniżej)
Następnie trzeba zastanowić się nad wartością jaką produkt ma dostarczyć. W rzeczywistości jest to pytanie o to jaki dyskomfort produkt wyeliminuje. Dopiero teraz jest etap budowania funkcjonalności (Feature). Natomiast wciąż należy odpowiedzieć sobie na pytanie, jaki wzrost biznesu ma przynieść ten produkt. Czy ma to być: akwizycja użytkowników, powrót użytkowników do korzystania z produktu czy może wywołanie efektu sieciowego. Oczywiście jednym z możliwych rezultatów jest wzrost przychodów, revenue.
3. Jak przygotować odpowiedni zestaw danych do zaoferowania funkcji w produkcie?
Średnio 80% czasu, jaki większość zespołów spędza w projektach sztucznej inteligencji to pozyskiwanie i przygotowywanie danych. W większości przypadków przygotowanie danych oznacza:
- Identyfikację danych, które będą wymagane w projekcie (np. możesz indeksować zdjęcia samochodów, aby wytrenować algorytmy rozpoznawania marek samochodów)
- Określenie dostępności danych i zdefiniowania z jakich źródeł mogą one pochodzić (np. możesz zbudować strategiczne partnerstwo i pozyskać dane od partnerów)
- Profilowanie danych
- Integracja danych
- Oczyszczanie i uzupełnianie danych
- Przygotowanie stosu danych do trenowania algorytmów
Jeśli nie możesz zbudować zestawu danych do uczenia algorytmów, projekt zakończy się niepowodzeniem. Rekomenduję nie uruchamiać projektu, jeśli dane i proces ich przygotowywania nie przeszedł przez wyżej opisane kroki.
Powodem tego jest to, że nie będziesz w stanie zautomatyzować zadania, które wcześniej zdefiniowałeś jako ból / problem trapiący Twojego klienta.
Na przykład Twój zespół marketingowy poinformuje klienta (przykład z jednego z moich projektów):
„Teraz możesz zrobić zdjęcie odzieży i szybko znaleźć je w naszym sklepie”. Twoja aplikacja oparta na sztucznej inteligencji rozpozna spodnie, dżinsy, piżamy, koszule, spódnice, ale nie rozpozna zegarków i torebek. Jeśli nie masz zestawu danych dla zegarków i torebek, nie możesz ich rozpoznawać — dane wpływają na to, co możesz dostarczyć. To z kolei definiuje skuteczność w konwersji, retencji i monetyzacji.
Produkty lub usługi oparte na sztucznej inteligencji nie mogą być tworzone bez „czystych”, poprawnych i ustrukturyzowanych danych.
Tutaj przygotowałem trzy najczęstsze wyzwania w uzyskaniu dobrego zestawu danych:
- Dane są zarządzane gromadzone w wielu formatach i przechowywane w różnych typach baz danych. Trudność polega na braku jednego zunifikowanego do jednego miejsca, z którego można pobierać te dane.
- Brak kategoryzacji sprawia, że dane nie mają znaczenia dla uczenia maszynowego. Jeśli nie ma wzorców, których algorytm uczenia maszynowego miałby się uczyć z tych danych, nie ma rozwiązania do zbudowania; nazywa się to danymi nieustrukturyzowanymi – stos punktów danych bez wyjaśnienia, co reprezentują lub do czego są dopasowane.
- Brakujące lub niekompletne dane, które w niektórych przypadkach nie oferują informacji dostępnych dla wszystkich parametrów (np. znamy wiek osób, ale nie znamy kraju ich pochodzenia we wszystkich przypadkach), podczas gdy w innych wystąpieniach w tym samym zestawie danych brakuje określonych parametrów. Te niespójności skutkują błędnym uczeniem się, co ostatecznie prowadzi do nieudanych rozwiązań lub niespójnych wyników.
Produkty oparte na sztucznej inteligencji wymagają kompletnych i czystych zestawów danych dla właściwego trenowania modeli. Dlatego tak ważne jest, aby opracować obszerny zakres danych potrzebnych do stworzenia takiego portfolio dla konkretnego przypadku biznesowego. Jeśli firma ma gotowy ten zestaw, świetnie, jeśli nie, powinna poświęcić czas na zdefiniowanie, wyczyszczenie i przygotowanie odpowiednich zestawów danych.
Istnieje wiele źródeł danych, w tym publiczne interfejsy API, partnerstwa strategiczne, czy różne bazy danych, które można kupić. Najlepsze firmy udostępniają produkty, zwykle bezpłatnie, w celu zbierania danych od użytkowników końcowych. Jednym z najlepszych przykładów jest Google Map lub aplikacja Kindle.
Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:
4. Bądź świadomy zagrożeń i wyzwań, ale nie pozwól im powstrzymać się od eksperymentowania i iteracji
Produkty wykorzystujące sztuczną inteligencję i ich rozwój napotyka na inne wyzwania i przeszkody niż budowa i tworzenie produktów w których sztucznej inteligencji nie ma.
Aby zrealizować plan działania produktu, musisz zmierzyć się z tymi zagrożeniami:
- Zwróć uwagę na różne rodzaje nieprawidłowości, które mogą mieć wpływ na Twój model. Oto doskonały zestaw błędów skatalogowanych przez Google.
- Należy pamiętać, że błędne rekomendacje w interfejsie użytkownika mogą narazić cały projekt na ryzyko. Zawsze upewnij się, że zmiana, którą chcesz wprowadzić, pochodzi od użytkowników, prawdziwych klientów lub społeczności, dla której tworzysz produkt. Powinien to być rozwój zorientowany na klienta, ponieważ każda zmiana może znacznie wpłynąć na skuteczność działania sztucznej inteligencji. Na przykład, jeśli chcesz rozpoznać angielski specyficzny dla wąskiej grupy (np. slang pracowników wież wiertniczych i rafinerii), powinieneś wiedzieć, że zadanie pytania do urządzenia Alexa przez taką osobę może wywołać zupełnie inny wynik. Identycznie jeśli wędkarz zapyta o pogodę, zapyta o nią inaczej aniżeli ktoś kto chce surfować na desce. Większość produktów sztucznej inteligencji upada z powodu nieadekwatnych danych i bardzo niskiej jakości wyników końcowych.
- Bądź w pełni świadomy wpływu wszelkich zalecanych zmian i zawsze wykorzystuj opinie klientów. Sięgaj do działu skarg i zażaleń, aby uczyć się, co nie działa, co sprawia wyjątkowy trud Twoim użytkownikom.
- Zbieranie i analizowanie zbyt dużej ilości danych o użytkownikach bez wymiernych korzyści może spowodować, że użytkownik porzuci Twój produkt (wzrost rezygnacji). Zapewnij swoim klientom wartość tak wcześnie, jak to możliwe, zanim poprosisz ich o więcej do zrobienia. Aplikacja Buffer chce, abyś planował coraz więcej kampanii w mediach społecznościowych i wystarczy, że się zalogujesz i podłączysz swój Instagram i Facebook. To już wystarczy Bufferowi, aby analizować Twoją pracę i proponować skuteczne usprawnienia w kampaniach. Pamiętaj, aby poprosić klientów tylko o to, co niezbędne. Następnie musisz zachęcać skutecznymi rekomendacjami a nie prośbą o jeszcze większą ilość danych.
- Pomaga, jeśli masz odpowiednie środki ostrożności w zakresie bezpieczeństwa i prywatności za każdym razem, gdy Twój model zawiera lub opiera się na danych osobowych. Zwłaszcza w Europie, gdzie RODO jest silne i jego nieprzestrzeganie może skutkować sankcjami dla Twojej firmy.
5. Nigdy nie przestawaj iterować
Gdy Twój zespół wdroży model, kontynuuj iterację i ulepszaj go. Niestety to się nigdy nie kończy. Amazon chce, abyś robił zdjęcia książek w ich fizycznych księgarniach, ponieważ każdy obraz trenuje algorytmy sztucznej inteligencji Amazona. Inżynierowie chcą, abyś „personalizował zakupy” w aplikacji mobilnej Amazon, ponieważ każde zdjęcie czyni ich algorytm mądrzejszym. Amazon stale iteruje. Ty też powinieneś.
Myślę, że od 60-80% pracy następuje po dostarczeniu pierwszej wersji produktu (modeli) opartego na sztucznej inteligencji do rynku, czyli do klientów.
Bez klientów nie można sprawić, by algorytmy były mądrzejsze.
Ta praca obejmuje ulepszanie modelu, a także dodawanie nowych funkcji do modelu w miarę pojawiania się większej ilości danych.
Wniosek
Produkt jest źródłem przychodów lub/i danych dla wielu firm. Bez roadmapy rozwoju opartej o zarządzanie danymi, bez względu na to, jak dojrzały jest produkt, w końcu upadnie.
To sprawia, że mapa drogowa produktu (product roadmap) jest niezastąpionym narzędziem dla każdego zespołu zajmującego się rozwojem produktu. Sztuczna inteligencja daje masowo skalowalne rozwiązania. Czasochłonne w budowaniu produkty, a takimi są bez wątpienia te oparte o sztuczną inteligencję, wymagają jasnych definicji celów opartych na opiniach klientów.