מאמר זה פורסם מטעם מועצת טכנולוגיה של פורבס, קהילה של סמנכ"לים ומנהלי טכנולוגיה ברמה עולמית. קרא את המאמר המקורי כאן.
כאשר מדובר בבינה מלאכותית (AI) ולמידת מכונה, בפרט, אופן בו אנו מפתחים תוכנה משתנה בצורה יסודית. המהנדסים המסורתיים לא היו צריכים לשקול את הרעיון של צורך של התוכנה ל"למוד" כדי שתהיה שימושית. הגדרנו את "הכללים" שרצינו לקחת בחשבון, מקודדים אותם באופליקציות שמייצרות ושוחררות. לאחר מכן, חידשנו ושיפרנו אותם במחזור רציף.
זה שונה עם AI. במקום לקודד כללים באפליקציות, מוצרי AI תלויים בנתוני האימון לפועל. לדוגמה, כאשר יצאו לראשונה אפליקציות GPS, הן שינו הכל - פרידה ממפות הנייר המבוססות! כעשור מאוחר יותר, אפליקציית ניווט Waze שינתה שוב את החוויה הזו. Waze גילתה שעל ידי הכללת הנתונים מכל המשתמשים שלהם, הם יכולים לספר למשתמש אחד לאן ללכת הבאה וגם לדרך המהירה ביותר כדי להגיע לשם ולעדכן את ההמלצות הללו בזמן אמת.
כשהתחלנו לבנות אפליקציות תוכנה חכמות יותר, למדנו שפרקטיקות פיתוח כמו הדגל הזוחל אינן עובדות מאחר שאינן שוקלות מספיק את המשתמש במחזור חיי פיתוח התוכנה. בסופו של דבר, למשתמשים כנראה יש דרישות חדשות. לכן, העברנו לגישות חדשות, כגון אלה שהפכו למוכרות בספרים כמו הפעילות הרווחנית הלקוחית. בעוד אנשים מתגרים היום בקונספטים כמו "המוצר המינימלי הידידותי", הרעיונות צדק בהחלט: התחל קטן והעבר את המוצר שלך לידי משתמשיך במהירות האפשרית כדי שתוכל לקבל ממנם משוב ולשפר את המוצר במהלך הדרך.
על צורה כזאת יש לגשת לAI. קשה להתעניין בבניית מערכת בינה מלאכותית מושלמת במשך שנים, מאומן על ידי כמויות עצומות של מערכות נתונים מושלמות. אך אל תתפלא אם המוצר מיושן ולא רלוונטי לחלוטין בזמן שתכניס אותו לעולם.
אולי סט הנתונים שלך משקף שיטות ישנות שכבר לא טובות יותר, או מבנה נתונים שלך לא חשף את פסל המיוחד הזה. או אולי האדם שחשבת שישתמש במוצר שלך אינו המשתמש המשתמש בו. AI מאומן בשקטון רק יכול להגיב למה שחשף לו. אני מאמין בתורת האמצעים בשליחת האלגוריתם שלך לשם, במקום שהוא יכול ללמוד, לספוג ולשפר. לכן זה בסדר לתת ל-AI שלך להתחיל "טיפש ״בלבד.
מצא את מוקדך
כבר ידוע לנו שכלי הAI עדיין אינם מסוגלים למלא מקומם של אנשים, ואיננו מצפים לכך שיהיו מסוגלים לעשות זאת בקרוב. שמור על זה בראש כאשר מתכננים את הפתרון שלך. הפוקוס שלך צריך להיות המשתמש שלך, צריך להתמקד במציאות ולהתייעץ במקרה של אחד זה דואג לו.
דוגמה אחת כאן היא Textio, רשת ייעוץ מבוססת AI המתמקדת בעזרת מקצוענים בכתיבת תיאורי עבודה טובים יותר. זו משימה מאוד ספציפית. הם אינם ממוקדים על להפוך את כולם לכותבים טובים. בחרו בתחום אחד - תיאורי עבודה - והשקיעו בו עמוק. הפלאים הגדולים של AI שראינו מתחילים עם משימה פקודה אחת ולכן מתרחיבים. וככל שהפתרון ממוקד יותר, הלומדת גם AI תהיה מהירה יותר.
אל תציבו את הרוחש לפני המכונה
פשוט לשקול את הדברים שצריך לקרות כדי להפעיל מערכת AI (גם אם היא טיפשית) הוא תהליך אינטנסיבי ומייגע שכולל: הקמת הסביבה הטכנית
הקמת המערכת שמאחסן את כל נתוני האימון
הקמת הלוחמה החשובה שמאמנת את הנתונים ומעבירה הצעות בחזרה
התקנת האלגוריתם החשוב המאוד שמאמן את הנתונים ומציע המלצות בחזרה
אף אחת אינם עוזרים להפוך את השלבים האלה קלים יותר, הם עדיין מוצרים מנטרלים. זה למה אתה אמור להתמקד ברוב מאמציך כדי להניע את התהליכים הנ אם אתה עובד בעולם תיאורטי וניסית לאסוף נתוני הכשרה ללא קלט אמיתי של לקוחות, אתה עובד בשקית שתשחזיר אליך את השערות הקיימות שלך
קבלו את המוצר AI שלכם מול האנשים
הנתונים של ההכשרה שלך חיוניים להתחלת התהליך, אבל כדי ליצור מוצר AI שיכול להשתפר במהלך הזמן, עליך לקפוץ למערכת הנתונים הגדולה ביותר: ניסיון אנושי ולעשות את זה מחייב שתשקיע בחוויית המשתמש (UX) שלך ככל שתשפר את חוויית השימוש ב-AI שלך, יותר אנשים ירצו להשתמש בו, וזה אומר שהמודל שלך יאסוף נתונים רבים יותר בצורה הרבה יותר מהירה
חיוני לחבר את חשיבות ה-UX עם הצלחת המערכת ה-AI שלך למרבית הצעירים אין דעת כזאת הם נתפסים ברעיון של שיפור החיים דרך אלגוריתמים ונמצאים להניח כי AI היא על גבי המכוניות המציאות היא שאתה עושה את כל העבודה הזו כדי שתוכל לגשת לנתונים אבל הנתונים חייבים לבוא ממקום
המושכי אילוס, העקרון היסודי השכח במקום זה הוא ש “מקום” הם האנשים שמשתמשים בתוכנה שלך AI עובדת כשאתה טופל אותה כשותפות בין אנשים למכונות לכן אם אין לך UX טוב, לעולם לא יהיה לך AI טובה אם אתה לא מתחיל על ידי אמירה, "אני הולך ליצור מערכת שאנשים רוצים להשתמש בה, שקל לשימוש ושישמשו בה תדיר," אז אף אחד מהשאר לא חשוב
אלגוריתם יכול תמיד להתאים ככל שהוא מותו בעולם האמיתי, הוא משתפר יותר חשוב יותר שיהיה מצוין בתחילת הדרך מאשר למצוא את הבעיה הספציפית שאתה רוצה לפתור ולהכין את הסביבה הטכנית שלך מוכנה לספוג את הנתונים בסופו של דבר, AI חכמה היא פשוט אחת שעובדת
מאמר זה פורסם מטעם מועצת טכנולוגיה של פורבס, קהילה של סמנכ"לים ומנהלי טכנולוגיה ברמה עולמית. קרא את המאמר המקורי כאן.
כאשר מדובר בבינה מלאכותית (AI) ולמידת מכונה, בפרט, אופן בו אנו מפתחים תוכנה משתנה בצורה יסודית. המהנדסים המסורתיים לא היו צריכים לשקול את הרעיון של צורך של התוכנה ל"למוד" כדי שתהיה שימושית. הגדרנו את "הכללים" שרצינו לקחת בחשבון, מקודדים אותם באופליקציות שמייצרות ושוחררות. לאחר מכן, חידשנו ושיפרנו אותם במחזור רציף.
זה שונה עם AI. במקום לקודד כללים באפליקציות, מוצרי AI תלויים בנתוני האימון לפועל. לדוגמה, כאשר יצאו לראשונה אפליקציות GPS, הן שינו הכל - פרידה ממפות הנייר המבוססות! כעשור מאוחר יותר, אפליקציית ניווט Waze שינתה שוב את החוויה הזו. Waze גילתה שעל ידי הכללת הנתונים מכל המשתמשים שלהם, הם יכולים לספר למשתמש אחד לאן ללכת הבאה וגם לדרך המהירה ביותר כדי להגיע לשם ולעדכן את ההמלצות הללו בזמן אמת.
כשהתחלנו לבנות אפליקציות תוכנה חכמות יותר, למדנו שפרקטיקות פיתוח כמו הדגל הזוחל אינן עובדות מאחר שאינן שוקלות מספיק את המשתמש במחזור חיי פיתוח התוכנה. בסופו של דבר, למשתמשים כנראה יש דרישות חדשות. לכן, העברנו לגישות חדשות, כגון אלה שהפכו למוכרות בספרים כמו הפעילות הרווחנית הלקוחית. בעוד אנשים מתגרים היום בקונספטים כמו "המוצר המינימלי הידידותי", הרעיונות צדק בהחלט: התחל קטן והעבר את המוצר שלך לידי משתמשיך במהירות האפשרית כדי שתוכל לקבל ממנם משוב ולשפר את המוצר במהלך הדרך.
על צורה כזאת יש לגשת לAI. קשה להתעניין בבניית מערכת בינה מלאכותית מושלמת במשך שנים, מאומן על ידי כמויות עצומות של מערכות נתונים מושלמות. אך אל תתפלא אם המוצר מיושן ולא רלוונטי לחלוטין בזמן שתכניס אותו לעולם.
אולי סט הנתונים שלך משקף שיטות ישנות שכבר לא טובות יותר, או מבנה נתונים שלך לא חשף את פסל המיוחד הזה. או אולי האדם שחשבת שישתמש במוצר שלך אינו המשתמש המשתמש בו. AI מאומן בשקטון רק יכול להגיב למה שחשף לו. אני מאמין בתורת האמצעים בשליחת האלגוריתם שלך לשם, במקום שהוא יכול ללמוד, לספוג ולשפר. לכן זה בסדר לתת ל-AI שלך להתחיל "טיפש ״בלבד.
מצא את מוקדך
כבר ידוע לנו שכלי הAI עדיין אינם מסוגלים למלא מקומם של אנשים, ואיננו מצפים לכך שיהיו מסוגלים לעשות זאת בקרוב. שמור על זה בראש כאשר מתכננים את הפתרון שלך. הפוקוס שלך צריך להיות המשתמש שלך, צריך להתמקד במציאות ולהתייעץ במקרה של אחד זה דואג לו.
דוגמה אחת כאן היא Textio, רשת ייעוץ מבוססת AI המתמקדת בעזרת מקצוענים בכתיבת תיאורי עבודה טובים יותר. זו משימה מאוד ספציפית. הם אינם ממוקדים על להפוך את כולם לכותבים טובים. בחרו בתחום אחד - תיאורי עבודה - והשקיעו בו עמוק. הפלאים הגדולים של AI שראינו מתחילים עם משימה פקודה אחת ולכן מתרחיבים. וככל שהפתרון ממוקד יותר, הלומדת גם AI תהיה מהירה יותר.
אל תציבו את הרוחש לפני המכונה
פשוט לשקול את הדברים שצריך לקרות כדי להפעיל מערכת AI (גם אם היא טיפשית) הוא תהליך אינטנסיבי ומייגע שכולל: הקמת הסביבה הטכנית
הקמת המערכת שמאחסן את כל נתוני האימון
הקמת הלוחמה החשובה שמאמנת את הנתונים ומעבירה הצעות בחזרה
התקנת האלגוריתם החשוב המאוד שמאמן את הנתונים ומציע המלצות בחזרה
אף אחת אינם עוזרים להפוך את השלבים האלה קלים יותר, הם עדיין מוצרים מנטרלים. זה למה אתה אמור להתמקד ברוב מאמציך כדי להניע את התהליכים הנ אם אתה עובד בעולם תיאורטי וניסית לאסוף נתוני הכשרה ללא קלט אמיתי של לקוחות, אתה עובד בשקית שתשחזיר אליך את השערות הקיימות שלך
קבלו את המוצר AI שלכם מול האנשים
הנתונים של ההכשרה שלך חיוניים להתחלת התהליך, אבל כדי ליצור מוצר AI שיכול להשתפר במהלך הזמן, עליך לקפוץ למערכת הנתונים הגדולה ביותר: ניסיון אנושי ולעשות את זה מחייב שתשקיע בחוויית המשתמש (UX) שלך ככל שתשפר את חוויית השימוש ב-AI שלך, יותר אנשים ירצו להשתמש בו, וזה אומר שהמודל שלך יאסוף נתונים רבים יותר בצורה הרבה יותר מהירה
חיוני לחבר את חשיבות ה-UX עם הצלחת המערכת ה-AI שלך למרבית הצעירים אין דעת כזאת הם נתפסים ברעיון של שיפור החיים דרך אלגוריתמים ונמצאים להניח כי AI היא על גבי המכוניות המציאות היא שאתה עושה את כל העבודה הזו כדי שתוכל לגשת לנתונים אבל הנתונים חייבים לבוא ממקום
המושכי אילוס, העקרון היסודי השכח במקום זה הוא ש “מקום” הם האנשים שמשתמשים בתוכנה שלך AI עובדת כשאתה טופל אותה כשותפות בין אנשים למכונות לכן אם אין לך UX טוב, לעולם לא יהיה לך AI טובה אם אתה לא מתחיל על ידי אמירה, "אני הולך ליצור מערכת שאנשים רוצים להשתמש בה, שקל לשימוש ושישמשו בה תדיר," אז אף אחד מהשאר לא חשוב
אלגוריתם יכול תמיד להתאים ככל שהוא מותו בעולם האמיתי, הוא משתפר יותר חשוב יותר שיהיה מצוין בתחילת הדרך מאשר למצוא את הבעיה הספציפית שאתה רוצה לפתור ולהכין את הסביבה הטכנית שלך מוכנה לספוג את הנתונים בסופו של דבר, AI חכמה היא פשוט אחת שעובדת
חוויית הפלטפורמה של Guru מהלך ראשון – קח את סיור המוצר האינטראקטיבי שלנו
