Продукты AI сложны. Они требуют решения проблем, которые невозможно постичь человеческому разуму при одновременном использовании скудного бюджета и привередливой, иногда шаткой инфраструктуры. Они требуют организации бесчисленных бесконтекстных фрагментов данных со всего Интернета и принудительного сжатия отдаленно связанных идей для большего обобщения, когда индивидуально эти идеи делают все возможное, чтобы оставаться там, где они есть.

Если продукт преодолевает эти проблемы, он должен научиться постоять за себя на открытом рынке, заполненном зрелыми конкурентами, не связанными с искусственным интеллектом, а также несколькими молодыми интеллектуальными стартапами, которые используют все новейшие технологии Стэнфорда и Google. Каждый продукт искусственного интеллекта хочет, чтобы рынок считал его наиболее ценным - лучшие данные, самые точные модели, - но рынок сбивается с толку, когда два решения расходятся во мнениях или используют методы, не прошедшие проверку на практике. (Действительно, продукты искусственного интеллекта часто терпят неудачу на практике из-за их ошибочных создателей). Даже когда все остальное работает без сбоев, в отрасли уже может быть рабочее решение, которое не было значительно улучшено машинным обучением, или рынок по иным причинам не готов к решению на основе искусственного интеллекта. Затем продукт должен сместиться и углубиться в основные проблемы отрасли, пока не обнаружит новую ценность, которая в настоящее время скрыта за сложностью. Эти сдвиги могут потребовать серьезных изменений в организации, поддерживающей продукт, и не все команды способны выполнить или пережить поворот.

Тем не менее, это захватывающее пространство с бесконечными возможностями. Я никогда не стану утверждать, что у меня есть ответы на все вопросы, но вот несколько уроков, которые я извлек в качестве директора по продукту в IdealSpot за последние полтора года.

  1. ИИ не имеет внутренней ценности. На самом деле ИИ труднее продать, чем человеческий труд, даже с учетом повышения эффективности. Модели, как и любой другой продукт, ничего не значат, пока вы не поместите их в контекст, который работает в вашей сфере бизнеса. Большинство менеджеров, руководителей и клиентов, с которыми вы сталкиваетесь, не поймут, что вы описываете или почему это важно, если вы не можете простым языком описать, как ваш продукт помогает им в прибыли. Вы можете никогда не упоминать основные модели или технологии при продаже продукта, и это нормально. Держите в уме весь контекст своей работы и объясняйте свою ценность глупыми простыми словами.
  2. Знайте свой домен и свои пределы. Вы не войдете в отрасль, созданную десятилетиями, о которой ничего не знаете, и не революционизируете ее в мгновение ока с помощью какого-нибудь блестящего приложения для машинного обучения, которое вы создали вместе. Вы не сделаете этого. Так не получается. Сложность стала невидимой, особенно в старых отраслях, даже если она присутствует постоянно. Люди хорошо обучены игнорировать сложность невежеством, когда у них есть процесс, позволяющий решить поставленную задачу. Как только эти процессы установлены, они перестают доверять любому новому решению, которое может случиться. Вместо того, чтобы предоставлять новый процесс для решения старой проблемы, предоставьте новый инструмент, который поможет автоматизировать старый процесс. Сделайте жизнь проще, но не предполагайте свободы воли или превосходства. Вы должны заработать возможность формировать мир вокруг своего нового образа мышления.
  3. Будьте конъюнктурными. Если у команды, поддерживающей ваш продукт, нет опыта или прочной сети в вашем целевом домене, вам нужно быть готовыми делать небольшие шаги через посреднические роли, пока вы, наконец, не получите в свои руки нужную работу. Вы можете начать с любого места, если будете держать локти острыми и продолжать двигаться к своей цели.
  4. Инкапсулируйте весь стек - не только талантливые специалисты по машинному обучению, но и современные базы данных, парсинг и достаточно информации о распределенных системах, чтобы настроить и масштабировать ваш продукт с нуля. Данные, в частности, являются ключевыми. Если у вас нет уникального набора разнообразных данных, у вас будут проблемы с достижением качества или гибкости, необходимых вашему продукту для выживания. Данные стимулируют производство.
  5. Магия не продается. В большинстве случаев модели просты, но доказать их ценность чрезвычайно сложно. Даже если вы создадите отличные модели, которые оптимально дадут ответы на самые сложные бизнес-проблемы в мире, клиенты не будут доверять вам, пока вы не пройдете достаточное тестирование и не подтвердите масштабирование. Если вы выберете этот путь, вы упустите все низко висящие плоды, которые не требуют совершенства или даже значительной сложности для достижения усыновления.
  6. Несмотря на всю шумиху, индустрия искусственного интеллекта еще недостаточно развита, чтобы заслужить внутреннее доверие к своей функциональности. В настоящее время существует целый класс приложений искусственного интеллекта, которые на собственном горьком опыте усваивают, что компьютеры все еще не так умны, как люди, и целое поколение потребителей, которые учатся не доверять приложениям искусственного интеллекта благодаря неудачным или трудным решениям простых задач. проблемы.
  7. Используйте машинное обучение, чтобы более эффективно определять ценность продукта. Я обнаружил, что прямо сейчас машинное обучение хорошо вписывается в UX - делайте предположения и нечеткие рассуждения, которые ваш пользователь в противном случае сделал бы в вашем приложении, когда это возможно. Введите соответствующие значения и настройки по умолчанию, интерполируйте недостающую информацию, прогнозируйте действия и обнаруживайте тенденции в данных взаимодействия, чтобы улучшить взаимодействие с пользователем. Смоделируйте пользователя, а не домен.
  8. Думайте о своем продукте как об ИИ, даже если в нем мало интеллектуальных компонентов. Ваша цель - сделать так, чтобы пользователи взаимодействовали с вашим продуктом так же плавно, как и с людьми. Помните, что для общения не требуется речи или текста, а нужен только последовательный язык шаблонов.