Lưu ý: Bài viết này là bài đầu tiên trong loạt bài “Phân tích ứng dụng AI”, giới thiệu mô hình tinh thần cho các hệ thống AI. Mô hình này đóng vai trò là công cụ để thảo luận, lập kế hoạch và định nghĩa các sản phẩm AI của các nhóm sản phẩm và AI liên ngành, cũng như để liên kết với bộ phận kinh doanh. Nó nhằm mục đích tập hợp quan điểm của các nhà quản lý sản phẩm, nhà thiết kế UX, nhà khoa học dữ liệu, kỹ sư và các thành viên khác trong nhóm. Trong bài viết này, tôi giới thiệu mô hình tinh thần, trong khi các bài viết sau sẽ trình bày cách áp dụng nó cho các sản phẩm và tính năng AI cụ thể.

Thông thường, các công ty cho rằng tất cả những gì họ cần để đưa AI vào sản phẩm của mình là thuê các chuyên gia AI và để họ thực hiện phép thuật kỹ thuật. Cách tiếp cận này dẫn họ thẳng đến sai lầm tích hợp: ngay cả khi các chuyên gia và kỹ sư này tạo ra các mô hình và thuật toán đặc biệt, kết quả đầu ra của họ thường bị mắc kẹt ở cấp độ sân chơi, hộp cát và bản demo và không bao giờ thực sự trở thành các bộ phận chính thức của sản phẩm. Trong những năm qua, tôi đã thấy rất nhiều sự thất vọng từ các nhà khoa học và kỹ sư dữ liệu khi việc triển khai AI xuất sắc về mặt kỹ thuật không tìm được đường vào các sản phẩm hướng tới người dùng. Đúng hơn, họ có địa vị danh giá là những thử nghiệm tiên tiến mang lại cho các bên liên quan nội bộ ấn tượng về việc đang cưỡi trên làn sóng AI. Giờ đây, với sự phổ biến rộng rãi của AI kể từ khi ChatGPT xuất bản vào năm 2022, các công ty không còn đủ khả năng sử dụng AI như một tính năng “ngọn hải đăng” để thể hiện sự nhạy bén về công nghệ của họ.

Tại sao việc tích hợp AI lại khó đến vậy? Có một vài lý do:

• Thông thường, các nhóm tập trung vào một khía cạnh duy nhất của hệ thống AI. Điều này thậm chí còn dẫn đến sự xuất hiện của các phe phái riêng biệt, chẳng hạn như AI lấy dữ liệu làm trung tâm, lấy mô hình làm trung tâm và lấy con người làm trung tâm. Mặc dù mỗi phương pháp đều đưa ra những quan điểm thú vị cho nghiên cứu, nhưng một sản phẩm thực tế cần kết hợp dữ liệu, mô hình và sự tương tác giữa người và máy thành một hệ thống mạch lạc.
• Phát triển AI là một doanh nghiệp có tính hợp tác cao. Trong phát triển phần mềm truyền thống, bạn làm việc với sự phân đôi tương đối rõ ràng bao gồm các thành phần phụ trợ và giao diện người dùng. Trong AI, bạn không chỉ cần bổ sung thêm các vai trò và kỹ năng đa dạng hơn cho nhóm của mình mà còn đảm bảo sự hợp tác chặt chẽ hơn giữa các bên khác nhau. Các thành phần khác nhau trong hệ thống AI của bạn sẽ tương tác với nhau theo những cách mật thiết. Ví dụ: nếu bạn đang làm việc trên trợ lý ảo, các nhà thiết kế UX của bạn sẽ phải hiểu kỹ thuật nhanh chóng để tạo ra luồng người dùng tự nhiên. Người chú thích dữ liệu của bạn cần biết về thương hiệu của bạn và “đặc điểm tính cách” của trợ lý ảo để tạo dữ liệu đào tạo nhất quán và phù hợp với định vị của bạn, đồng thời người quản lý sản phẩm của bạn cần nắm bắt và xem xét kỹ lưỡng kiến ​​trúc của đường dẫn dữ liệu để đảm bảo nó đáp ứng mối quan tâm quản trị của người dùng của bạn.
• Khi xây dựng AI, các công ty thường đánh giá thấp tầm quan trọng của thiết kế. Trong khi AI bắt đầu ở phần phụ trợ, thiết kế tốt là điều không thể thiếu để giúp nó tỏa sáng trong sản xuất. Thiết kế AI vượt qua ranh giới của UX truyền thống. Rất nhiều chức năng bạn cung cấp không hiển thị trên giao diện mà “ẩn” trong mô hình và bạn cần hướng dẫn và hướng dẫn người dùng của mình tối đa hóa những lợi ích này. Ngoài ra, các mô hình nền tảng hiện đại là những thứ hoang dã có thể tạo ra những kết quả độc hại, sai trái và có hại, vì vậy bạn sẽ thiết lập thêm các rào chắn để giảm thiểu những rủi ro này. Tất cả những điều này có thể yêu cầu nhóm của bạn phải có những kỹ năng mới như kỹ thuật nhanh chóng và thiết kế đàm thoại. Đôi khi, điều đó cũng có nghĩa là thực hiện những hành động phản trực giác, như hạ thấp giá trị để quản lý kỳ vọng của người dùng và gây thêm xung đột để giúp họ có nhiều quyền kiểm soát và minh bạch hơn.
• Sự cường điệu về AI tạo ra áp lực. Nhiều công ty đặt xe trước ngựa bằng cách nhảy vào triển khai những triển khai chưa được khách hàng và nhu cầu thị trường xác nhận. Thỉnh thoảng sử dụng từ thông dụng AI có thể giúp bạn tiếp thị và định vị mình là một doanh nghiệp tiến bộ và sáng tạo, nhưng về lâu dài, bạn sẽ cần hỗ trợ tiếng vang và thử nghiệm của mình bằng những cơ hội thực sự. Điều này có thể đạt được nhờ sự phối hợp chặt chẽ giữa kinh doanh và công nghệ, dựa trên việc lập bản đồ rõ ràng các cơ hội từ phía thị trường tới tiềm năng công nghệ.

Trong bài viết này, chúng tôi sẽ xây dựng một mô hình tinh thần cho các hệ thống AI tích hợp các khía cạnh khác nhau này (xem hình 1). Nó khuyến khích các nhà xây dựng suy nghĩ một cách tổng thể, hiểu rõ ràng về sản phẩm mục tiêu của họ và cập nhật sản phẩm đó với những hiểu biết và thông tin đầu vào mới trong quá trình thực hiện. Mô hình này có thể được sử dụng như một công cụ để dễ dàng cộng tác, điều chỉnh các quan điểm đa dạng trong và ngoài nhóm AI, đồng thời xây dựng các sản phẩm thành công dựa trên tầm nhìn chung. Nó có thể được áp dụng không chỉ cho các sản phẩm mới do AI điều khiển mà còn cho các tính năng AI được tích hợp vào các sản phẩm hiện có.

Các phần sau đây sẽ mô tả ngắn gọn từng thành phần, tập trung vào các phần dành riêng cho sản phẩm AI. Chúng ta sẽ bắt đầu với góc độ kinh doanh - cơ hội và giá trị từ phía thị trường - sau đó đi sâu vào UX và công nghệ. Để minh họa mô hình, chúng tôi sẽ sử dụng ví dụ đang chạy về một người điều khiển phụ để tạo nội dung tiếp thị.

Nếu nội dung giáo dục chuyên sâu này hữu ích cho bạn, bạn có thể đăng ký vào danh sách gửi thư nghiên cứu AI của chúng tôi để được cảnh báo khi chúng tôi phát hành tài liệu mới. 

1. cơ hội

Với tất cả những điều thú vị mà bạn có thể làm với AI hiện nay, bạn có thể nóng lòng muốn bắt tay vào xây dựng. Tuy nhiên, để xây dựng thứ gì đó mà người dùng của bạn cần và yêu thích, bạn nên hỗ trợ sự phát triển của mình bằng cơ hội thị trường. Trong thế giới lý tưởng, cơ hội đến với chúng ta từ những khách hàng cho chúng ta biết họ cần hoặc muốn gì.[1] Đây có thể là những nhu cầu chưa được đáp ứng, những điểm khó khăn hoặc mong muốn. Bạn có thể tìm kiếm thông tin này trong phản hồi của khách hàng hiện tại, chẳng hạn như trong đánh giá sản phẩm và ghi chú từ nhóm bán hàng và thành công của bạn. Ngoài ra, đừng quên bản thân bạn với tư cách là một người dùng tiềm năng của sản phẩm - nếu bạn đang nhắm đến một vấn đề mà chính bạn đã gặp phải thì lợi thế về thông tin này là một lợi thế bổ sung. Ngoài ra, bạn cũng có thể tiến hành nghiên cứu khách hàng một cách chủ động bằng các công cụ như khảo sát và phỏng vấn.

Ví dụ: tôi không cần phải nhìn quá xa để thấy được những khó khăn trong việc tiếp thị nội dung đối với các công ty khởi nghiệp cũng như các công ty lớn hơn. Tôi đã tự mình trải nghiệm điều đó - khi sự cạnh tranh ngày càng gia tăng, việc phát triển khả năng lãnh đạo tư tưởng với nội dung chất lượng cao, thường xuyên và (!) Ngày càng trở nên quan trọng hơn để tạo sự khác biệt. Trong khi đó, với một nhóm nhỏ và bận rộn, sẽ luôn có những việc trên bàn dường như quan trọng hơn việc viết bài đăng blog trong tuần. Tôi cũng thường gặp những người trong mạng lưới của mình đang gặp khó khăn trong việc thiết lập thói quen tiếp thị nội dung nhất quán. Những quan sát “cục bộ” có khả năng sai lệch này có thể được xác thực bằng các cuộc khảo sát vượt ra ngoài mạng lưới của một người và xác nhận thị trường rộng hơn cho một giải pháp.

Thế giới thực phức tạp hơn một chút và không phải lúc nào khách hàng cũng đến với bạn để đưa ra những cơ hội mới và được xây dựng tốt. Đúng hơn, nếu bạn duỗi râu ra, cơ hội sẽ đến với bạn từ nhiều hướng, chẳng hạn như:

• Định vị thị trường: AI là xu hướng — đối với các doanh nghiệp đã thành lập, nó có thể được sử dụng để củng cố hình ảnh của một doanh nghiệp là sáng tạo, công nghệ cao, có tương lai, v.v. Ví dụ: nó có thể nâng tầm một đại lý tiếp thị hiện tại lên thành dịch vụ được hỗ trợ bởi AI và phân biệt nó với các đối thủ cạnh tranh. Tuy nhiên, đừng làm AI vì lợi ích của AI. Thủ thuật định vị phải được áp dụng một cách thận trọng và kết hợp với các cơ hội khác - nếu không, bạn có nguy cơ mất uy tín.
• Đối thủ cạnh tranh: Khi đối thủ cạnh tranh của bạn thực hiện một động thái, có khả năng là họ đã thực hiện nghiên cứu và xác nhận cơ bản. Hãy nhìn lại chúng sau một thời gian - sự phát triển của chúng có thành công không? Sử dụng thông tin này để tối ưu hóa giải pháp của riêng bạn, áp dụng những phần thành công và giải quyết những sai sót. Ví dụ: giả sử bạn đang quan sát một đối thủ cạnh tranh đang cung cấp dịch vụ tạo nội dung tiếp thị hoàn toàn tự động. Người dùng nhấp vào “nút lớn màu đỏ” và AI sẽ tiến hành viết và xuất bản nội dung. Sau một số nghiên cứu, bạn biết rằng người dùng ngần ngại sử dụng sản phẩm này vì họ muốn giữ quyền kiểm soát nhiều hơn đối với quy trình và đóng góp kiến ​​thức chuyên môn cũng như cá tính của họ vào bài viết. Xét cho cùng, viết lách còn là sự thể hiện bản thân và sự sáng tạo của cá nhân. Đây là lúc để bạn tiếp tục sử dụng một công cụ đa năng cung cấp chức năng và cấu hình phong phú để định hình nội dung của bạn. Nó nâng cao hiệu quả của người dùng đồng thời cho phép họ “đưa” mình vào quy trình bất cứ khi nào họ muốn.
• Quy định: các xu hướng lớn như gián đoạn công nghệ và toàn cầu hóa buộc các cơ quan quản lý phải thắt chặt các yêu cầu của họ. Các quy định tạo ra áp lực và là nguồn cơ hội chống đạn. Ví dụ: hãy tưởng tượng một quy định được đưa ra yêu cầu nghiêm ngặt mọi người phải quảng cáo nội dung do AI tạo ra như vậy. Những công ty đã sử dụng các công cụ để tạo nội dung AI sẽ biến mất trong các cuộc thảo luận nội bộ về việc họ có muốn điều này hay không. Nhiều người trong số họ sẽ kiềm chế vì họ muốn duy trì hình ảnh của một nhà lãnh đạo có tư tưởng thực sự, thay vì tạo ra bản tóm tắt rõ ràng do AI tạo ra. Giả sử bạn thông minh và đã chọn giải pháp tăng cường cung cấp cho người dùng đủ quyền kiểm soát để họ có thể vẫn là “tác giả” chính thức của văn bản. Khi hạn chế mới được đưa ra, bạn được miễn nhiễm và có thể lao về phía trước để tận dụng quy định, trong khi các đối thủ cạnh tranh của bạn với các giải pháp hoàn toàn tự động sẽ cần thời gian để phục hồi sau thất bại.
• Công nghệ cho phép: Các công nghệ mới nổi và những bước nhảy vọt đáng kể trong các công nghệ hiện có, chẳng hạn như làn sóng AI thế hệ mới vào năm 2022–23, có thể mở ra những cách thức mới để thực hiện mọi việc hoặc đưa các ứng dụng hiện có lên một tầm cao mới. Giả sử bạn đã điều hành một công ty tiếp thị truyền thống trong thập kỷ qua. Giờ đây, bạn có thể bắt đầu giới thiệu các giải pháp và giải pháp AI vào doanh nghiệp của mình để tăng hiệu quả làm việc của nhân viên, phục vụ nhiều khách hàng hơn với các nguồn lực hiện có và tăng lợi nhuận của bạn. Bạn đang xây dựng dựa trên chuyên môn, danh tiếng hiện có và cơ sở khách hàng (hy vọng là thiện chí), vì vậy việc giới thiệu các cải tiến AI có thể suôn sẻ hơn và ít rủi ro hơn so với đối với người mới.

Cuối cùng, trong thế giới sản phẩm hiện đại, các cơ hội thường ít rõ ràng và ít hình thức hơn và có thể được xác nhận trực tiếp trong các thử nghiệm, điều này giúp tăng tốc độ phát triển của bạn. Do đó, trong quá trình tăng trưởng dựa trên sản phẩm, các thành viên trong nhóm có thể đưa ra giả thuyết của riêng mình mà không cần tranh luận chặt chẽ dựa trên dữ liệu. Những giả thuyết này có thể được xây dựng theo kiểu từng phần, chẳng hạn như sửa đổi lời nhắc hoặc thay đổi bố cục cục bộ của một số thành phần UX, giúp chúng dễ dàng triển khai, triển khai và thử nghiệm. Bằng cách loại bỏ áp lực để cung cấp một ưu tiên dữ liệu cho mỗi đề xuất mới, phương pháp này tận dụng trực giác và trí tưởng tượng của tất cả các thành viên trong nhóm đồng thời thực thi xác thực trực tiếp các đề xuất. Giả sử rằng quá trình tạo nội dung của bạn diễn ra suôn sẻ, nhưng bạn ngày càng nghe thấy nhiều lời phàn nàn về sự thiếu minh bạch và khả năng giải thích chung của AI. Bạn quyết định triển khai mức độ minh bạch bổ sung và hiển thị cho người dùng của mình các tài liệu cụ thể đã được sử dụng để tạo một phần nội dung. Nhóm của bạn thử nghiệm tính năng này với một nhóm người dùng và nhận thấy rằng họ rất vui khi sử dụng tính năng này để truy tìm nguồn thông tin ban đầu. Vì vậy, bạn quyết định thiết lập nó trong sản phẩm cốt lõi để tăng mức độ sử dụng và sự hài lòng.

2. Giá trị

Để hiểu và truyền đạt giá trị của sản phẩm hoặc tính năng AI, trước tiên bạn cần ánh xạ nó tới trường hợp sử dụng - một vấn đề kinh doanh cụ thể mà nó sẽ giải quyết - và tìm ra ROI (lợi tức đầu tư). Điều này buộc bạn phải rời xa công nghệ và tập trung vào lợi ích phía người dùng của giải pháp. ROI có thể được đo theo các kích thước khác nhau. Đối với AI, một số trong số đó là:

• Tăng hiệu quả: AI có thể là yếu tố thúc đẩy năng suất của các cá nhân, nhóm và toàn bộ công ty. Ví dụ: để tạo nội dung, bạn có thể thấy rằng thay vì mất 4–5 giờ thường cần để viết một bài đăng trên blog [2], giờ đây bạn có thể thực hiện việc đó trong 1–2 giờ và dành thời gian bạn tiết kiệm cho các công việc khác. Hiệu quả đạt được thường đi đôi với việc tiết kiệm chi phí, vì cần ít nỗ lực của con người hơn để thực hiện cùng một lượng công việc. Vì vậy, trong bối cảnh kinh doanh, lợi ích này hấp dẫn cả người dùng và lãnh đạo.
• Trải nghiệm cá nhân hóa hơn: Ví dụ: công cụ tạo nội dung của bạn có thể yêu cầu người dùng đặt các thông số của công ty họ như thuộc tính thương hiệu, thuật ngữ, lợi ích sản phẩm, v.v. Ngoài ra, công cụ này có thể theo dõi các chỉnh sửa do một người viết cụ thể thực hiện và điều chỉnh các thế hệ của họ cho phù hợp với cách viết độc đáo phong cách của người dùng này theo thời gian.
• Vui vẻ và niềm vui: Ở đây, chúng ta đi sâu vào khía cạnh cảm xúc của việc sử dụng sản phẩm, còn được Don Norman gọi là cấp độ “nội tạng” [3]. Toàn bộ danh mục sản phẩm mang tính giải trí và vui chơi đều tồn tại trong nhóm B2C, như trò chơi và Thực tế tăng cường. Còn B2B thì sao - bạn có cho rằng các sản phẩm B2B tồn tại trong môi trường chân không chuyên nghiệp vô trùng không? Trên thực tế, loại hình này có thể tạo ra phản ứng cảm xúc mạnh mẽ hơn B2C.[4] Ví dụ, viết có thể được coi là một hành động thỏa mãn để thể hiện bản thân hoặc như một cuộc đấu tranh nội tâm với những trở ngại của người viết và các vấn đề khác. Hãy suy nghĩ về cách sản phẩm của bạn có thể củng cố những cảm xúc tích cực của một nhiệm vụ đồng thời giảm bớt hoặc thậm chí thay đổi những khía cạnh khó khăn của nó.
• Tiện: Người dùng của bạn cần làm gì để tận dụng sức mạnh kỳ diệu của AI? Hãy tưởng tượng việc tích hợp công cụ tạo nội dung phụ của bạn vào các công cụ cộng tác phổ biến như MS Office, Google Docs và Notion. Người dùng sẽ có thể tiếp cận trí thông minh và hiệu quả của sản phẩm của bạn mà không cần phải rời khỏi “ngôi nhà” kỹ thuật số thoải mái của họ. Do đó, bạn giảm thiểu nỗ lực mà người dùng cần thực hiện để trải nghiệm giá trị của sản phẩm và tiếp tục sử dụng sản phẩm, điều này sẽ thúc đẩy khả năng thu hút và chấp nhận của người dùng.

Một số lợi ích của AI - ví dụ như hiệu quả - có thể được định lượng trực tiếp cho ROI. Đối với những lợi ích ít hữu hình hơn như sự thuận tiện và niềm vui, bạn sẽ cần nghĩ đến các số liệu proxy như sự hài lòng của người dùng. Hãy nhớ rằng suy nghĩ về giá trị của người dùng cuối sẽ không chỉ thu hẹp khoảng cách giữa người dùng và sản phẩm của bạn. Là một tác dụng phụ đáng hoan nghênh, nó có thể làm giảm chi tiết kỹ thuật trong thông tin liên lạc công khai của bạn. Điều này sẽ ngăn bạn vô tình mời sự cạnh tranh không mong muốn vào bữa tiệc.

Cuối cùng, khía cạnh cơ bản của giá trị mà bạn nên cân nhắc sớm là tính bền vững. Giải pháp của bạn tác động đến xã hội và môi trường như thế nào? Trong ví dụ của chúng tôi, việc tạo nội dung tự động hoặc tăng cường có thể thay thế và loại bỏ khối lượng công việc trên quy mô lớn của con người. Bạn có thể không muốn bị coi là kẻ giết người trong toàn bộ danh mục công việc - xét cho cùng, điều này không chỉ đặt ra những câu hỏi về đạo đức mà còn gây ra sự phản kháng từ phía những người dùng có công việc mà bạn đang đe dọa. Hãy suy nghĩ về cách bạn có thể giải quyết những nỗi sợ hãi này. Ví dụ: bạn có thể hướng dẫn người dùng về cách họ có thể sử dụng hiệu quả thời gian rảnh mới để thiết kế các chiến lược tiếp thị phức tạp hơn nữa. Những điều này có thể tạo ra một con hào phòng thủ ngay cả khi các đối thủ cạnh tranh khác bắt kịp việc tạo nội dung tự động.

3. Dữ liệu

Đối với bất kỳ loại AI và học máy nào, bạn cần thu thập và chuẩn bị dữ liệu của mình để dữ liệu phản ánh đầu vào thực tế và cung cấp đủ tín hiệu học tập cho mô hình của bạn. Ngày nay, chúng ta thấy xu hướng hướng tới AI tập trung vào dữ liệu - một triết lý AI không còn liên tục điều chỉnh và tối ưu hóa các mô hình mà tập trung vào việc khắc phục nhiều vấn đề trong dữ liệu được đưa vào các mô hình này. Khi bạn bắt đầu, có nhiều cách khác nhau để có được một tập dữ liệu phù hợp:

• Bạn có thể sử dụng tập dữ liệu hiện có. Đây có thể là tập dữ liệu học máy tiêu chuẩn hoặc tập dữ liệu có mục đích ban đầu khác mà bạn điều chỉnh cho phù hợp với nhiệm vụ của mình. Có một số tập dữ liệu kinh điển, chẳng hạn như Bộ dữ liệu đánh giá phim IMDB để phân tích tình cảm và Tập dữ liệu MNIST để nhận dạng ký tự viết tay. Có nhiều lựa chọn thay thế kỳ lạ và thú vị hơn, như Bắt cá trái phép và Nhận dạng giống chóvà vô số bộ dữ liệu do người dùng quản lý trên các trung tâm dữ liệu như Kaggle. Khả năng bạn sẽ tìm thấy tập dữ liệu được tạo cho nhiệm vụ cụ thể và đáp ứng hoàn toàn yêu cầu của bạn là khá thấp và trong hầu hết các trường hợp, bạn cũng sẽ cần phải sử dụng các phương pháp khác để làm phong phú dữ liệu của mình.
• Bạn có thể chú thích hoặc tạo dữ liệu theo cách thủ công để tạo ra các tín hiệu học tập phù hợp. Chú thích dữ liệu thủ công - ví dụ: chú thích văn bản có điểm cảm tính - là phương pháp được áp dụng trong những ngày đầu của học máy. Gần đây, nó đã lấy lại được sự chú ý khi trở thành nguyên liệu chính trong món nước sốt bí mật của ChatGPT. Một nỗ lực thủ công lớn đã được dành cho việc tạo và xếp hạng các phản hồi của mô hình để phản ánh sở thích của con người. Kỹ thuật này còn được gọi là Học tăng cường từ phản hồi của con người (RLHF). Nếu có các tài nguyên cần thiết, bạn có thể sử dụng chúng để tạo dữ liệu chất lượng cao cho các nhiệm vụ cụ thể hơn, chẳng hạn như tạo nội dung tiếp thị. Việc chú thích có thể được thực hiện nội bộ hoặc sử dụng nhà cung cấp bên ngoài hoặc dịch vụ cung cấp dịch vụ cộng đồng như Amazon Mechanical Turk. Dù sao đi nữa, hầu hết các công ty sẽ không muốn tiêu tốn nguồn lực khổng lồ cần thiết cho việc tạo dữ liệu RLHF theo cách thủ công và sẽ xem xét một số thủ thuật để tự động hóa việc tạo dữ liệu của họ.
• Vì vậy, bạn có thể thêm nhiều ví dụ hơn vào tập dữ liệu hiện có bằng cách sử dụng tăng dữ liệu. Đối với các nhiệm vụ đơn giản hơn như phân tích tình cảm, bạn có thể đưa thêm một số tiếng ồn vào văn bản, thay đổi một vài từ, v.v. Đối với các nhiệm vụ thế hệ mở hơn, hiện có rất nhiều người quan tâm đến việc sử dụng các mô hình lớn (ví dụ: các mô hình cơ bản) để tự động hóa. tạo dữ liệu đào tạo. Khi đã xác định được phương pháp tốt nhất để tăng cường dữ liệu của mình, bạn có thể dễ dàng mở rộng quy mô để đạt được kích thước tập dữ liệu cần thiết.

Khi tạo dữ liệu, bạn phải đối mặt với sự đánh đổi giữa chất lượng và số lượng. Bạn có thể chú thích ít dữ liệu hơn theo cách thủ công với chất lượng cao hoặc dành ngân sách của mình để phát triển các thủ thuật và thủ thuật nhằm tăng cường dữ liệu tự động sẽ tạo ra thêm tiếng ồn. Nếu bạn sử dụng chú thích thủ công, bạn có thể thực hiện việc đó trong nội bộ và định hình văn hóa chi tiết và chất lượng hoặc cung cấp công việc cho những người ẩn danh. Crowdsourcing thường có chất lượng thấp hơn, vì vậy bạn có thể cần chú thích nhiều hơn để bù lại tiếng ồn. Làm thế nào để bạn tìm thấy sự cân bằng lý tưởng? Không có công thức sẵn có nào ở đây - cuối cùng, bạn sẽ tìm thấy thành phần dữ liệu lý tưởng của mình thông qua việc chuyển đổi qua lại liên tục giữa đào tạo và nâng cao dữ liệu của mình. Nói chung, khi đào tạo trước một mô hình, nó cần thu thập kiến ​​thức từ đầu, điều này chỉ có thể xảy ra với lượng dữ liệu lớn hơn. Mặt khác, nếu bạn muốn tinh chỉnh và hoàn thiện những bước chuyên môn hóa cuối cùng cho một mô hình lớn hiện có, bạn có thể coi trọng chất lượng hơn số lượng. Chú thích thủ công có kiểm soát của một tập dữ liệu nhỏ sử dụng các hướng dẫn chi tiết có thể là giải pháp tối ưu trong trường hợp này.

4. thuật toán

Dữ liệu là nguyên liệu thô mà mô hình của bạn sẽ học từ đó và hy vọng bạn có thể biên soạn một tập dữ liệu tiêu biểu, chất lượng cao. Giờ đây, siêu năng lực thực sự của hệ thống AI của bạn - khả năng học hỏi từ dữ liệu hiện có và khái quát hóa dữ liệu mới - nằm trong thuật toán. Về các mô hình AI cốt lõi, có ba tùy chọn chính mà bạn có thể sử dụng:

• Nhắc một mô hình hiện có. LLM nâng cao (Mô hình ngôn ngữ lớn) của dòng GPT, chẳng hạn như ChatGPT và GPT-4, cũng như từ các nhà cung cấp khác như Anthropic và AI21 Labs đều có sẵn để suy luận thông qua API. Với lời nhắc, bạn có thể nói chuyện trực tiếp với các mô hình này, bao gồm trong lời nhắc của bạn tất cả thông tin về miền và nhiệm vụ cụ thể cần thiết cho một nhiệm vụ. Điều này có thể bao gồm nội dung cụ thể sẽ được sử dụng, ví dụ về các nhiệm vụ tương tự (nhắc nhở vài lần chụp) cũng như hướng dẫn để mô hình tuân theo. Ví dụ: nếu người dùng của bạn muốn tạo một bài đăng blog về một tính năng sản phẩm mới, bạn có thể yêu cầu họ cung cấp một số thông tin cốt lõi về tính năng đó, chẳng hạn như lợi ích và trường hợp sử dụng, cách sử dụng, ngày ra mắt, v.v. Sau đó, sản phẩm của bạn sẽ điền thông tin này vào một mẫu lời nhắc được tạo cẩn thận và yêu cầu LLM tạo văn bản. Nhắc nhở là điều tuyệt vời để bắt đầu làm quen với các mô hình được đào tạo trước. Tuy nhiên, cái hào mà bạn có thể xây dựng với sự nhắc nhở sẽ nhanh chóng mỏng đi theo thời gian - trong trung hạn, bạn cần một chiến lược mô hình có tính phòng thủ cao hơn để duy trì lợi thế cạnh tranh của mình.
• Tinh chỉnh một mô hình được đào tạo trước. Cách tiếp cận này đã khiến AI trở nên phổ biến trong những năm qua. Khi ngày càng có nhiều mô hình được đào tạo trước và các cổng như Huggingface cung cấp kho mô hình cũng như mã tiêu chuẩn để làm việc với các mô hình, việc tinh chỉnh đang trở thành phương pháp nên thử và triển khai. Khi làm việc với một mô hình được đào tạo trước, bạn có thể hưởng lợi từ khoản đầu tư mà ai đó đã thực hiện vào dữ liệu, đào tạo và đánh giá mô hình vốn đã “biết” rất nhiều thứ về ngôn ngữ và thế giới. Tất cả những gì bạn cần làm là tinh chỉnh mô hình bằng cách sử dụng tập dữ liệu dành riêng cho nhiệm vụ, tập dữ liệu này có thể nhỏ hơn nhiều so với tập dữ liệu được sử dụng ban đầu để đào tạo trước. Ví dụ: để tạo nội dung tiếp thị, bạn có thể thu thập một tập hợp các bài đăng trên blog hoạt động tốt về mặt tương tác và thiết kế ngược các hướng dẫn cho những bài đăng này. Từ dữ liệu này, mô hình của bạn sẽ tìm hiểu về cấu trúc, quy trình và phong cách của các bài viết thành công. Tinh chỉnh là cách tốt nhất khi sử dụng các mô hình nguồn mở, nhưng các nhà cung cấp API LLM như OpenAI và Cohere cũng đang ngày càng cung cấp chức năng tinh chỉnh. Đặc biệt đối với phiên bản nguồn mở, bạn vẫn cần phải xem xét các vấn đề về lựa chọn mô hình, chi phí đào tạo và triển khai các mô hình lớn hơn cũng như lịch trình bảo trì và cập nhật mô hình của bạn.
• Huấn luyện mô hình ML của bạn từ đầu. Nói chung, cách tiếp cận này hoạt động tốt đối với các vấn đề đơn giản hơn nhưng có tính cụ thể cao mà bạn có bí quyết cụ thể hoặc bộ dữ liệu phù hợp. Việc tạo nội dung không hẳn thuộc loại này - nó đòi hỏi khả năng ngôn ngữ nâng cao để giúp bạn bắt đầu và bạn chỉ có thể có được những khả năng này sau khi đào tạo về lượng dữ liệu cực lớn. Các vấn đề đơn giản hơn như phân tích cảm xúc cho một loại văn bản cụ thể thường có thể được giải quyết bằng các phương pháp học máy đã được thiết lập như hồi quy logistic, vốn ít tốn kém về mặt tính toán hơn các phương pháp học sâu thông thường. Tất nhiên, cũng có nền tảng trung gian của các vấn đề khá phức tạp như trích xuất khái niệm cho các miền cụ thể mà bạn có thể cân nhắc việc đào tạo một mạng lưới thần kinh sâu ngay từ đầu.

Ngoài việc đào tạo, việc đánh giá có tầm quan trọng hàng đầu để sử dụng thành công học máy. Các số liệu và phương pháp đánh giá phù hợp không chỉ quan trọng để tự tin ra mắt các tính năng AI của bạn mà còn đóng vai trò là mục tiêu rõ ràng để tối ưu hóa hơn nữa và là nền tảng chung cho các cuộc thảo luận và quyết định nội bộ. Mặc dù các số liệu kỹ thuật như độ chính xác, khả năng thu hồi và độ chính xác có thể mang lại điểm khởi đầu tốt, nhưng cuối cùng, bạn sẽ muốn tìm kiếm các số liệu phản ánh giá trị thực tế mà AI của bạn đang mang lại cho người dùng.

5. Trải nghiệm người dùng

Trải nghiệm người dùng đối với các sản phẩm AI là một chủ đề hấp dẫn - xét cho cùng, người dùng có nhiều hy vọng nhưng cũng lo ngại về việc “hợp tác” với một AI có thể tăng cường sức mạnh và có khả năng vượt trội hơn trí thông minh của họ. Việc thiết kế mối quan hệ hợp tác giữa con người và AI này đòi hỏi một quá trình thiết kế và khám phá chu đáo và hợp lý. Một trong những điều cần cân nhắc chính là mức độ tự động hóa mà bạn muốn cấp cho sản phẩm của mình — và xin lưu ý rằng, tự động hóa hoàn toàn không phải lúc nào cũng là giải pháp lý tưởng. Hình dưới đây minh họa quá trình tự động hóa liên tục:

Chúng ta hãy xem xét từng cấp độ sau:

• Trong giai đoạn đầu tiên, con người thực hiện tất cả công việc và không có sự tự động hóa nào được thực hiện. Bất chấp sự cường điệu xung quanh AI, hầu hết các nhiệm vụ đòi hỏi nhiều kiến ​​thức trong các công ty hiện đại vẫn được thực hiện ở cấp độ này, mang đến những cơ hội lớn cho tự động hóa. Ví dụ: người viết nội dung chống lại các công cụ do AI điều khiển và bị thuyết phục rằng viết ở đây là một công việc thủ công mang phong cách riêng và mang tính thủ công cao.
• Trong giai đoạn thứ hai của AI được hỗ trợ, người dùng có toàn quyền kiểm soát việc thực hiện nhiệm vụ và thực hiện phần lớn công việc theo cách thủ công, nhưng các công cụ AI giúp họ tiết kiệm thời gian và bù đắp những điểm yếu của mình. Ví dụ: khi viết một bài đăng trên blog với thời hạn chặt chẽ, việc kiểm tra ngôn ngữ cuối cùng bằng Grammarly hoặc một công cụ tương tự có thể trở thành một cách tiết kiệm thời gian đáng hoan nghênh. Nó có thể loại bỏ việc sửa đổi thủ công, vốn đòi hỏi rất nhiều thời gian và sự chú ý khan hiếm của bạn, đồng thời vẫn có thể khiến bạn mắc lỗi và bỏ sót - xét cho cùng, mắc lỗi là do con người.
• Với trí thông minh tăng cường, AI là đối tác nâng cao trí thông minh của con người, từ đó tận dụng thế mạnh của cả hai thế giới. So với AI được hỗ trợ, máy có nhiều điều để nói hơn trong quy trình của bạn và đảm nhận nhiều trách nhiệm hơn, như lên ý tưởng, tạo và chỉnh sửa bản nháp cũng như kiểm tra ngôn ngữ cuối cùng. Người dùng vẫn cần tham gia vào công việc, đưa ra quyết định và thực hiện các phần của nhiệm vụ. Giao diện người dùng phải chỉ rõ sự phân bổ lao động giữa con người và AI, nêu bật các khả năng xảy ra lỗi và cung cấp sự minh bạch cho các bước mà nó thực hiện. Nói tóm lại, trải nghiệm “tăng cường” hướng dẫn người dùng đến kết quả mong muốn thông qua việc lặp lại và sàng lọc.
• Và cuối cùng, chúng tôi có hệ thống tự động hóa hoàn toàn — một ý tưởng hấp dẫn dành cho những người đam mê AI, các nhà triết học và các chuyên gia, nhưng thường không phải là lựa chọn tối ưu cho các sản phẩm đời thực. Tự động hóa hoàn toàn có nghĩa là bạn đang cung cấp một “nút lớn màu đỏ” để bắt đầu quá trình. Sau khi AI hoàn tất, người dùng của bạn sẽ phải đối mặt với kết quả cuối cùng và lấy nó hoặc bỏ nó. Bất cứ điều gì xảy ra ở giữa họ đều không thể kiểm soát được. Như bạn có thể tưởng tượng, các tùy chọn UX ở đây khá hạn chế vì hầu như không có tính tương tác. Phần lớn trách nhiệm mang lại thành công đặt lên vai các đồng nghiệp kỹ thuật của bạn, những người cần đảm bảo chất lượng đầu ra đặc biệt cao.

Các sản phẩm AI cần được xử lý đặc biệt khi thiết kế. Giao diện đồ họa tiêu chuẩn mang tính xác định và cho phép bạn thấy trước tất cả các đường dẫn có thể mà người dùng có thể đi. Ngược lại, các mô hình AI lớn mang tính xác suất và không chắc chắn - chúng bộc lộ nhiều khả năng đáng kinh ngạc nhưng cũng có những rủi ro như đầu ra độc hại, sai sót và có hại. Nhìn từ bên ngoài, giao diện AI của bạn có thể trông đơn giản vì nhiều khả năng của sản phẩm nằm trực tiếp trong mô hình. Ví dụ: LLM có thể diễn giải các lời nhắc, tạo văn bản, tìm kiếm thông tin, tóm tắt nó, áp dụng một phong cách và thuật ngữ nhất định, thực hiện các hướng dẫn, v.v. Ngay cả khi giao diện người dùng của bạn là một giao diện trò chuyện hoặc nhắc nhở đơn giản, đừng bỏ qua tiềm năng này — để dẫn dắt người dùng đến thành công, bạn cần phải rõ ràng và thực tế. Giúp người dùng nhận thức được khả năng và hạn chế của các mô hình AI của bạn, cho phép họ dễ dàng phát hiện và sửa các lỗi do AI gây ra, đồng thời hướng dẫn họ cách tự lặp lại để đạt được kết quả đầu ra tối ưu. Bằng cách nhấn mạnh sự tin cậy, tính minh bạch và giáo dục người dùng, bạn có thể khiến người dùng của mình cộng tác với AI. Mặc dù việc đi sâu vào lĩnh vực thiết kế AI mới nổi nằm ngoài phạm vi của bài viết này, nhưng tôi thực sự khuyến khích bạn tìm kiếm nguồn cảm hứng không chỉ từ các công ty AI khác mà còn từ các lĩnh vực thiết kế khác như tương tác giữa người và máy. Bạn sẽ sớm xác định được một loạt các mẫu thiết kế định kỳ, chẳng hạn như tự động hoàn thành, đề xuất nhanh chóng và thông báo AI mà bạn có thể tích hợp vào giao diện của riêng mình để tận dụng tối đa dữ liệu và mô hình của mình.

Hơn nữa, để mang đến một thiết kế thực sự tuyệt vời, bạn có thể cần bổ sung các kỹ năng thiết kế mới cho nhóm của mình. Ví dụ: nếu bạn đang xây dựng một ứng dụng trò chuyện để sàng lọc nội dung tiếp thị, bạn sẽ làm việc với một nhà thiết kế hội thoại, người phụ trách các luồng hội thoại và “tính cách” của chatbot của bạn. Nếu bạn đang xây dựng một sản phẩm tăng cường phong phú cần hướng dẫn và hướng dẫn người dùng kỹ lưỡng về các tùy chọn có sẵn thì nhà thiết kế nội dung có thể giúp bạn xây dựng loại kiến ​​trúc thông tin phù hợp, đồng thời thêm lượng nhắc nhở và nhắc nhở phù hợp cho người dùng của bạn.

Và cuối cùng, hãy cởi mở với những điều bất ngờ. Thiết kế AI có thể khiến bạn suy nghĩ lại những quan niệm ban đầu của mình về trải nghiệm người dùng. Ví dụ: nhiều nhà thiết kế UX và người quản lý sản phẩm đã được đào tạo để giảm thiểu độ trễ và ma sát nhằm mang lại trải nghiệm mượt mà cho người dùng. Chà, trong các sản phẩm AI, bạn có thể tạm dừng cuộc chiến này và sử dụng cả hai để có lợi cho mình. Độ trễ và thời gian chờ đợi rất tốt cho việc giáo dục người dùng của bạn, ví dụ: bằng cách giải thích những gì AI hiện đang làm và chỉ ra các bước tiếp theo có thể thực hiện được từ phía họ. Sự gián đoạn, chẳng hạn như cửa sổ bật lên đối thoại và thông báo, có thể gây ra xích mích để củng cố mối quan hệ đối tác giữa con người và AI, đồng thời tăng tính minh bạch và khả năng kiểm soát cho người dùng của bạn.

6. Yêu cầu phi chức năng

Ngoài dữ liệu, thuật toán và UX cho phép bạn triển khai một chức năng cụ thể, những cái gọi là yêu cầu phi chức năng (NFR) như độ chính xác, độ trễ, khả năng mở rộng, độ tin cậy và quản trị dữ liệu sẽ đảm bảo rằng người dùng thực sự nhận được giá trị đã hình dung. Khái niệm NFR xuất phát từ quá trình phát triển phần mềm nhưng chưa được tính đến một cách có hệ thống trong lĩnh vực AI. Thông thường, những yêu cầu này được đưa ra theo kiểu đặc biệt khi chúng xuất hiện trong quá trình người dùng nghiên cứu, lên ý tưởng, phát triển và vận hành các khả năng AI.

Bạn nên cố gắng hiểu và xác định NFR của mình càng sớm càng tốt vì các NFR khác nhau sẽ xuất hiện ở những thời điểm khác nhau trong hành trình của bạn. Ví dụ: quyền riêng tư cần được xem xét ngay từ bước đầu tiên trong việc lựa chọn dữ liệu. Độ chính xác nhạy cảm nhất trong giai đoạn sản xuất khi người dùng bắt đầu sử dụng hệ thống của bạn trực tuyến, điều này có thể khiến hệ thống bị choáng ngợp bởi những thông tin đầu vào không mong muốn. Khả năng mở rộng là yếu tố cần cân nhắc mang tính chiến lược khi doanh nghiệp của bạn mở rộng quy mô số lượng người dùng và/hoặc yêu cầu hoặc phạm vi chức năng được cung cấp.

Khi nói đến NFR, bạn không thể có tất cả. Dưới đây là một số sự đánh đổi điển hình mà bạn sẽ cần phải cân bằng:

• Một trong những phương pháp đầu tiên để tăng độ chính xác là sử dụng mô hình lớn hơn, điều này sẽ ảnh hưởng đến độ trễ.
• Sử dụng dữ liệu sản xuất “nguyên trạng” để tối ưu hóa hơn nữa có thể là cách tốt nhất cho việc học nhưng có thể vi phạm các quy tắc về quyền riêng tư và ẩn danh của bạn.
• Các mô hình có khả năng mở rộng cao hơn là những mô hình tổng quát, điều này ảnh hưởng đến độ chính xác của chúng đối với các nhiệm vụ cụ thể của công ty hoặc người dùng.

Cách bạn ưu tiên các yêu cầu khác nhau sẽ phụ thuộc vào tài nguyên tính toán sẵn có, khái niệm UX của bạn bao gồm mức độ tự động hóa và tác động của các quyết định được AI hỗ trợ.

Những điểm chính

1. Bắt đầu với kết thúc trong tâm trí: Đừng cho rằng chỉ có công nghệ mới làm được việc; bạn cần một lộ trình rõ ràng để tích hợp AI của mình vào sản phẩm hướng tới người dùng và hướng dẫn người dùng về lợi ích, rủi ro và hạn chế của nó.
2. Liên kết thị trường: Ưu tiên các cơ hội thị trường và nhu cầu của khách hàng để định hướng phát triển AI. Đừng vội vàng triển khai AI do cường điệu hóa và không có xác nhận từ phía thị trường.
3. Giá trị người dùng: Xác định, định lượng và truyền đạt giá trị của các sản phẩm AI về mặt hiệu quả, cá nhân hóa, tiện lợi và các khía cạnh giá trị khác.
4. Chất lượng dữ liệu: Tập trung vào chất lượng dữ liệu và mức độ phù hợp để đào tạo các mô hình AI một cách hiệu quả. Cố gắng sử dụng dữ liệu nhỏ, chất lượng cao để tinh chỉnh và các tập dữ liệu lớn hơn để đào tạo lại từ đầu.
5. Lựa chọn thuật toán/mô hình: Chọn mức độ phức tạp và khả năng phòng thủ phù hợp (nhắc nhở, tinh chỉnh, đào tạo từ đầu) cho trường hợp sử dụng của bạn và đánh giá cẩn thận hiệu suất của nó. Theo thời gian, khi bạn có được kiến ​​thức chuyên môn cần thiết và sự tự tin về sản phẩm của mình, bạn có thể muốn chuyển sang các chiến lược mô hình nâng cao hơn.
6. Thiết kế lấy người dùng làm trung tâm: Thiết kế các sản phẩm AI phù hợp với nhu cầu và cảm xúc của người dùng, cân bằng giữa tự động hóa và kiểm soát của người dùng. Hãy lưu ý đến “tính không thể đoán trước” của các mô hình AI xác suất và hướng dẫn người dùng của bạn làm việc với nó và hưởng lợi từ nó.
7. hợp tác thiết kế: Bằng cách nhấn mạnh vào sự tin cậy, tính minh bạch và giáo dục người dùng, bạn có thể khiến người dùng của mình cộng tác với AI.
8. những yêu cầu phi lý: Xem xét các yếu tố như độ chính xác, độ trễ, khả năng mở rộng và độ tin cậy trong suốt quá trình phát triển và cố gắng sớm đánh giá sự cân bằng giữa các yếu tố này.
9. SỰ HỢP TÁC: Thúc đẩy sự hợp tác chặt chẽ giữa các chuyên gia AI, nhà thiết kế, giám đốc sản phẩm và các thành viên khác trong nhóm để hưởng lợi từ trí thông minh liên ngành và tích hợp thành công AI của bạn.

dự án

[1] Teresa Torres (2021). Thói quen khám phá liên tục: Khám phá những sản phẩm tạo ra giá trị cho khách hàng và giá trị doanh nghiệp.

[2] Truyền thông quỹ đạo (2022). Thống kê blog mới: Chiến lược nội dung nào hiệu quả vào năm 2022? Chúng tôi đã hỏi 1016 Blogger.

[3] Don Norman (2013). Các thiết kế của những thứ hàng ngày.

[4] Google, Gartner và Motista (2013). Từ quảng cáo đến cảm xúc: Kết nối khách hàng B2B với thương hiệu.

Lưu ý: Tất cả hình ảnh là của tác giả.

Bài viết này ban đầu được xuất bản vào Hướng tới khoa học dữ liệu và được xuất bản lại lên TOPBOTS với sự cho phép của tác giả.

Thưởng thức bài viết này? Đăng ký để cập nhật thêm nghiên cứu AI.

Chúng tôi sẽ cho bạn biết khi chúng tôi phát hành thêm các bài viết tóm tắt như thế này.

Sản phẩm liên quan

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Ô tô / Xe điện, Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• ChartPrime. Nâng cao trò chơi giao dịch của bạn với ChartPrime. Truy cập Tại đây.
• BlockOffsets. Hiện đại hóa quyền sở hữu bù đắp môi trường. Truy cập Tại đây.
• nguồn: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/