生成式AI的出现,给产品领域的设计带来了一些新机会,许多AI产品也随之出现。那么如果你想让手头负责的AI产品实现落地,大致需要遵循什么样的流程呢?一起来看看本文的分享。
这里说的AI,主要是ChatGPT带火的这一波生成式AI。其他类型的AI,例如自然语言处理、计算机视觉已经搞了很多年。ChatGPT这一波,让各个互联网大厂纷纷加强AI方面的投入(当然,很多产品并不是只能用一种人工智能,往往是采用多种技术)。
目前,各个大厂和AI相关的产品职位,主要以下几种:
大模型基于大模型进一步开发的一些中台产品,例如客服、虚拟数字人将AI与某个场景结合
接下来,我们详细盘点AI产品的工作流程:
一、了解 AI 技术
技术现状:目前公司已有的技术以及还没有但市面上已经有的技术;技术边界:各技术可以达到的效果;可应用的业务场景:对哪些业务有帮助。
二、需求分析
1)需求场景是否合理
2)是否一定要用AI来解决,解决什么程度
有时不需要AI准确率等指标达到一个非常高的标准,要根据业务场景实际需求,来明确AI需要达到的效果(效果要求越高,往往成本越大,大部分时候够用即可)。
3)AI实现的大致方法
明确问题和算法类型:识别检测、语音识别、图像生成,大模型生成等;部署,是用离线还是云服务的方式。
4)评估AI可以实现效果的上下限
可根据经验预估,具体需要回去找算法工程师沟通确认。
5)评估成本收益
成本:AI的训练成本、维护成本等;收益:可以促进哪些业务指标提升。
三、预研阶段
1. 定义标准
与业务产品以及算法工程师,共同制定一个可衡量的标准,而不是凭感觉、算法实现。
策略类:明确特征规则;模型类:标注数据,训练模型。
2. 产出demo
如果demo没有达到要求,则重复以上步骤,需要产品与算法工程师多次沟通,循环迭代,直到满足预期的上线效果和性能。
效果,如:准确率、召回率等指标;性能,如:模型大小,耗时,并发量等。
四、接入业务流程
云服务,还是离线?部署到CPU还是GPU上?语音类:流式,还是段式?生成类:是否需要敏感词过滤?注意边界和异常情况,可能需要做业务兜底,如:算法服务未返回的固定话术。
五、线上效果评估与迭代
1. 效果
评估AI算法的效果;评估业务指标的效果;用户的反溃
2. 迭代
筛选 badcase,针对性解决;收集线上数据,进行标注训练。
专栏作家
本文原创发布于人人都是产品经理,未经许可,禁止转载。
题图来自Unsplash,基于CC0协议