Apa kelebihan AI? Pertanyaan apa yang harus Anda ajukan selama fase penelitian? Bagaimana seharusnya Anda mempersiapkan persyaratan bisnis untuk tim pengembangan?

Ada beberapa cara perusahaan menjadi tertarik pada AI:

• Mereka berbicara dengan pengguna, mempelajari masalah, dan mengumpulkan persyaratan. Dan sampai pada kesimpulan bahwa AI adalah alat yang paling cocok untuk menyelesaikan masalah tersebut.
• Atau mereka memulai penelitian dengan pertanyaan seperti “Bagaimana kita bisa memanfaatkan AI untuk keuntungan kita?” atau “Bagaimana teknologi ini, yang dibicarakan semua orang, dapat membantu pengguna kami?”

Dalam kedua kasus tersebut, manajer produk perlu menjawab pertanyaan dasar untuk menentukan persyaratan.

Bagian 1. Masalah dan Peluang

Bagaimana AI Dapat Membantu Klien Anda?

AI dapat memecahkan berbagai masalah: mengoptimalkan tugas yang berulang, membantu pengambilan keputusan, dan membuat keputusan secara mandiri. Jika pengguna Anda menghadapi beberapa masalah berikut, AI mungkin bisa menjadi solusi yang tepat:

1. Apakah ada pekerjaan non-kreatif yang memakan waktu dan dilakukan pengguna secara berulang-ulang?

Setiap kali ahli radiologi IDEXX menemui pasien baru, mereka menghabiskan sekitar 30 detik untuk mengatur ulang dan mengelompokkan hasil pemindaian. Ini tidak hanya membuang-buang waktu tetapi juga tugas menjengkelkan yang harus dilakukan oleh para spesialis berkali-kali dalam sehari.

2. Apakah ada tugas yang memerlukan pengecekan ulang karena kesalahan?

Saat saya menulis postingan ini, saya mengandalkan Tata Bahasa dan algoritme AI untuk membantu saya.

3. Apakah pengguna Anda menghabiskan banyak waktu untuk memberi label data secara manual atau membuat aturan yang rumit untuk data tersebut?

Klien memiliki ratusan sumber data dan jutaan tabel. Biasanya, data tidak berlabel dan sulit ditemukan. Pengelola data menghabiskan banyak waktu untuk memberi label data secara manual dan menulis aturan pelabelan.

Algoritme AI Atacama mengenali pola dalam data, belajar dari tindakan pengguna, dan membantu pengelola data dalam memberi label atau mengotomatiskannya sepenuhnya. Ini menyelamatkan pengguna dari menelusuri kumpulan data satu per satu dan tidak memerlukan aturan penulisan.

4. Dapatkah bantuan membuat pengguna atau seluruh organisasi menjadi lebih efisien?

Pada tahun 2016, Rumah Sakit Mata Moorfields memiliki 7 ribu rujukan mendesak bagi orang-orang yang berada dalam bahaya kehilangan penglihatan. Pasien harus menunggu hingga 6 minggu sebelum menemui dokter spesialis karena banyaknya janji temu. Ternyata hanya 800 dari 7K referral yang mendesak.

DeepMind menciptakan algoritme untuk membantu dokter mata dalam menganalisis pemindaian guna mendiagnosis kasus-kasus mendesak dan mengurangi jumlah kerusakan. Kini ia bekerja pada tingkat pakar dunia.

5. Apakah ada tugas tambahan yang harus diselesaikan pengguna untuk melakukan pekerjaan utamanya?

Analis data menghabiskan hingga 60% waktunya untuk mencari dan menyiapkan data sebelum mereka dapat memulai analisis sebenarnya. Hal ini tidak hanya mahal bagi perusahaan, tetapi juga merupakan tugas yang membosankan bagi para analis. AI dapat mengurangi tugas-tugas ini menggunakan NLU dan pengenalan pola.

6. Apakah pengguna harus menganalisis data dan mengambil keputusan berulang kali, berkali-kali dalam sehari?

Dalam asuransi, AI digunakan untuk menghitung harga kerusakan berdasarkan gambar sebuah mobil. Dilatih menggunakan perpustakaan foto-foto dari kecelakaan masa lalu, AI memperkirakan biaya perbaikan. AI meminimalkan waktu tunggu pembayaran dan mengurangi pekerjaan pemeriksa asuransi.

7. Apakah klien mempunyai sistem berbasis aturan?

AI akan berlebihan jika diterapkan pada aturan sederhana, namun jika pengguna Anda membuat aturan kompleks dengan lusinan kondisi yang berubah seiring waktu, mereka akan mendapat manfaat dari algoritme pembelajaran mandiri. Contoh: Deteksi spam, segmentasi, pencarian, rekomendasi.

8. Apakah ada sistem yang harus mereka pantau dan periksa secara rutin?

Pembelajaran mesin pandai menemukan pola dan anomali dalam pola ini. Jika tugas pengguna Anda adalah memastikan semuanya berfungsi (keamanan, penipuan, serangan cyber, kegagalan sistem, hasil medis), deteksi anomali dapat membantu mereka mengenali anomali dengan lebih cepat dan bahkan menemukan anomali yang tidak terlihat oleh mata manusia.

9. Apakah mereka harus menyesuaikan pekerjaan untuk kliennya?

Dukungan pelanggan, kampanye pemasaran, bot obrolan, sistem reservasi dapat diotomatisasi jika terdapat cukup informasi tentang pelanggan dan interaksi mereka sebelumnya dengan suatu layanan.

Konten pemasaran dihasilkan oleh algoritme. Mereka menggunakan informasi tentang pembelian sebelumnya dan daftar keinginan pelanggan untuk mempersonalisasi materi pemasaran.

10. Apakah ada perantara antara sistem Anda dan pengguna akhir?

Ini adalah kenyataan yang terjadi di banyak organisasi besar. Misalnya, untuk membuat keputusan bisnis, manajer dan ahli strategi memerlukan akses terhadap data. Seringkali mereka harus meminta data dari rekan mereka yang lebih paham teknologi di departemen TI. Mungkin diperlukan waktu berminggu-minggu atau berbulan-bulan hingga data tersedia.

Mengizinkan orang yang kurang teknis untuk berinteraksi dengan produk dalam bahasa alami dapat mengubah pengalaman kerja mereka.

11. Apakah ada masalah dan tugas yang berubah seiring berjalannya waktu?

Harga yang dinamis, navigasi, logistik, rantai pasokan, dan persediaan adalah contoh masalah yang berubah seiring waktu. Salah satu klien Atacama adalah kelompok rumah sakit besar. Mereka menggunakan data untuk memperkirakan berapa banyak ambulans yang mereka butuhkan pada waktu tertentu dan di lokasi tertentu berdasarkan waktu, minggu dan tahun, cuaca, peristiwa, polusi udara, lalu lintas, dan banyak faktor perubahan lainnya.

12. Apakah ada informasi yang mungkin mengubah bisnis pengguna Anda yang saat ini tidak tersedia?

untuk mengungkap hal yang tidak terduga kemungkinan bisnis. “Kalau saja kita tahu berapa banyak ambulans yang kita butuhkan pada waktu tertentu”, “Kalau saja kita tahu kapan harus menyalakan TV untuk melihat momen terpenting dalam pertandingan”.“Seandainya kita tahu ____”

Contoh dari penyiar kriket Australia. Pertandingan kriket bisa memakan waktu hingga 5 hari. Untuk menang, sebuah tim harus mengambil 20 gawang. Sekitar setengah menit momen bermakna dari 30 jam. Andai saja penggemar tahu kapan sesuatu yang menarik akan terjadi dan bisa diberitahu. Foxtel melatih algoritme AI mereka, Monty, pada video bersejarah kriket dan mengajarkannya untuk memprediksi peluang terjadinya gawang. Monty memanggil pengguna untuk menyaksikan gawang jatuh.

Apakah AI adalah Alat yang Tepat untuk Mengatasi Masalah ini?

Daftar periksa untuk mengenali tanda bahaya di awal:

1. Apakah Anda memiliki akses ke data? Bisakah Anda memperoleh data yang Anda perlukan? Apakah pengguna bersedia membagikan datanya? Data apa yang ingin mereka berikan?

2. Apakah Anda memiliki izin untuk menggunakan data tersebut? Apakah ada peraturan yang harus Anda patuhi?

3. Bisakah Anda memastikan data pengguna aman?

4. Dapatkah Anda memastikan data tersebut dapat dipercaya dan terkini?

5. Apakah itu layak? Mengumpulkan data, menjaganya tetap dalam bentuk, membuat model, serta menguji dan mengulanginya memakan waktu dan uang. Apakah Anda punya tim? Apa trade-offnya? Mungkin Anda perlu memperbarui modelnya setiap hari dan itu terlalu luas.

6. Bisakah kamu menyelesaikan soal dengan aturan dan logika sederhana?

Bagian 2. Penelitian

Setelah masalah terdefinisi, saatnya untuk tahap penelitian. Tujuannya adalah untuk mengumpulkan persyaratan dan mempelajari kendala.

Menjawab pertanyaan-pertanyaan berikut akan membentuk ruang lingkup dan desain:

1. Siapa penggunanya?

Apa keahlian mereka? Apakah mereka paham teknologi? Nilai apa yang mereka harapkan dari produk ini? Seberapa familiar mereka dengan produk berbasis AI?

2. Memahami sikap pengguna terhadap penggunaan data

Apakah pengguna bersedia membagikan datanya? Data apa yang ingin mereka berikan dan data apa yang tidak mereka berikan? Apakah terdapat kebijakan dan peraturan di seluruh perusahaan atau industri? Apa yang dianggap etis/tidak etis?

3. Identifikasi konteks di mana pengguna akan menggunakan produk

Di lingkungan manakah masalah terjadi? Apa yang mereka lakukan sebelum dan sesudahnya? Jenis alat apa yang mereka gunakan? Dengan siapa mereka berinteraksi? Kebutuhan atau masalah apa lagi yang dapat terjadi pada waktu dan lingkungan yang sama?

4. Apa saja alat lain dalam alur kerja mereka?

Jika produk Anda merupakan bagian dari alur kerja, alat lain mungkin memengaruhi kebiasaan dan ekspektasi pengguna. Apakah mereka menggunakan AI dalam pekerjaan mereka? Jenis AI apa? Bagaimana mereka terbiasa berinteraksi dengan sistem berbasis AI lainnya. Apakah ada alat pelengkap yang harus Anda pertimbangkan?

5. Siapa saja pesaingnya?

Apakah mereka pesaing langsung? Mungkinkah klien Anda beralih dari satu alat ke alat lainnya? Berapa banyak uang dan tenaga yang harus dikeluarkan?

6. Apa tren industrinya?

Di dunia B2B dan perusahaan, tren dan laporan analitik dari perusahaan riset dan penasihat memiliki dampak yang besar. Sumber informasi apa yang mereka percayai? Apakah mereka bermitra dengan salah satu perusahaan penasihat?

7. Bagian pekerjaan apa yang dibanggakan atau enggan diotomatisasi oleh pengguna?

Otomatisasi kerja bisa menjadi topik yang sensitif. Bagaimana kami mengatasi ketakutan pengguna dan menjelaskan manfaat AI? Beberapa pekerjaan terkait dengan KPI dan bonus. Alat Anda mungkin mengotomatiskan atau menggantikan pekerjaan ini. Bagaimana Anda dapat membantu klien untuk beradaptasi tidak hanya dengan alat baru, namun juga dengan budaya baru di sekitarnya?

8. Tingkat otomatisasi apa yang harus Anda capai?

Haruskah Anda menginginkan sistem otonom atau kolaborasi antara AI dan manusia? Beberapa pengguna tugas akan melakukan outsourcing ke AI, namun ada aktivitas yang lebih disukai orang untuk dilakukan sendiri. Apa saja tugas-tugas ini?

Berapa banyak waktu dan uang yang dapat dihemat oleh otomatisasi penuh bagi klien Anda? Apakah itu layak? Apa kerugian dari otomatisasi penuh?

”Manusia Mengendalikan atau Mengotomatiskan Segalanya?

9. Tingkat akurasi apa yang diperlukan?

Berapa biaya kesalahannya? Dalam hal uang, waktu, reputasi, kesehatan, kesenangan, dan pengalaman. Apakah kesalahan dapat diterima? Apa konsekuensi dari hasil positif/negatif palsu terhadap tugas tersebut? Apakah klien Anda lebih suka mengalami kesalahan dalam prediksi daripada menyelesaikan tugas secara manual? Semakin akurat hasilnya, semakin sedikit prediksi yang dibuat oleh AI.

Dalam kasus dimana AI digunakan untuk menghitung harga kerusakan berdasarkan gambar mobil, berapa persentase waktu dimana AI dapat membuat estimasi yang salah namun tetap menghasilkan keuntungan? Berapa biayanya jika AI membutuhkan bantuan manusia setiap kali ia merasa tidak yakin?

10. Seberapa rinci hasil interpretasi/penjelasan yang diperlukan?

Apakah interpretasi penuh diwajibkan oleh hukum atau kebijakan? Misalnya, di perbankan, ketika permohonan hipotek ditolak, klien dapat menanyakan alasan pastinya.

Ada banyak eksperimen menggunakan AI dalam radiologi. Untuk membantu dokter, AI perlu menyediakan semua data dan menjelaskan logika di balik prediksi tersebut.

Di sisi lain, ketika Zillow memperkirakan nilai pasar suatu properti, Zillow tidak memberikan semua poin data atau menjelaskan algoritma yang mereka gunakan. Untuk pengguna, penjelasan singkatnya adalah “Kami menghitung perkiraan kisaran berdasarkan pasar saat ini dan informasi yang kami miliki tentang rumah ini”.

Informasi apa yang dibutuhkan klien Anda untuk memercayai prediksi atau mengambil keputusan berdasarkan saran AI?

11. Bagaimana Anda memastikan aliran data?

Jumlah data pelatihan adalah salah satu komponen terpenting untuk membangun sistem yang presisi. Saat mengerjakan solusi AI, mendapatkan data pelatihan awal dan mendukung aliran data berkelanjutan adalah tugas tim produk.

Teliti apakah Anda dapat memperkaya data Anda dengan kumpulan data publik dan mendapatkan wawasan baru. Apakah klien Anda memiliki data tambahan yang dapat Anda gunakan demi keuntungan mereka?

12. Seberapa sering hasil harus diperbarui?

Apakah prediksinya bisa dihitung terlebih dahulu atau harus diupdate setiap kali ada informasi baru (klik, suka, foto, scan)? Pertanyaan ini penting untuk persyaratan teknis.

13. Perhatikan gaya komunikasi pengguna

Berapa banyak jargon yang tepat, berapa banyak penjelasan yang mereka perlukan? Apakah pengguna Anda lebih suka memiliki asisten yang memiliki kepribadian atau akankah mereka lebih mempercayai angka dan persentase? Istilah apa yang dianggap standar industri dan apa yang memerlukan penjelasan tambahan? Kata-kata apa yang digunakan oleh orang berpengalaman dan pemula?

Bagian 3. Daftar Periksa Persyaratan Bisnis

Desain alur pengguna dan antarmuka bergantung pada kebutuhan bisnis, cakupan, dan kasus penggunaan yang diprioritaskan oleh manajemen produk. Baik tim desain maupun pengembangan memerlukan informasi berikut untuk mulai menangani suatu masalah:

✓ Siapa yang akan menggunakan produk/fitur Anda?

✓ Masalah apa yang ingin kita selesaikan?

✓ Jenis dampak apa yang ingin kami capai (kepuasan pengguna, mengurangi biaya, meminimalkan waktu, memaksimalkan keselamatan)?

✓ Asumsi dan hipotesis apa yang ingin kita uji?

✓ Apa saja prioritasnya?

✓ Kasus penggunaan yang berada di luar cakupan produk/fitur ini. Beberapa kasus penggunaan mungkin memerlukan biaya yang mahal untuk diselesaikan dan berdampak kecil pada klien.

✓ Metrik (uang, klik, tingkat konversi, tingkat keterlibatan manual).

✓ Strategi perolehan data dan metrik DQ.

✓ Orientasi pengguna.

✓ Peta Jalan. Seperti apa tampilan versi alfanya? Bagaimana fitur ini akan berkembang?

✓ Bagaimana produk akan diuji (memantau kinerja sistem, penerapan terhadap perubahan data atau perilaku pengguna, data, model, kegunaan)?

✓ Bagaimana cara kami mengumpulkan dan menangani masukan dari pengguna?

✓ Kendala yang diketahui (hukum, data, kepercayaan)?

✓ Apa saja potensi risikonya (bias dalam data, kurangnya data atau kepercayaan, risiko terhadap reputasi)?

✓ Bagaimana kita menjamin keamanan dan keselamatan (dari data buruk, manipulasi, pencurian)?

Kesimpulan

Menurut saya, hal nomor satu yang perlu dilakukan manajer produk adalah menyelaraskan masalah dan metrik penting bagi pengguna. Mengubah definisi masalah dan cakupan dalam pengembangan ML jauh lebih sulit dan dapat menimbulkan banyak masalah. Di sisi lain, kita mungkin kurang fokus pada detail karena sifat pengembangan ML yang berulang mendukung perubahan dan peningkatan.

Sumber

📝 Artikel

1. Membangun produk yang mengutamakan AI
2. Pembelajaran Mesin Berbasis Produk. Bagaimana sasaran bisnis membentuk proses pengembangan AI.
3. Pembelajaran Mesin untuk Manajer Produk
4. 3 Masalah Umum Pada Produk Machine Learning Anda dan Cara Memperbaikinya
5. Panduan PM Langkah-demi-Langkah untuk Membuat Produk Berbasis Pembelajaran Mesin
6. Cara Membuat Strategi Kecerdasan Buatan yang Sukses

▶ ️Video

1. Cara Menjadi PM Machine Learning yang Baik oleh Manajer Produk Google. Masalah apa yang dipecahkan oleh AI, contoh solusi, proses pengelolaan proyek AI.
2. Seperti Apa Pembelajaran Mesin untuk Manajer Produk oleh Google PM? Dasar-dasar AI untuk PM