Тем не менее, вопрос «Какие потребности клиента требуют решения с искусственным интеллектом?» не всегда сводится к простому «да». Например, большие языковые модели (LLM) все еще могут быть очень дорогими для некоторых пользователей, и, как и все модели ML, они не всегда отличаются высокой точностью. В некоторых случаях использование ML может не быть оптимальным решением для достижения целей клиента. Как же менеджерам проектов в области ИИ оценивать потребности клиентов и решать, стоит ли внедрять ИИ?
Основные соображения при принятии решения:
- Входные и выходные данные, необходимые для удовлетворения потребностей клиента:
Входные данные поступают от клиента в продукт, а выходные данные генерируются продуктом. Например, в случае с плейлистом, сгенерированным Spotify ML, входными данными будут предпочтения клиента, а также «понравившиеся» песни, исполнители и музыкальные жанры. Выходные данные — сам сгенерированный плейлист. - Комбинации входных и выходных данных:
Потребности клиентов могут различаться в зависимости от того, хотят ли они получать одинаковый или разные результаты для одинаковых или разных входных данных. Чем больше вариантов комбинаций необходимо обрабатывать в масштабах, тем более вероятно, что нам стоит использовать машинное обучение вместо системы, основанной на правилах. - Закономерности в данных:
Если в комбинациях входных и выходных данных присутствуют закономерности (например, в процессе анализа анекдотов для оценки тональности), предпочтительнее использовать контролируемые или полуконтролируемые модели машинного обучения. Это может быть более экономически выгодно по сравнению с использованием LLM, которые могут быть дорогими и требовать больше вычислительных ресурсов. - Стоимость и точность:
Использование LLM может быть дорогим, особенно в масштабах, а точность выходных данных не всегда может быть высокой, несмотря на тонкую настройку и оптимизацию. В таких случаях может быть выгоднее использовать модели машинного обучения, такие как нейронные сети, которые классифицируют входные данные с помощью фиксированного набора меток, или же даже системы, основанные на правилах.
Таблица для оценки потребностей клиента:
|
Тип потребности клиента |
Пример |
Реализация машинного обучения (да/нет/в зависимости от обстоятельств) |
Тип реализации машинного обучения |
|
Повторяющиеся задачи с одинаковыми результатами для одинаковых входных данных |
Добавление адреса электронной почты в формы |
Нет |
Система на основе правил подходит для этого типа задачи. |
|
Повторяющиеся задачи с разными результатами для одинаковых входных данных |
Ожидание нового опыта от клиента (например, создание произведений искусства одним кликом) |
Да |
Генерация изображений с помощью LLM, алгоритмы рекомендаций |
|
Повторяющиеся задачи с одинаковыми результатами для разных входных данных |
Оценка эссе, создание тем на основе отзывов |
Зависит |
Использование классификаторов или тематического моделирования, если есть закономерности. В противном случае — LLM, но для разовых задач. |
|
Повторяющиеся задачи с разными результатами для разных входных данных |
Ответы на вопросы службы поддержки, поиск |
Да |
Использование LLM с извлечением и дополняющей генерацией (RAG), деревья решений для поиска |
|
Неповторяющиеся задачи с разными выходными данными |
Отзывы о отелях и ресторанах |
Да |
Идеально подходят рекуррентные нейронные сети (RNN), сети с долгосрочной памятью (LSTM) или LLM для генерации текстов и анализа. |
Вывод:
Не стоит использовать сложные и дорогие решения, когда можно обойтись более простыми инструментами. Оцените потребности клиентов, используя предложенную таблицу, и определите, какой тип машинного обучения подходит для вашего продукта, учитывая стоимость и точность данных.
Если вам понравился материал, кликните значок - вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал - не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
