برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
در اوج رونق dot-com ، اضافه کردن “.com” به نام یک شرکت برای ارسال قیمت سهام خود کافی بود-حتی اگر این تجارت هیچ مشتری ، درآمد یا مسیر سودآوری نداشته باشد. امروز ، تاریخ خود را تکرار می کند. مبادله “.com” برای “AI” ، و داستان به نظر می رسد کاملاً آشنا است.
شرکت ها در حال مسابقه هستند تا “AI” را در عرشه های زمین ، توضیحات محصول و نام دامنه خود بپیچند ، به امید سوار شدن به اعتیاد به مواد مخدره. همانطور که توسط Domain Name Stat گزارش شده است ، ثبت نام برای دامنه های “.ai” در سال 2024 حدود 77.1 ٪ افزایش یافته است ، که توسط استارتاپ ها و افراد مؤسسه به طور یکسان با عجله برای ارتباط خود با هوش مصنوعی-چه از مزیت هوش مصنوعی واقعی برخوردار باشند یا خیر.
اواخر دهه 1990 یک چیز را روشن کرد: استفاده از فناوری دستیابی به موفقیت کافی نیست. شرکت هایی که از تصادف Dot-com جان سالم به در بردند ، تعقیب اعتیاد به مواد مخدره نبودند-آنها در حال حل مشکلات واقعی و مقیاس بودند.
AI هیچ تفاوتی ندارد. این صنایع را تغییر شکل می دهد ، اما برندگان نمی توانند آن دسته از “هوش مصنوعی” را در یک صفحه فرود قرار دهند – آنها کسانی خواهند بود که از طریق اعتیاد به مواد مخدره قطع می شوند و روی آنچه مهم است تمرکز می کنند.
اولین قدم ها؟ کوچک را شروع کنید ، گوه و مقیاس خود را به عمد پیدا کنید.
کوچک شروع کنید: گوه خود را قبل از مقیاس پیدا کنید
یکی از پر هزینه ترین اشتباهات دوره Dot-com تلاش کرد خیلی زود پیش برود-یک درس سازندگان محصول AI امروز نمی توانند از پس آن برآیند.
مثلاً eBay را بگیرید. این کار به عنوان یک سایت حراج آنلاین ساده برای کلکسیون ها آغاز شد – با شروع چیزی به اندازه توزیع کننده PEZ. کاربران اولیه آن را دوست داشتند زیرا این یک مشکل بسیار خاص را حل می کرد: این سرگرمی هایی که نتوانستند یکدیگر را به صورت آفلاین پیدا کنند. تنها پس از تسلط بر آن عمودی اولیه ، eBay به دسته های گسترده تری مانند الکترونیک ، مد و در نهایت تقریباً هر چیزی که امروز می توانید خریداری کنید ، گسترش می یابد.
آن را با Webvan ، یکی دیگر از راه اندازی های ERA Dot-Com با یک استراتژی بسیار متفاوت مقایسه کنید. Webvan با هدف انقلابی در خرید مواد غذایی با سفارش آنلاین و تحویل سریع خانه – همه به یکباره ، در چندین شهر. این صدها میلیون دلار قبل از اینکه تقاضای مشتری زیادی داشته باشد ، در ساخت انبارهای گسترده و ناوگان تحویل پیچیده هزینه می کرد. هنگامی که رشد به اندازه کافی سریع تحقق پیدا نکرد ، این شرکت تحت وزن خود فرو ریخت.
این الگوی واضح است: با یک نیاز کاربر تیز و خاص ، شروع کنید. روی یک گوه باریک تمرکز کنید که می توانید بر آن مسلط شوید. فقط هنگامی که اثبات تقاضای شدید را دارید گسترش دهید.
برای سازندگان محصول هوش مصنوعی ، این به معنای مقاومت در برابر اصرار به ساختن “هوش مصنوعی است که همه چیز را انجام می دهد”. به عنوان مثال ، یک ابزار AI مولد را برای تجزیه و تحلیل داده ها در نظر بگیرید. آیا مدیران محصول ، طراحان یا دانشمندان داده را هدف قرار می دهید؟ آیا شما برای افرادی که SQL را نمی شناسند ، افرادی که تجربه محدود یا تحلیلگران فصلی دارند ، می سازید؟
هر یک از این کاربران نیازها ، گردش کار و انتظارات بسیار متفاوتی دارند. شروع با یک گروه باریک و تعریف شده-مانند مدیران پروژه فنی (PMS) با تجربه محدود SQL که برای هدایت تصمیمات محصول نیاز به بینش سریع دارند-به شما امکان می دهد کاربر خود را عمیقاً درک کنید ، تجربه را خوب تنظیم کرده و چیزی را واقعاً ضروری بسازید. از آنجا ، می توانید عمداً به شخصیت های مجاور یا قابلیت ها گسترش دهید. در مسابقه ساخت محصولات Gen AI ماندگار ، برندگان کسانی نخواهند بود که به یکباره به همه خدمت می کنند – آنها کسانی خواهند بود که کوچک را شروع می کنند و به کسی فوق العاده خوب خدمت می کنند.
صاحب داده های خود را داشته باشید: قابلیت انعطاف پذیری ترکیبی را زود بسازید
شروع کوچک به شما کمک می کند تا بازار محصول را پیدا کنید. اما هنگامی که کشش را بدست آورید ، اولویت بعدی شما ایجاد مقاومت در برابر – و در دنیای ژنرال AI است ، این به معنای داشتن داده های شما است.
شرکت هایی که از رونق Dot-Com جان سالم به در بردند ، فقط کاربران را ضبط نکردند-آنها داده های اختصاصی را ضبط کردند. به عنوان مثال آمازون در فروش کتاب متوقف نشد. آنها خریدها و دیدگاه های محصول را برای بهبود توصیه ها ردیابی کردند ، سپس از داده های سفارش منطقه ای برای بهینه سازی تحقق استفاده کردند. آنها با تجزیه و تحلیل الگوهای خرید در شهرها و کدهای زیپ ، آنها تقاضا را پیش بینی کردند ، انبارهای انباشته شده مسیرهای حمل و نقل باهوش تر و ساده-که پایه و اساس تحویل دو روزه نخست را فراهم می کند ، یک مزیت مهم رقبا نمی تواند مطابقت داشته باشد. هیچکدام از این موارد بدون استراتژی داده پخته شده از روز اول در محصول امکان پذیر نبود.
گوگل مسیری مشابه را دنبال کرد. هر پرس و جو ، کلیک و تصحیح به داده های آموزشی برای بهبود نتایج جستجو تبدیل شد – و بعداً ، تبلیغات. آنها فقط موتور جستجو نمی ساختند. آنها یک حلقه بازخورد در زمان واقعی ایجاد کردند که دائماً از کاربران یاد می گرفتند و باعث ایجاد یک خندق می شوند که نتایج آنها را به دست می آورد و ضرب و شتم را سخت تر می کند.
درس برای سازندگان محصول Gen AI واضح است: مزیت بلند مدت از دسترسی به یک مدل قدرتمند ناشی نمی شود-از ساخت حلقه های داده اختصاصی که با گذشت زمان محصول آنها را بهبود می بخشد ، حاصل می شود.
امروز ، هر کسی که منابع کافی دارد می تواند یک مدل زبان بزرگ منبع باز (LLM) را تنظیم کند یا برای دسترسی به API پرداخت کند. آنچه بسیار سخت تر-و بسیار با ارزش تر-جمع آوری داده های تعامل کاربر با سیگنال بالا و واقعی است که با گذشت زمان ترکیب می شود.
اگر در حال ساخت یک محصول Gen AI هستید ، باید زودتر از سؤالات مهم بپرسید:
- با تعامل کاربران با ما ، چه داده های منحصر به فردی را ضبط خواهیم کرد؟
- چگونه می توانیم حلقه های بازخورد را طراحی کنیم که به طور مداوم محصول را پالایش می کنند؟
- آیا داده های خاص دامنه وجود دارد که بتوانیم آنها را جمع آوری کنیم (از نظر اخلاقی و ایمن) که رقبا از آن برخوردار نیستند؟
به عنوان مثال ، Duolingo را بگیرید. با GPT-4 ، آنها فراتر از شخصی سازی اساسی بوده اند. ویژگی هایی مانند “توضیح پاسخ من” و بازی نقش آیی بازی ، تعامل کاربر غنی تر را ایجاد می کند-نه تنها پاسخ ها ، بلکه چگونگی فکر کردن و مکالمه زبان آموزان. Duolingo این داده ها را با هوش مصنوعی خود ترکیب می کند تا این تجربه را اصلاح کند ، و ایجاد یک مزیت رقبا به راحتی نمی تواند مطابقت داشته باشد.
در دوره Gen AI ، داده ها باید مزیت ترکیب شما باشند. شرکت هایی که محصولات خود را برای ضبط و یادگیری از داده های اختصاصی طراحی می کنند ، شرکت هایی خواهند بود که زنده مانده و رهبری می کنند.
نتیجه گیری: این یک ماراتن است ، نه یک اسپرینت
دوران DOT-COM به ما نشان داد که اعتیاد به مواد مخدره سریع محو می شود ، اما اصول ماندگار می شود. Gen Ai Boom هیچ تفاوتی ندارد. شرکت هایی که شکوفا می شوند ، افرادی نخواهند بود که عناوین را تعقیب می کنند – آنها کسانی خواهند بود که مشکلات واقعی را حل می کنند ، با نظم و انضباط و ساختن خرگوش واقعی.
آینده هوش مصنوعی متعلق به سازندگانی خواهد بود که می دانند این یک ماراتن است – و این کار را برای اجرای آن دارد.
Kailiang Fu یک مدیر محصول هوش مصنوعی در Uber است.