Вопрос: в каком продукте должно использоваться машинное обучение (ML)? Ответ руководителя проекта: да. Однако шутки в сторону, с появлением генеративного ИИ наш взгляд на возможные сценарии использования машинного обучения значительно изменился. Ранее машинное обучение часто использовалось для обработки повторяющихся, прогностических шаблонов в клиентском опыте, но теперь стало возможным применять ML даже в случаях, когда нет полноценного обучающего набора данных.
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:
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.
Больше интересного – на медиапортале https://www.cta.ru/