Bergabunglah dengan buletin harian dan mingguan kami untuk pembaruan terbaru dan konten eksklusif tentang liputan AI terkemuka di industri. Pelajari lebih lanjut
Pertanyaan: Produk apa yang harus digunakan Machine Learning (ML)?
Jawaban Manajer Proyek: Ya.
Selain lelucon, munculnya AI generatif telah membalikkan pemahaman kita tentang kasus penggunaan apa yang paling cocok untuk ML. Secara historis, kami selalu memanfaatkan ML untuk pola prediktif yang dapat diulang dalam pengalaman pelanggan, tetapi sekarang, dimungkinkan untuk memanfaatkan bentuk ML bahkan tanpa seluruh dataset pelatihan.
Meskipun demikian, jawaban untuk pertanyaan “Apa yang dibutuhkan pelanggan membutuhkan solusi AI?” Masih tidak selalu “ya.” Model bahasa besar (LLM) masih bisa mahal untuk beberapa orang, dan seperti halnya semua model ML, LLM tidak selalu akurat. Akan selalu ada kasus penggunaan di mana memanfaatkan implementasi ML bukanlah jalur yang benar ke depan. Bagaimana cara kami sebagai manajer proyek AI mengevaluasi kebutuhan pelanggan kami untuk implementasi AI?
Pertimbangan utama untuk membantu membuat keputusan ini meliputi:
- Input dan output yang diperlukan untuk memenuhi kebutuhan pelanggan Anda: Input disediakan oleh pelanggan ke produk Anda dan output disediakan oleh produk Anda. Jadi, untuk daftar putar yang dihasilkan ML Spotify (output), input dapat mencakup preferensi pelanggan, dan lagu 'disukai', artis, dan genre musik.
- Kombinasi input dan output: Kebutuhan pelanggan dapat bervariasi berdasarkan apakah mereka menginginkan output yang sama atau berbeda untuk input yang sama atau berbeda. Semakin banyak permutasi dan kombinasi yang perlu kita tiru untuk input dan output, pada skala, semakin banyak kita perlu beralih ke sistem ML versus aturan.
- Pola input dan output: Pola dalam kombinasi input atau output yang diperlukan membantu Anda memutuskan jenis model ML apa yang perlu Anda gunakan untuk implementasi. Jika ada pola kombinasi input dan output (seperti meninjau anekdot pelanggan untuk mendapatkan skor sentimen), pertimbangkan model ML yang diawasi atau semi-diawasi lebih dari LLM karena mungkin lebih hemat biaya.
- Biaya dan Presisi: Panggilan LLM tidak selalu murah dalam skala dan output tidak selalu tepat/tepat, meskipun ada tuning dan rekayasa cepat. Kadang-kadang, Anda lebih baik dengan model yang diawasi untuk jaringan saraf yang dapat mengklasifikasikan input menggunakan set label tetap, atau bahkan sistem berbasis aturan, alih-alih menggunakan LLM.
Saya mengumpulkan tabel cepat di bawah ini, merangkum pertimbangan di atas, untuk membantu manajer proyek mengevaluasi kebutuhan pelanggan mereka dan menentukan apakah implementasi ML sepertinya jalan yang benar ke depan.
| Jenis kebutuhan pelanggan | Contoh | Implementasi ML (ya/tidak/tergantung) | Jenis Implementasi ML |
|---|---|---|---|
| Tugas berulang di mana pelanggan membutuhkan output yang sama untuk input yang sama | Tambahkan email saya di berbagai formulir secara online | TIDAK | Membuat sistem berbasis aturan lebih dari cukup untuk membantu Anda dengan output Anda |
| Tugas berulang di mana pelanggan membutuhkan output yang berbeda untuk input yang sama | Pelanggan berada dalam “Mode Penemuan” dan mengharapkan pengalaman baru ketika mereka mengambil tindakan yang sama (seperti masuk ke akun): – menghasilkan karya seni baru per klik —StumbleUpon (ingat itu?) Menemukan sudut baru Internet melalui pencarian acak | Ya | –Image Generation LLMS – Algoritma Commendation (Penyaringan Kolaboratif) |
| Tugas berulang di mana pelanggan membutuhkan output yang sama/serupa untuk input yang berbeda | –Shrading Essays –Menerasi tema dari umpan balik pelanggan | Bergantung | Jika jumlah kombinasi input dan output cukup sederhana, sistem berbasis aturan deterministik masih dapat bekerja untuk Anda. Namun, jika Anda mulai memiliki banyak kombinasi input dan output karena sistem berbasis aturan tidak dapat skala secara efektif, pertimbangkan condong pada: –Classifiers Tetapi hanya jika ada pola input ini. Jika tidak ada pola sama sekali, pertimbangkan memanfaatkan LLMS, tetapi hanya untuk skenario satu kali (karena LLM tidak setepat model yang diawasi). |
| Tugas berulang di mana pelanggan membutuhkan output yang berbeda untuk input yang berbeda | –Derererikan pertanyaan dukungan pelanggan -Mencari | Ya | Jarang menemukan contoh di mana Anda dapat memberikan output yang berbeda untuk input yang berbeda pada skala tanpa ML. Ada terlalu banyak permutasi untuk implementasi berbasis aturan untuk skala secara efektif. Mempertimbangkan: –Llms dengan generasi pengambilan-getaran (RAG) |
| Tugas non-berulang dengan output yang berbeda | Ulasan hotel/restoran | Ya | Pra-llms, jenis skenario ini sulit dicapai tanpa model yang dilatih untuk tugas-tugas tertentu, seperti: –Recurrent Neural Networks (RNNS) LLM sangat cocok untuk jenis skenario ini. |
Intinya: Jangan gunakan lightsaber ketika sepasang gunting sederhana bisa melakukan trik. Evaluasi kebutuhan pelanggan Anda menggunakan matriks di atas, dengan mempertimbangkan biaya implementasi dan ketepatan output, untuk membangun produk yang akurat dan hemat biaya pada skala.
Shianya Rao adalah manajer produk grup fintech. Pandangan yang diungkapkan dalam artikel ini adalah pandangan penulis dan tidak harus dari perusahaan atau organisasi mereka.
