راهنمای پیشرفته AI برای Product Managerها: از درک مفهومی تا تصمیم‌گیری محصولی

مقدمه

دنیای محصول در حال تغییر است، نه به خاطر یک ترند گذرا، بلکه به دلیل یک شیفت بنیادین در نحوه ساخت، ارائه و مصرف نرم‌افزار. هوش مصنوعی دیگر صرفاً یک قابلیت اضافه نیست؛ بلکه به‌تدریج در حال تبدیل شدن به لایه‌ای زیرساختی در طراحی محصول است. برای یک Product Manager، مسئله این نیست که آیا از AI استفاده کنیم یا نه، بلکه این است که کجا، چرا و چگونه از آن استفاده کنیم.

در شرکت‌هایی مثل پیشگامان لوتوس، این سؤال زمانی اهمیت بیشتری پیدا می‌کند که بخواهیم بین پیچیدگی تکنولوژی و ارزش واقعی برای کاربر تعادل برقرار کنیم. درک سطحی از AI ممکن است منجر به تصمیم‌های پرهزینه و کم‌اثر شود، در حالی که درک عمیق می‌تواند مزیت رقابتی ایجاد کند.

فهم واقعی AI: از انتزاع تا پیاده سازی

وقتی از هوش مصنوعی صحبت می‌کنیم، در واقع درباره یک انتزاع چندلایه حرف می‌زنیم. در سطح بالا، هوش مصنوعی به سیستم‌هایی اشاره دارد که قادرند وظایفی را انجام دهند که به‌طور سنتی نیازمند شناخت و درک انسانی بوده‌اند. اما برای یک مدیر محصول، این تعریف کافی نیست. مسئله اصلی این است که این «هوشمندی» چگونه ساخته می‌شود و چه محدودیت‌هایی دارد.

یادگیری ماشین در اینجا نقش هسته‌ای را ایفا می‌کند. به‌جای تعریف قوانین صریح، ما با مدلی سروکار داریم که از توزیع داده‌ها یاد می‌گیرد. این یعنی رفتار سیستم تابعی از داده است، نه صرفاً کد. همین نکته یک تغییر پارادایم مهم در طراحی محصول ایجاد می‌کند: شما دیگر فقط ویژگی  طراحی نمی‌کنید، بلکه رفتار برآمده  سیستم را مدیریت می‌کنید.

در این میان، مدل‌های زبانی بزرگ یک جهش کیفی ایجاد کرده‌اند. برخلاف مدل‌های سنتی که برای وظایف مشخص آموزش داده می‌شدند، LLMها ماهیتی عمومی دارند. آن‌ها نوعی بازنمایی فشرده از زبان، دانش و حتی تا حدی استدلال ارائه می‌دهند. برای مدیران محصول، این به معنای کاهش هزینه ساخت قابلیت‌های پیچیده است، اما در عین حال با افزایش عدم قطعیت در خروجی‌ها همراه است.

شکاف مفهومی بین Traditional AI و Generative AI

در هوش مصنوعی سنتی، معمولاً با مسائلی سروکار داریم که فضای پاسخ آن‌ها محدود و مشخص است. مدل‌ها کارهایی مانند دسته بندی، رگرسیون یا رتبه‌بندی انجام می‌دهند. حتی در صورت استفاده از یادگیری عمیق، هدف همچنان نگاشت نسبتاً مشخصی از ورودی به خروجی است. این یعنی می‌توان عملکرد سیستم را با معیارهای دقیق اندازه‌گیری کرد و رفتار آن تا حد زیادی قابل پیش‌بینی است.

اما هوش مصنوعی مولد اساساً متفاوت عمل می‌کند. این سیستم‌ها توزیع داده‌ها را یاد می‌گیرند و سپس از آن نمونه‌برداری می‌کنند. در نتیجه، خروجی دیگر یک پاسخ واحد نیست، بلکه فضایی از پاسخ‌های ممکن است. این تغییر، پیامدهای عمیقی برای طراحی محصول به همراه دارد.

برای مثال، در یک سیستم توصیه‌گر سنتی، می‌توان با بهینه‌سازی معیارهایی مانند نرخ کلیک  یا نرخ تبدیل پیش رفت. اما در یک سیستم مبتنی بر مدل‌های زبانی بزرگ، با مفاهیمی مانند انسجام، توهم‌زایی  و هم‌راستایی مواجه هستیم. این‌ها معیارهای کلاسیک نیستند و اندازه‌گیری آن‌ها به‌مراتب پیچیده‌تر است.

در پیشگامان لوتوس، اگر تصمیم به استفاده از هوش مصنوعی مولد گرفته شود، باید این واقعیت پذیرفته شود که سیستم دیگر قطعی  نیست. این به آن معناست که نیاز به طراحی سازوکارهای کنترلی ، راهکارهای جایگزین  و حضور انسان در حلقه تصمیم‌گیری به‌طور قابل‌توجهی افزایش می‌یابد.

AI به عنوان «قابلیت»، نه «ویژگی»

یکی از اشتباهات رایج در تیم‌های محصول این است که هوش مصنوعی را به‌عنوان یک ویژگی  مستقل در نظر می‌گیرند؛ چیزی شبیه «اضافه کردن یک چت‌بات». در حالی که در سطحی عمیق‌تر، هوش مصنوعی یک قابلیت  است که می‌تواند در لایه‌های مختلف محصول نفوذ کند و آن را متحول سازد.

برای مثال، یک سیستم جستجوی ساده می‌تواند به جستجوی معنایی  تبدیل شود؛ جایی که به‌جای تمرکز صرف بر کلمات کلیدی، نیت  کاربر درک می‌شود. یا یک سیستم پشتیبانی می‌تواند از مجموعه‌ای از پاسخ‌های از پیش تعریف‌شده، به یک سیستم تعاملی تبدیل شود که زمینه مکالمه را حفظ می‌کند و پاسخ‌های پویا ارائه می‌دهد.

نکته کلیدی این است که ارزش واقعی هوش مصنوعی معمولاً در جایگزینی کامل یک ویژگی نیست، بلکه در بهبود تدریجی تجربه کاربر در نقاط مختلف مسیر کاربر  شکل می‌گیرد. این یعنی مدیر محصول باید به‌جای فکر کردن در قالب ویژگی‌ها، در قالب رفتار کلی سیستم  فکر کند.

در پیشگامان لوتوس، این رویکرد می‌تواند به معنای بازطراحی تدریجی جریان‌های کاربری باشد، نه صرفاً اضافه کردن یک قابلیت جدید.

تصمیم‌گیری محصولی در مواجهه با AI

برای یک مدیر محصول، مهم‌ترین سؤال این نیست که «از چه مدل یا تکنولوژی استفاده کنیم»، بلکه این است که «آیا این مسئله اساساً با هوش مصنوعی بهتر حل می‌شود یا نه. »

بسیاری از مسائلی که به هوش مصنوعی نسبت داده می‌شوند، در واقع با سیستم‌های مبتنی بر قواعد ساده‌تر، ارزان‌تر و قابل‌پیش‌بینی‌تر قابل حل هستند. استفاده از هوش مصنوعی زمانی معنا پیدا می‌کند که پیچیدگی مسئله بالا باشد، داده کافی در دسترس باشد و سطحی از عدم قطعیت قابل‌پذیرش باشد.

همچنین باید به ساختار هزینه  توجه ویژه داشت. برخلاف نرم‌افزارهای سنتی که بخش عمده هزینه آن‌ها در ابتدای توسعه صرف می‌شود، سیستم‌های مبتنی بر هوش مصنوعی معمولاً هزینه عملیاتی قابل‌توجهی دارند به‌ویژه در مرحله اجرا. این موضوع مستقیماً بر اقتصاد واحد  محصول تأثیر می‌گذارد.

از سوی دیگر، وابستگی به داده  یک عامل حیاتی است. مدل‌ها به اندازه داده‌ای که دریافت می‌کنند خوب عمل می‌کنند. در بسیاری از موارد، گلوگاه اصلی نه خود مدل، بلکه کیفیت، تنوع و دسترسی به داده است.

چالش‌های واقعی که اغلب نادیده گرفته می‌شوند

یکی از مهم‌ترین چالش‌ها، مسئله اعتماد است. کاربران زمانی به سیستم‌های هوش مصنوعی اعتماد می‌کنند که رفتار آن‌ها قابل درک و تا حدی قابل پیش‌بینی باشد. هوش مصنوعی مولد دقیقاً در همین نقطه ضعف دارد؛ خروجی‌ها ممکن است بسیار قانع‌کننده به نظر برسند، اما در عین حال نادرست باشند.

چالش دیگر، هم‌راستایی  است؛ اینکه مدل دقیقاً خروجی‌هایی تولید کند که با اهداف کسب‌وکار و ارزش‌های محصول همسو باشد، کار ساده‌ای نیست. این موضوع نیازمند تکرار و بهبود مستمر، مهندسی پرامپت ، تنظیم دقیق مدل  و طراحی تجربه کاربری مناسب است.

از سوی دیگر، یکپارچه‌سازی  با سیستم‌های موجود اغلب پیچیده‌تر از چیزی است که در نگاه اول به نظر می‌رسد. هوش مصنوعی به‌ندرت به‌صورت مستقل عمل می‌کند و باید با بخش‌های مختلفی مانند بک‌اند، پایگاه داده، سیستم‌های تحلیل داده و حتی فرآیندهای انسانی هماهنگ شود.

جمع‌بندی: تغییر ذهنیت، نه فقط ابزار

برای یک مدیر محصول حرفه‌ای، یادگیری هوش مصنوعی به معنای یادگیری یک ابزار جدید نیست، بلکه به معنای تغییر در نحوه فکر کردن درباره محصول است.

هوش مصنوعی سیستم‌ها را از حالت قطعی  به حالت احتمالاتی  تبدیل می‌کند. این یعنی به‌جای طراحی رفتارهای دقیق و از پیش تعیین‌شده، باید توزیع رفتار سیستم را مدیریت کنید. به‌جای کنترل کامل، باید بتوانید با عدم قطعیت کار کنید.

 در نهایت، مزیت رقابتی در صرفِ استفاده از هوش مصنوعی شکل نمی‌گیرد، بلکه در استفاده «درست» از آن به‌وجود می‌آید. شرکت‌هایی مانند پیشگامان لوتوس       زمانی می‌توانند از هوش مصنوعی بهره واقعی ببرند که آن را در خدمت حل مسئله کاربر قرار دهند، نه صرفاً به‌عنوان یک برچسب تکنولوژیک.

این دقیقاً همان نقطه‌ای است که یک مدیر محصول خوب را از یک مدیر محصول عالی متمایز می‌کند.

مقاله‌های ما:"آینده هوش مصنوعی: از RLHF تا Multimodal AI و نبرد LLaMA و PaLM"