Produk dan proyek AI – bagaimana mereka berbeda dari yang lain? | AI dalam bisnis #49

Pengantar manajemen produk AI

Produk AI memerlukan pengembangan dan kustomisasi yang konstan, yang berbeda dari solusi teknologi tradisional.

• AI, kecerdasan buatan – nama umum untuk kemampuan mesin untuk melakukan tugas yang meniru cara kerja akal dan kreativitas manusia, seperti mengenali gambar, memahami bahasa tertulis dan lisan, atau membuat keputusan berdasarkan data yang tersedia,
• ML, pembelajaran mesin – sub-disiplin AI yang mencakup proses di mana mesin belajar dari data dan pengalaman bagaimana melakukan tugas dengan lebih baik. Keunikan produk berbasis pembelajaran mesin (ML) berasal dari fakta bahwa mereka tidak diprogram sebelumnya, tetapi dilengkapi dengan kemampuan belajar dan beradaptasi. Dalam industri seperti kesehatan, AI berkontribusi pada diagnosis yang lebih tepat, sementara dalam keuangan memungkinkan analisis risiko yang lebih canggih,
• GenAI, kecerdasan buatan generatif – bidang baru dari ML yang melibatkan sistem yang dapat membuat konten baru, seperti teks, gambar, video, model 3D atau musik, berdasarkan penemuan pengguna atau tujuan dan data input yang ditentukan pengguna seperti kata kunci, kueri, atau prompt, atau sketsa atau foto.

Perencanaan produk AI – dari ide ke implementasi

Perencanaan produk AI memerlukan pertanyaan kunci di awal: Apakah produk ini akan mendapatkan manfaat dari penambahan kemampuan AI?

Menerapkan produk AI berisiko dan mahal, dan sebagai hasilnya, adalah ide yang baik untuk mulai dengan mendefinisikan masalah yang akan diselesaikan oleh implementasi AI, dan kemudian mencoba menyelesaikannya secara optimal. Mungkin dengan menggunakan brainstorming dengan ChatGPT atau Google Bard, yang dapat memberikan saran yang mengejutkan tentang jalur pengembangan produk yang optimal – tidak selalu berdasarkan AI.

Namun, jika kita memutuskan untuk menambahkan kecerdasan buatan ke penawaran perusahaan, kita perlu mempertimbangkan spesifikasi siklus hidup proyek AI. Bagaimanapun, data Gartner menunjukkan bahwa hanya 54% proyek AI yang berhasil dari fase pilot ke produksi.

Ini sering disebabkan oleh prototipe yang sangat menjanjikan yang dapat dibuat dengan alat AI yang tersedia saat ini. Di sisi lain, sangat sulit untuk mencapai “kualitas produksi” dan keberulangan serta relevansi hasil yang diperlukan oleh pemangku kepentingan.

Siklus hidup produk AI berbeda dari yang lain, namun, tidak hanya karena ia jarang melewati fase konsep. Di mana siklus hidup produk tradisional cenderung mengalami penurunan minat secara bertahap setelah penjualan mencapai puncaknya, produk AI mengalami apa yang disebut “efek flywheel.” Ini adalah fenomena di mana produk berbasis pembelajaran mesin meningkat seiring penggunaannya dan data baru dikumpulkan dari pengguna. Semakin baik produk tersebut, semakin banyak pengguna yang memilihnya, yang pada gilirannya menghasilkan lebih banyak data untuk meningkatkan algoritma. Efek ini menciptakan umpan balik yang memungkinkan perbaikan berkelanjutan dan skala solusi berbasis AI.

Sumber: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Ini menjadikan mereka produk dengan siklus hidup yang memperbarui. Dengan kata lain, efek flywheel dalam AI berarti bahwa perbaikan berkelanjutan menghasilkan peningkatan bertahap dalam kinerja produk. Misalnya:

• Pelatihan iteratif model AI – misalnya, model untuk peramalan penjualan mungkin memerlukan pelatihan berulang untuk mencapai akurasi optimal, tetapi menjadi semakin sempurna seiring waktu,
• Manajemen backlog data – untuk aplikasi personalisasi konten, mengumpulkan dan menganalisis data pengguna dapat menjadi prioritas, yang secara bertahap akan menghasilkan hasil yang semakin relevan.

Singkatnya, manajemen proyek AI memerlukan fleksibilitas dan kesiapan untuk perbaikan berkelanjutan. Oleh karena itu, manajer proyek AI harus siap untuk memenuhi persyaratan yang berubah dan terus menyesuaikan strategi.

Memahami data dan perannya dalam pengembangan produk AI

Peran data dalam pengembangan produk AI sangat penting. McKinsey memperkirakan bahwa model AI generatif dapat menghasilkan manfaat ekonomi hingga $4,4 triliun per tahun. Namun, meraih sepotong dari kue itu memerlukan manajemen data yang berkualitas.

Misalnya, agar sistem rekomendasi produk e-commerce berfungsi dengan baik, kualitas data perilaku pelanggan sangat penting. Anda tidak hanya memerlukan jumlah data yang tepat, tetapi juga segmentasi dan pembaruan yang tepat, dan yang terpenting, kemampuan untuk menarik kesimpulan dari informasi yang dikumpulkan.

Ketika menciptakan produk AI yang didorong oleh data, sama pentingnya untuk menjaga ketidakberpihakan dalam data. Misalnya, dalam algoritma AI yang digunakan dalam rekrutmen atau asuransi, data tidak boleh mengandung bias implisit – berdasarkan gender atau lokasi – yang dapat menyebabkan diskriminasi.

Perlu dicatat bahwa manajemen data yang tepat memerlukan tidak hanya keahlian teknis tetapi juga kesadaran akan dampaknya terhadap kinerja produk AI.

Masalah paling umum saat mengelola produk berbasis AI

Mengelola produk AI melibatkan tantangan yang memerlukan keterampilan spesifik dan kesadaran etis. Di antara masalah yang paling penting, perlu disebutkan:

• Pengembangan keterampilan AI – misalnya, seorang manajer produk di industri AI perlu memahami dasar-dasar pembelajaran mesin untuk bekerja secara efektif dengan tim teknis,
• orientasi terkini terhadap persyaratan hukum – regulasi tentang produk AI baru muncul, jadi Anda perlu berorientasi untuk menyesuaikan kebijakan dan regulasi perusahaan Anda untuk menggunakan produk AI secara berkelanjutan,
• mengintegrasikan AI ke dalam sistem yang ada – mengintegrasikan kecerdasan buatan yang canggih ke dalam sistem TI yang ada dapat menimbulkan tantangan teknologi dan organisasi,
• skala solusi AI – untuk start-up teknologi, mengembangkan prototipe AI menjadi produk skala penuh memerlukan sumber daya, waktu, dan keahlian, yang juga bisa menjadi masalah karena pasokan yang relatif rendah dan permintaan yang tinggi untuk spesialis,
• menjaga keterlibatan pengguna – untuk aplikasi yang menggunakan AI untuk mempersonalisasi konten, terus-menerus beradaptasi dengan preferensi pengguna yang berubah adalah kunci untuk menjaga mereka tetap terlibat,
• menangani dilema etis – misalnya, dalam aplikasi AI untuk pemantauan kesehatan, privasi dan keamanan data pengguna adalah prioritas.

Produk AI – ringkasan

Singkatnya, mengelola proyek dan produk AI memerlukan pemahaman tentang tantangan dan peluang unik yang dibawa oleh teknologi. Memahami peran data, mampu mengelola tim dan proyek serta tetap menyadari aspek etis dari AI adalah hal yang esensial. Produk AI membuka cakrawala baru untuk bisnis, tetapi mereka memerlukan pendekatan dan keterampilan yang tepat.

Untuk start-up, penting untuk fokus pada mendefinisikan dengan jelas masalah yang dimaksudkan untuk diselesaikan oleh produk AI dan membangun tim dengan pengetahuan dan pengalaman yang tepat dalam AI. Juga penting untuk fokus pada membangun sistem AI yang etis dan transparan yang sesuai dengan harapan pengguna dan regulasi.

Jika Anda menyukai konten kami, bergabunglah dengan komunitas sibuk kami di Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.