მომხმარებელთა მონაცემებისა და ხელოვნური ინტელექტის კომბინაცია ხშირად ეფექტურ უკუკავშირის სისტემას გვთავაზობს. ეს იმას ნიშნავს, რომ რაც უფრო მეტი კლიენტის ინფორმაციას აგროვებს კომპანია, მით უკეთ შეუძლია, მანქანური სწავლების ალგორითმები ამ მონაცემებით გამოკვებოს; შედეგად, არსებული პროდუქტი თუ მომსახურება გააუმჯობესოს. ამგვარად, მიიზიდოს მეტი მომხმარებელი და კიდევ უფრო მეტი მონაცემის გენერირება შეძლოს. დაფიქრდით, რაც უფრო ბევრი ადამიანი „გუგლავს“ და მიღებულ ლინკებზე გადადის, მით უფრო მეტ მონაცემს აგროვებს Google, რაც მის ალგორითმებს საშუალებას აძლევს, კიდევ უფრო ზუსტი და რელევანტური შედეგები შემოგვთავაზოს.
მსგავსი მონაცემების უკუკავშირის სისტემა მდგრადი კონკურენტული უპირატესობის ჩამოყალიბებაშიც შეიძლება დაგეხმაროთ, მაგრამ თავად ამ სისტემების სიძლიერე დიდად განსხვავდება ერთმანეთისგან…
ყველა მონაცემთა უკუკავშირის სისტემა ერთნაირი არ არის
ზოგიერთ პროდუქტს ბუნებრივად აქვს ძალიან ძლიერი მონაცემთა სისტემა, მაგალითად Google Maps ავიღოთ, სადაც მომხმარებლის მიერ არჩეული ყოველი მარშრუტი და დრო, რომელიც იქ მისასვლელად დასჭირდა, ალგორითმს რეკომენდაციების გაუმჯობესებაში ეხმარება. ასე ხდება Spotify-ის შემთხვევაშიც, თუმცა მარშრუტს სიმღერები ანაცვლებს.
თუმცა ისეთი პროდუქტებიც გვაქვს, რომლებსაც ბუნებრივად აკლია ეს უკუკავშირის სისტემები, რაც იმას გულისხმობს, რომ აქ რთულია მომხმარებლისგან ინფორმაციული უკუკავშირის მოპოვება. აი, ამის მაგალითად კი მანქანები, ავეჯი და ტანსაცმელები გამოდგება — აქ უკუკავშირის შესაგროვებლად ფოკუს-ჯგუფები და კვლევებია საჭიროა. ზოგ შემთხვევაში კი ეს სწავლისა და განვითარების ძალიან გრძელ ციკლს მოიცავს, მაგალითად, წლები სჭირდება იმის გაგებას, თუ რომელმა სტარტაპმა მიაღწია წარმატებას და რომელმა, არა.
საინტერესოა ისიც, რომ ზოგიერთ ციფრულ პროდუქტს, რომელიც უამრავ მომხმარებელთა მონაცემს აგროვებს, მაინც სუსტი უკუკავშირის სისტემა აქვს. ეს იმას ნიშნავს, რომ მათი უმეტესობა წინასწარი დაპროგრამებითა და შიდა მონაცემებით მიიღება და არც იზრდება მომხმარებლებისგან რაღაცების სწავლის გზით. ავიღოთ Charge 5 — უამრავი შთამბეჭდავი ფუნქციით გულის სიჩქარეს, მოძრაობის ხანგრძლივობასა და სიჩქარეს, ძილის დროსა და კანის ტემპერატურას ზომავს, რითაც მომხმარებლებს ღირებულ ინფორმაციებს აწვდის, მაგრამ ასე მხოლოდ რეალურ მდგომარეობას აფასებს. შესაბამისად, არ ეუბნება, მაგალითად, ძილისა და ვარჯიშის ხანგრძლივობის მიხედვით, რომელია ოპტიმალური დრო ფიზიკური დატვირთვისთვის.
რაც შეეხება LLM-ებს, ChatGPT-ისა თუ Bard-ს, აქ ორი მთავარი მექანიზმი არსებობს, რომლებიც მონაცემთა უკუკავშირის სისტემას ქმნიან:
- მომხმარებლები აკლიკებენ პასუხების გასწვრივ არსებულ მოწონება-არმოწონების ღილაკებს;
- მომხმარებლები კვლავ სვამენ კითხვებს, რაც მიანიშნებს იმაზე, თუ რამდენად დამაკმაყოფილებელი იყო წინა პასუხი.
თუ ამას Bing-სა და Google-ში ტრადიციული ძიების გამოცდილებას შევადარებთ, მარტივად მივხვდებით, რომ LLM-ები უკეთეს მომხმარებელთა უკუკავშირს გვაწვდის.
როგორ გავაძლიეროთ მონაცემთა უკუკავშირის სისტემა?
ეს კითხვა იმ პროდუქტებს ეხება, რომელთაც ბუნებრივად ძლიერი უკუკავშირის სისტემა არ აქვს… ამიტომ, ახლა განვიხილოთ, რა უნდა გავაკეთოთ მათ გასაძლიერებლად.
ხელახლა შექმენით პროდუქტი ბუნებრივი მონაცემთა უკუკავშირისთვის
მაგალითად, LLM-ებს შეიძლება ისეთი ახალი ფუნქციები დაემატოს, რომლებიც მომხმარებლებს მათთვის გამოსადეგი პასუხების ორგანიზებისა და შენახვის საშუალებას მისცემს. იქვე დოკუმენტის შექმნაც უნდა შეეძლოთ, რათა მიღებული პასუხები დაარედაქტირონ. იდეა მომხმარებლებისთვის შესაძლებლობების მიცემაა, რათა მიაწოდონ რეალური უკუკავშირი, რომელსაც შემდგომში ალგორითმების გასაუმჯობესებლად გამოიყენებენ.
მიმართეთ სხვა პროდუქტების ინტეგრირებას მონაცემთა უკუკავშირის სისტემის შესაქმნელად
თუ თქვენს შემთხვევაში პირველი მეთოდი არ ჭრის, მაშინ იგივე მიზანს არსებულ პროდუქტებზე ახალი შეთავაზების დამატებით შეგიძლიათ მიაღწიოთ. მაგალითად, LLM-ებს ნებისმიერ პროგრამასთან ან ინსტრუმენტთან ინტეგრირება შეუძლია, რომლებშიც მისი პასუხები გამოიყენება — იქნება ეს კონტენტის შექმნისა თუ რედაქტირების პროგრამა, თუნდაც Google Docs, Substack ან Salesforce.
სთხოვეთ მომხმარებლებს უკუკავშირი იმ გზით, რომელიც მათ სარგებელზე მიუთითებს
კიდევ ერთი ვარიანტი მომხმარებლებისთვის უკუკავშირის პირდაპირ თხოვნაა. ბევრი ციფრული პროდუქტი უკვე აკეთებს ამას — ამის ნათელი მაგალითია ზემოთ განხილული LLM-ის მოწონება-არმოწონების ღილაკი. ასე იქცევა Netflix-იც. ხოლო Airbnb და ამაზონი მომხმარებლებს შეძენის შემდგომ პროდუქტის ან მომსახურების შეფასებას სთხოვს.
ბუნებრივია, არავის მოსწონს კვლევისთვის დიდი ხნის დათმობა… ამიტომ, ეს პროცესი მეტად უმტკივნეულო უნდა გახადოთ, მკაფიოდ აუხსენით, რა სარგებელს მოუტანს ეს მას პერსონალურად — მაგალითად, „ამ ფილმის შეფასებით ნეტფლიქსი უკეთეს რეკომენდაციებს გაგიზიარებთ“. ამ გზით გულწრფელ უკუკავშირსაც მიიღებთ.
ჩართეთ ადამიანები ამ პროცესში
ამის ერთ-ერთ მაგალითად Grammarly შეგვიძლია ჩავთვალოთ — AI ასისტენტი, რომელიც მომხმარებლებს წერისას გრამატიკული, სტილისტური თუ პუნქტუაციური შეცდომებისგან თავის დაღწევაში ეხმარება. რეალურ დროში უზიარებს მათ შეთავაზებებს, მომხმარებლებს კი შეთავაზებული რედაქტირების მიღება ან უარყოფა შეუძლიათ, რაც აშკარად აუმჯობესებს ალგორითმს და ქმნის მონაცემთა უკუკავშირის სისტემას. ამასთან, Grammarly ადამიანთა შეფასებებს იყენებს, რათა შეამოწმოს AI მოდელის შეთავაზებები და განიხილოს უარყოფის შემთხვევები.
ბუნებრივია, ამ მიდგომის ნაკლი ის არის, რომ მისი მასშტაბირება ათასობით თუ მილიონობით მომხმარებელზე ნაკლებად შეგვიძლია. ყველა კომპანია ვერ შეძლებს 15 000 კონტენტ მოდერატორის დაქირავებას ისე, როგორც ამას მეტა Facebook-ისთვის აკეთებს. მიუხედავად ამისა, ადამიანების ჩართვა ადრეულ ეტაპზე მაინც საკმაოდ გამოსადეგი შეიძლება იყოს. თუმცა იმედოვნებენ, რომ მალე AI იმდენად ჭკვიანი უნდა გახდეს, რომ ადამიანის ჩართვა აღარც დასჭირდეს.
გამოდის, ზოგიერთ პროდუქტს ძლიერი უკუკავშირის სისტემა გააჩნია, ზოგიერთს კი სუსტი. მაგრამ თუ თქვენ მათ გაძლიერებას მოახერხებთ, ასე უკეთესი პროდუქტების შექმნას, მეტი მომხმარებლის მოზიდვასა და კონკურენტული უპირატესობის მოპოვებასაც შეძლებთ.
წყარო: HBR
