И_И_ by paperplanes

ИИ нельзя просто «подключить к продуктовой разработке» Главная ошибка внедрения ИИ в НИОКР — обсуждать функции целиком. "Пусть ИИ анализирует рынок, пишет бизнес-требования, оценивает проекты, управляет продуктовым портфелем". Звучит логично, но внутри спрятано несколько разных операций. Например, «анализировать рынок» может означать: — собрать тысячу клиентских сигналов; — найти повторяющиеся темы; — понять, что за отзывами проглядывается новый сценарий использования; — решить, стоит ли ради NPD менять дорожную карту; — остановить другой проект и передать освободившуюся команду сюда. Это не одна задача. Первая почти полностью машинная. Вторая хорошо усиливается машиной. Третья требует продуктового суждения. Четвёртая - выбора. Пятая - оунера. Поэтому нормальная диагностика применения ИИ начинается не со списка use cases. Она начинается с разложения продуктовой разработки на операции и проверки каждой из них по трём осям. 1. Какое знание нужно? Явное знание находится в документах, реестрах, требованиях, протоколах и данных. Его можно искать, сопоставлять и проверять. Здесь ИИ особенно полезен. Неявное знание находится в голове и практике эксперта. Инженер иногда не может сразу объяснить, почему решение кажется ему ненадёжным, но замечает проблему раньше расчёта. ИИ может помочь восстановить логику, однако не может автоматически присвоить себе накопленный judgement. Есть и знание, сцепленное с конкретной средой. Оно живёт не просто в человеке, а в связке человека, команды, оборудования, поставщика и истории прошлых решений.` 2. ЦКП операции Сигнал. Например, за последние три месяца выросло количество обращений по определённому классу устройств. Это хорошая работа для машины: собирать, кластеризовать, находить аномалии, отслеживать ускорение. Решение. Является ли рост обращений дефектом, ошибкой интегратора, следствием нового сценария использования или признаком будущего рынка? Здесь уже требуется сопоставить разные объяснения и понять контекст. ИИ может подготовить варианты, но не должен незаметно превращать наиболее статистически вероятный вариант в истину. Решение с экономическими последствиями. Запускаем ли продукт? Останавливаем ли проект? Перебрасываем ли разработчиков? Принимаем ли риск несовместимости? Такое решение создаёт последствия для денег, сроков, людей и клиентов. 3. Логика принятия решений, эвристика ИИ силён там, где нужно обнаружить повторяемую связь. Это индуктивная работа. Поиск паттернов, аналогов, отклонений, повторяющихся причин и типовых рисков. Но продуктовая разработка регулярно требует другого вопроса: а что, если эти два явления, которые раньше никто не связывал, на самом деле являются частями одной возможности? Это абдуктивный ход — создание нового правдоподобного объяснения при недостатке данных. ИИ способен предложить десятки таких объяснений. Но гладкость формулировки ничего не говорит об их истинности. Выбрать гипотезу, проверить её и поставить на неё ресурсы всё ещё должен человек, понимающий рынок, технологию и цену ошибки - HITL! Что это означает для внедрения ИИ, расскажу завтра, а нашем курсе по ИИ разбираем эти нюансы в приложении к Вашей компании! Записывайтесь :)