Đặt cược vào AI? Bạn phải xem xét sự phù hợp với thị trường sản phẩm trước. Tham gia vào tin tức hàng ngày và hàng tuần của chúng tôi để cập nhật thông tin mới nhất và nội dung độc quyền về bảo vệ AI hàng đầu trong ngành công nghiệp. Tìm hiểu thêm về sự bùng nổ của AI không diễn ra theo kế hoạch. Các tổ chức đang gặp khó khăn trong việc biến các khoản đầu tư vào AI thành nguồn thu nhập đáng tin cậy. Các doanh nghiệp đang thấy việc triển khai AI cần nỗ lực hơn họ hy vọng. Các startup AI đã được định giá quá cao và người tiêu dùng đang mất sự quan tâm. Ngay cả McKinsey, sau khi dự báo 25,6 tỷ USD lợi ích kinh tế từ AI, hiện nay cũng thừa nhận rằng các công ty cần “phẫu thuật tổ chức” để mở khóa giá trị đầy đủ của công nghệ. Trước khi vội vã xây dựng lại tổ chức của họ, người lãnh đạo nên quay trở lại căn bản. Với AI, như với mọi thứ khác, tạo ra giá trị bắt đầu từ sự phù hợp thị trường sản phẩm: Hiểu nhu cầu bạn đang cố gắng đáp ứng và đảm bảo bạn đang sử dụng công cụ đúng cho công việc. Nếu bạn đang đóng sản phẩm cùng nhau, một cái búa là tuyệt vời; nếu bạn đang nấu bánh kếp, một cái búa là vô dụng, lộn xộn và phá hoại. Trong cảnh cảnh AI ngày nay, tuy nhiên, mọi thứ đều được đập phá. Tại CES 2024, khách tham dự trò chuyện với AI răng miệng, cổ áo cho chó AI, giày dép AI và thiết bị cho chim AI. Ngay cả chuột máy tính của bạn hiện tại cũng có một nút AI. Trong thế giới kinh doanh, 97% các giám đốc cho biết họ mong đợi gen AI sẽ thêm giá trị cho doanh nghiệp của họ, và ba phần tư đang giao những tương tác với khách hàng cho các trò trò chuyện của chatbot. Sự nhanh chóng áp dụng AI vào mọi vấn đề có thể dẫn đến nhiều sản phẩm chỉ có ích hoặc thậm chí là gây hủy hoại. Một chatbot của chính phủ, ví dụ, đã trả lời sai khi cho các chủ doanh nghiệp ở New York biết làm thế nào khi phải sa thải nhân viên phàn nàn về những phản ứng không được chấp nhận. Trong khi đó, Turbotax và HR Block đã triển khai chatbot mà cung cấp lời khuyên xấu ít nhất một nửa thời gian. Vấn đề không phải là công cụ AI của chúng tôi chưa mạnh mẽ đủ, hoặc tổ chức của chúng tôi chưa sẵn sàng đối mặt với thách thức. Mà là chúng ta đang sử dụng cái búa để nấu bánh kếp. Để có được giá trị thực sự từ AI, chúng ta cần bắt đầu bằng cách tập trung lại năng lực vào các vấn đề chúng ta đang cố gắng giải quyết. Sai lầm về AI Khác với các xu hướng công nghệ trước, AI dễ bị ngắn mạch so với quy trình hiện tại của doanh nghiệp trong việc xác định sự phù hợp thị trường sản phẩm. Khi sử dụng một công cụ như ChatGPT, dễ cảm thấy an tâm với cách mà nó giống con người và giả định rằng nó hiểu cần của chúng ta giống như con người. Điều này tương tự với điều chúng ta có thể gọi là sai lầm Furby. Khi những chiếc đồ chơi nói chuyện đó đã xuất hiện trên thị trường vào đầu những năm 2000, nhiều người – bao gồm một số quan chức tình báo – giả định rằng các Furby đang học từ người dùng của chúng. Trong thực tế, những chiếc đồ chơi chỉ đơn giản thực hiện các thay đổi hành vi đã được lập trình trước; nhu cầu tự nhân cách của chúng ta dẫn chúng khoan nhận định nguyên tác của chúng. Một cách tương tự, dễ sai rằng máy tính sâu lắng và tưởng tượng vào các AI mô hình – và khi cảm thấy như các công cụ AI hiểu ta, dễ bao phủ qua công việc khó khăn giải quyết rõ ràng mục tiêu và nhu cầu của chúng ta. Các nhà khoa học máy tính đã vật lý với thách thức này, được biết đến với tên “Vấn đề Dress ko”. Càng các mô hình AI trở nên phức tạp, càng khó khăn để phát triển hệ thống chỉ dẫn với độ chính xác đủ cao – và thiệt thực lớn nếu không làm được. (Cẩn thận hướng dẫn một hệ thống AI đủ mạnh để tối đa hóa sản xuất dâu, nó có thể biến thế giới trở thành một trang trại dâu to lớn.) Nguy cơ của một thảm họa AI ngoài kia, Vấn đề Dress ko làm cho sự xác định sự phù hợp thị trường sản phẩm quan trọng hơn đối với ứng dụng AI. Chúng ta cần phản kháng cung cấp ai có khả năng hiểu biết và tưởng tượng vào các mô hình AI – và khi cảm thấy một công cụ AI hiểu chúng ta, dễ bỏ qua công đắt khăn rõ ràng mục tiêu và nhu cầu của chúng ta. Không ai cao quý vì vậy, làm cho xác định sự phù thị trường sản phẩm quan trọng hơn khi áp dụng AI cụ thể. Chúng ta cần phản kháng cung AI vào mọi bài toán có thể dẫn đến nhiều sản phẩm chỉ gia tăng giới hạn sử dụng, cộng với một số là để hại. Một chatbot của chính phủ, ví dụ, đã nói sai rằng doanh nghiệp ở New York phải sa thải nhân viên khi phàn nàn về quấy rối. Turbotax và HR Block, trong khi đó, đã triển khai chatbot chỉ đưa ra lời khuyên xấu khoảng nửa thời gian. Không phải là các công cụ AI mạnh mẽ chưa đủ, hoặc tự các tổ chức chúng ta chưa sẵn sàng đối mặt với thách thức. Mà là chúng ta đang sử dụng cái búa để nấu bánh kếp. Để có giá trị thực sự từ AI, chúng ta cần bắt đầu bằng cách tập trung lại năng lực vào các vấn đề chúng ta đang cố gắng giải quyết. Giải nguy cho mọi doanh nghiệp. Việc hiểu sự kiện làm Các công ty bắt đầu từ giả định rằng vấn chính của họ là thiếu AI. Điều này dẫn đến kết luận rằng “thêm AI” là một giải pháp đúng – trong khi bỏ qua nhu cầu thực sự của người dùng cuối. Chỉ bằng cách rõ ràng xác định sự phù hợp của vấn đề mà không đề cập đến AI, bạn có thể tìm ra liệu AI có hơn hữu ích hay không, hoặc loại AI nào có thể phù hợp với trường hợp sử dụng của bạn. Xác định thành công của sản phẩm. Khám phá và xác định điều gì sẽ làm cho giải pháp của bạn hiệu quả là quan trọng khi làm việc với AI, vì luôn có sự đánh đổi. Ví dụ, một câu hỏi có thể là liệu ưu tiên sự trôi chảy hay chính xác. Một công ty bảo hiểm tạo ra một công cụ actuaries có thể không muốn chatbot trôi chảy nhẫm không bám sát toán, ví dụ, trong khi một nhóm thiết kế sử dụng gen AI cho việc khiếu khích ý tương cần một công cụ phản hồi tạo đề pha pha nhún dù bị rang buộc các câu cả mà ít nhất phải điều chỉnh có thể cần. Chọn công nghệ của bạn. Khi đã hiểu rõ mục tiêu của bạn, hãy làm việc với kỹ sư, nhà thiết kế và các đối tác khác của công ty về cách thức thực hiện. Bạn có thể xem xét nhiều công cụ AI khác nhau, từ các mô hình gen AI đến các khuôn khổ học máy (ML), và xác định dữ liệu bạn sẽ sử dụng, quy định liên quan và rủi ro uy tín. Để đặt ra câu hỏi nhưng càng muộn sau cùng, điều này quá quan trọng là tốt hơn xây dựng với điều kiện trong tâm địa hơn là để cố giải quyết vấn đề sau khi bạn đã triển khai sản phẩm. Kiểm tra (và kiểm tra lại) giải pháp của bạn. Bây giờ, và chỉ bây giờ, bạn có thể bắt đầu xây dựng sản phẩm của mình. Quá nhiều công ty vội hãy đến giai đoạn này, tạo ra các công cụ AI trước khi thực sự hiểu cách chúng sẽ bị sử dụng. Tất nhiên, họ sẽ phải đối mặt với những thách thức kỹ thuật, thiết kế, pháp lý và khác mà họ nên cân nhắc sớm hơn. Ưu tiên xác định sự phù hợp thị trường sản phẩm từ đầu tránh những bước sai, và cho phép một quy trình tiến triển đến quá trình giải quyết các vấn đề thực tế và tạo ra giá trị thực sự. Vì AI giống như ma thuật, dễ cảm thấy dùng một ứng dụng AI mọi người mọi lúc sẽ tạo ra giá trị. Điều này dẫn doanh nghiệp phải “đổi mới” bằng cách phóng một cơn mưa tên lửa và vẽ vòng tròn về nơi chúng đá. Một số vài tên lửa đó thật sự sẽ tạo ra nơi ý nghĩa – nhưng phần lớn lớn sẽ tạo ra ít giá trị cho những doanh nghiệp hoặc người sử dụng cuối cùng. Để mở khóa tiềm năng lớn của AI, chúng ta cần vẽ ra bản nhẫm trước, sau đó toàn bộ nỗ lực của mình trao cho việc đạm bại. Đối với một số trường hợp sử dụng, điều đó có thể có nghĩa là phát triển giải pháp không bao gồm AI; ở các trường hợp khác, nó có thể có nghĩa là sử dụng các giải pháp AI đơn giản, nhỏ hơn hoặc ít sexy hơn. Không cứ loại công cụ AI bạn đang xây dựng, một điều vẫn cần ổn định. Để xác định sự phù hợp thị trường sản phẩm, và tạo ra công nghệ đáp ứng nhu cầu và mong muốn thực sự của khách hàng, là cách duy nhất để tiến hóa giá trị. Các công ty làm đúng điều này sẽ nổi lên là người chiến thắng trong thời đại AI. Ellie Graeden là một đồng sáng lập viên và nhà khoa học dữ liệu chính tại Luminos.Law và một giáo sư nghiên cứu tại Viện Doanh nghiệp Dữ khổ Georgetown. M. Alejandra Parra-Orlandoni là người sáng lập Spirare Tech. DataDecisionMakers Chào mừng bạn đến cộng đồng VentureBeat! DataDecisionMakers là nơi các chuyên gia, bao gồm những người làm việc về dữ liệu, có thể chia sẻ những cáo về dữ liệu và đổi mới liên quan đến dữ liệu. Nếu bạn muốn đọc về các ý tưởng tiên tiến và thông tin cập nhật, các phương thức hiệu quả, và tương lai của dữ liệu và công nghệ dữ liệu, hãy tham gia chúng tối điều này tại DataDecisionMakers. Bạn có thể thậm chí xem xét việc đóng góp một bàiViet! Đọc Thêm Từ DataDecisionMakers. #AIDecisions #ProductMarketFit #AIInnovation #DataDecisionMakers
Nguồn: https://venturebeat.com/ai/betting-on-ai-you-must-first-consider-product-market-fit/
Join our daily and weekly newsletters for the latest updates and exclusive content on industry-leading AI coverage. Learn More
The AI boom isn’t going to plan. Organizations are struggling to turn AI investments into reliable revenue streams. Enterprises are finding generative AI harder to deploy than they’d hoped. AI startups are overvalued, and consumers are losing interest. Even McKinsey, after forecasting $25.6 trillion in economic benefits from AI, now admits that companies need “organizational surgery” to unlock the technology’s full value.
Before rushing to rebuild their organizations, though, leaders should go back to basics. With AI, as with everything else, creating value starts with product-market fit: Understanding the demand you’re trying to meet, and ensuring you’re using the right tools for the task.
If you’re nailing things together, a hammer is great; if you’re cooking pancakes, a hammer is useless, messy, and destructive. In today’s AI landscape, though, everything is getting hammered. At CES 2024, attendees gawped at AI toothbrushes, AI dog collars, AI shoes and AI birdfeeders. Even your computer’s mouse now has an AI button. In the business world, 97% of executives say they expect gen AI to add value to their businesses, and three-quarters are handing off customer interactions to chatbots.
The rush to apply AI to every conceivable problem leads to many products that are only marginally useful, plus some that are downright destructive. A government chatbot, for instance, incorrectly told New York business owners to fire workers who complained about harassment. Turbotax and HR Block, meanwhile, went live with bots that gave bad advice as often as half the time.
The problem isn’t that our AI tools aren’t powerful enough, or that our organizations aren’t up to the challenge. It’s that we’re using hammers to cook pancakes. To get real value from AI, we need to start by refocusing our energies on the problems we’re trying to solve.
The Furby fallacy
Unlike past tech trends, AI is uniquely prone to short-circuiting businesses’ existing processes for establishing product-market fit. When we use a tool like ChatGPT, it’s easy to be reassured by how human it seems and assume it has a human-like understanding of our needs.
This is analogous to what we might call the Furby fallacy. When the talkative toys hit the market in the early 2000s, many people — including some intelligence officials — assumed the Furbys were learning from their users. In fact, the toys were merely executing pre-programmed behavioral changes; our instinct to anthropomorphize Furbys led us to overestimate their sophistication.
In much the same way, it’s easy to wrongly attribute intuition and imagination to AI models — and when it feels like an AI tool understands us, it’s easy to skip over the hard task of clearly articulating our goals and needs. Computer scientists have been wrestling with this challenge, known as the “Alignment Problem,” for decades: The more sophisticated AI models become, the harder it gets to issue instructions with sufficient precision — and the greater the potential consequences of failing to do so. (Carelessly instruct a sufficiently powerful AI system to maximize strawberry production, and it might turn the world into one big strawberry farm.)
The risk of an AI apocalypse aside, the Alignment Problem makes establishing product-market fit more important for AI applications. We need to resist the temptation to fudge the details and assume models will figure things out for themselves: Only by articulating our needs from the outset, and rigorously organizing design and engineering processes around those needs, can we create AI tools that deliver real value.
Back to basics
Since AI systems can’t find their own path to product-market fit, it’s up to us, as leaders and technologists, to meet the needs of our customers. That means following four key steps — some familiar from Business 101 classes, and some specific to the challenges of AI development.
- Understand the problem. This is where most companies go wrong, because they start from the premise that their key problem is a lack of AI. That leads to the conclusion that “adding AI” is a solution in its own right — while ignoring the actual needs of the end-user. Only by clearly articulating the problem without reference to AI can you figure out whether AI is a useful solution, or which types of AI might be appropriate for your use-case.
- Define product success. Discovering and defining what will make your solution effective is vital when working with AI, because there are always trade-offs. For example, one question might be whether to prioritize fluency or accuracy. An insurance company creating an actuarial tool might not want a fluent chatbot that flubs math, for instance, while a design team using gen AI for brainstorming might prefer a more creative tool even if it occasionally spouts nonsense.
- Choose your technology. Once you understand what you’re aiming for, work with your engineers, designers and other partners on how to get there. You might consider various AI tools, from gen AI models to machine learning (ML) frameworks, and identify the data you’ll use, relevant regulations and reputational risks. Addressing such questions early in the process is critical: Better to build with constraints in mind than to try to address them after you’ve launched the product.
- Test (and retest) your solution. Now, and only now, you can start building your product. Too many companies rush to this stage, creating AI tools before really understanding how they’ll be used. Inevitably, they wind up casting about in search of problems to solve, and grappling with technical, design, legal and other challenges they should have considered earlier. Prioritizing product-market fit from the outset avoids such missteps, and enables a process of iterative progress toward solving real problems and creating real value.
Because AI seems like magic, it’s tempting to assume that deploying any AI application in any setting will create value. That leads organizations to “innovate” by firing off flurries of arrows and drawing bullseyes around the spots where they land. A handful of those arrows really will land in useful places — but the vast majority will yield little value for either businesses or end-users.
To unlock the enormous potential of AI, we need to draw the bullseyes first, then put all our efforts into hitting them. For some use-cases, that might mean developing solutions that don’t involve AI; in others, it might mean using simpler, smaller, or less sexy AI deployments.
No matter what kind of AI product you’re building, though, one thing remains constant. Establishing product-market fit, and creating technologies that meet your customers’ actual wants and needs, is the only way to drive value. The companies that get this right will emerge as winners in the AI era.
Ellie Graeden is a partner and chief data scientist at Luminos.Law and a research professor at the Georgetown University Massive Data Institute.
M. Alejandra Parra-Orlandoni is the founder of Spirare Tech.
DataDecisionMakers
Welcome to the VentureBeat community!
DataDecisionMakers is where experts, including the technical people doing data work, can share data-related insights and innovation.
If you want to read about cutting-edge ideas and up-to-date information, best practices, and the future of data and data tech, join us at DataDecisionMakers.
You might even consider contributing an article of your own!
Read More From DataDecisionMakers
