Jak sztuczna inteligencja może pomóc Twojemu produktowi?

Machine learning i sztuczna inteligencja z rozmachem zdobywają świat. W swoich produktach wykorzystują je Facebook, Apple, Google, Tesla i inni technologiczni giganci. Nadchodząca zmiana jest tak duża, że Google nawet określiło AI jako swój priorytet i ukierunkowało firmę na AI first.

Jako product managerowie nie musimy znać się na technikaliach – sieciach neuronowych, deep learning czy algorytmach regresji. Od tego w naszych zespołach mamy najlepszych inżynierów. Trudno jednak pozostać obojętnym wobec wyraźnego trendu i pozostawić go tylko inżynierom. Jeśli product manager nie będzie wiedział, jak może wykorzystać nowe technologie w swoim produkcie – szybko jego biznes i on sam wypadną z obiegu.

Nie inaczej jest z machine learning. Dobry Product Manager musi zrozumieć jego istotę z punktu widzenia produktu:

• Jaką wartość może wnieść sztuczna inteligencja do mojego produktu?
• Co dzięki temu mogą zyskać moi użytkownicy?
• Co jest tylko modnymi frazesami i hypem, a co rzeczywiście możemy zastosować?

Wszystkie te pytania sprowadzają się do jednej praktycznej kwestii – “w czym realnie AI może pomóc moim użytkownikom i biznesowi?”. Poniżej zebrałem najpopularniejsze praktyczne obszary zastosowania sztucznej inteligencji, które możesz wykorzystać w swoim produkcie.

Rankingowanie

Aby wyszukiwarka Google pokazała Ci strony najlepiej pasujące do Twojego zapytania, musi ułożyć ranking tych stron, aby na pierwszych miejscach pokazać to, czego szukasz. Zajmują się tym algorytmy machine learning. W swoich produktach możesz wykorzystać te algorytmy do tworzenia wszelkiego rodzajów rankingów i wyszukiwarek – produktów, stron, miejsc, elementów. Zwykle znalezienie słowa kluczowego w treści to za mało. Trzeba wziąć pod uwagę wiele innych czynników. Dobry ranking sprawi, że użytkownicy produktu będą znajdować dokładnie to, czego szukają.

Rekomendacje

Klasycznym wykorzystaniem sztucznej inteligencji są algorytmy rekomendacji. Dzięki nim, na podstawie historii, pokazujesz użytkownikom to, czym mogą być zainteresowani. Rekomendacja kolejnego filmu do obejrzenia na YouTubie czy Netfliksie jest tego najlepszym przykładem. Oczywiście chodzi o to, by algorytm nie miał sztywno wpisanych kryteriów, tylko uczył się na podstawie zbieranych danych. Dobre rekomendacje sprawią, że Twoi użytkownicy będą dłużej zostawać w Twoim produkcie.

Klasyfikacje

Filtrowanie SPAM-u w skrzynce pocztowej jest jednym z najbardziej obrazowych przykładów zastosowania algorytmów klasyfikujących. Gdy dostajesz e-maila, Twój program pocztowy (lub dostawca poczty) musi zaklasyfikować go jako normalną wiadomość lub SPAM. Oczywiście zapisanie sztywnych reguł opisujących jak wygląda SPAM jest nieskuteczne, spamerzy nieustająco zmieniają swoje praktyki. Zamiast tego, algorytm klasyfikujący nieustająco uczy się na bazie doświadczeń. Jakich? Gdy, pomimo filtrowania, niechciana wiadomość trafi na Twoją skrzynkę, możesz oznaczyć ją jako SPAM. Algorytm ma kolejny przykład takiej wiadomości i sam na tej podstawie próbuje dostosować swoje reguły filtrowania.

Algorytmy klasyfikujące sprawdzają się w wielu zastosowaniach – rozpoznawania obrazów i dźwięków, dynamicznym filtrowaniu oraz oznaczaniu elementów kategoriami. Można je także wykorzystać do klasyfikowania użytkowników, np. znaleźć tych, którzy za chwilę prawdopodobnie porzucą koszyk zakupowy albo zrezygnują z usługi. Mając taką klasyfikację, masz szansę takim użytkownikom zaproponować specjalną ofertę i zmniejszyć liczbę odrzuceń.

Regresja

Jeśli chcesz przewidzieć jakąś numeryczną wartość na bazie historii, powinieneś zastosować algorytmy regresji. Zastosować je można np. do przewidywania cen mieszkań w zależności od wybranych parametrów (położenie, odległość od centrum, powierzchnia itp.). Oczywiście chodzi o to, żeby algorytmy regresji nieustająco uczyły się na bazie zbieranych danych. Wykorzystanie regresji może pomóc zarówno Twoim użytkownikom (np. oferowanie podpowiedzi co do wartości), jak i biznesowi (np. mógłbyś określać potencjalną wartość użytkownika w zależności od wykonywanych przez niego akcji na stronie WWW/ aplikacji mobilnej).

Klasteryzacja

W klasteryzacji (ang. clustering) chodzi o dynamiczne wyszukiwanie i grupowanie podobnych do siebie elementów. Prezentowanie w sklepach internetowych i marketplace’ach “ludzie którzy kupili ten produkt, skorzystali także z…” jest właśnie prostym przykładem klasteryzacji. Wyobraź sobie, że masz bardzo wielu użytkowników/klientów. Na jakie podgrupy ich podzielić? W tym pomogą cię algorytmy klasteryzacji.

Nie jest to oczywiście ostateczna lista aktualnych możliwości sztucznej inteligencji. AI potrafi dużo, dużo więcej. Jeśli w swoim produkcie wykorzystujesz z powodzeniem machine learning – pochwal się w komentarzu 🙂