生成式 AI 的优势：产品策略的差异化
原文：
towardsdatascience.com/the-generative-ai-advantage-product-strategies-to-differentiate-5f43e8a015e7?source=collection_archive---------2-----------------------#2024-02-01
导航变化中的产品格局：从炫目的演示到值得信赖的 AI 解决方案，赢得客户信任。
https://medium.com/@sarthakh330?source=post_page---byline--5f43e8a015e7--------------------------------https://towardsdatascience.com/?source=post_page---byline--5f43e8a015e7-------------------------------- Sarthak Handa
·发表于 Towards Data Science ·阅读时长：6 分钟·2024 年 2 月 1 日
–
几十年来，产品开发者一直遵循一个看似不可打破的规则：随着产品功能的增加，其复杂度也随之上升。对于用户来说，这通常意味着在简洁性和功能性之间做出选择。任何曾经与高级软件打交道的人都知道，在无数菜单和选项中寻找所需功能时的沮丧感！这是一个经典的权衡，直到现在，一直主导着用户体验。
但生成式 AI 的崛起有望打破这种权衡。
想象一下曾经的 Adobe Photoshop：虽然这款产品拥有令人惊叹的丰富设计功能，但其复杂性使得只有专家才能使用它。今天，借助生成式 AI，Photoshop 让用户能够通过简单的口语命令进行操作，比如“去除背景”或“让这张肖像通过更高的对比度更突出”。这展示了 AI 如何使强大的工具变得更加易于为每个人所用。
来源：Adobe YouTube 频道
通过解读自然语言命令，功能丰富的高级产品如今可以在不牺牲其复杂能力的情况下，提供更易于访问且更直观的用户体验。相反，面向新手用户的现有简化功能产品，通常偏向简单的用户体验，现在也能在不增加用户界面复杂性的情况下，提供全新的生成式 AI 功能深度。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/01c4dac29a682b48ad7b385bd07d38c1.png
来源：作者
这正是范式转变的本质——复杂性不再是能力的代价。
随着生成式 AI 重新定义产品设计格局，显而易见的是，拥有强大用户基础和领域专业知识的成熟公司处于领先地位。然而，成功远非板上钉钉。
你今天可以集成一个生成式 AI API，但你的护城河在哪里？
我这个月与六位产品负责人进行了交流。每个人都认为生成式 AI 的范式转变已经开启了一场竞赛。最终，必定会有赢家和输家。本文揭示了一些产品领导者正在利用生成式 AI 为客户提供差异化产品的关键策略。
1. 使用专有领域数据打造定制化体验
在生成式 AI 中，“一刀切”的方法并不适用于专业化的使用案例。通用的基础模型是基于互联网数据训练的，而这些数据缺乏行业特定的细微知识。
以大型视觉模型（LVMs）为例。LVMs 通常是基于互联网上的图像训练的——这些图像包括宠物、人物、地标和日常物品的照片。然而，许多实际的视觉应用（如制造、航空影像、生命科学等）使用的图像与大多数互联网图像完全不同。
来源：Landing.AI YouTube 频道
使用专有数据调整基础模型可以极大地提高性能。
“一个使用领域特定数据训练的大型视觉模型在行业特定的应用场景中，性能比通用模型提高了 36%到 52%。” —Andrew NG，创始人DeepLearning.AI
文本类大语言模型（LLMs）的叙述方式类似。例如，彭博社使用专有的金融数据训练了一个 LLM，打造了BloombergGPT，它在大多数金融自然语言处理任务中优于同等规模的其他通用模型。通过使用专有的行业数据增强基础模型，企业可以开发出量身定制的生成式 AI，这种 AI 能够理解行业的细微差别，并提供差异化的体验，以满足用户的专业需求。
2. 解决 AI 的“最后一公里”挑战
尽管生成式 AI 模型具有令人印象深刻的能力，但它们距离足够可靠以应对大多数实际应用仍然相差甚远。这种“哇！”演示和可依赖的部署之间的差距，被技术人员称为“最后一公里”问题。生成式 AI 生成的是概率性输出，且有时容易产生幻觉。在许多业务、金融、医疗等高风险应用场景中，这都是一个值得关注的问题。随着生成模型能力的提升，确保公平性、透明度、隐私和安全性的实践变得愈发重要。
以下框架列出了领先公司正在优先关注的各种举措，以管理与其行业相关的“最后一公里”风险。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/5959d49437a12243348bbdbd9baaedd0.png
来源：作者
通过解决他们行业中特有的责任 AI 难题，企业可以成功将这些强大的技术整合到关键的实际应用中。领先的 AI 伦理将赢得用户信任，并获得竞争优势。
3. 通过持续学习和个性化提升产品
构建卓越的以人为本的用户体验的基石是设计那些不仅仅响应用户，而是与用户一起成长和适应的产品。领先的生成式 AI 产品将在用户与 AI 之间实施紧密的反馈循环，以实现持续学习并提供个性化体验。
“为了构建一个不断改进的 AI 服务，从最终用户目标出发。构建一个数据飞轮，持续捕获可操作的数据点，帮助你评估并改进 AI，以更好地实现这些目标。” —*AWS，董事
以 Grammarly 为例，这是一款旨在完善和提升用户写作的工具。它最近推出了生成式 AI 功能，为用户提供个性化的写作建议。
来源：Grammarly YouTube 频道
下面是 Grammarly 如何实现反馈循环以增强产品、与不同用户目标对齐的概念性分析：
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/76eaf763cca770dff97d9072556a6884.png
来源：作者
成功的实施要求：
根据用户目标精心设计反馈循环
安全地记录使用数据并提供隐私保护
可扩展的数据基础设施以推动 AI 模型适应
测试界面以获取高质量的用户反馈
结果是，AI 会越来越符合个体需求——而不会妥协隐私。
优先考虑这些以人为本的反馈循环，创造出能通过真实用户互动持续改进的“活”产品。这种学习循环将成为核心竞争优势。
4. AI 优先设计：以 AI 为核心的全栈优化
实现生成式 AI 的全部潜力需要从根本上重新思考用户体验。将 AI 聊天机器人作为事后考虑加到应用中，不太可能提供一个统一的体验。这需要跨职能协作，并从一开始就重新思考整个产品堆栈中的交互。
“从第一性原理出发思考。如果你从一开始就拥有这些生成式 AI 能力，你会如何设计理想的体验？”” —Ideo，设计负责人
考虑一下一个自行车维修应用。一款允许用户上传自行车图片并接收文本说明的聊天机器人可以是一个不错的最小可行产品（MVP）。但理想的用户体验可能是一个视觉界面，在其中：
用户打开摄像头并将其对准自行车
计算机视觉分析视觉信息，突出自行车的相关部分
应用提供在实时摄像头画面上的引导说明
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/965898692580cb1ad16555b50a6415b1.png
来源：作者
提供这种体验需要团队之间的协作：
用户体验设计：计算机视觉 UI 的用户研究和原型设计
工程：数据管道、高性能的 API、低延迟的缓存
数据：早期构建训练/评估数据集，以促进改进
科学：确保高精度的视觉模型，专为自行车修理量身定制
领域专家：提供关于自行车修理的见解和反馈，优化 AI
通过在一开始就将这些视角融合在一起，产品能够提供流畅的人本用户体验。采用“AI 优先”设计思维和全栈产品优化的公司，将最有可能为客户提供差异化的价值。
结论：塑造未来的产品设计
随着生成性 AI 的普及，产品领导者面临着巨大的机遇——也有责任——来塑造其影响力。采取以人为本、遵循伦理的方式的公司，将赢得用户的信任。关键在于拥抱 AI，不仅仅是利用它的功能，更是看到它在增强人类创造力和积极转变用户体验方面的潜力。通过深思熟虑的实施，生成性 AI 可以扩展对复杂工具的访问，解锁新的个性化水平，并使产品能够持续从实际使用中学习。
通过将人类置于生成性产品设计的核心，具有前瞻性的公司可以与用户建立真实的连接，提供真正的差异化价值。这种人类与 AI 的共生关系是未来变革性产品体验的标志。
感谢阅读！如果这些见解引起了你的共鸣或激发了新的思考，欢迎继续交流。
在下方评论中分享你的观点，或通过LinkedIn与我联系。