Yapay zekâyla ilk ürünü çıkarmak

En sık yapılan hata, elindeki modele uygun bir sorun aramak. Yeni bir model çıkıyor, yetenekleri etkileyici; hemen ardından "bununla ne yapabiliriz?" sorusu geliyor. Bu soru seni çoğu zaman kimsenin ödemeye razı olmadığı bir çözüme götürür.

Tersinden başla. Kimin, hangi işini, haftada kaç saat kısaltıyorsun? Bu soruya tek cümlelik, somut bir cevap veremiyorsan henüz ürün aşamasında değilsin. Örneğin "muhasebecilerin ay sonunda faturaları elle eşleştirmesi haftada altı saat sürüyor" bir sorun tanımıdır. "İşletmelere yapay zekâ destekli verimlilik" ise bir slogan.

Sorunu tanımladıktan sonra şu iki soruyu da cevapla: Bu iş bugün nasıl yapılıyor ve insanlar bunun için şu an ne ödüyor? Bugün hiç para ya da zaman harcanmayan bir sorun, büyük ihtimalle yeterince acıtmıyor.

Model değişir; çözdüğün sorun kalır.

Yapay zekâ ürünlerinde kapsam çok kolay büyür. Model zaten özetleyebiliyor, çevirebiliyor, sınıflandırabiliyor; hepsini neden eklemeyesin? Çünkü her yeni yetenek, test etmen gereken yeni bir hata türü demek.

İlk sürümün tek bir işi iyi yapması yeter. Kullanıcı ürünü açtığında ilk beş dakikada ne elde ettiğini söyleyebilmeli. Başlamadan önce şu soruları yanıtla:

• Kullanıcı ilk beş dakikada hangi somut sonucu alıyor?
• Model yanlış sonuç verirse ne oluyor, bunu kim fark ediyor?
• Bu işi elle yapmak bugün ne kadar sürüyor?
• Kullanıcı sonucu düzeltebiliyor mu, düzeltmesi ne kadar sürüyor?

Son soru sanıldığından önemli. Yapay zekâ ürünleri yüzde yüz doğru çalışmaz; iyi ürünler yanlışı hızlı fark ettiren ve kolay düzelttirenlerdir. Kullanıcı bir hatayı on saniyede düzeltebiliyorsa, yüzde doksan doğruluk çoğu iş için fazlasıyla yeterlidir.

İlk müşterilerinde sistemin bir kısmını elle yürütmekten çekinme. Model bir sonucu üretir, sen göndermeden önce kontrol edersin; ya da en zor adımı birkaç hafta boyunca kendin yaparsın. Bu yöntem ölçeklenmez ama sana iki şey öğretir: Hangi durumlarda modelin yanıldığını ve kullanıcının asıl neye değer verdiğini.

Bu dönemde her hatayı not al. Hangi girdide yanlış sonuç çıktı, kullanıcı bunu nasıl fark etti, düzeltmek ne kadar sürdü? Birkaç hafta sonra elinde, hangi kısmı önce otomatikleştirmen gerektiğini gösteren gerçek bir liste olur.

Değerlendirme setini erken kur

Gerçek kullanıcı örneklerinden küçük bir test seti oluştur: yirmi ile elli arası, cevabını bildiğin durum. Modeli, istemi ya da sağlayıcıyı her değiştirdiğinde bu seti yeniden çalıştır. Böylece "daha iyi gibi" hissi yerine somut bir karşılaştırman olur.

Demo aşamasında maliyet görünmez; birkaç yüz istek neredeyse bedavadır. Ama kullanıcı başına günde kaç istek yapıldığını, her isteğin ortalama ne kadar tuttuğunu ve bunun fiyatınla nasıl karşılaştırıldığını erkenden hesapla.

Birim ekonomin tutmuyorsa üç seçeneğin var: daha küçük bir modele geçmek, sonuçları önbelleğe almak ya da fiyatı yükseltmek. Hangisinin mümkün olduğunu, ürün henüz küçükken öğrenmek çok daha ucuzdur.

Ucuz deneme, pahalı ölçeklemeyi saklayabilir.

İlk haftalarda kaç kişinin kaydolduğundan çok, kaç kişinin ikinci kez geldiğine bak. Yapay zekâ ürünleri merak uyandırır; insanlar bir kez dener, etkilenir ve bir daha açmaz. Tekrar gelen yoksa özellik eklemek değil, sorunu yeniden tanımlamak gerekir.

İzlemen gereken birkaç basit sayı yeter: haftalık geri dönen kullanıcı oranı, kullanıcı başına tamamlanan iş sayısı ve sonuçların ne kadarının düzeltilmeden kabul edildiği. Bu üçü yukarı gidiyorsa doğru yoldasın.

Son olarak, bu alanın ne kadar hızlı değiştiğini unutma. Bugün zorlandığın bir yetenek altı ay sonra tek bir istemle çözülebilir. Bu yüzden ürünün asıl değerini modelin yeteneğine değil, kullanıcının iş akışına ve topladığın veriye dayandır. Yeni ve daha iyi bir model çıktığında rakiplerin sıfırdan başlar; sen ise kaldığın yerden devam edersin.