Participe de nossos boletins diários e semanais para obter as atualizações mais recentes e conteúdo exclusivo sobre a cobertura de IA líder do setor. Saber mais
Pergunta: Qual produto deve usar o aprendizado de máquina (ML)?
Resposta do Gerente de Projeto: Sim.
Piadas à parte, o advento da IA generativa aumentou nossa compreensão do que os casos de uso se prestam melhor ao ML. Historicamente, sempre alavancamos o ML para Padrões preditivos e repetíveis Nas experiências do cliente, mas agora é possível aproveitar uma forma de ML, mesmo sem um conjunto de dados de treinamento inteiro.
No entanto, a resposta para a pergunta “O que o cliente precisa exige uma solução de IA?” Ainda nem sempre “sim”. Grandes modelos de linguagem (LLMS) ainda pode ser proibitivamente caro para alguns e, como em todos os modelos ML, os LLMs nem sempre são precisos. Sempre haverá casos de uso em que alavancar uma implementação de ML não é o caminho certo a seguir. Como nós, como gerentes de projeto de IA, avaliamos as necessidades de nossos clientes para a implementação da IA?
As principais considerações para ajudar a tomar essa decisão incluem:
- As entradas e saídas necessárias para atender às necessidades do seu cliente: Uma entrada é fornecida pelo cliente ao seu produto e a saída é fornecida pelo seu produto. Portanto, para uma lista de reprodução gerada por ML Spotify (uma saída), as entradas podem incluir preferências de clientes e músicas, artistas e gênero musical ‘curtidos’.
- Combinações de entradas e saídas: As necessidades do cliente podem variar com base se desejam a mesma ou diferente saída para a mesma ou diferente entrada. Quanto mais permutações e combinações precisamos replicar para entradas e saídas, em escala, mais precisamos recorrer a ML versus sistemas baseados em regras.
- Padrões em entradas e saídas: Os padrões nas combinações necessárias de entradas ou saídas ajudam você a decidir que tipo de modelo ML você precisa usar para implementação. Se houver padrões para as combinações de entradas e saídas (como revisar as anedotas do cliente para obter uma pontuação de sentimentos), considere os modelos ML supervisionados ou semi-supervisionados sobre o LLMS porque eles podem ser mais econômicos.
- Custo e precisão: As chamadas LLM nem sempre são baratas em escala e os resultados nem sempre são Preciso/exatoapesar da engenharia fina e pronta. Às vezes, você está melhor com modelos supervisionados para redes neurais que podem classificar uma entrada usando um conjunto fixo de etiquetas ou mesmo sistemas baseados em regras, em vez de usar um LLM.
Reuni uma tabela rápida abaixo, resumindo as considerações acima, para ajudar os gerentes de projeto a avaliar as necessidades de seus clientes e determinar se uma implementação de ML parece ser o caminho certo a seguir.
| Tipo de necessidade do cliente | Exemplo | Implementação de ML (sim/não/depende) | Tipo de implementação de ML |
|---|---|---|---|
| Tarefas repetitivas em que um cliente precisa da mesma saída para a mesma entrada | Adicione meu e -mail em vários formulários online | Não | Criar um sistema baseado em regras é mais do que suficiente para ajudá-lo com suas saídas |
| Tarefas repetitivas em que um cliente precisa de saídas diferentes para a mesma entrada | O cliente está no “modo de descoberta” e espera uma nova experiência quando toma as mesmas ações (como assinar uma conta): – Gere uma nova obra de arte por clique –Stumbleupon (Lembre -se disso?) Descobrindo um novo canto da Internet através de pesquisa aleatória | Sim | –Image Generation LLMS – Algoritmos de Recompensação (filtragem colaborativa) |
| Tarefas repetitivas em que um cliente precisa da mesma saída/saída semelhante para diferentes entradas | –Grading ensaios –Generação de temas do feedback do cliente | Depende | Se o número de combinações de entrada e saída forem simples o suficiente, um sistema determinístico baseado em regras ainda poderá funcionar para você. No entanto, se você começar a ter várias combinações de entradas e saídas porque um sistema baseado em regras não pode escalar de maneira eficaz, considere apoiar-se: –Classifiers Mas somente se houver padrões para essas entradas. Se não houver padrões, considere aproveitar o LLMS, mas apenas para cenários pontuais (pois os LLMs não são tão precisos quanto os modelos supervisionados). |
| Tarefas repetitivas em que um cliente precisa de saídas diferentes para diferentes entradas | –Enstam perguntas de suporte ao cliente -Procurar | Sim | É raro encontrar exemplos em que você possa fornecer saídas diferentes para diferentes entradas em escala sem ML. Existem muitas permutações para que uma implementação baseada em regras seja escalada de maneira eficaz. Considerar: –Llms com geração de recuperação upmentada (RAG) |
| Tarefas não repetitivas com diferentes saídas | Revisão de um hotel/restaurante | Sim | Pré-Llms, esse tipo de cenário foi complicado de realizar sem modelos que foram treinados para tarefas específicas, como: – Redes neurais recorrentes (RNNs) Os LLMs são uma ótima opção para esse tipo de cenário. |
A linha inferior: não use um sabre de luz quando um simples par de tesouras pudesse fazer o truque. Avalie a necessidade do seu cliente usando a matriz acima, levando em consideração os custos de implementação e a precisão da saída, para criar produtos precisos e econômicos em escala.
Sharanya Rao é gerente de produtos do Fintech Group. As opiniões expressas neste artigo são as do autor e não necessariamente as de sua empresa ou organização.
