Чему учат чужие гайды?
Много сейчас занимаюсь изучением подходов и фреймворков по использованию ИИ. Часть из них годные, а другие исключительно маркетинговые, но тут понравилось и оформление и содержание от Google People + AI Guidebook — набор методов, шаблонов и примеров для команд, которые создают продукты с ИИ.
Такие документы поднимают планку: показывают, какие вопросы продуктовая команда должна задать до начала разработки. Из набора этих вопросов постепенно и складывается продуктовое видение, которое не заменяет классический вопрос "Чтобы что?", а иначе расставляет акценты, учитывая особенности работы с новыми инструментами.
Забрал три идеи: 📌 Фокус на задаче, а не на ИИ Google по классике предлагает начинать команде описывать существующий сценарий пользователя и выбирает его часть, которую хочет изменить. И только потом спрашивает: создаёт ли здесь ИИ уникальную ценность? Иногда обычное правило окажется дешевле, предсказуемее и проще в поддержке. Поэтому вопрос «Куда нам внедрить ИИ?» я бы заменил на два других: — Какую проблему мы решаем? — Даёт ли здесь ИИ ценность, которую трудно получить бизнес правилами или ручным процессом?
📌 Данные становятся самостоятельной частью продукта Мои самые сильные эксперты по данным приходили к бизнесу с картой данных. Это таблица в которой описаны все источники данных и смысл их использования. Ценный артефакт, который есть далеко не в каждом стартапе или команде. При работе с ИИ данные - это одна из важнейших частей работы. LLM вам напридумывает такого- устанете проверять :) В гайде есть ссылка на Data Cards — подробный паспорт набора данных. В нём фиксируются владельцы и происхождение данных, правила доступа и удаления, ограничения, риски и допустимые сценарии использования. Шаблон охватывает 15 тем. Данные становятся самостоятельным продуктовым артефактом: команда заранее описывает не только то, что у неё есть, но и ограничения и условия ответственного использования.
📌 Принципы помогают договориться заранее Например: чем выше цена ошибки, тем важнее предусмотреть контроль человека и возможность отменить действие. Музыкальный сервис может позволить себе больше автоматизации: неудачная рекомендация стоит недорого. В медицине, финансах или других чувствительных сценариях пользователю нужно оставить проверку и ручное управление.
Хорошая методология не диктует интерфейс или модель. С ней команда быстрее договаривается о решении. Возьмите один свой AI-сценарий и за 30 минут ответьте на три вопроса: 📌 Какую работу пользователя мы хотим изменить? 📌 На каких данных будет работать решение и где их границы? 📌 Какую ошибку мы считаем самой дорогой и какие точки контроля остаются за человеком? Если на эти вопросы нет ответа, обсуждать какую модель взять для реализации решения пока рано.
Интересно приземлить всю эту теорию на практику?
