Yapay Zekânın Dört Yeteneği: Ürün Ekiplerinde Hangisi İşe Yarar

Yapay zekânın ürün geliştirmedeki katkısı genelde dört başlığa indirgeniyor: içerik üretmek, özetlemek, veri analiz etmek, kullanıcı perspektifi kurmak. İlk üçü günlük işte gerçekten zaman kazandırıyor. Dördüncüsü, yani modele kullanıcınızı oynatmak, araştırmanın yerine geçtiği anda zarar veriyor. Aradaki çizgi yeteneğin ne kadar gelişmiş olduğuyla değil, çıktının ne kadar çabuk yanlışlanabildiğiyle ilgili.

İçerik üretimi: sorun metin değil, metnin sığacağı yer

Dördünün en olgunu bu. Ürün açıklaması, bildirim metni, boş durum yazısı, onboarding adımları: hepsi hızlıca üretiliyor ve çoğu kullanılabilir çıkıyor. Ama arayüzde metin boşluğa düşmez, genişliği ve yüksekliği belli bir bileşenin içine düşer. Modelin uzunluk disiplini yoktur; ondan isteyen de genelde karakter bütçesini söylemez.

Bir e-ticaret projesinde üretilen açıklamalar ortalamanın iki katı uzunlukta geldi ve kart yüksekliği sabit olan liste görünümünde yarısı üç noktayla kesildi. Doğru sıra şudur: bütçeyi bileşen söyler, metin ona göre üretilir. Bileşeni metne göre esnetmek, listede her kartın farklı yükseklikte olduğu bir sayfa demek.

Hata mesajlarında ise üretilen metin neredeyse her zaman kötüdür, çünkü iyi bir hata mesajı sistemin o anda ne yaptığını bilmeyi gerektirir. Model bunu bilmez, kibar bir genelleme yazar. Kullanıcıya hangi alanın reddedildiğini ve sonraki adımı söyleyen cümleyi yazan kişi, o kodun ne döndürdüğünü gören kişi olmalı.

Özetleme: cevabı tutar, kanıtı atar

Görüşme kayıtlarını ve kullanılabilirlik oturumlarını özetletmek cazip, çünkü transkript okumak yavaş iş. Özet bulguyu verir: kullanıcı ödeme adımında tereddüt etti. Vermediği şey, kullanıcının kurduğu cümledir. Ekibi ikna eden şey bulgu değil, o cümlenin kendisidir; ikinci elden aktarılmış hali aynı etkiyi yapmaz.

Daha sinsi kayıp ise varyansta olur. Üç kişinin birbirinden farklı üç sebeple zorlandığı bir adım, özette tek bir maddeye iner ve ortak bir soruna benzer. Beş kişilik bir testte zaten elinizdeki tek sinyal bu farklılıktır. Özetleyiciyi kayıtta yeri bulmak için kullanın, bulguyu yazmak için değil.

Veri analizi: betimleme evet, çıkarım hayır

Ortalama alır, dağılımı çizer, kategorileri sayar. Bunlarda güvenilirdir ve tekrar koşturarak kontrol edebilirsiniz. Sorun, sorduğunuz dilde cevap vermesinde. Beş kullanıcılı niteliksel bir testte oran isterseniz oran üretir, size yüzde kırk der.

Beş kişide tek bir katılımcı sonucu yirmi puan oynatır. Yani iki kişiyle üç kişi arasındaki fark, bir kişinin o gün oturuma katılıp katılmamasıdır. Yirmi katılımcının altında oranı tamamen bırakın, sayıyı yazın: beş kişiden ikisi. Cümle daha kaba durur, karar daha sağlam olur.

Sentetik persona: modelin ortalaması sizin kullanıcınız değil

Modele persona verip arayüzü onun gözünden değerlendirmesini istemek, dördüncü süper güç diye anlatılan şey. Burada bir mantık hatası var. Modelin insan davranışı hakkında büyük veriye dayandığı doğru, ama o veri internetin ortalaması; sizin kullanıcınız ise dar bir dilim ve model onu hiç gözlemlemedi. Çıkan cevap kullanıcınızın değil, popülasyonun merkezinin cevabıdır.

İkinci sorun daha can sıkıcı. Modele "bu persona ödeme akışını kolay bulur mu" diye sorarsanız büyük olasılıkla bulur, çünkü sorunun yönüne uymak en olası devam. Persona yöntemi tam olarak ekibin kendini kullanıcının yerine koymasını engellemek için icat edildi. Üretilmiş persona bu yansıtmayı geri getirir, üstüne bir de nesnellik kılığı giydirir.

Gerçekten işe yaradığı yer var: gerçek görüşmeden önce prova. Sorularınızı modele okutup hangilerinin yönlendirici olduğunu gösterin, kendi metninize karşı argüman üretmesini isteyin. Bunlar hazırlık işleri. Bulgu üretmezler, bulgu toplamayı kolaylaştırırlar.

Hangi işi modele verebilirsiniz

Ayrımı yetenek listesi değil, doğrulama maliyeti belirliyor. Üretilen metnin bileşene sığmadığını saniyeler içinde görürsünüz. Özeti kaydın kendisiyle on dakikada karşılaştırırsınız. Betimsel analizi yeniden koşturursunuz. Sentetik kullanıcının söylediğini ise karşılaştıracak hiçbir şey yoktur, çekici olmasının sebebi de bu.

Kural tek cümleye sığıyor: çıktısını aynı oturum içinde yanlışlayabildiğiniz işi modele verin, geri kalanı insanlarda kalsın. Bu ayrım yapılmadığında yapay zeka araştırmayı hızlandırmaz, araştırmanın yerine geçer ve ekip kullanıcı yerine modelin tahminine göre tasarlamaya başlar.