Эта статья представляет собой вырезку из моей будущей книги, на которую вы можете подписаться здесь: https://www.danrose.ai/book

При опросе экспертов в области решений искусственного интеллекта важно избегать обсуждения конкретного решения, а вместо этого сосредоточиться на бизнес-результатах и ​​решаемой проблеме. Когда вы беседуете с экспертами, они иногда слишком рано принимают то или иное решение, даже не подозревая об этом. Как архитектор решения, вы можете сделать то же самое и упустить лучшие альтернативы. Я часто ловлю себя на том, что делаю это, поскольку поиск идеального решения — самая приятная часть фазы открытия. Чтобы сосредоточиться на проблеме и бизнес-результатах, я использую следующее руководство в качестве вдохновения для вопросов.

Вопрос: Расскажите мне, когда вы в последний раз делали X (например, прогнозировали продажи или планировали смену в магазине мороженого)

Вопрос работает лучше, чем «Как вы делаете прогнозирование?». Спрашивая таким образом, вы получите отточенный ответ в лучшем случае. Специалист по предмету расскажет, как все должно быть сделано. Мы все хотим представить нашу лучшую версию себя, и мы можем немного бояться признать, что мы прыгаем с обручей, когда мы заняты или что-то не так. Но мы все заняты, и повседневная работа грязная. У Терезы Торрес есть прекрасный пример в ее книге «Продолжает привычку к открытию»: когда вы спрашиваете людей, как они покупают джинсы, они скажут вам, что они различаются по марке и качеству. Когда вы спросите их, как они покупали джинсы в прошлый раз, они скажут, что была хорошая скидка.

При создании ИИ вы стремитесь выявить весь беспорядок и обойти процедуры. Именно здесь вы столкнетесь с проблемами, и вы можете уменьшить их с помощью ИИ; вы можете обеспечить большую ценность.

Вопрос: Как вы будете использовать информацию, предоставленную ИИ? (Например, информация о том, сколько мороженого продается в данный день)

Этот вопрос фокусируется на бизнес-потребностях и результатах, а не только на желании получить информацию или техническое решение. Ценность любого ИИ можно найти в том, какое действие мы принимаем на основе информации, предоставленной моделью. Раскрытие предполагаемых действий раскрывает потенциальную ценность решения ИИ. Это также раскрывает причины (а иногда и их отсутствие) необходимости решения ИИ.

Вопрос: Как решение поможет вашему новому коллеге?

Опытным сотрудникам может быть трудно увидеть идею помощи (со стороны ИИ или нет). Они всегда могут найти решение проблем. Им не нужна помощь. Но когда их неопытные коллеги становятся субъектом, им легче увидеть ценность и объяснить, как решение поможет им.

Вопрос: Почему вы не можете решить эту проблему каким-либо другим способом, кроме ИИ?

Это часто приводит к тому, что субъект рассказывает вам, как, по их мнению, ИИ решит проблему. Он раскрывает потенциальные недоразумения относительно того, что ИИ может и чего не может делать.

Это также показывает, насколько хорошо продумана идея. Является ли ИИ просто решением, выбранным из-за ажиотажа, или всерьез рассматривались альтернативы? Не бойтесь оспаривать идею использования ИИ. Любое хорошее решение может выдержать это испытание, а является ли оно плохим решением, вы узнаете в какой-то момент, несмотря ни на что. Лучше раньше, чем позже.

Вопрос: Почему это решение не работает?

Вы когда-нибудь слышали, как люди говорят: «Я знал, что это провалится»? Если это правда, даже время от времени, то этот вопрос может избавить вас от неприятностей. Вам также может быть знакомо чувство, что вы игнорировали признаки проблем, когда были слишком взволнованы решением. Я, конечно, знаю.

Задавая этот вопрос, я часто получаю ответ: «У нас ничего не получится, потому что мы будем пытаться решить все и не довести дело до конца». Это обычная задача, и заставить испытуемых сказать, что это привносит в проект некоторую реалистичность.

Вопрос: Покажите мне, как вы делаете X?

Заставьте человека показать вам, как он выполняет свою работу. Наблюдение за действиями субъекта откроет нематериальные знания. То, что стало типом 1 и рутиной для субъекта, смутит вас, и вы можете указать на это и спросить, что происходит.

Вопрос: Что будет трудным в (X, Y, Z)?

Я часто задаю такие вопросы, как «Что сложного в достижении высокой точности?» или «Что будет сложного в адаптации пользователей к решению?». Подобные вопросы раскрывают особенности данных, которые могут быть не такими надежными, как вы думали. Ответы типа «Мы недавно изменили способ регистрации данных для X» здесь типичны.

Чтобы получить советы, подпишитесь на книгу здесь: https://www.danrose.ai/book