-AI-产品的成功取决于用户如何直观地与其功能互动-

“AI 产品的成功取决于用户如何直观地与其功能互动”

原文：towardsdatascience.com/the-success-of-an-ai-product-depends-on-how-intuitively-users-can-interact-with-its-capabilities/

在“作者聚焦”系列中，TDS 编辑们与我们的社区成员就他们的数据科学和 AI 职业道路、他们的写作以及他们的灵感来源进行交谈。今天，我们很高兴分享我们与Dr. Janna Lipenkova的对话。

Janna Lipenkova 博士是一位 AI 策略家、企业家，也是书籍《AI 产品开发的艺术》的作者。她拥有计算语言学博士学位，将深入的技术洞察力与商业战略相结合，帮助组织将 AI 转化为有形的成果。Janna 在语言、数据和智能的交汇处创立并领导了多个企业——包括Anacode，专注于企业 AI 转型，以及Equintel，一个支持企业可持续性的 AI 平台。通过她的思想领导和咨询活动，Janna 不断塑造和改进她全面的 AI 开发和集成方法论。

你将你的“AI 策略手册”称为一组心智模型，帮助团队就构建什么以及为什么构建达成一致。哪些模型最常在高管会议室中揭示清晰度，为什么它们会引起共鸣？

在高管会议室中最大的挑战之一是沟通。当人们谈论 AI 时，他们的意思各不相同，这阻碍了执行。我使用三种心智模型来创建一个结构化的共同基础，这样我们就可以没有借口和误解地前进。

我通常从AI 机会树开始，它帮助我们绘制可能的 AI 用例的景观图。高管们常常带着好奇和炒作的心态进来——“我们需要用 AI 做点什么”——但并没有一个清晰的看法，价值究竟在哪里。大多数团队从那里采取的默认路径是构建聊天机器人，但这些项目很少能起飞（参看这篇文章）。机会树通过系统地揭示潜在的 AI 用例，并提供一个结构化、客观的优先级排序基础，打破了这种模式。

一旦我们明确了要构建什么和为什么构建，我们就转向“如何”并填写AI 系统蓝图。这个模型有助于映射预期 AI 系统的数据、模型、用户体验和治理约束。它在多利益相关者环境中特别强大，因为商业、数据科学和合规团队需要一个共同的语言。蓝图将 AI 的复杂性转化为具体和可迭代的实体——我们可以一起绘制它、讨论它并改进它。

最后，我介绍了AI 解决方案空间图。它将对话扩展到今天的主导技术——主要是大型语言模型和代理——并帮助团队考虑完整的解决方案类型空间：从经典机器学习到混合架构、检索系统和基于规则的或模拟驱动的方法。这种更广阔的视角使我们能够专注于提供正确的解决方案，而不仅仅是时尚的解决方案。

这些模型共同创造了一段旅程，反映了成功 AI 产品的演变过程：从机会发现到系统设计，再到持续探索。它们与高管产生共鸣，因为它们连接了战略和执行。

在你的写作中，领域专业知识对于构建人工智能产品至关重要。你在哪里看到领域知识改变了整个 AI 解决方案的形态，而不仅仅是提高边缘的准确性？

一个生动的例子是，领域专业知识完全重塑了解决方案的一个物流项目，最初这个项目是为了预测运输延误。一旦领域专家加入，他们重新定义了问题：延误不是随机事件，而是更深层次业务风险的迹象，如供应商依赖、监管瓶颈或网络脆弱性。我们“AI 专家”无法发现这些模式。

为了整合这种领域知识，我们将数据层扩展到运输时间之外，包括供应商风险信号和依赖图。AI 架构从单一的预测模型演变为结合预测、知识图谱和基于规则的推理的混合系统。用户体验从反应性的延误预测扩展到具有建议缓解措施的风险场景，这对专家来说更具可操作性。

最后，领域知识不仅仅是提高了准确性，它重新定义了问题、系统设计和企业获得的价值。它将 AI 模型变成了真正的决策支持工具。在那次经历之后，我总是坚持在 AI 项目的早期阶段让领域专家加入。

除了你在 TDS 上的帖子，你还写了一本书：[《人工智能产品开发的艺术：交付商业价值》(https://www.amazon.com/Art-AI-Product-Development-Delivering/dp/1633437051)]。有哪些最重要的收获改变了你构建人工智能产品的自身方法（特别是任何让你感到惊讶或颠覆了先前的信念的事情）？

写这本书激励我反思所有理论知识的碎片、实践经验以及我自己的信念，并将它们结构化为可重用的框架。由于一本书需要保持相关性多年，这也迫使我区分了基础和炒作。以下是我的一些个人学习心得：

• 首先，我学会了如何在技术中找到商业价值。我们常常在两个极端之间摇摆——要么为了人工智能而追逐人工智能，要么完全依赖用户驱动的发现。在前一种情况下，你并没有创造真正的价值。在后一种情况下，谁知道你需要等多久才能等到“完美”的人工智能问题出现在你面前。在实践中，最佳位置介于两者之间：利用技术的独特优势来解锁用户可以感受到但未必能明确表达的价值。我们从像史蒂夫·乔布斯和亨利·福特这样的伟大创新者那里知道这一点，他们在客户提出需求之前就创造了全新的体验。但要做到这一点，你需要那种神奇的技术专长、勇气和对市场需求的直觉的混合体。

• 其次，我意识到了用户体验对人工智能成功的重要性。许多人工智能项目失败不是因为模型弱，而是因为智能没有被清楚地传达、解释或使其可用。人工智能产品的成功取决于用户如何直观地与其功能互动以及他们对结果的信任程度。在写书的过程中，我重新阅读了设计经典之作，如唐·诺曼的《日常事物的设计》，并总是问自己——这如何应用于人工智能？我认为我们仍然处于一个新用户体验时代的早期阶段。聊天是一个重要的组成部分，但它无疑是整个方程式的一部分。我对新的用户界面概念，如生成式用户体验的发展感到非常兴奋。

• 第三，人工智能系统需要通过反馈和改进的周期来进化，这个过程永远不会真正结束。这就是为什么我在书中使用了旋转者（dervish）的隐喻：旋转、精炼、持续学习。掌握早期发布和持续迭代的团队往往比等待“完美”模型的团队创造的价值更多。不幸的是，我仍然看到许多团队在交付第一个基线之前花费了太多时间，并且在迭代优化上投入的时间不足。这些系统可能进入生产，但采用的可能性不大，它们可能会被束诸高阁，成为另一个人工智能实验。

对于下个季度要发布 AI 功能的团队，你会推荐哪些习惯，以及他们应该避免哪些关键陷阱，以保持专注于交付真正的商业价值而不是追逐炒作？

首先，正如上文所述，掌握迭代的艺术。 早期发布，但要有责任感——发布足够有用的东西以赢得用户信任，然后不懈地改进。每一次互动都会为你带来新的数据，每一次反馈都是一个新的训练信号。

第二，保持更广阔的视野。 围绕最新的 LLM 或模型发布很容易产生隧道视野，但真正的创新往往来自于你如何结合技术——检索、推理、分析、UX 和领域逻辑。以模块化方式设计你的系统，以便你可以扩展它，并持续监控可能改进 AI 解决方案和发展的 AI 解决方案（参见我们即将推出的AI 雷达）。

第三，尽早和经常进行真实人群的测试。 人工智能产品的生死取决于人类如何感知和使用它们。内部演示和合成测试无法替代从实际用户那里得到的混乱、令人惊讶的输入和反馈。

你的长篇写作（书籍、深入研究）避免了炒作，专注于为组织提供价值。你选择主题的方法是什么，并且关于这些主题的写作是否帮助你更好地理解它们？

写作一直是我思考的方式。我用它来学习，处理复杂的思想，并产生新的想法。我通常跟随我的直觉，写关于我真正相信并且看到在真实组织中有效的方法。

同时，在我的公司，我们有一点点自己的“秘密配方”。多年来，我们开发了一个用于监控新趋势和创新的 AI 驱动系统。我们将其提供给航空航天和金融等行业的一些精选客户，当然，我们当然也用于我们自己的目的。这种数据和直觉的结合帮助我发现现在相关且未来两三年内可能仍然重要的主题。

例如，在 2025 年初，我们发布了一份关于企业 AI 趋势的报告报告，其中几乎每个主题在全年都证明高度相关。因此，虽然我的写作是直观和个人的，但它也基于证据。

想了解更多关于 Janna 的工作并关注她最新的文章，你可以关注她的TDS，Substack，或LinkedIn。