AI 제품 설계 원칙

받은 편지함으로 직접 새 Angular 블로그, 데이터 보고서 및 뉴스레터를 받으려면 여기에서 구독하십시오 .

고객은 드릴이 아니라 벽에 뚫린 구멍을 원한다는 유명한 말이 있습니다.

LLM의 즉시 사용 가능한 기능과 다재다능함을 감안할 때 이 격언은 새로운 의미를 얻었습니다. 대부분의 소프트웨어가 구멍 자체를 생성하는 데 훨씬 더 가까워지는 시대에 접어들고 있지 않을까요? 인간이 할 수 있는 많은 일을 AI가 할 수 있는 세상에서 소프트웨어는 어떻게 진화할까요?

AI 기반의 미래에 제품이 어떤 모습일지 생각하는 데 도움이 되도록 과거의 가장 강력하고 유비쿼터스한 AI 기반 제품 중 하나인 Google의 전환 최적화 도구가 무엇인지 생각해 볼 가치가 있습니다 .

2000년대 초에 유료 마케팅은 오늘날과는 완전히 다른 야수였습니다. 마케팅 팀은 입찰 금액을 파악하는 데 많은 시간을 보냈습니다 . Search Engine Land 에서 충분히 뒤로 이동하면 삶이 어땠는지 알 수 있습니다.

그 후 2007년 후반에 Google의 전환 최적화도구가 출시되었습니다. 그리고 인공 지능이 대체한 첫 번째 직업이 갑자기 유급 마케팅 담당자가 더 이상 입찰할 필요가 없게 되었습니다. 대신 그들은 다음 두 가지에 노력을 집중했습니다.

첫째, 데이터. 더 관련성 높은 데이터 마케팅 담당자가 Google로 다시 연결될수록 전환 최적화가 더 잘 작동했습니다. 처음에 이는 전환 데이터를 다시 보내는 것을 의미했습니다. 결국 여기에는 제품 사용 데이터(및 성능을 향상시키는 것으로 보이는 다른 모든 것)도 포함되기 시작했습니다.

둘째, 창의적입니다. 마케터가 시스템에 제공할 수 있는 창의적인 반복이 많을수록 새로운 승자를 찾고 성과를 높일 가능성이 높아졌습니다. 최고의 성과를 내는 마케팅 팀은 창의적인 생산 기계로 매주 또는 매일 새로운 반복을 테스트했습니다.

예, 전환 알고리즘 자체는 블랙박스였지만 유료 마케터가 마진에서 성과를 개선하기 위해 할 수 있는 모든 일을 하도록 재정향하는 것을 막지는 못했습니다.

따라서 AI를 핵심으로 하는 제품을 만들고 있다고 가정해 보겠습니다. Google의 전환 최적화도구의 예는 설계 방법에 대해 무엇을 알려줍니까?

첫째, 독점 데이터 이점을 구축합니다 . Google은 전환 최적화도구 를 출시하기 오래 전에 전환 추적을 시작했기 때문에 초기 모델을 구축하는 데 필요한 모든 전환 데이터를 가지고 있었습니다. Google과 마찬가지로 처음에 모델을 부트스트랩하려면 일종의 내부 데이터가 필요합니다. 즉시 사용 가능한 LLM이 시작하기에 충분할 수 있지만 일종의 독점 데이터가 장기적인 차별화의 핵심이 될 수 있습니다.

둘째, 사용자가 모델을 능동적으로 개선할 수 있도록 합니다 . 마케터가 원하는 모든 유형의 "전환"을 파이프백할 수 있도록 하는 Google과 마찬가지로 사용자가 외부 성과 데이터를 사용하여 모델을 개선할 수 있도록 권한을 부여해야 합니다. 이것은 제품을 더 끈적하게 만드는 추가적인 이점이 있습니다. 모델의 성능이 향상될 뿐만 아니라 모델의 성능을 향상시키는 것은 사용자의 몫이 될 것입니다!

셋째, 사용자가 . 마케팅 담당자가 모델의 성과를 개선하기 위한 수단으로 극단적인 창의적 실험을 피벗한 방법과 마찬가지로 사용자가 반복할 수 있는 추가 변수에 대해 생각해 보십시오. 사용자에게 실험을 통해 모델의 성능을 개선할 수 있는 도구를 제공함으로써 시스템에서 최상의 성능을 얼마나 잘 추출하는지에 따라 자신을 정의하는 사용자를 생성하고 접착성을 더욱 향상시킵니다(과거에 배웠듯이, 고객이 만든 제품은 파워 유저와 전도사를 만듭니다.)

LLM이 얼마나 다재다능한지를 감안할 때 이러한 모델이 인간을 완전히 대체하는 세상을 상상하고 싶을 것입니다. 단순히 "벽에 구멍"을 낼 수 있는 곳 말입니다. 그러나 Google의 전환 최적화 도구와 마찬가지로 현실은 그보다 훨씬 더 미묘할 것이라고 생각합니다.