Was Kunden in KI -Projekten wirklich verlangen

In den Weblog -Abschnitten werde ich praktische Elemente, die Sie sofort in die Tat umsetzen können.

Lass uns eintauchen!

Abu (immer aktualisiert)

Im Verkauf gibt es eine berühmte Regel namens ABC – immer schließt immer. Die Idee ist einfach: Jede Interaktion sollte den Kunden näher an einen Deal bringen. In KI -Projekten haben wir ein weiteres Motto: Abu (immer aktualisiert).

Diese Regel bedeutet genau das, was sie sagt: Lassen Sie die Stakeholder niemals im Dunkeln. Selbst wenn es wenig oder gar keine Fortschritte gibt, müssen Sie es schnell kommunizieren. Stille schafft Unsicherheit und Unsicherheit tötet das Vertrauen.

Eine einfache Möglichkeit, Abu zu bewerben, ist eine kurze wöchentliche E -Mail an jeden Stakeholder. Halten Sie es konsequent, präzise und konzentrieren sich auf vier wichtige Punkte:

• Durchbrüche in Bezug auf Leistung oder wichtige Meilensteine, die während der Woche erzielt wurden;
• Probleme mit Leistungen oder Änderungen am Plan der letzten Woche, die die Erwartungen der Stakeholder beeinflussen;
• Aktualisierungen des Groups oder der beteiligten Ressourcen;
• Aktuelle Fortschritte bei vereinbarten Erfolgsmetriken;

Dieser Rhythmus hält alle ausgerichtet, ohne sie mit Lärm zu überwältigen. Der wichtigste Einblick ist, dass die Menschen keine schlechten Nachrichten nicht hassen, sie nur schlechte Überraschungen hassen. Wenn Sie von Woche zu Woche bei ABU halten und Erwartungen verwalten, bauen Sie Glaubwürdigkeit auf und schützen das Projekt, wenn sich die Herausforderungen zwangsläufig erheben.

Stellen Sie das Produkt vor die Benutzer

In KI -Projekten ist es einfach, in die Falle des Bauens für sich selbst zu geraten, anstatt für die Personen, die das von Ihnen bauen, tatsächlich verwendete Produkt/Lösung verwenden.

Zu oft habe ich gesehen, wie Groups über Funktionen begeistert sind, die für sie wichtig sind, aber für den Endbenutzer wenig bedeuten.

Nehmen Sie additionally nichts an. Stellen Sie das Produkt so früh und so oft wie möglich vor die Benutzer vor. Echtes Suggestions ist unersetzlich.

Ein praktischer Weg, dies zu tun, besteht darin, leichte Prototypen oder begrenzte Piloten zu tun. Auch wenn das Produkt noch lange nicht fertig ist, hilft Ihnen das Zeigen von Benutzern, Annahmen zu testen und Funktionen zu priorisieren. Wenn Sie das Projekt starten, verpflichten Sie sich so schnell wie möglich zu einem Prototypdatum.

Fallen Sie nicht in die Technologiefalle ein

Ingenieure lieben Technologie – es ist Teil der Leidenschaft für die Rolle. In KI -Projekten ist Technologie jedoch nur ein Enabler, niemals das Endziel. Nur weil etwas technisch möglich ist (oder in einer Demo beeindruckend aussieht), heißt das nicht, dass es die wirklichen Probleme Ihrer Kunden oder Stakeholder löst.

Die Richtlinie ist additionally sehr einfach und dennoch schwer zu befolgen: Beginnen Sie nicht mit der Technologie, beginnen Sie mit dem Bedarf. Jede Funktion oder jeder Code sollte auf ein klares Benutzerproblem zurückkehren.

Ein praktischer Weg, um dieses Prinzip anzuwenden, besteht darin, Probleme vor Lösungen zu validieren. Verbringen Sie Zeit mit Kunden, kartieren Sie ihre Schmerzpunkte und fragen Sie: „Wenn diese Technologie perfekt funktioniert, würde es für sie tatsächlich von Bedeutung sein?“

Coole Funktionen speichern kein Produkt, das kein Downside löst. Wenn Sie jedoch die Technologie in realen Bedürfnissen verankern, folgt die Akzeptanz auf natürliche Weise.

Ingenieure konzentrieren sich häufig auf die Optimierung von Technologie oder das Aufbau cooler Funktionen. Aber die besten Ingenieure (10 -fachen Ingenieure) kombinieren diese technische Stärke mit der seltenen Fähigkeit, sich in Stakeholder einzubauen.

Geschäftsmetriken über technische Metriken

Es ist leicht, sich in technischen Metriken zu verlieren-Genauigkeit, F1-Rating, ROC-Auc, Präzision, Rückruf. Kunden und Stakeholder kümmern sich normalerweise nicht darum, ob Ihr Modell 0,5% genauer ist, sie kümmern sich darum, ob es die Abwanderung verringert, den Umsatz steigert oder Zeit und Kosten spart. Das Schlimmste ist, dass Kunden und Stakeholder häufig der Ansicht sind, dass technische Metriken wichtig sind, wenn sie sich in einem geschäftlichen Kontext selten befinden. Und es liegt an Ihnen, sie sonst zu überzeugen.

Wenn Ihr Vorhersagemodell von Ihrem Abwanderungsvorhersage eine Genauigkeit von 92% erreicht, das Advertising and marketing -Group jedoch keine effektiven Kampagnen aus seinen Outputs entwerfen kann, bedeutet die Metrik nichts. Wenn ein „weniger genaues“ Modell dazu beiträgt, die Kundenwanderung um 10% zu reduzieren, da es erklärbar ist, ist dies ein Erfolg.

Eine praktische Möglichkeit, dies anzuwenden, besteht darin, zu definieren Geschäftsmetriken zu Beginn des Projekts – fragen:

• Was ist das finanzielle oder operative Ziel? (Beispiel: Reduzieren Sie die Handhabung der Callcenter um 20%)
• Welche technischen Metriken korrelieren am besten mit diesem Ergebnis?
• Wie werden wir nicht technische Stakeholder Ergebnisse vermitteln?

Manchmal ist die richtige Metrik überhaupt keine Genauigkeit. Zum Beispiel könnten bei der Betrugserkennung 70% der Betrugsfälle mit minimalen Fehlalarmen wertvoller sein als ein Modell, das 90% ausdrückt, aber Tausende legitimer Transaktionen blockiert.

Besitz und Übergabe

Wem gehört die Lösung, wenn sie dwell geht? Hat der Kunde im Erfolg zu jeder Zeit einen zuverlässigen Zugang dazu? Was passiert, wenn Ihr Group nicht mehr an dem Projekt arbeitet?

Diese Fragen werden oft weitergegeben, definieren jedoch die langfristigen Auswirkungen Ihrer Arbeit. Sie müssen vom ersten Tag an eine Übergabe planen. Dies bedeutet, dass sie Prozesse dokumentieren, das Wissen übertragen und sicherstellen, dass das Group des Kunden das Modell ohne ständige Beteiligung aufrechterhalten und bedienen kann.

Die Bereitstellung eines ML -Modells ist nur die Hälfte des Jobs – Nach dem Einsatz ist oft eine wichtige Section, die bei der Übersetzung zwischen Geschäft und Technik verloren geht.

Kosten- und Finances -Sichtbarkeit

Wie viel kostet die Lösung für den Betrieb? Verwenden Sie Cloud Infrastructure, LLMs oder andere Techniken, die variable Kosten tragen, die der Kunde verstehen muss?

Von Anfang an müssen Sie den Stakeholdern die vollen Sichtbarkeit von Kostenfahrern geben. Dies bedeutet, dass die Infrastrukturkosten, Lizenzgebühren und insbesondere mit Genai die Nutzungskosten wie Token -Verbrauch abgebaut werden.

Eine praktische Möglichkeit, dies zu verwalten, besteht darin, klare Kosten-Monitoring-Dashboards oder Warnungen einzurichten und sie regelmäßig mit dem Kunden zu überprüfen. Schätzen Sie für LLMs die erwartete Token -Nutzung unter verschiedenen Szenarien (durchschnittliche Abfrage im Vergleich zur starken Verwendung). Daher gibt es später keine Überraschungen.

Kunden können Kosten akzeptieren, aber sie werden versteckte oder vielfältige Kosten nicht akzeptieren. Durch die Transparenz des Budgets können Kunden realistisch für die Skalierung der Lösung planen.

Skala

Über Skala sprechen ..

Die Skala ist ein ganz anderes Spiel. Es ist die Section, in der eine KI -Lösung den größten geschäftlichen Wert liefern kann, aber auch die meisten Projekte scheitern. Das Erstellen eines Modells in einem Notizbuch ist eine Sache, aber das Bereitstellen von Daten, Daten und Benutzeranforderungen ist eine andere.

Seien Sie additionally klar Wie Sie Ihre Lösung skalieren. Hier kommen Daten Engineering und Mlops. Beziehen Sie sich mit den Themen, die sich auf die Gewährleistung der gesamten Pipeline (Datenaufnahme, Modelltraining, Bereitstellung, Überwachung) beziehen können, mit der Nachfrage wachsen und gleichzeitig zuverlässig und kosteneffizient bleiben.

Einige kritische Bereiche, die bei der Kommunikationskala zu berücksichtigen sind, sind:

• Software program -Engineering -Praktiken: Versionskontrolle, CI/CD -Pipelines, Containerisierung und automatisierte Checks, um sicherzustellen, dass sich Ihre Lösung ohne Brechen entwickeln kann.
• MLOPS -Funktionen: Automatisierte Umschulung, Überwachung der Datendrift und Konzeptdrift sowie alarmierende Systeme, die das Modell im Laufe der Zeit genau halten.
• Infrastrukturauswahl: Cloud vs. lokale, horizontale Skalierung, Kostenkontrollen und ob Sie spezielle {Hardware} benötigen.

Eine KI -Lösung / ein Projekt, das isoliert intestine abschneidet, reicht nicht aus. Der echte Wert kommt, wenn die Lösung Tausende von Benutzern skalieren, sich an neue Daten anpassen und lange nach der Erstbereitstellung weiterhin geschäftliche Auswirkungen liefert.

Hier sind die praktischen Tipps, die wir in diesem Beitrag gesehen haben:

• Senden Sie einen kurzen Wöchentliche E -Mail an alle Stakeholder mit Durchbrüchen, Problemen, Teamaktualisierungen und Fortschritten bei Metriken.
• Verpflichten sich zu an Früher Prototyp oder Pilot Annahmen mit Endbenutzern zu testen.
• Zuerst Probleme validieren – Beginnen Sie nicht mit TechBeginnen Sie mit den Bedürfnissen der Benutzer. Benutzerinterviews sind eine großartige Möglichkeit, dies zu tun (wenn möglich, steigen Sie aus Ihrem Schreibtisch und schließen Sie sich den Benutzern an, um einen Job zu machen, den sie während eines Tages erledigen).
• Definieren Geschäftsmetriken Vorab und verbinden Sie den technischen Fortschritt zurück.
• Planen Sie die Übergabe Vom ersten Tag an: Dokumentieren Sie das Kundenteam und stellen Sie sicher, dass das Eigentum klar ist.
• Einrichten a Dashboard oder Warnungen Kosten zu verfolgen (insbesondere für Cloud- und Token-basierte Genai-Lösungen).
• Bauen mit Skalierbarkeit im Auge: CI/CD, Überwachung auf Drift, modulare Pipelines und Infrastruktur, die wachsen können.