Product Engineering
AI ürününde ilk deneyin kapsamını belirlemek
Knowledge ve Predict fikirlerini iki küçük deneye ayırdık. Kullanıcı eylemi, gözlemlenebilir sonuç ve değerlendirme sınırı üzerinden ilk kapsamı nasıl kurduğumuzu anlatıyoruz.
Websoftik’in AI Lab ürün kararlarından uygulama notları. Ürün konsepti, çalışan deney ve gerçek kullanımdaki etki ayrı çıktılar olarak ele alınır.
Bir fikri kullanıcı eylemine indirmek
Knowledge için geniş fikir, ekibin belgeleri üzerinden bilgiye ulaşması. İlk deneyde bunu tek bir eyleme çevirdik: bir sorgu yaz, ilgili kaynak bölümünü bul ve belge içinde aç. Predict için eylem, günlük seriyi seçmek veya girmek ve tahmini başlangıç yöntemiyle karşılaştırmak oldu.
Bu seçimler, neyi çalışır hale getireceğimizi somutlaştırdı. Kullanıcı belgeyi açabiliyor mu? Veri değişince tahmin de değişiyor mu? Sonucun dayandığı metin veya geçmiş hata görülebiliyor mu? İlk sürümde yanıtladığımız sorular bunlar.
Her katmanın teslimi farklı
Ürün ailesi sayfaları Knowledge ve Predict’in hedeflenen yönünü anlatıyor. AI Lab’da ise bu fikirlerin belirli hesaplamaları çalışıyor. Proje hikâyesi, uygulanan parçayı ve mevcut kanıtı bir araya getiriyor.
Katmanlara ayrı durum vermek, bir ekran görselini çalışan özellik veya bir örnek testi müşteri etkisi gibi anlatmamızı önlüyor. Hangi sonraki karar için hangi kanıta ihtiyaç duyduğumuz da daha görünür oluyor.
| Katman | Mevcut çıktı | İncelenen soru |
|---|---|---|
| Ürün konsepti | Problem ve planlanan kapsam | Hangi ihtiyaca odaklanıyoruz? |
| Çalışan deney | Girdi değişince hesaplanan sonuç | Seçilen küçük akış çalışıyor mu? |
| Kullanım değerlendirmesi | Sonraki doğrulama hedefi | Gerçek işte hangi karar değişiyor? |
Örnek veri de kapsamın parçası
Knowledge belgelerini deney için yazdık; gerçek şirket prosedürlerini taşıdığı izlenimini vermiyoruz. Predict serileri sentetik. Kullanıcı kendi günlük CSV verisini girebilir, fakat hesaplama bu sayfada tarayıcı içinde kalır.
Bu seçim; deneyin veri kaynağını, erişim biçimini ve modelin neyi öğrenebileceğini birlikte belirliyor. Örnek belgedeki kelime eşleşmesi gerçek bir yetki sistemi değildir. Sentetik serideki düşük hata da işletmenin gelecekteki performansını ölçmez.
İyi ve zayıf örnekleri aynı üründe tutmak
Aramada karşılığı olmayan sorgu için boş durum var. Tahminde ise regresyonun kazandığı seri kadar haftalık tekrarın daha düşük hata verdiği seri de bulunuyor. Her iki durumun arayüzde bir karşılığı olması, sonucun sınırını incelemeyi kolaylaştırıyor.
İlk deneyin kabul ölçütlerini gözlemlenebilir davranışlarla kurduk: doğru kaynak kimliği, aynı hedef günlerde karşılaştırma, hatalı CSV’de açıklama ve indirilen satırların ekrandaki sonuçla eşleşmesi. Bunlar belirli uygulama davranışlarını doğruluyor.
- Kullanıcı eylemini tek cümleyle tanımla
- Sonucun nereden geldiğini görünür kıl
- Boş ve hatalı durumlara bir akış ver
- Örnek testi gerçek kullanım hedefinden ayır
Sonraki kapsamı eldeki kanıtla seçmek
Knowledge’in ticari kapsamına geçerken gerçek belge koleksiyonu, erişim sınırları ve yanıt üretiminin nasıl değerlendirileceği belirlenmeli. Predict için günlük serinin davranışı, tahminin kullanıldığı karar ve hatanın maliyeti birlikte ele alınmalı.
AI Lab’ın bugünkü çıktısı bu konuşmaya çalışan bir başlangıç sağlıyor. Ürün yolunu, denenebilir parçalar ve açık doğrulama hedefleri üzerinden ilerletiyoruz. Daha büyük bir özellik listesine geçmeden önce seçilen akışın hangi kullanıcı ihtiyacını karşıladığını incelemek istiyoruz.