#про_инструменты

Чему учат чужие гайды?

Много сейчас занимаюсь изучением подходов и фреймворков по использованию ИИ. Часть из них годные, а другие исключительно маркетинговые, но тут понравилось и оформление и содержание от Google People + AI Guidebook — набор методов, шаблонов и примеров для команд, которые создают продукты с ИИ.

Такие документы поднимают планку: показывают, какие вопросы продуктовая команда должна задать до начала разработки. Из набора этих вопросов постепенно и складывается продуктовое видение, которое не заменяет классический вопрос "Чтобы что?", а иначе расставляет акценты, учитывая особенности работы с новыми инструментами.

Забрал три идеи:
📌 Фокус на задаче, а не на ИИ
Google по классике предлагает начинать команде описывать существующий сценарий пользователя и выбирает его часть, которую хочет изменить. И только потом спрашивает: создаёт ли здесь ИИ уникальную ценность?
Иногда обычное правило окажется дешевле, предсказуемее и проще в поддержке. Поэтому вопрос «Куда нам внедрить ИИ?» я бы заменил на два других:
— Какую проблему мы решаем?
— Даёт ли здесь ИИ ценность, которую трудно получить бизнес правилами или ручным процессом?

📌 Данные становятся самостоятельной частью продукта
Мои самые сильные эксперты по данным приходили к бизнесу с картой данных. Это таблица в которой описаны все источники данных и смысл их использования. Ценный артефакт, который есть далеко не в каждом стартапе или команде. При работе с ИИ данные - это одна из важнейших частей работы. LLM вам напридумывает такого- устанете проверять :)
В гайде есть ссылка на Data Cards — подробный паспорт набора данных. В нём фиксируются владельцы и происхождение данных, правила доступа и удаления, ограничения, риски и допустимые сценарии использования.
Шаблон охватывает 15 тем. Данные становятся самостоятельным продуктовым артефактом: команда заранее описывает не только то, что у неё есть, но и ограничения и условия ответственного использования.

📌 Принципы помогают договориться заранее
Например: чем выше цена ошибки, тем важнее предусмотреть контроль человека и возможность отменить действие.
Музыкальный сервис может позволить себе больше автоматизации: неудачная рекомендация стоит недорого. В медицине, финансах или других чувствительных сценариях пользователю нужно оставить проверку и ручное управление.

Хорошая методология не диктует интерфейс или модель. С ней команда быстрее договаривается о решении.
Возьмите один свой AI-сценарий и за 30 минут ответьте на три вопроса:
📌 Какую работу пользователя мы хотим изменить?
📌 На каких данных будет работать решение и где их границы?
📌 Какую ошибку мы считаем самой дорогой и какие точки контроля остаются за человеком?
Если на эти вопросы нет ответа, обсуждать какую модель взять для реализации решения пока рано.

Интересно приземлить всю эту теорию на практику?