Kuinka vähentää NLP-mallien vinoumia paremman tekstianalyysin saavuttamiseksi (Dan Erickson Viablelta)

Michael Luchen

Luonnollisen kielen käsittely voi olla uskomattoman tehokas työkalu. Sitä voidaan käyttää tuhansien datapisteiden analysointiin ja nopeiden, luotettavien oivallusten tuottamiseen. Voiko näihin tuloksiin kuitenkin hiipiä vinoumaa? Mistä voimme olla varmoja, että tulokset ovat mahdollisimman objektiivisia? Jatka kuuntelemista, sillä tänään perehdymme syvällisesti luonnollisen kielen käsittelyyn, tehokkaaseen työkaluun, joka auttaa tuotepäällikkyyden tulevaisuutta.

Tämä on Product Manager -podcast, yhteisön ääni, joka kirjoittaa tuotepäällikkyyden, kehityksen ja strategian pelikirjaa. Ohjelmaa sponsoroi Crema, digitaalisten tuotteiden toimisto, joka auttaa yksilöitä ja yrityksiä menestymään luovuuden, teknologian ja kulttuurin avulla. Lisätietoja osoitteessa crema.us.

Jatka kuuntelemista saadaksesi käytännöllisiä ja aitoja näkemyksiä, jotka auttavat sinua menestymään tuotepäällikkyyden maailmassa.

Selvä. Tänään kanssamme keskustelemassa luonnollisen kielen käsittelyn eli NLP:n vinoumista on Dan Erickson, Viablen toimitusjohtaja ja perustaja. Viable auttaa yrityksiä oppimaan asiakkailtaan kokoamalla asiakaspalautetta eri kanavista, tunnistamalla teemoja ja analysoimalla palautetta todellisten oivallusten ja suositusten tuottamiseksi.

Viable tukee monia kanavia: työpyyntöjä, reaaliaikaista keskustelua, sosiaalista mediaa, kyselyitä, tuote- ja sovellusarvosteluja sekä puheluiden litterointeja. Dan ja hänen tiiminsä ovat myös keränneet yhteensä 9 miljoonaa dollaria Craft Venturesilta, Javelin Venture Partnersilta, Streamlined Venturesilta, Meyers Capitalilta, monilta mahtavilta enkelisijoittajilta ja yksittäisiltä pääomasijoittajilta.

Hei Dan! Tervetuloa ohjelmaan.

Dan Erickson

Kiitos kutsusta, Michael. Hienoa olla täällä.

Michael Luchen

Hienoa saada sinut mukaan.

Olen yleisömme puolesta utelias: aloitetaanpa ja avataan keskustelua hieman. Voisitko kertoa taustastasi ja siitä, miten olet päätynyt tähän tilanteeseen?

Dan Erickson

Totta kai. Taustani on itse asiassa insinööritieteissä.

Olen työskennellyt startup-yrityksissä teknisen puolen tehtävissä noin 15 vuoden ajan. Olen keskittynyt erityisesti alkuvaiheeseen ja myöhemmin myös kasvuun. Urani alussa autoin varhaisen vaiheen yrityksiä rakentamaan ensimmäisen tuotteensa ja ymmärtämään ensimmäistä tuote–markkinaosumaansa.

Siirryin sitten kasvuyrityksiin, kuten Yammeriin ja Eazeen. Toimin Eazessa tekniikan varatoimitusjohtajana. Olin teknologiajohtajana Getable-nimisessä rakennusalan vuokrauspalvelussa. Pari vuotta sitten perustin Viablen auttamaan yrityksiä ymmärtämään asiakkaitaan ja olemaan yhteydessä heihin.

Michael Luchen

Miten keksit Viablen idean ja ymmärsit sen tarpeen?

Dan Erickson

Viable päätyi nykyiseen muotoonsa hieman mutkittelevan polun kautta. Seurasimme markkinoita. Kun aloitimme yrityksen, kutsuimme itseämme nimellä Viable Fit. Keskityimme auttamaan varhaisen vaiheen yrityksiä löytämään tuote–markkinaosuman käyttämällä Superhumanin tuote–markkinaosumakehystä.

Meillä oli siitä prototyyppi, joka käytti NLP:tä auttamaan yrityksiä ymmärtämään vastauksia, joita ne saivat Superhumanin laatimassa kyselyssä. Huomasimme kuitenkin nopeasti, että tuottamamme suurin arvo oli analyysikerroksessa, ei palautteen keräämisessä tai tuote–markkinaosuman mittaamisessa.

Siirryimme siis ylöspäin markkinassa, pois varhaisen vaiheen startup-yrityksistä kohti nopeasti kasvavia ja suuria yrityksiä, joille kertyy valtava määrä dataa, jota ne eivät tällä hetkellä pysty analysoimaan.

Michael Luchen

Kiehtovaa, erityisesti se, mistä aloititte ja mihin suuntaan käännyitte markkinasegmenttien osalta.

Dan Erickson

Kyse oli yksinkertaisesti markkinoiden kuuntelemisesta.

Michael Luchen

Ennen kuin syvennymme Viableen, haluaisin kysyä yleisömme puolesta: voisitko kertoa lyhyesti, mitä luonnollisen kielen käsittely eli lyhyemmin NLP tarkoittaa?

Dan Erickson

Luonnollisen kielen käsittely on pohjimmiltaan tapa auttaa tietokonetta ymmärtämään ihmiskieltä.

Alkuaikoinaan sitä käytettiin melko yksinkertaisiin asioihin, kuten avainlauseiden poimimiseen teksteistä tai tiettyjen tekstin aiheiden mielialan analysointiin. NLP on ollut olemassa vuosikymmeniä, mutta viime vuosina olemme nähneet siinä valtavan uuden kukoistuskauden. Tämä liittyy erityisesti muuntajamalleihin ja suuriin kielimalleihin. Ne ovat mahdollistaneet ihmiskielen paljon syvemmän ymmärtämisen asiayhteydessään.

Sen sijaan että voisimme vain poimia avainlauseita tai kertoa, onko jokin asia myönteinen vai kielteinen, voimme alkaa ymmärtää, mitä ihmiset tarkoittavat. Voimme myös alkaa ymmärtää eri aiheiden välisiä yhtäläisyyksiä.

Sen sijaan että poimisimme erikseen avainsanat näppäimistön pikanäppäimistä, näppäimistökomentojen käytöstä ja pikanäppäimistä, NLP alkaa mahdollistaa sen ymmärtämisen, että nämä kolme asiaa tarkoittavat oikeastaan samaa. Tämä johtuu näiden uusien NLP-mallien ymmärryksen syvyydestä.

Korkealla tasolla NLP:ssä on siis kyse ihmiskielen ymmärtämisestä tavalla, jota tietokoneet voivat käyttää oikeiden asioiden poimimiseen.

Michael Luchen

Miten Viable käyttää NLP:tä?

Dan Erickson

Tuotteemme ytimessä on laadullisen analyysin moottori. Se koostuu omien ja kolmansien osapuolten mallien yhdistelmästä, mukaan lukien GPT-3.

GPT-3 tarjoaa eräänlaisen perustan sille, mitä rakennamme. Olemme kuitenkin rakentaneet sen päälle paljon mukautettuja malleja sekä hienosäädettyjä GPT-3-malleja. Olemme tehneet tätä läheisessä yhteistyössä OpenAI:n ja sen asiantuntijoiden kanssa. Käytämme NLP:tä ja luonnollisen kielen tuottamista monissa ominaisuuksissamme.

Yksi niistä on teema-analyysi. Siinä otetaan suuri määrä dataa eri lähteistä ja ryhmitellään asiat teemoiksi. Näin voimme tunnistaa esimerkiksi tärkeimmät valituksen aiheet, tärkeimmät kehut tai useimmin esitetyt kysymykset.

Jokaisesta näistä muodostuu ryhmä, jota kutsumme teemaksi. Teemme siis teema-analyysiä. Emme ainoastaan ryhmittele asioita, vaan myös perehdymme ryhmään ja tiivistämme sen, jotta ymmärrät täsmällisesti, mistä ihmiset puhuvat kyseisessä tekstiryhmässä.

Hyvä esimerkki voisi olla videopeliohjain, jonka rakennat, ja ihmiset kirjoittavat Redditissä, ettei vasen ohjainsauva toimi kovin hyvin. Subredditissä on tuhansia kommentteja, mutta vain noin sadassa niistä puhutaan vasemmasta ohjainsauvasta.

Sinulta menisi tunteja kaikkien kommenttien läpikäymiseen ja niiden manuaaliseen ryhmittelyyn. Me pystymme tekemään sen minuuteissa ja tiivistämään kaikki sata vasenta ohjainsauvaa käsittelevää kommenttia, jotta voit välittää tiedon laitteistotiimille ja he tietävät tarkalleen, mistä aloittaa.

Käytämme sitä myös aiheiden poimimiseen. Selvitämme esimerkiksi, mistä ominaisuuksista ja tuotteista ihmiset puhuvat. Sen jälkeen teemme teema-analyysin tiivistelmän, jossa luonnollisen kielen tuottaminen tulee mukaan. Siinä tuotamme varsinaista ihmisen luettavaa tekstiä.

Keskimääräisessä raportissamme on itse asiassa yli 30 kappaletta tietokonejärjestelmämme kirjoittamaa analyysia, ilman ihmisiä. Käytämme sitä myös avoimiin kysymyksiin ja vastauksiin. Voit kirjoittaa kysymyksen tavallisella kielellä, minkä jälkeen haemme datastasi kaiken, mikä voisi vastata kysymykseen, ja ajamme sen analyysimallien sarjan läpi vastataksemme kysymykseen puolestasi.

Michael Luchen

Todella kiehtovaa.

Kun kuuntelen sinua ja tiedän hieman Viablen historiasta yrityksenä, kyseessä on varsin tekninen tuoteratkaisu.

Kun rakensitte tätä ja selvititte tuote–markkinaosumaa, näittekö teknologian ja ajattelitte, että siinä olisi mahdollisuus soveltaa sitä tuotteen avulla ratkaisemaan jokin ongelma?

Vai lähtikö kaikki siitä, että näitte ongelman ja ryhdyitte etsimään teknologiaa, ja NLP sattui olemaan riittävän kehittynyt ratkaisemaan ongelmanne?

Dan Erickson

Se alkoi itse asiassa jälkimmäisestä. Halusimme ratkaista todellisen ongelman. Alkuperäinen ongelma oli auttaa yrityksiä löytämään tuote–markkinaosuma käyttämällä Superhumanin prosessia. Siinä lähetetään kysely, kerätään vastaukset, luetaan jokainen vastaus, ryhmitellään ne ominaisuuksiksi tai kipupisteiksi ja käytetään tätä tuotesuunnitelman ohjaamiseen.

Prosessissa ihmisillä oli vaikeuksia löytää aikaa jokaisen vastauksen lukemiseen ja asianmukaiseen luokitteluun. Huomasimme nopeasti, että NLP voisi auttaa tässä ja kilpailla ihmisten kanssa kyseisessä tehtävässä. Aloitimme melko yksinkertaisella NLP-järjestelmällä, joka keskittyi lähinnä aiheiden poimintaan ja jonka ympärille oli rakennettu hieman mieliala-analyysiä. Näin käyttäjä ymmärsi, mitä ja mihin hänen pitäisi rakentaa.

Huomasimme kuitenkin nopeasti, että ihmiset pitivät erityisesti analyysipuolesta. Päätimme siis keskittyä siihen entistä enemmän ja siirryimme pois alkuperäisestä ongelmasta, jota olimme ratkaisemassa.

Siirryimme toisen ongelman pariin, jonka löysimme prosessin aikana. Aloimme työskennellä sellaisten yritysten kanssa, joilla oli jo tuote–markkinaosuma. Ne puhuivat muunlaisen datan kuin lähettämämme kyselyn tuomisesta järjestelmään. Aloimme rakentaa yleisemmin sovellettavaa järjestelmää, ja saimme pääsyn GPT-3:een kesäkuussa 2020.

Se auttoi meitä ymmärtämään, että tämän voisi automatisoida. Kyse ei olisi vain yhdestä kyselystä, vaan kirjaimellisesti kaikesta tekstistä, jota yritys kerää.

Michael Luchen

Keräsimme siis myös sitä tekstiä. Siinä voisi mahdollisesti syntyä vinoumaa.

Aiheemme on NLP:n vinouma ja sen hallinta. Ennen kuin syvennymme siihen, miten vinoumaa voisi syntyä NLP:ssä, jos sitä käytetään tuotteessa?

Dan Erickson

Oletusarvoisesti jokaisessa kielimallissa on jonkinlaista sisäänrakennettua vinoumaa, koska kaikki mallit on koulutettu tekstillä, jonka ihmiset ovat joskus kirjoittaneet.

Ihmiset ovat luonnostaan vinoutuneita. Emme ole täysin rationaalisia olentoja. Koska näitä järjestelmiä koulutetaan hyvin inhimillisellä datamassalla, päädymme tuomaan ihmisten vinoumat NLP-malleihin.

Mallit tarjoavat yritykset tekevät valtavasti työtä vähentääkseen vinoumaa mahdollisimman paljon. Mielestäni OpenAI johtaa tätä työtä. OpenAI:ssa on kokonaisia tiimejä, jotka keskittyvät erityisesti vinoumaongelmaan.

Jos käytät GPT-3:n kaltaista mallia sellaisenaan, se voi tuottaa kyseenalaisia asioita. Vinoumaa voi kuitenkin vähentää esimerkiksi hienosäätämällä ja kouluttamalla mallia tiettyä käyttötapausta varten. Mitä tarkemmaksi käyttötapauksen pystyy määrittelemään, sitä paremmin malli toimii.

Kaikissa NLP-malleissa on kuitenkin väistämättä jonkinlaista sisäistä vinoumaa. On todella keskityttävä siihen, että malli koulutetaan tavalla, joka vähentää sitä mahdollisimman paljon.

Michael Luchen

Miten Viable työskentelee tämän vinouman vähentämiseksi käyttöliittymän taustalla? Onko se edes mahdollista?

Dan Erickson

Kuten aiemmin mainitsin, tärkeintä on, että koulutamme paljon malleja itse kuratoimillamme tietojoukoilla. Näin voimme keskittyä hyvin tarkkaan käyttötapaukseen. Sen sijaan että käyttäisimme mallin suurta yleistä versiota, käytämme jotain tiettyyn tehtävään koulutettua.

Kun tehtävä on tarkempi, vinoumaa on helpompi välttää. Teemme tämän sekä GPT-3:n omalla hienosäätöpäätepisteellä että kaikilla kehittämillämme sisäisillä malleilla.

Vertaamme kaikkia malleja myös omaan käsitykseemme vinoumasta. Koulutuksessa on mukana ihmisiä, jotka arvioivat esimerkiksi, näyttääkö malli vinoutuvan jonkin asian puoleen tai jotain vastaan. Sen jälkeen voimme lisätä koulutusdataa vinoumien tasapainottamiseksi.

Michael Luchen

Onko analysoitavien asiakkaidesi tietojoukoissa jotain erityistä huomioitavaa?

Dan Erickson

Analysoimme kyllä asiakkaidemme tietoja, mutta emme kouluta malleja niiden avulla. Meillä on yleensä omat tietojoukkomme, joita olemme rakentaneet.

Joskus käytämme luvalla anonymisoituja versioita ja vastaavia aineistoja, mutta pääasiassa emme käytä asiakasdataa kouluttamiseen. Analysoimme asiakasdataa esikoulutetuilla malleilla, joiden vinoumaa olemme vähentäneet.

Emme siis pääosin kouluta mallia asiakasdatalla. Analysoimme sitä malleilla, joiden vinoumaongelmia olemme jo arvioineet.

Michael Luchen

Yksi minulle esiin nousevista teemoista on jatkuva panostus mallien kehittämiseen, erityisesti GPT-3:n tai OpenAI:n tarjoamien perusmallien pohjalta.

Kun ajatellaan tuotteen tuotesuunnitelmaa, ovatko nämä kehitysjaksot oma kokonaisuutensa? Miten lähestytte kehitystyötä, kun sen priorisointia mietitään?

Dan Erickson

Kehittäminen on tuotesuunnitelmassamme lähes oma työvirtansa. Meillä on yritysasiakkaille suunnattuja ominaisuuksia, integraatioita ja mallien kehittämistä sekä paljon muuta.

Mallien kehittäminen on ehdottomasti jatkuvaa työtä. En muista viikkoa, jolloin emme olisi tehneet jonkinlaista uudelleenkoulutusta.

Meillä on tällä hetkellä sisäisesti yli tusina mallia. En tarkoita, että kouluttaisimme kaikki niitä jatkuvasti uudelleen, mutta vähintään yhtä mallia kehitetään tai koulutetaan uudelleen joka viikko.

Michael Luchen

Kuinka paljon tiimisi ajasta kuluu tähän?

Dan Erickson

Arvioisin, että noin 20 prosenttia luonnollisen kielen tiimin ajasta kuluu jatkuvaan kehittämiseen ja uudelleenkoulutukseen.

Michael Luchen

Erittäin kiinnostavaa. Kun tarkastellaan NLP:n mahdollista vinoumaa, miten NLP:n käyttö vähentää vinoumaa verrattuna perinteisiin manuaalisiin prosesseihin?

Dan Erickson

NLP:n vinoumasta puhuttaessa on tärkeää ajatella myös vinoumaa, jota esiintyy nykyisessä prosessissa, jonka NLP korvaa.

Tuotepäälliköt, jotka yrittävät ymmärtää, mistä asiakkaat valittavat, turvautuvat usein yksittäisten tukihenkilöiden, myyjien tai muiden kanssa käytyihin keskusteluihin. Tuotepäällikkönä olet varmasti kysynyt tukihenkilöltä tai myyjältä, mitkä ovat tällä hetkellä suurimmat ongelmat, joihin meidän pitäisi tarttua.

He kertovat yleensä jotakin suoralta kädeltä, ja se on tavallisesti tarkkaa. Se ei kuitenkaan yleensä ole täydellistä. Heillä on usein tuoreusvinoumaa ja taipumus painottaa äänekkäimpiä asiakkaita enemmistön sijaan.

Ihmisten on helppo ajautua yhden tietyn asian pariin niin, että siitä tulee heidän henkilökohtainen hankkeensa. NLP ei kärsi tästä vinouman muodosta. Sen avulla voidaan laajentaa näkökulmaa ja nähdä enemmän dataa sen sijaan, että tarkasteltaisiin vain yksittäisten kertomusten sisältämää rajallista ja vinoutunutta näkökulmaa.

Kuten sanoin, tuotamme keskimäärin yli 30 teemaa. Määrä kasvaa jatkuvasti uudelleenkoulutuksen myötä. Viimeisimmässä raportissamme tunnistimme yli 300 teemaa. Ihmiset eivät pysty saavuttamaan tällaista yksityiskohtaisuuden tai analyysin kattavuuden tasoa.

Kun käyn palautetta manuaalisesti läpi, luokittelen jokaisen palautteen ehkä yhteen tai kahteen teemaan. Yleensä kuitenkin näemme, että useimmissa palautteissa on kolmesta viiteen teemaa.

Ihmiset kirjaavat yleensä vain yhden, keskeisen ongelman. Siksi manuaalisessa käsittelyssä näkymästä tulee paljon epätäydellisempi kuin NLP:tä käytettäessä.

Michael Luchen

Mielenkiintoista. Tarvitaanko siis ihmisen tekemää tarkistusta tai ihmisen panosta aina jollain tasolla mahdollisen vinouman lieventämiseksi?

Dan Erickson

Kyllä. Meidän pitäisi aina pyrkiä vähentämään näiden järjestelmien vinoumaa, erityisesti suurissa kielimalleissa, jotka on koulutettu teratavuilla ihmiskieltä. Emme kuitenkaan saa unohtaa niitä todellisia parannuksia, joita nämä järjestelmät voivat jo nyt tarjota.

Käytännössä tämä tarkoittaa, että mallien voidaan antaa tehdä suuri osa pohjatyöstä, mutta jonkun täytyy aina käydä tulokset läpi ja varmistaa, että kaikki on kunnossa.

Pyrimme tekemään mahdollisimman paljon mallien koulutuksen ja sisäisen tarkistuksen puolella. Tarjoamme asiakkaillemme myös tapoja antaa meille palautetta ja auttaa uudelleenkoulutuksessa. Lähes kaikissa analyyseissämme on peukku ylös- ja peukku alas -painikkeet, joiden avulla asiakkaat voivat kertoa, ovatko tulokset hyviä, huonoja, toimivia tai toimimattomia.

Michael Luchen

Mielenkiintoista. Miten saatte asiakkaiden yksityiskohtaisemman palautteen kuin pelkän peukun ylös tai alas, jotta voitte selvittää, miten malleja pitäisi säätää?

Dan Erickson

Tätä ei ole vielä otettu käyttöön, mutta peukku alas -painikkeen painamisen jälkeen näkyviin tulee pian tekstikenttä. Välitämme kaiken tekstin takaisin Viableen, omaan järjestelmämme instanssiin.

Sen jälkeen voimme tunnistaa palautteen kaikki teemat ja pyrkiä ratkaisemaan ne.

Michael Luchen

Hienoa. Olen aina kiinnostunut tuotteiden tulevaisuudesta. Millaisena näet NLP:n tulevaisuuden tänään, ja miten se voi muovata tuotepäällikkyyden tulevaisuutta? Puhuit aiemmin siitä, että kaikki sai alkunsa asiantuntemuksestasi ja tuote–markkinaosuman löytämisestä.

Miten nämä maailmat kohtaavat?

Dan Erickson

NLP on tällä hetkellä eräänlaisessa kukoistusvaiheessa, kuten aiemmin sanoin. Kehitys etenee vauhdilla. Tämän näkee esimerkiksi multimodaalisesta mallista DALL-E 2, jossa voit kirjoittaa kuvauksen haluamastasi kuvasta.

Malli tuottaa kuvan toisessa päässä. Voit kirjoittaa esimerkiksi ankasta teekupissa, ja järjestelmä tekee siitä kuvan. Se on hämmästyttävää, mutta NLP:n suurempi suunta liittyy vielä suurempiin malleihin, joilla on syvempi ymmärrys.

GPT-4 julkaistaan todennäköisesti jossain vaiheessa seuraavien kuukausien tai vuoden aikana, ja siihen tulee luultavasti merkittäviä parannuksia GPT-3:een verrattuna. Googlella kehitetään myös PaLM-mallia, ja Microsoftilla, Facebookilla sekä monilla muilla yrityksillä on omia mallejaan.

Mallit kasvavat, mutta niiden avulla voidaan myös käsitellä enemmän asiayhteyttä. Tällä hetkellä GPT-3:n kerralla analysoitavan tekstin määrää rajoitetaan. Se on noin 2 000–4 000 merkkiä, mikä vastaa suunnilleen 4 000 sanaa.

Tulevaisuudessa asiayhteysikkunat ovat mielestäni paljon suurempia. Pystymme käsittelemään kymmeniä tuhansia sanoja muutaman tuhannen sijaan. Tämä parantaa huomattavasti mallin kykyä yhdistää toisiinsa yhä kauempana toisistaan olevia käsitteitä.

Michael Luchen

Jos olen tuotepäällikkö ja näen tuotteessani mahdollisuuden integroida NLP-mallin, kuten GPT-3:n tai ehkä myöhemmin tänä vuonna GPT-4:n, mistä aloitan? Pitäisikö asiasta kysyä kehittäjiltä? Onko kyse valtavasta toteutuksesta ja hankkeesta, ja pitäisikö meidän edes harkita sitä ennen kuin vasta muutaman vuoden kuluttua?

Millainen lähestymistapa olisi suositeltava kuunteleville tuotepäälliköille?

Dan Erickson

Ensimmäinen paikka aloittaa on asia, jota olen alkanut kutsua luonnollisen kielen käyttöliittymiksi. Meillä on komentorivikäyttöliittymiä ja graafisia käyttöliittymiä.

Ne ovat erilaisia tapoja olla vuorovaikutuksessa järjestelmän kanssa. Luonnollisen kielen käyttöliittymät, kuten kysymys- ja vastausjärjestelmämme, GPT-3, GitHub Copilot ja vastaavat, mahdollistavat komentojen kirjoittamisen ja toiminnon suorittamisen.

Uskon, että näemme siellä eniten innovaatioita ja että tämä on helpoin ominaisuus lisätä lähes mihin tahansa tuotteeseen. Se mahdollistaa luonnollisemmat tavat olla vuorovaikutuksessa tuotteen kanssa. Sen sijaan että käyttäjät pakotetaan käymään läpi ohjattu toiminto tai jokin valintaikkuna, he voivat esittää kysymyksiä.

Järjestelmän kanssa voidaan keskustella tavallisella kielellä sen sijaan, että käyttäjät joutuisivat arvailemaan ja napsauttelemaan. Tämän tyyppinen toiminnallisuus on melko helppo ottaa käyttöön GPT-3:n kaltaisella mallilla.

Suosittelen kokeilemaan sitä. Siirry OpenAI:n GPT-3:n leikkikentälle ja testaa, mitä se voi tehdä ja miten se voisi auttaa tuotettasi.

Michael Luchen

Mahtavaa. Ennen lopetusta haluaisin kysyä muutaman henkilökohtaisen pikakysymyksen, jos se sopii.

Dan Erickson

Totta kai. Kuulostaa hyvältä.

Michael Luchen

Mikä henkilökohtaisista tavoistasi on vaikuttanut eniten menestykseesi?

Dan Erickson

Minulle se on kahdeksan tunnin yöunet. Perustajana se on vaikeaa, mutta huomaan, että uni on muiden tapojen perusta. Kun nukut liian vähän, et suoriudu yhtä hyvin.

Alat jättää aterioita väliin etkä ehkä ehdi treenata. Minulle uni on siis tapa, josta ei pitäisi luopua muiden asioiden vuoksi.

Se ei tietenkään tarkoita, ettenkö välillä joutuisi kiiretilaan ja valvoisi pitkään, mutta pääasiassa pyrin nukkumaan johdonmukaisesti.

Michael Luchen

Mikä on suosikkityökalusi, jota käytät säännöllisesti?

Dan Erickson

Tällä hetkellä ehdottomasti GitHub Copilot. Käytän Visual Studio Codea kaikkeen kehitystyöhön. Olemme pieni tiimi, Viablella on tällä hetkellä noin kymmenen ihmistä.

Koodaan siis edelleen jonkin verran. Copilotin kanssa on ollut mahtavaa työskennellä. GitHub Copilot on pohjimmiltaan koodin NLP:tä englannin sijaan. Voit alkaa kirjoittaa koodia editorissa, ja se yrittää selvittää, mitä olet tekemässä, ja kirjoittaa lisää koodia puolestasi.

Se on kuin tekoälyä hyödyntävä työpari ohjelmointiin. Nykyään noin 50 prosenttia kirjoittamastani koodista on GitHub Copilotin tuottamaa.

Michael Luchen

Uskomatonta.

Lopuksi: mitä neuvoa antaisit henkilölle, joka on vasta aloittamassa tuotematkaansa?

Dan Erickson

Älä juutu paikallesi. Tarkoitan tällä sitä, että saat idean, joka on todella hyvä, mutta se ei ehkä ole asia, joka vie yrityksesi menestykseen. Alkuperäinen idea on yleensä erilainen kuin lopputulos.

On tärkeää kuunnella jatkuvasti käyttäjiä ja antaa heidän ohjata sinua oikeaan suuntaan sen sijaan, että keskittyisit vain omaan intuitioosi.

Michael Luchen

Erittäin hyvin sanottu ja hieno ajatus, johon lopettaa.

Kiitos Dan, että liityit seuraamme. Opin paljon NLP:stä ja vien varmasti muutamia asioita takaisin tuotteisiin, joiden parissa olen työskennellyt.

Dan Erickson

Mahtavaa. Kiitos kutsusta. Oli hienoa olla täällä.

Löydät Danista lisää LinkedInistä. Voit myös tutustua hänen yritykseensä Viableen osoitteessa askviable.com.

Kiitos vielä kerran, Dan, että liityit seuraamme.

Kiitos kaikille kuuntelusta. Muistathan jättää podcastista arvostelun ja kertoa, mitä mieltä olet. Jos et ole vielä tehnyt niin, seuraa ja liity yhteisöömme osoitteessa theproductmanager.com

Kiitos vielä kerran ja mukavaa päivänjatkoa!