Daha İyi Metin Analizi İçin NLP Modellerindeki Yanlılıklar Nasıl Azaltılır? (Viable’dan Dan Erickson ile)

Michael Luchen

Doğal dil işleme inanılmaz derecede güçlü bir araç olabilir. Binlerce veri noktasını analiz etmek ve hızlı, güvenilir içgörüler sunmak için kullanılabilir; ancak bu sonuçlarda yanlılığın ortaya çıkma riski var mı? Sonuçların mümkün olduğunca nesnel olduğundan nasıl emin olabiliriz? Dinlemeye devam edin; bugün, ürün yönetiminin geleceğine katkı sağlayacak güçlü bir araç olan Doğal Dil İşleme konusunu derinlemesine ele alacağız.

Bu, ürün yönetimi, geliştirme ve strateji için yol haritasını oluşturan topluluğun seslerini aktaran Product Manager podcast’i. Bireylerin ve şirketlerin yaratıcılık, teknoloji ve kültür yoluyla gelişmesine yardımcı olan dijital ürün ajansı Crema’nın sponsorluğundayız. Daha fazla bilgi için crema.us adresini ziyaret edin.

Ürün yönetimi dünyasında başarılı olmanıza yardımcı olacak pratik ve samimi içgörüler için dinlemeye devam edin.

Pekâlâ. Bugün Doğal Dil İşleme veya kısaca NLP’deki yanlılık konusunu konuşmak üzere Viable’ın CEO’su ve kurucusu Dan Erickson konuğumuz. Viable; müşteri geri bildirimlerini kanallar arasında bir araya getirerek, temaları belirleyerek ve geri bildirimleri analiz edip gerçek içgörüler ve öneriler üreterek şirketlerin müşterilerinden öğrenmesine yardımcı oluyor.

Viable; iş takipleri, canlı sohbet, sosyal medya, anketler, ürün ve uygulama değerlendirmeleri ile çağrı dökümleri gibi birçok kanalı destekliyor. Dan ve ekibi ayrıca Craft Ventures, Javelin Venture Partners, Streamlined Ventures, Meyers Capital, çok sayıda harika melek yatırımcı ve tek başına yatırım yapan genel ortaklardan toplam 9 milyon dolar yatırım aldı.

Merhaba Dan! Programa hoş geldin.

Dan Erickson

Beni davet ettiğin için teşekkürler Michael. Burada olmak harika.

Michael Luchen

Seni ağırlamak harika.

Dinleyicilerimiz için merak ediyorum; sohbetimize başlangıç yapmak ve biraz açılmak adına, geçmişinden ve bugün bulunduğun noktaya nasıl geldiğinden biraz bahsedebilir misin?

Dan Erickson

Elbette. Geçmişim aslında mühendislik alanında.

Yaklaşık 15 yıldır girişimlerde mühendislik tarafında çalışıyorum. Özellikle başlangıç aşamasına, ardından da büyüme dönemine odaklandım. Kariyerimin başlarında, erken aşamadaki şirketlerin ilk ürünlerini geliştirmelerine ve ilk ürün-pazar uyumu aşamasını gerçekten anlamalarına yardımcı olmaya yoğunlaştım.

Sonrasında Yammer ve Eaze gibi daha fazla büyüme gösteren şirketlerde çalışmaya başladım. Eaze’de Mühendislikten Sorumlu Başkan Yardımcısıydım. İnşaat kiralama alanında faaliyet gösteren Getable adlı şirkette teknoloji direktörü olarak görev yaptım. Birkaç yıl önce de şirketlerin müşterilerini gerçekten anlamalarına ve onlarla bağ kurmalarına yardımcı olmak için Viable’ı kurdum.

Michael Luchen

Viable fikri ve ihtiyacı nasıl ortaya çıktı?

Dan Erickson

Viable’ın bugünkü hâline biraz dolambaçlı bir yoldan ulaştık. Aslında burada pazarı takip ettik. Şirketi ilk kurduğumuzda kendimize Viable Fit diyorduk. Erken aşamadaki şirketlerin Superhuman ürün-pazar uyumu çerçevesini kullanarak ürün-pazar uyumunu bulmalarına yardımcı olmaya odaklanmıştık.

Bunun NLP kullanan bir prototip sürümünü geliştirmiştik. Bu sürüm, Superhuman’ın hazırladığı ankette aldıkları yanıtları anlamalarına yardımcı oluyordu. Ancak kısa sürede, sunduğumuz asıl büyük değerin geri bildirimlerin toplanmasında veya ürün-pazar uyumunun ölçülmesinde değil, analiz katmanında olduğunu fark ettik.

Bu nedenle erken aşamadaki girişimlerden uzaklaşıp, şu anda analiz edemedikleri çok büyük miktarda veriye sahip yüksek büyüme gösteren ve kurumsal şirketlere yöneldik.

Michael Luchen

Büyüleyici. Özellikle başladığınız nokta ile pazar segmentleri açısından yöneldiğiniz nokta arasındaki fark çok ilginç.

Dan Erickson

Bu tamamen pazarı dinlemekle ilgiliydi.

Michael Luchen

Viable’ın derinliklerine inmeden önce, dinleyicilerimiz için merak ediyorum: Doğal Dil İşleme veya kısaca NLP nedir? Bunu üst düzeyde açıklayabilir misin?

Dan Erickson

Kesinlikle. Doğal Dil İşleme, temelde bir bilgisayarın insan dilini anlamasına yardımcı olmanın bir yoludur.

Başlangıçta metinlerden anahtar ifadeler çıkarmak veya bir metindeki belirli konular üzerinde duygu analizi yapmak gibi oldukça basit işler için kullanılıyordu. NLP aslında onlarca yıldır var. Ancak son birkaç yılda NLP alanında büyük bir yeniden doğuş gördük. Bu gelişme özellikle dönüştürücü modeller ve büyük dil modelleri etrafında gerçekleşti. Bunlar, insan dilinin bağlam içindeki anlamını çok daha derin biçimde kavramayı mümkün kıldı.

Artık yalnızca anahtar ifadeleri çıkarıp bir şeyin olumlu veya olumsuz olduğunu söylemekle kalmıyoruz; ne demek istediğinizi gerçekten anlamaya başlayabiliyoruz. Örneğin farklı konular arasındaki benzerlikleri de anlayabiliyoruz.

Örneğin klavye kısayolları, klavye komutları ve kısayol tuşlarını üç ayrı fikir olarak çıkarmak yerine, NLP bu üç şeyin aslında aynı anlama geldiğini anlamaya başlıyor. Bu, yeni NLP modellerinin sahip olduğu anlayış derinliğinden kaynaklanıyor.

Özetle NLP, bilgisayarların kullanabileceği şekilde insan dilini anlamakla ilgilidir.

Michael Luchen

Viable NLP’yi nasıl kullanıyor?

Dan Erickson

Ürünümüzün tam merkezinde, şirket içinde geliştirdiğimiz ve üçüncü taraf modellerin bir bileşiminden oluşan nitel analiz motorumuz yer alıyor. Buna GPT-3 de dâhil.

GPT-3, burada geliştirdiğimiz şeyin temelini oluşturuyor. Ancak bunun üzerine çok sayıda özel model geliştirdik ve bazı GPT-3 modellerini de kendi kullanım alanlarımıza göre ince ayarladık. Bunu yapmak için OpenAI ve oradaki ekiplerle çok yakın çalıştık. Özelliklerimizin geniş bir bölümünde NLP ve doğal dil üretimini kullanıyoruz.

Bunlardan biri tema analizi. Bu özellik, farklı kaynaklardan gelen büyük bir veri kümesini alıp bunları temalar altında kümeliyor. Böylece en önemli şikâyetlerin, övgülerin veya en sık sorulan soruların neler olduğunu belirleyebiliyoruz.

Bu unsurların her biri, tema adını verdiğimiz bir küme hâline geliyor. Tema analizi yaparken yalnızca bunları bir araya getirmiyoruz; aynı zamanda her kümeyi özetleyerek o metin kümesinde insanların tam olarak ne hakkında konuştuğunu anlamanızı sağlıyoruz.

Örneğin bir video oyunu kumandası geliştirdiğinizi ve insanların Reddit’te sol joystick’in çok iyi çalışmadığını yazdığını düşünelim. Bu alt başlıkta binlerce yorum olabilir, ancak bunların yalnızca yaklaşık yüz tanesi sol joystick’ten bahsediyor olabilir.

Tüm bunları farklı gruplara manuel olarak ayırmanız saatler sürerdi. Biz bunu dakikalar içinde yapabilir, ardından sol joystick hakkındaki yüz yorumun tamamını özetleyebiliriz. Böylece bu özeti donanım ekibinize ilettiğinizde, nereden başlayacaklarını tam olarak bilirler.

Konuları çıkarmak için de NLP kullanıyoruz. Özellikle hangi özelliklerden veya ürünlerden bahsedildiğini belirliyoruz. Ardından tema analizi özetlemesi yapıyoruz; doğal dil üretimi burada devreye giriyor. İnsanların okuyabileceği gerçek bir metin ürettiğimiz bölüm burası.

Aslında ortalama raporumuzda, bilgisayar sistemimiz tarafından yazılmış, insan yazımı analizlerden oluşan 30’dan fazla paragraf bulunuyor. Ayrıca açık uçlu soru-cevap özelliğimizde de kullanıyoruz. Burada düz İngilizceyle bir soru yazabiliyorsunuz. Biz verilerinizi sorguluyor, bu soruyu yanıtlayabilecek tüm unsurları buluyor ve ardından soruyu sizin için gerçekten yanıtlamak üzere bir dizi analiz modelinden geçiriyoruz.

Michael Luchen

Gerçekten büyüleyici.

Bunları anlatmanı dinlerken ve Viable’ın şirket olarak geçmişini de biraz bilirken, bunun oldukça ileri teknolojiye dayalı bir ürün çözümü olduğunu düşünüyorum.

Bunu geliştirirken ve ürün-pazar uyumunuzu anlamaya çalışırken, teknolojiyi görüp anlattığın eğilimler doğrultusunda bunu bir ürüne uygulamak ve bir problemi çözmek için fırsat olduğunu mu düşündünüz?

Yoksa bir problem görüp bu problemi çözebilecek bir teknoloji aramanız ve NLP’nin de tam o sırada problemi çözebilecek kadar gelişmiş olması mı söz konusuydu?

Dan Erickson

İkincisiyle başladı. Gerçek bir problemi çözmek istedik. Başlangıçta bu problem, şirketlerin Superhuman ürün-pazar uyumu sürecini kullanarak ürün-pazar uyumunu bulmalarına yardımcı olmaktı. Bu süreç temelde bir anket göndermek, yanıtları toplamak, her yanıtı okumak, bunları özellikler veya sorunlar altında gruplamak ve ardından bunları yol haritanıza yön vermek için kullanmaktan oluşuyor.

İnsanların bu süreçte zorlandığı nokta, her yanıtı okuyup doğru biçimde kategorilere ayıracak zamana sahip olmalarıydı. NLP’nin bu konuda bize yardımcı olabileceğini ve bu görevde insanlarla rekabet edebileceğini kısa sürede fark ettik. Bu nedenle, çoğunlukla konu çıkarımı yapan ve bunun üzerine biraz duygu analizi eklenmiş basit bir NLP sistemiyle başladık. Böylece neyi, nerede geliştirmemiz gerektiğini anlamaya yardımcı oluyorduk.

Ancak insanlar analiz bölümünü gerçekten çok sevdi. Biz de buna daha fazla odaklanmaya ve başlangıçta ele aldığımız problemden uzaklaşmaya karar verdik.

Bu süreçte keşfettiğimiz başka bir probleme yöneldik. Başlangıçta zaten ürün-pazar uyumuna sahip şirketlerle çalışmaya başladık. Bu şirketler, gönderdiğimiz anketin yanı sıra başka türde verileri de sisteme aktarmaktan bahsediyordu. Bunun üzerine daha genel bir sistem geliştirmeye başladık. Ardından Haziran 2020’de GPT-3’e erişim sağladık.

Bu, bunun yalnızca tek bir anket için değil, bir şirket olarak topladığınız her metin parçası için otomatikleştirilebileceğini anlamamızı sağladı.

Michael Luchen

Bu metinleri toplarken yanlılığın ortaya çıkması için de potansiyel bir fırsat oluşuyor.

Konumuz NLP’deki yanlılık ve bunu yönetmek. Derinlemesine incelemeden önce, üründe NLP kullanıyorsanız yanlılık NLP’ye nasıl dâhil olabilir?

Dan Erickson

Varsayılan olarak her dil modelinde bir miktar yanlılık bulunur. Bunun nedeni, modellerin insanların yazdığı metinlerle eğitilmesidir.

İnsanlar doğaları gereği yanlıdır. Tamamen rasyonel varlıklar değiliz. Dolayısıyla bu sistemlerin eğitildiği veri külliyatı çok insani olduğu için, insanlardaki yanlılıkları NLP modellerine de aktarmış oluyoruz.

Bu modelleri sağlayan şirketler, yanlılığı mümkün olduğunca azaltmak için çok yoğun çalışmalar yürütüyor. OpenAI’ın bu konuda önde gelen kuruluş olduğunu düşünüyorum. OpenAI içinde tamamen yanlılık problemine odaklanan ekipleri var.

GPT-3 gibi bir şeyi olduğu hâliyle kullanırsanız elbette bazı sorgulanabilir sonuçlar üretebilirsiniz. Ancak bunu çözmenin yollarından biri, belirli bir kullanım alanı için ince ayar yapmak ve eğitim gerçekleştirmek. Kullanım alanınız ne kadar spesifik olursa sonuçlar o kadar iyi olur.

Fakat söylediğim gibi, tüm NLP modellerinde kaçınılmaz yanlılıklar bulunur. Bunu mümkün olduğunca azaltacak şekilde eğittiğinizden emin olmak için gerçekten odaklanmanız gerekir.

Michael Luchen

Viable olarak bunu azaltmak için ön tarafta ne yapıyorsunuz? Hatta bunu azaltmanız mümkün mü?

Dan Erickson

Daha önce belirttiğim gibi, burada yaptığımız en önemli şeylerden biri, kendi seçtiğimiz veri kümeleriyle modelleri kendimiz eğitmek. Bu, çok spesifik bir kullanım alanına ulaşmamıza yardımcı oluyor. Modelin büyük ve genel hâlini kullanmak yerine, çok belirli bir işi yapması için eğitilmiş bir model kullanıyoruz.

Daha spesifik bir iş yaptığınızda yanlılıktan kaçınmak daha kolay oluyor. Bunu hem GPT-3’ün kendi ince ayar uç noktasını kullanarak hem de geliştirdiğimiz tüm şirket içi modellerle yapıyoruz.

Daha sonra tüm modelleri yanlılık konusundaki kendi sezgilerimize göre de kıyaslıyoruz. Eğitim sırasında insanların da sürece dâhil olmasını sağlıyoruz. Böylece modelin X’e doğru veya Y’ye karşı yanlılık gösterip göstermediğini anlayabiliyoruz. Ardından yanlılıkları dengelemek için daha fazla eğitim verisi ekleyebiliyoruz.

Michael Luchen

Analiz ettiğiniz müşterilerinizin müşteri veri kümeleri söz konusu olduğunda dikkate aldığınız hususlar var mı?

Dan Erickson

Analiz ettiğimiz veri kümeleriyle aslında model eğitmiyoruz. Genellikle kendimizin oluşturduğu veri kümelerine sahibiz.

Bazen izin alarak anonimleştirilmiş sürümleri kullanıyoruz. Ancak çoğunlukla eğitim için müşteri verilerini kullanmıyoruz. Müşteri verilerini, yanlılığın azaltıldığından emin olmak için incelediğimiz ve önceden eğittiğimiz modellerle analiz ediyoruz.

Yani çoğunlukla müşteri verilerinin kendisiyle eğitim yapmıyoruz. Bunları, yanlılık sorunları açısından incelemeye aldığımız modelleri kullanarak analiz ediyoruz.

Michael Luchen

Benim açımdan öne çıkan temalardan biri, özellikle GPT-3 veya OpenAI tarafından sağlanan temel modeller üzerine sürekli yatırım yaparak modelleri geliştirmeye devam etmeniz.

Ürün yol haritanız söz konusu olduğunda, bu geliştirme çalışmasına nasıl yaklaşıyorsunuz ve bunu ürün yol haritanız içinde önceliklendiriyorsunuz?

Dan Erickson

Geliştirme, yol haritamızda neredeyse başlı başına ayrı bir çalışma alanı olarak yer alıyor. Eklediğimiz kurumsal özellikler, geliştirdiğimiz entegrasyonlar ve devam eden model geliştirme çalışmaları var.

Model geliştirme sürekli yaptığımız bir iş. Yeniden eğitim yapmadan geçen bir haftayı hatırlamıyorum.

Şu anda şirket içinde üzerinde çalıştığımız bir düzineden fazla model var. Hepsini sürekli yeniden eğittiğimizi söylemiyorum, ancak herhangi bir haftada en az bir model yeniden çerçeveleniyor veya yeniden eğitiliyor.

Michael Luchen

Ekibinizin zamanının ne kadarını buna ayırdığınızı söyleyebilirsiniz?

Dan Erickson

NLP ekibinin zamanının yaklaşık %20’sinin bu sürekli geliştirme ve yeniden eğitim işine ayrıldığını söyleyebilirim.

Michael Luchen

Çok ilginç. NLP’deki potansiyel yanlılığa baktığımızda, NLP kullanmak potansiyel yanlılığı ve geleneksel manuel süreçleri nasıl azaltıyor?

Dan Erickson

NLP yanlılığından bahsederken, NLP’nin yerine geçeceği mevcut süreçte bulunan yanlılığı da düşünmenin önemli olduğunu düşünüyorum.

Örneğin müşterilerin nelerden şikâyet ettiğini anlamaya çalışan ürün yöneticileri, çoğu zaman o sırada iletişim kurdukları destek temsilcisinin, satış elemanının veya başka bir kişinin anlattığı örneklere güvenir. Bir ürün yöneticisi olarak bir destek çalışanına veya satış elemanına gidip “Şu anda ele almamız gereken büyük sorunlar neler?” diye sorduğunuzu düşünün.

Genellikle akıllarına gelen ilk şeyi söyleyeceklerdir ve bu çoğunlukla doğrudur. Ancak genellikle tam bir tablo sunmaz, değil mi? Yakın zamanda yaşanan olaylara ve en yüksek sesle konuşan müşterilere, yani çoğunluğa kıyasla daha fazla yanlılık gösterebilirler.

İnsanların belirli bir konuya, zamanla kendi özel projeleri hâline gelen bir şeye saplanması kolaydır. NLP bu özel yanlılık biçiminden etkilenmez. Böylece bu örneklerde bulunan yanlılığın sınırlı kapsamına sahip olmak yerine NLP’yi kullanarak bakış açınızı genişletebilir ve verilerin daha fazlasını görebilirsiniz.

Örneğin ortalama olarak 30’dan fazla tema üretiyoruz. Yaptığımız yeniden eğitim sayesinde bu sayı da artıyor. Son hazırladığımız raporda 300’den fazla tema belirledik. İnsanların bu ayrıntı düzeyine veya bu kadar eksiksiz bir analiz kapsamına ulaşması mümkün değil.

Ayrıca geri bildirim parçalarını manuel olarak incelerken, kişisel olarak her parçayı muhtemelen yalnızca bir veya iki temaya ayırırım. Oysa genellikle geri bildirimlerin çoğunda üç ila beş temanın bulunduğunu görüyoruz.

İnsanlar genellikle yalnızca merkezi sorunu oluşturan tek temayı kaydediyor. Bu nedenle manuel işlem yaptığınızda NLP gibi bir sistem kullandığınız duruma kıyasla çok daha eksik bir görünüm elde ediyorsunuz.

Michael Luchen

İlginç. İnsan incelemesi veya insan katkısı, potansiyel yanlılığı azaltmak için her zaman belirli bir düzeyde gerekli olacak mı?

Dan Erickson

Bu sistemlerde, özellikle terabaytlarca insan diliyle eğitilen büyük dil modellerinde yanlılığı azaltmak için her zaman çaba göstermeliyiz. Ancak bu sistemlerin bugün sağlayabileceği gerçek dünya iyileştirmelerini de gözden kaçırmamalıyız.

Bu, modellerin temel çalışmanın büyük bölümünü sizin için yapabileceği, ancak birilerinin sonuçları okuyup her şeyin iyi olduğundan emin olması gerekeceği anlamına geliyor.

Model eğitimi ve şirket içi inceleme tarafında bunu mümkün olduğunca yapmaya çalışıyoruz. Ancak müşterilerimize de geri bildirim verebilecekleri yollar sunuyoruz. Böylece yeniden eğitim sürecine yardımcı olabiliyorlar. Yaptığımız analizlerin neredeyse tamamında beğenme ve beğenmeme seçenekleri bulunuyor. Bu da müşterilerimizin sonuçların iyi mi kötü mü olduğunu veya işe yarayıp yaramadığını bize bildirmesine yardımcı oluyor.

Michael Luchen

İlginç. Müşterilerden gelen bu geri bildirimin, beğenme veya beğenmeme seçeneğinin ötesindeki ayrıntılarını, modelleri nasıl ayarlayacağınızı anlayabilmek için nasıl elde ediyorsunuz?

Dan Erickson

Bu özellik henüz uygulanmadı. Ancak beğenmeme seçeneğine bastıktan hemen sonra bir metin kutusu açılacak. Bu metnin tamamını doğrudan kendi Viable örneğimize aktaracağız.

Böylece geri bildirimdeki tüm temaları belirleyip ele almaya çalışabileceğiz.

Michael Luchen

Harika. Ürünün geleceğini her zaman düşünüyorum. Sence NLP’nin geleceği bugün nasıl görünüyor ve bu, ürün yönetiminin geleceğini nasıl şekillendirebilir? Başlangıçta bunun ürün-pazar uyumu bulma konusundaki uzmanlığınızdan doğduğunu söylemiştin.

Bu iki dünya nasıl kesişiyor?

Dan Erickson

Daha önce söylediğim gibi NLP şu anda bir yeniden doğuş döneminde. Her şey gerçekten ilerliyor. Örneğin oluşturmak istediğiniz bir görselin açıklamasını yazabildiğiniz DALL-E 2 gibi çok modlu modellerde bunu görebilirsiniz.

Model diğer tarafta bir görsel oluşturuyor. Örneğin bir ördek ve bir çay fincanı yazabilirsiniz; sistem gerçekten bunun görselini oluşturuyor. Bunu görmek harika, ancak NLP’nin daha büyük yönünde gördüğümüz şey, anlayış derinliği daha fazla olan daha büyük modeller.

GPT-4 muhtemelen önümüzdeki birkaç ay veya yıl içinde çıkacak. GPT-3’e kıyasla önemli geliştirmeler içermesi muhtemel. Google tarafında PaLM gibi modellerin çıktığını, Microsoft ve Facebook gibi şirketlerin de benzer modeller geliştirdiğini görüyoruz.

Bunların hepsi büyüyor ve aynı zamanda daha fazla bağlamı modele sığdırmanıza olanak tanıyor. Şu anda GPT-3’ün tek seferde analiz edebileceği metin miktarıyla sınırlıyız. Bu yaklaşık 2.000 ila 4.000 belirteç, yani yaklaşık 4.000 kelimeye denk geliyor.

Gelecekte çok daha büyük bağlam pencerelerine sahip olacağımızı düşünüyorum. Birkaç bin kelime yerine on binlerce kelimeyi işleyebileceğiz. Bu da modelin birbirinden çok daha uzak kavramlar arasında bağlantı kurma yeteneğini büyük ölçüde artıracak.

Michael Luchen

Bir ürün yöneticisiysem ve ürünümde GPT-3 veya belki bu yıl içinde GPT-4 gibi bir NLP modelini entegre etme fırsatı görüyorsam nereden başlamalıyım? Geliştiricilerime sormam gereken bir şey mi? Bu, büyük ve kapsamlı bir uygulama mı? Belki birkaç yıl sonrasına kadar bunu düşünmemeli miyiz?

Dinleyen ürün yöneticileri için nasıl bir yaklaşım önerirsin?

Dan Erickson

Başlamak için en iyi yerin doğal dil arayüzleri olduğunu düşünüyorum. Komut satırı arayüzleri ve grafik kullanıcı arayüzleri var.

Bunların hepsi sistemle etkileşim kurmanın farklı yolları. Soru-cevap sistemimiz, GPT-3, GitHub Copilot ve benzeri doğal dil arayüzlerinde, bir şey yapmak için bazı komutlar yazıyorsunuz ve sistem de bunu gerçekleştiriyor.

Bence gelecekte en fazla yeniliği burada göreceğiz. Ayrıca neredeyse her ürünün kendi ürününe ekleyebileceği en kolay şey bu. Ürününüzle daha doğal yollarla etkileşim kurulmasını sağlayacak. Kullanıcılarınızı bir sihirbazdan veya bir pencereden geçirmek yerine onlara sorular sorabilir, onların da soru sormasını sağlayabilirsiniz.

Sisteminiz, kullanıcıları tahmin etmeye ve tıklamaya zorlamak yerine düz bir dille etkileşim kurulabilir hâle gelir. Bu tarafı GPT-3 gibi bir araçla kullanıma hazır biçimde uygulamak oldukça kolay.

Bu nedenle denemenizi öneririm. OpenAI’ın GPT-3 oyun alanına girin ve neler yapabileceğini, ürününüze nasıl yardımcı olabileceğini test edin.

Michael Luchen

Harika. Programı bitirmeden önce, birkaç kişisel hızlı soru sormak isterim; uygun mudur?

Dan Erickson

Elbette, kulağa harika geliyor.

Michael Luchen

Öncelikle, kişisel alışkanlıklarından hangisi başarına en fazla katkıda bulundu?

Dan Erickson

Benim için bu, sekiz saat uyumak. Kurucu olarak bunu yapmak gerçekten zor. Ancak uykunun diğer her şeyin temel alışkanlığı olduğunu düşünüyorum. Uykusuz kaldığınızda iyi performans gösteremezsiniz.

Yemek öğünlerini atlamaya başlayabilirsiniz. O gün egzersiz yapmayabilirsiniz. Bu nedenle uyku, benim için diğer şeyler uğruna feda edilemeyecek alışkanlık.

Elbette zaman zaman yoğun dönemler yaşamadığımı ve gece yarısına kadar çalışmadığımı söylemiyorum. Ancak çoğunlukla bu konuda istikrarlı olmaya çalışıyorum.

Michael Luchen

Düzenli olarak kullandığın en sevdiğin araç nedir?

Dan Erickson

Kesinlikle GitHub Copilot. Geliştirme işlerimin tamamında Visual Studio Code kullanıyorum. Küçük bir ekibiz; şu anda Viable’da yaklaşık 10 kişiyiz.

Bu yüzden hâlâ kod yazıyorum. GitHub Copilot ile çalışmak gerçekten harika. GitHub Copilot, İngilizce yerine kod için kullanılan bir NLP sistemi gibi. Editörünüzde kod yazmaya başladığınızda ne yapmaya çalıştığınızı anlamaya ve sizin için daha fazla kod yazmaya çalışıyor.

Yapay zekâ destekli bir eş programcı gibi. Artık yazdığım kodun yaklaşık %50’si GitHub Copilot tarafından yazılıyor.

Michael Luchen

Bu inanılmaz.

Son olarak, ürün yolculuğunun başındaki birine vereceğin tek bir tavsiye ne olurdu?

Dan Erickson

Bir çıkmaza saplanıp kalmayın. Demek istediğim şu: Bir fikriniz olacak ve bu fikir gerçekten harika görünecek. Ancak şirketinizi başarıya götürecek şey bu olmayabilir. Genellikle ilk fikir, daha sonra ulaştığınız noktadan farklı olur.

Kullanıcılarınızı dinlemeye devam etmeniz ve yalnızca kendi sezgilerinize odaklanmak yerine kullanıcılarınızın sizi doğru yöne çekmesine izin vermeniz çok önemli.

Michael Luchen

Bu, bitirmek için çok güzel bir not oldu.

Bugün bize katıldığın için çok teşekkürler Dan. NLP hakkında kesinlikle çok şey öğrendim ve üzerinde çalıştığım ürünlere geri götüreceğim birkaç fikir edindim.

Dan Erickson

Harika. Beni davet ettiğin için teşekkürler. Burada olmak gerçekten güzeldi.

Michael Luchen

Dan hakkında daha fazla bilgiye LinkedIn üzerinden ulaşabilirsiniz. Şirketi Viable hakkında daha fazla bilgi edinmek için askviable.com adresini de ziyaret edebilirsiniz.

Dan, bugün bize katıldığın için tekrar teşekkürler.

Dinlediğiniz için herkese teşekkürler. Podcast’i değerlendirmeyi ve ne düşündüğünüzü bize bildirmeyi unutmayın. Henüz yapmadıysanız, theproductmanager.com üzerindeki topluluğumuzu takip edip katılmayı unutmayın.

Tekrar teşekkürler, kendinize iyi bakın!