Les opinions exprimées par les contributeurs Entrepreneurs sont les leurs.
L’un des défis de construire des systèmes logiciels et les algorithmes, c’est que souvent vous n’avez pas les données du monde réel dont vous avez besoin pour tester avant de passer en production ou avant que les clients ne commencent à les utiliser. Il n’est que trop courant de concevoir une interface de produit ou un algorithme sur papier, pour découvrir qu’une fois mis en production avec des données réelles, l’aspect de la sortie n’est pas ce à quoi vous vous attendiez. Les GPT comme GPT-4 d’OpenAI et Claude d’Anthropic peuvent changer la donne dans ces cas.
Nous avons rencontré ce problème à Données nomades tout en construisant un nouveau produit, Data Relationship Manager, qui s’apparente à un CRM pour les données. Le produit aide les entreprises à suivre leurs fournisseurs de données, leurs ensembles de données, leurs achats, leurs interactions, leurs réunions, leurs tests, etc. Après avoir eu une version fonctionnelle de l’application, nous avons réalisé qu’il était difficile de visualiser à quoi ressembleraient réellement les écrans dans un environnement réel. Nous n’avions aucune donnée utilisateur réelle et la plupart des écrans étaient vides. C’était un défi du point de vue de la validation de l’interface utilisateur et c’était également un défi de faire la démonstration du produit. Nous nous sommes demandé où nous pouvions obtenir une quantité significative de données de test lorsque nous avons réalisé que l’IA générative était la solution évidente.
IA générative nous a permis de faire quelque chose qui n’était pas possible auparavant : générer toutes les données d’utilisation dont nous avions besoin. Les nouveaux modèles d’IA génératifs font un travail incroyable avec le texte. La clé est de leur donner le contexte de ce que vous devez créer.
Le produit de Nomad est utilisé par une variété de types d’utilisateurs différents dans toutes les fonctions de l’entreprise. Ils exercent tous des activités spécifiques. Nous avions besoin de générer des données pour simuler une multitude de types d’utilisateurs utilisant notre produit pour faire leur travail. Ces activités varient dans le temps et doivent se dérouler dans un ordre logique. Nous avons accompli cela en quelques étapes.
Étape 1 : Nous devions donner aux modèles GPT une introduction générale à ce que nous essayions d’accomplir
Vous êtes un système conçu pour générer des données de test utiles pour un Gestion de la relation client (GRC) produit. Voici les étapes :
Dans un premier temps, vous constituerez un cabinet de conseil en management fictif ayant un besoin de données à exploiter sur des projets clients allant du dimensionnement du marché à l’analyse concurrentielle en passant par les études de prix. Créez un scénario très précis des données spécifiques qu’ils recherchent et pourquoi dans un certain nombre de projets.
Deuxièmement, composez 10 utilisateurs qui travaillent dans cette entreprise. Attribuez des rôles et des titres de poste aléatoires en fonction des définitions ci-dessous.
Étape 2 : Nous devions expliquer à GPT ce que les différents types d’utilisateurs passent leur temps à faire afin qu’il puisse construire un ensemble réaliste d’événements
Voici un exemple d’un tel type d’utilisateur que nous lui expliquons dans l’invite :
Data Sourcer: L’employé qui recherche des données après avoir reçu une demande d’un consultant.
Rôle: Un sourceur de données se spécialise dans la recherche et la collecte de données pertinentes en fonction de ce que les consultants leur demandent en réponse à un projet de conseil. Ils recherchent des fournisseurs de données, initient la communication avec eux, s’assurent qualité des données et l’exactitude répondent aux exigences du projet, coordonnez-vous avec le consultant, puis transférez le fournisseur à l’approvisionnement si le consultant accepte d’acheter. Ils enregistrent tous les premiers engagements avec un fournisseur de données, par exemple lorsqu’ils ont rempli un formulaire de contact, échangé un e-mail, organisé une réunion, reçu des données de test, effectué un test de données ou initié une discussion d’achat avec leurs responsables des achats internes.
Intitulés des postes : Sourceur de données, chercheur de données, spécialiste de l’acquisition de données
Nous lui avons finalement enseigné environ cinq rôles différents, mais nous aurions tout aussi bien pu le faire pour des dizaines.
En rapport: Pourquoi les entrepreneurs devraient adopter l’IA générative
Étape 3 : Nous devons expliquer ce que nous voulons que le modèle fasse avec ces informations
Cette société enregistre ses activités autour des fournisseurs de données qu’elle travaille et évalue dans notre CRM pour garder une trace de tout ce qui s’est passé. Tout travail qu’ils effectuent avec les données ou le fournisseur de données est enregistré afin que leurs collègues soient au courant de ce qui se passe autour d’un fournisseur de données et de ses produits.
Créez un ensemble d’activités entre il y a deux ans et aujourd’hui pour chacun, pour raconter une histoire/un dialogue sur la façon dont ces utilisateurs communiquent et travaillent avec les données de fournisseurs spécifiques. Créez des activités pour cinq à dix personnes pour chaque fournisseur de données. Chaque utilisateur doit créer trois à cinq activités pour chaque fournisseur de données avec lequel il travaille.
Assurez-vous qu’il y a des activités qui mentionnent des expériences utilisant réellement les données. Cela a-t-il bien fonctionné ? Y avait-il des données manquantes ? Était-ce un problème ?
La sortie doit être au format CSV. Chaque ligne doit être au format :
Date (jj/mm/AAAA), Nom complet de l’utilisateur, Nom du fournisseur de données, ID du fournisseur de données, Texte de l’activité
Exemples:
9/10/2021, Sarah Chang, AI Global Insights, a envoyé un e-mail d’introduction à AI Global Insights exprimant le besoin de données sur le marché de l’IA.
15/09/2021, Lisa Martin, SSC, a discuté des exigences de SSC avec Sarah Chang et a partagé un aperçu de haut niveau des capacités de données d’AI Global Insights.
16/09/2021, Michael Johnson, TechIntel, a demandé un sous-ensemble de données de l’industrie de l’IA à TechIntel pour une analyse préliminaire.
Étape 4 : Testez, modifiez et testez davantage
Après avoir exécuté cela, nous avons remarqué des domaines où nous devions être plus précis. En moins d’une heure, GPT-4 produisait des données de test très réalistes :
« 24/06/2021 », « Emma Smith », « AgriDataCorp », « A contacté AgriDataCorp pour une première discussion sur les besoins en données sur l’agriculture biologique en Amérique du Sud. »
« 28/06/2021 », « John Davis », « AgriDataCorp », « Réception du catalogue de produits de données d’AgriDataCorp. Début des discussions sur les coûts et l’accord de licence. »
« 30/06/2021 », « Alice Williams », « AgriDataCorp », « Échantillon de données initial reçu d’AgriDataCorp. Début du nettoyage et de l’intégration avec notre système. »
Nous avons rapidement été en mesure de générer une quantité infinie de données de test, ce qui aurait été soit incroyablement coûteux, soit chronophage il y a seulement quelques mois.
Qu’il s’agisse de produire de meilleurs produits ou algorithmes, d’utiliser Modèles alimentés par GPT pour générer des données de test et de démonstration est un must. En quelques secondes, vous pouvez donner vie à une démo de produit vide. Vous pouvez tout aussi facilement voir à quoi ressembleront vos produits entre les mains de vrais utilisateurs et entreprises.
En rapport: Comment l’IA transformera le développement logiciel
Source link