Untuk Adam M. Root, instruktur manajemen produk AI, dampak AI yang berarti berasal dari mengajukan pertanyaan yang tepat, menerapkan kerangka kerja strategis terstruktur, dan menjaga keahlian manusia di pusat. tanpa dasar itu, bahkan model yang paling canggih cenderung menghasilkan hasil yang dangkal atau tidak dapat diandalkan. "Jika Anda mulai dengan sampah, Anda akan mendapatkan sampah keluar," kata Root. Di Maven, Root merancang dan mengajar program berbasis kohort langsung untuk manajer produk, desainer, dan pendiri yang ingin membangun produk AI-native, sementara juga melayani sebagai Chief Product Officer fraksi - Strategi Produk AI. program terkemukanya mencakup strategi produk AI-first, prototipe yang didorong dengan cepat untuk desainer, pengembangan AI yang fleksibel, dan strategi masuk ke pasar untuk produk AI - semuanya dibuat untuk membantu tim bergerak dari rasa ingin tahu ke kemampuan dalam lingkungan AI yang bergerak cepat. Banyak perusahaan sekarang mendorong untuk skala agency AI, namun sebagian besar berjuang untuk memahami mengapa inisiatif mereka jarang bergerak melampaui tahap pilot. alih-alih mengancam pekerjaan mereka dalam masalah bisnis yang jelas, tim sering mengejar alat, model, atau vendor, berharap teknologi saja akan membuka dampak. Mengapa Perusahaan Berjuang untuk Meningkatkan Agentic AI Perusahaan berada di bawah tekanan yang intens dari dewan untuk menunjukkan hasil AI yang dapat diukur, dan kecemasan ini sering mendorong mereka ke eksekusi sebelum memahami apa yang sebenarnya perlu diselesaikan. Root melihat kesalahan yang sama terjadi berulang kali: tim berlari menuju hasil tanpa mendasari upaya mereka dalam pemahaman yang jelas tentang masalah yang mendasarinya. "Teknologi tidak cukup maju untuk melakukannya sendiri," katanya. "Orang-orang berpikir mereka dapat menghubungkan lebih banyak komputasi atau menyewa vendor lain dan menyelesaikannya. Hal ini tidak akan berhasil." Keahlian manusia harus ada di inti alur kerja agentik. Perusahaan yang bergantung pada AI untuk mereplikasi pengetahuan suku yang hilang selama pemecatan berisiko jatuh ke titik buta operasional. Root memprediksi banyak perusahaan akhirnya akan perlu menyewa ahli topik yang sama dengan premium karena pemahaman institusi mereka tidak Arsitektur alur kerja yang dapat diukur: kerangka kerja PURSUIT Dia memanfaatkan kerangka kerja PURSUIT yang memberi perusahaan jalan praktis ke depan, menawarkan panduan yang jelas tentang cara menghindari jebakan ini.Di inti, kerangka kerja ini membimbing tim melalui definisi masalah yang bijaksana jauh sebelum mereka menyentuh model atau dataset. Apa masalah manusia yang sebenarnya yang kita coba menyelesaikan, di bawah gejala permukaan? Problem:  Untuk siapa ini benar-benar untuk, dan apa yang mereka hargai, takut, dan memprioritaskan? User:  Mengapa memecahkan masalah ini penting dan relevan secara strategis saat ini? Rationale:  Apa yang paling kecil, pengalaman produk yang paling transformatif yang memecahkan masalah secara berarti? Solution:  Bukti apa yang perlu kita kumpulkan untuk memvalidasi atau membatalkan asumsi kita? Understanding:  Pattern, kebenaran, dan driver perilaku apa yang muncul dari bukti, dan bagaimana mereka harus membentuk produk? Insight: Apa arah produk strategis yang menghubungkan semuanya ke dalam satu narasi yang dapat dipertahankan? Thesis:  "Sebagian besar orang membuat teknik mereka tesis. Mereka memulai dengan alat, dan kemudian mereka bekerja kembali," kata Root. Bagi dia, pertanyaan yang tepat lebih penting daripada model yang tepat. Tim sering bergegas ke dalam penelitian, model paralel berjalan, dan agregasi pencarian tanpa memperjelas apa yang mereka butuhkan untuk belajar. "Minta pertanyaan yang lebih baik dan Anda mendapatkan hasil yang lebih baik." Root membangun ulasan manusia ke awal setiap alur kerja agen, dan sering mendorong LLM untuk memperbaiki pemahaman tentang masalahnya sebelum memulai tugas. Dia melengkapi ini dengan wawancara terstruktur dari para ahli topik melalui alat seperti Strella, menciptakan input pengetahuan yang bersih dan kontekstual. The Coming Wave: Sistem Multimodal dan Paralel Root percaya kemajuan besar berikutnya dalam AI akan datang dari sistem yang dapat menggunakan berbagai jenis input sekaligus, seperti teks, gambar, video, audio, dan data sensor dunia nyata, dari beberapa model AI yang bekerja bersama pada saat yang sama. model ini kemudian akan dapat membandingkan apa yang mereka temukan masing-masing dan menggabungkan alasan mereka untuk menghasilkan jawaban yang lebih baik. AI akan dapat melihat banyak jenis informasi sekaligus dan membiarkan beberapa model berpikir melalui masalah bersama-sama untuk menghasilkan hasil yang lebih jelas dan lebih kuat. teknologi wearable seperti kacamata pintar Meta adalah salah satu contoh dari masa depan ini, menunjukkan bagaimana perusahaan dapat segera menangkap dan mengintegrasikan sinyal dunia nyata dalam skala. Namun, kemampuan baru tidak akan memecahkan masalah dasar. Tanpa pertanyaan yang dirancang dengan baik, input yang disetujui, dan bimbingan manusia tahap awal, sistem multimodal hanya mempercepat pertimbangan yang rusak. "Jika Anda masih memulai tanpa pertanyaan yang tepat, Anda tidak akan mendapatkan solusi yang tepat," kata Root. Dia mengharapkan koreksi pasar dalam 12 hingga 18 bulan karena inovasi ini memberikan jalan bagi realitas operasional. Perusahaan yang menghapus para ahli topik dalam harapan efisiensi yang didorong oleh AI mungkin menemukan diri mereka berjuang untuk memulihkan konteks yang hilang. pesaing yang mempertahankan pengetahuan suku akan memiliki keuntungan yang tidak dapat diulang oleh perangkat lunak saja. Risiko yang diabaikan dan penyewaan yang kurang dihargai Meskipun otomatisasi peran entry-level cepat didorong oleh AI, para ahli berpengalaman tetap tak tergantikan. "Para ahli topik Anda tidak dapat digantikan oleh AI," katanya, menekankan bahwa perusahaan memprioritaskan mempekerjakan manajer produk utama yang dapat menerjemahkan tantangan organisasi yang membingungkan menjadi alur kerja yang dapat diukur. untuk perusahaan tahap awal yang menjual ke pasar perusahaan, dia menyarankan merekrut PM yang baru dipecat yang membawa tahun perspektif insider. "Anda akan mendapatkan pengetahuan suku yang akan memakan waktu bertahun-tahun untuk belajar," katanya, berpendapat itu dapat mendefinisikan keuntungan strategis perusahaan. Potensi AI sangat besar, tetapi hanya ketika berakar dalam strategi yang kuat dan eksekusi yang bijaksana. perusahaan yang dimulai dengan kejelasan, keahlian manusia, dan pertanyaan yang lebih baik akan menjadi mereka yang mampu mendirikan alur kerja agentik AI yang tidak hanya berfungsi, tetapi skala. Mengikuti Adam Root atau mengunjungi dirinya Untuk lebih banyak wawasan. Linkedin yang Website yang

This story contains new, firsthand information uncovered by the writer.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Audio ini diproduksi dalam bahasa asli cerita!

Adam M. Root: Bagaimana untuk Arsitek Agentik AI alur kerja yang skala di seluruh perusahaan

About Author

KOMENTAR

HANG TAG

ARTIKEL INI DISAJIKAN PADA

Related Stories

A Beginner’s Guide to Blockchain Programming

The Magic Shop

Invest With Purpose: Interview with Arian Adeli, CEO at Rivo Trading

NIGHT (continued)

A Beginner’s Guide to Blockchain Programming

The Magic Shop

Invest With Purpose: Interview with Arian Adeli, CEO at Rivo Trading

NIGHT (continued)

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps