아무리 뛰어난 AI라도 사용자에게 가치를 제공하지 못하면 실패한 AI 제품이에요. 그렇기 때문에 “올바른 문제를 정의하는 것”이 가장 중요합니다. 어떻게 하면 올바른 문제를 파악할 수 있을까요?

사용자 중심의 "가치"를 극대화하는 구글의 People + AI 제품 개발 가이드라인을 살펴볼까요?

설정한 대상의 기존 일하는 방식을 관찰하여 "실제 문제"를 파악하세요.

1.  설정한 대상이 현재 일을 완료하는 방식을 살펴보면서 필요한 단계를 더 잘 이해하고 자동화하거나 지원이 필요한 부분을 발견할 수 있어요. 이미 작동 중인 AI 기반 제품이 있다면 사용자들에게 제품을 사용하게 하여 기존 일하는 과정에서 특정 부분을 자동화하고 그 결과에 대해 어떻게 느끼는지 살펴보세요.

AI가 고유한 가치를 더할지 결정하세요.

개선하고자 하는 문제를 파악한 후에는 가능한 해결책 중,

1. 어떤 해결책에 AI가 필요한지, 
2. 어떤 해결책이 AI를 통해 의미 있게 향상되는지, 
3. 어떤 해결책이 AI의 이점을 얻지 못하거나 오히려 저하되는지를 결정해야 해요.

종종 규칙*이나 휴리스틱* 기반 해결책이 AI 버전보다 더 좋지는 않더라도 더 잘 작동하는 경우가 많습니다. 더 간단한 해결책은 개발과 유지 관리가 더 쉽죠! 

*규칙: 고정된 규칙안 에서 단순한 시스템을 실행하는 것.

*휴리스틱: 어림짐작하여 판단하는 것

AI가 더 나은 경우와 더 나을 수 없는 경우를 비교해 볼까요?

AI가 더 나은 경우 7 가지:

1. 사용자마다 다른 콘텐츠를 추천하는 경우. 예) 시청할 영화를 맞춤 추천. 
2. 향후 이벤트 예측하는 경우. 예) 11월 말 덴버 여행에 대한 항공권 가격 표시.
3. 사용자 경험을 개선하는 개인화하는 경우. 예) 자동화된 가정용 온도 조절기를 개인화하면 시간이 지남에 따라 집이 더 쾌적해지고 온도 조절기의 효율성이 높아집니다.
4. 자연어 이해가 필요한 경우. 예) 받아쓰기(dictation)서비스는 다양한 언어와 말투에 맞게 잘 작동하려면 AI가 필요합니다.
5. 전체 개체 클래스 인식이 필요한 경우. 예) 사진 태그 앱에 모든 얼굴을 프로그래밍할 수는 없으므로 AI를 사용하여 두 장의 사진을 같은 사람으로 인식합니다.
6. 시간이 지남에 따라 변화하는 발생 빈도가 낮은 이벤트 탐지하는 경우. 예) 신용카드 사기는 끊임없이 진화하고 있으며 개인에게는 드물게 발생하지만 대규모 그룹에서는 자주 발생합니다. AI는 이러한 진화하는 패턴을 학습하고 새로운 유형의 사기가 등장할 때 이를 탐지할 수 있습니다.
7. 특정 도메인에 대한 에이전트 또는 봇 경험하는 경우. 예) 호텔 예약은 많은 사용자가 비슷한 패턴을 따르기 때문에 프로세스를 자동화하여 신속하게 처리할 수 있습니다.

AI가 더 나을 수 없는 경우 5가지

1. 정적이거나 제한된 정보 제공하는 경우. 예) 신용카드 입력 양식은 간단하고 표준적이며 사용자마다 요구되는 정보가 매우 다양하지 않습니다.
2. 비용이 많이 드는 오류인 경우. 예) 몇 초의 이동 시간을 절약하기 위해 비포장도로 경로를 제안하는 내비게이션 가이드와 같이 성공률의 작은 증가로 인한 이점보다 오류의 비용이 매우 큰 경우.
3. 완벽한 투명성을 요구하는 경우. 예) 오픈 소스 소프트웨어처럼 사용자, 고객 또는 개발자가 코드에서 일어나는 모든 일을 정확하게 이해해야 하는 경우. AI가 항상 그 수준의 투명한 설명을 제공할 수는 없습니다.
4. 빠른 속도와 낮은 비용 검증이 필요한 경우. 예) 개발 속도와 시장 출시가 비즈니스에 무엇보다 중요하다면, AI를 추가하여 얻을 수 있는 가치를 고려해야 합니다. (보통 AI 제품 개발은 데이터 수집, 가공, 성능 테스트 등으로 속도가 느려요.)
5. 고부가가치 작업 자동화하는 경우. 예) 사람들이 명시적으로 작업을 자동화하는 것을 원하지 않는다고 말하는 경우, 이를 방해하지 않는 것이 좋습니다. 

👉 인스타그램 @tech_toolkit 을 팔로우하시면 AI 제품을 만드는 PM이 선별한 최신 AI 툴킷, 이슈, 인터뷰 등을 가장 먼저 확인할 수 있습니다. (https://www.instagram.com/tech_toolkit/)