Jaki problem to rozwiązuje
Luka między pomysłem na AI a działającym procesem AI to miejsce, gdzie umiera większość inicjatyw. Ktoś testuje prompt w okienku czatu, działa raz, a potem okazuje się, że nikt nie określił, skąd biorą się dane wejściowe, co dzieje się z wynikami o niskiej pewności, kto cokolwiek przegląda, zanim trafi do klienta, i jak proces zachowuje się, gdy model się myli. Niedoprecyzowane od początku workflow nie przeżywają zetknięcia z realnym wolumenem.
Jak pracujemy
Rozkładamy zastosowanie na konkretny workflow: wyzwalacze, wejścia i ich źródła, kroki przetwarzania, wyjścia i ich cele oraz ścieżki awarii, które odróżniają proces produkcyjny od dema: brakujące dane wejściowe, wyniki o niskiej pewności, skoki wolumenu i błędy modelu.
Warstwę AI specyfikujemy w szczególe: jaki kontekst i dane model potrzebuje, by dać użyteczny wynik, projekt promptów i instrukcji oraz wybór modelu i narzędzi, używając funkcji HubSpot Breeze tam, gdzie pokrywają zadanie, a zewnętrznych albo custom narzędzi tam, gdzie nie. Punkty human-in-the-loop są umieszczane rozmyślnie, z jasnymi kryteriami akceptacji i odrzucenia.
Projekt zamyka pomiar: kontrole jakości, przeglądy próbek i metryki pokazujące, czy workflow zarabia na siebie, gdy nowość opadnie.
Deliverables
- Specyfikacja workflow end-to-end łącznie ze ścieżkami awarii
- Wymagania wejść danych i kontekstu
- Projekt promptów i instrukcji
- Wybór narzędzi i modelu z uzasadnieniem
- Projekt punktów przeglądu przez człowieka z kryteriami akceptacji i odrzucenia
- Plan pomiaru jakości