共计 4500 个字符,预计需要花费 12 分钟才能阅读完成。
在产品治理和开发过程中,能够利用 ChatGPT 辅助实现局部工作,进步工作生产力和创造力。原文: How to use ChatGPT in product management
置信你必定据说过最近大火的 ChatGPT,用自然语言跟机器人聊天是挺乏味,不过我还是心愿摸索一下如何在产品治理中利用 ChatGPT。
本文将分享ChatGPT 能够做什么,能够取得更好后果的提醒技巧(提醒工程),以及可用于产品治理和利用程序开发的更准确提醒用例。
什么是 ChatGPT & 它能做什么?
这节给那些还不相熟 ChatGPT 的人疾速介绍一下。ChatGPT 是由 OpenAI 开发的最先进的大语言模型(LLM),是一个简单的深度学习模型,有 1750 亿个参数(能够把它设想成大脑中的神经元),基于维基百科和互联网上的大量语言数据训练[1],能够依据输出提醒和之前生成的文本作为上下文,预测序列中下一个单词呈现的概率。
ChatGPT 从许多人类对话样本和反馈中取得了与人类聊天的能力,并能对生成的文本进行评级和排名(基于人类反馈的强化学习,RLHF)2。你能够像跟人谈话一样跟 ChatGPT 对话,它会输入最可能的答案。你能够让它做各种工作,比方总结、写文章、翻译、文本分类、解释概念、写代码、产生想法等等,不过要小心,它可能会不苟言笑的胡编乱造。
如何编写更好的 ChatGPT 提醒?
提醒是输出给 ChatGPT 的问题或阐明,好的提醒能够产生好的后果,编写更好的提醒甚至曾经成为一种被称为提醒工程的技能。上面分享一些为大语言模型 AI 编写更好提醒的实用技巧。
给出明确的批示。除了答复问题,还能够要求 LLM 给出具体步骤。
- 原始提醒: 如何训练线性回归模型?
- 更好的提醒: 编写训练线性回归模型的 Python 代码,包含代码和正文。
对于第一个提醒,LLM 将在较高层次上解释训练线性回归模型的概念,但第二个提醒将提供逐渐训练线性回归模型的确切性能代码,并解释代码。
提供上下文。提供上下文能够帮忙 LLM 给出更相干的回应,例如:
- 原始提醒: “ 我用 XX 产品后瘦了 ” 的情绪是什么?
- 更好的提醒: XX 产品是为想要增肌的人筹备的,用户为产品写了反馈:” 我用了 XX 产品后瘦了 ”,该反馈是什么情绪?
这是一个极其例子,AI 会把第一个提醒归类为踊跃的,因为它认为减肥是个踊跃的后果。但增肌产品并非如此,当提供了适当的上下文,LLM 将给出正确的情绪剖析,认为这是负面的。
角色提醒。角色提醒和上下文相似,要求 LLM 伪装本人是某个特定角色,并从该角色的角度给出答案。
- 原始提醒: 设计一个计步器利用。
- * 更好的提醒: 伪装你是一名资深利用开发者,具备数据库、云计算和 iOS 开发常识。设计一个计步器利用。
One-shot,few-shot 提醒 。对于 LLM,能够间接给出提醒(zero-shot 提醒)[4],也能够在要求给出答案之前提供一个例子(one-shot) 或多个例子(few-shot)[1]。人们发现,这种办法能让 LLM 提供更好的响应。
- 原始提醒: 她是一个{MASK}
- 更好的提醒: 她是程序员,是一名老师,是首席执行官,是一个{MASK}。
如果你用 zero-shot 发问,AI 很可能会返回 ” 护士 ”、” 秘书 ” 或 ” 女佣 ” 这样的答案,答案取决于训练数据。但如果提供一些例子,AI 能够克服偏见,给出中性的后果。
思维链 (CoT) 提醒 [5]。当你要求 LLM 推理更简单的问题时,它可能会给出谬误后果。但如果要求它解释其推理,它会通过尝试一步一步答复问题来产生更好的后果。钻研表明,CoT 提醒能够进步算术、常识和形象推理工作的后果。一个不便的技巧是在问题前面加上 ” 让咱们一步一步来“[4]。
- 原始提醒 : 一个直角三角形有两条边,长度别离是 sqrt(2) 和 1,两边夹角是 45 度,第三条边是多长?
- 更好的提醒 : 一个直角三角形有两条边,长度别离是 sqrt(2) 和 1,两边夹角是 45 度,第三条边是多长? 让咱们一步一步来思考。
第一个提醒返回的后果是 sqrt(3),是错的。但当你在最初加上 ” 让咱们一步一步来思考 ” 这句话时,LLM 会给出更具体的答案,包含勾股定理的定义和计算过程。通过这些步骤,就能够给出正确答案 1。
如何在产品和提醒中应用 ChatGPT
能够将 ChatGPT 集成到产品工作流简直每个步骤中。上面是我在产品工作流中应用 ChatGPT 的一些办法,以及应用的提醒。心愿能够借此激发灵感,利用 LLM AI 的力量来优化产品治理流程。
取得晚期想法和市场钻研
产生利用创意和概念。能够应用 ChatGPT 作为头脑风暴工具来产生想法或设计概念,这是一个很好的开始。
- 提醒: 生成三个在计步器利用中应用 AI 的想法。
进行市场考察和竞争对手考察。如果心愿更好理解某个不相熟的市场,能够询问 ChatGPT。
- 提醒: 比拟市场上排名前五的冥想利用的性能。
(注: 因为 ChatGPT 只有 2021 年之前的数据,所以答案可能不是最新的,但能够对市场 / 重要竞争对手有个大抵理解。)
产品框架
生成用户角色和用户材料。能够用 ChatGPT 为产品创立原型人物角色或材料。如果有实在用户钻研的见解,能够在提供在提醒中,以取得更好的后果。
- 提醒: 创立一个中年、繁忙的职业母亲用户角色,她想改善本人的健康状况,但没有工夫去健身房。
撰写产品需要文档。能够要求 ChatGPT 从零开始编写 PRD 作为灵感,或者通知它依据某些要点进行扩大,以节俭写作工夫。
- 提醒: 为冥想利用的社区性能编写具体的产品需要文档。用户能够创立群组并邀请其他人退出群组,群组所有者能够设置探讨主题。文档应包含背景、性能、相干度量、危险和解决方案、技术需要和次要用户业务流。
将聊天机器人整合进产品。通过调优或提醒工程,能够将聊天机器人整合到产品中。对于这个用例,须要与机器学习工程师或开发人员单干,看看将聊天机器人利用于产品在技术上是否可行。这里会给出一个将 ChatGPT 转换为睡眠教练的提醒工程示例。
- 提醒: 我想让你做睡眠教练。你对人类生理学、心理学、神经科学和工夫生物学有很深的理解。用户将询问无关睡眠模式的问题,你会问一些相干问题来剖析他们睡眠习惯中的问题,并提供切实可行的步骤来帮忙他们改善睡眠,同时你应该回绝答复任何与睡眠无关的问题。
这个提醒中应用了本文后面介绍的角色提醒技术,提供了相干信息的上下文,并指定聊天机器人应该回绝答复不相干的问题。
设计产品
改善用户导航体验。这是我正在摸索的一个实验性用例,在这个用例中,用户能够用自然语言形容想做的事件,聊天机器人将疏导他们找到相干性能。我发现这能够通过大量提醒工程或对分类进行微调来实现。请看上面这个提醒,看看能做什么:
编写用户体验文案。能够要求 ChatGPT 生成按钮、谬误音讯等用户体验文案。对于 ChatGPT 来说,这是十分根本的文本生成工作,能够解决的很好。
- 提醒: 为食谱利用编写谬误音讯,当用户试图增加有效成分时揭示用户。
构思页面布局或设计概念。如果你想要设计新的页面布局,能够向 ChatGPT 询问潜在想法。
- 提醒: 为膳食打算利用的主页生成三个布局想法。
翻译 UI 正本。能够应用以下提醒要求 ChatGPT 翻译 UI 正本以进行本地化。
- 提醒: 翻译以下文本。英语:Subscribe 德语:
为生产或 SEO 创立内容。许多应用程序都有博客用于用户获取、生产或晋升 SEO。应用 ChatGPT,能够轻松的用几个单词编写博客。
- 提醒: 为卡路里计算应用程序列一些博客题目
- 提醒: 为卡路里计算利用写一篇引人入胜的 SEO 优化博客,题目为 ” 如何用 XX 利用计算卡路里来减肥 ”。
评估用户反馈
剖析用户情绪。能够应用以下提醒来轻松剖析用户情绪,而不须要训练 ML 模型。
- 提醒: 用户: 我不再应用这个应用程序了,因为它不精确。情绪:
总结反馈的个性需要和 bug。通过让 ChatGPT 从用户反馈中总结所要求的性能和 bug,能够节俭大量浏览用户反馈的工夫,只需提供用户反馈作为上下文并要求其进行总结。
- 提醒: [用户反馈上下文]。从后面的文本来看,用户最心愿看到的性能是什么?
剖析用户访谈脚本。能够向 ChatGPT 提供用户访谈记录,并提出问题来剖析用户访谈。
- 提醒: [用户访谈脚本]。从用户访谈脚本来看,用户在浏览主页时想要做什么?
创立营销 / 客户反对内容
制订市场进入打算。ChatGPT 能够帮忙起草产品上市打算。
- 提醒: 有一款针对准妈妈的新冥想利用正在寰球推出,写一份具体的市场进入打算,次要关注在线渠道。
撰写新闻稿 / 社交媒体帖子。只有提供必要的上下文,ChatGPT 就能够很容易创立营销内容。
- 提醒: 为跑步利用创立一个新的深色模式性能的 Twitter 帖子,要蕴含表情符号,充满活力和简洁,不要用首字母缩写。
回复客户邮件。当你不确定如何写一封难写的邮件时,你能够让 ChatGPT 帮忙。
- 提醒: 有客户在退款日期后要求退款。给客户写一封礼貌的邮件,回绝这一申请,然而提供收费缩短 3 个月服务。
用 ChatGPT 来放慢工作
下面的用例和提醒只是对于如何在产品治理 / 开发工作中应用 ChatGPT 的一些示例。尽管 ChatGPT 可能看起来十分弱小,但我置信它不会取代人类的智慧和创造力。只有学会如何把握,就能够利用它的力量来进步咱们的创造力和生产力。
参考文献
[1] Brown, Tom B., et al. Language Models Are Few-Shot Learners. arXiv, 22 July 2020. arXiv.org, https://doi.org/10.48550/arXiv.2005.14165.
[2]“ChatGPT: Optimizing Language Models for Dialogue.”OpenAI, 30 Nov. 2022, https://openai.com/blog/chatgpt/.
[3] Ouyang, Long, et al. Training Language Models to Follow Instructions with Human Feedback. arXiv, 4 Mar. 2022. arXiv.org, https://doi.org/10.48550/arXiv.2203.02155.
[4] Kojima, Takeshi, et al. Large Language Models Are Zero-Shot Reasoners. arXiv, 29 Jan. 2023. arXiv.org, https://doi.org/10.48550/arXiv.2205.11916.
[5] Wei, Jason, et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv, 10 Jan. 2023. arXiv.org, https://doi.org/10.48550/arXiv.2201.11903.
你好,我是俞凡,在 Motorola 做过研发,当初在 Mavenir 做技术工作,对通信、网络、后端架构、云原生、DevOps、CICD、区块链、AI 等技术始终保持着浓重的趣味,平时喜爱浏览、思考,置信继续学习、一生成长,欢送一起交流学习。微信公众号:DeepNoMind
本文由 mdnice 多平台公布