Em um artigo anterior, abordamos a definição de um AI Product. Agora, nossa proposição é entrarmos um pouco mais no detalhe de como construir e algumas técnicas para atingirmos o melhor resultado construindo produtos de IA.

AI Product: modelo mental de um sistema de IA
Figura 1: modelo mental de um sistema de IA

O modelo serve como ferramenta para discussão, planejamento e definição de produtos de IA por equipes interdisciplinares de IA e de produtos, bem como para alinhamento com o departamento de negócios. O objetivo é reunir as perspectivas de gerentes de produto, designers de UX, cientistas de dados, engenheiros e outros membros da equipe.

Frequentemente, as empresas presumem que tudo o que precisam para incluir IA em suas ofertas é contratar especialistas em IA e deixá-los fazerem a mágica técnica. Esta abordagem leva-os diretamente à falácia da integração: mesmo que estes especialistas e engenheiros produzam modelos e algoritmos excepcionais, os seus resultados muitas vezes ficam presos ao nível de “parques infantis”, sandboxes e demonstrações, e nunca se tornam realmente partes completas de um produto. Ao longo dos anos, temos visto muita frustração por parte de cientistas e engenheiros de dados, cujas implementações de IA tecnicamente excelentes não chegaram a produtos voltados para o usuário. Em vez disso, eles tinham o status honroso de experimentos de ponta que deram aos superiores a impressão de estarem aproveitando a onda da IA.

Agora, com a proliferação onipresente da IA ​​desde a publicação do ChatGPT, por que é tão difícil integrar a IA? Existem alguns motivos:

  • Geralmente, as equipes se concentram em um único aspecto de um sistema de IA. Isso levou até mesmo ao surgimento de campos separados, como IA centrada em dados, centrada em modelos e centrada em humanos. Embora cada uma delas ofereça perspectivas interessantes para a avaliação, um produto da vida real precisa combinar os dados, o modelo e a interação homem-máquina num sistema coeso;
  • O desenvolvimento de IA é um empreendimento altamente colaborativo. No desenvolvimento de software tradicional, você trabalha com uma dicotomia relativamente clara que consiste nos componentes back-end e front-end. Na IA, você não precisará apenas adicionar funções e habilidades mais diversas à sua equipe, mas também garantir uma cooperação mais estreita entre as diferentes partes. Os diferentes componentes do seu sistema de IA interagirão entre si de maneira íntima. Por exemplo, se você estiver trabalhando em um assistente virtual, seus designers de UX terão que entender de engenharia imediata para criar um fluxo de usuário natural. Seus anotadores de dados precisam estar atentos à sua marca e aos “traços de caráter” do seu assistente virtual para criar dados de treinamento consistentes e alinhados ao seu posicionamento;
  • Ao construir IA, as empresas muitas vezes subestimam a importância do design. Embora a IA comece no back-end, um bom design é indispensável para fazê-la brilhar na produção. O design de IA ultrapassa os limites da UX tradicional. Muitas das funcionalidades que você oferece não são visíveis na interface, mas “ocultas” no modelo, e você precisa educar e orientar seus usuários para maximizar esses benefícios. Além disso, os modelos fundamentais modernos são coisas selvagens que podem produzir resultados tóxicos, errados e prejudiciais, portanto, você estabelecerá proteções adicionais para reduzir esses riscos. Tudo isso pode exigir novas habilidades de sua equipe, como engenharia imediata e design conversacional. Às vezes, também significa fazer coisas contra intuitivas, como subestimar o valor para gerenciar as expectativas dos usuários e adicionar atrito para dar-lhes mais controle e transparência;
  • O hype da IA ​​cria pressão. Muitas empresas colocam a carroça na frente dos bois, saltando para implementações que não são validadas pelas necessidades do cliente e do mercado. Ocasionalmente, incluir a palavra-chave da IA ​​pode ajudá-lo a comercializar e a se posicionar como uma empresa progressista e inovadora, mas, no longo prazo, você precisará apoiar seu entusiasmo e experimentação com oportunidades reais. Isto pode ser alcançado através de uma coordenação estreita entre negócios e tecnologia, que se baseia num mapeamento explícito das oportunidades do mercado em relação aos potenciais tecnológicos.

Neste artigo, construiremos um modelo mental para sistemas de IA que integre estes diferentes aspectos (figura 1). Ele incentiva os construtores a pensar de forma holística, criar uma compreensão clara de seu produto-alvo e atualizá-lo com novos insights e informações ao longo do caminho. O modelo pode ser usado como uma ferramenta para facilitar a colaboração, alinhar as diversas perspectivas dentro e fora da equipe de IA e construir produtos de sucesso com base em uma visão compartilhada. Pode ser aplicado não apenas a novos produtos baseados em IA, mas também a recursos de IA incorporados em produtos existentes.

As seções a seguir descreverão brevemente cada um dos componentes, concentrando-se nas partes específicas dos produtos de IA. Começaremos com a perspectiva de negócios, a oportunidade e o valor do mercado, e depois mergulharemos na experiência do usuário e na tecnologia. Para ilustrar o modelo, usaremos o exemplo prático de um copiloto para geração de conteúdo de marketing.

1. Oportunidade

Com todas as coisas legais que você pode fazer agora com IA, você pode estar impaciente para sujar as mãos e começar a construir. No entanto, para construir algo que seus usuários precisam e amam, você deve apoiar seu desenvolvimento com uma oportunidade de mercado. No mundo ideal, as oportunidades chegam até nós através de clientes que nos dizem o que precisam ou desejam. Podem ser necessidades não atendidas, pontos problemáticos ou desejos. Você pode procurar essas informações nos comentários dos clientes existentes, como análises de produtos e notas de suas equipes de vendas e sucesso. Além disso, não se esqueça de você como um usuário potencial do seu produto. Se você está visando um problema que você mesmo experimentou, esta vantagem de informação é uma vantagem adicional. Você também pode conduzir pesquisas proativas com clientes usando ferramentas como pesquisas e entrevistas.

O mundo real é um pouco mais confuso e os clientes nem sempre virão até você para apresentar oportunidades novas e bem formuladas. Em vez disso, se você esticar suas antenas, as oportunidades chegarão até você de muitas direções.

Finalmente, no mundo moderno dos produtos, as oportunidades são muitas vezes menos explícitas e formais e podem ser validadas diretamente em experiências, o que acelera o seu desenvolvimento. Assim, no crescimento liderado pelo produto, os membros da equipe podem apresentar suas próprias hipóteses sem um argumento estrito baseado em dados. Essas hipóteses podem ser formuladas de forma fragmentada, como modificar um prompt ou alterar o layout local de alguns elementos UX, o que os torna fáceis de implementar, implantar e testar. Ao remover a pressão para fornecer a priori dados para cada nova sugestão, esta abordagem aproveita as intuições e imaginações de todos os membros da equipe, ao mesmo tempo que impõe uma validação direta das sugestões. Digamos que a geração de conteúdo ocorra sem problemas, mas você ouve cada vez mais reclamações sobre a falta geral de transparência e explicabilidade da IA. Você decide implementar um nível de transparência adicional e mostrar aos seus usuários os documentos específicos que foram usados ​​para gerar um conteúdo. Sua equipe testa o recurso com um grupo de usuários e descobre que eles ficam felizes em usá-lo para rastrear as fontes de informação originais. Assim, você decide estabelecê-lo no produto principal para aumentar o uso e a satisfação.

2. Valor

Para compreender e comunicar o valor do seu produto ou recurso de IA, primeiro você precisa mapeá-lo para um caso de uso (um problema de negócios específico que ele resolverá) e descobrir o ROI (retorno sobre o investimento). Isso força você a se afastar da tecnologia e se concentrar nos benefícios da solução para o usuário. O ROI pode ser medido em diferentes dimensões. Para IA, alguns deles são:

  • Maior eficiência: a IA pode impulsionar a produtividade de indivíduos, equipes e empresas inteiras;
  • Uma experiência mais personalizada: por exemplo, sua ferramenta de geração de conteúdo pode solicitar aos usuários que definam parâmetros de sua empresa, como atributos da marca, terminologia, benefícios do produto, etc. ao estilo de escrita único deste usuário ao longo do tempo;
  • Conveniência: o que seu usuário precisa fazer para aproveitar os poderes mágicos da IA? Imagine integrar seu copiloto de geração de conteúdo em ferramentas de colaboração populares como MS Office, Google Docs e Notion. Os usuários poderão acessar a inteligência e eficiência do seu produto sem sair do conforto de sua “casa” digital. Assim, você minimiza o esforço que os usuários precisam fazer para experimentar o valor do produto e continuar a usá-lo, o que, por sua vez, aumenta a aquisição e adoção de usuários.

Alguns benefícios da IA ​​como a eficiência, por exemplo, podem ser quantificados diretamente para o ROI. Para ganhos menos tangíveis, como conveniência, você precisará pensar em métricas proxy, como a satisfação do usuário. Tenha em mente que pensar em termos de valor para o usuário final não apenas fechará a lacuna entre seus usuários e seu produto. Como efeito colateral bem-vindo, pode reduzir detalhes técnicos em suas comunicações públicas. Isso evitará que você convide acidentalmente concorrentes indesejados para a festa.

3. Dados

Para qualquer tipo de IA e aprendizado de máquina, você precisa coletar e preparar seus dados para que reflitam as entradas da vida real e forneçam sinais de aprendizado suficientes para seu modelo. Hoje em dia, vemos uma tendência para a IA centrada em dados, uma filosofia de IA que se afasta dos intermináveis ​​ajustes e otimização de modelos e se concentra na correção dos numerosos problemas nos dados que são alimentados nesses modelos. Quando você começa, existem diferentes maneiras de obter um conjunto de dados decente:

  • Você pode usar um conjunto de dados existente. Pode ser um conjunto de dados de aprendizado de máquina padrão ou um conjunto de dados com uma finalidade inicial diferente que você adapta para sua tarefa. Existem alguns conjuntos de dados clássicos, como o IMDB Movie Reviews Dataset para análise de sentimento e o conjunto de dados MNIST para reconhecimento de caracteres escritos à mão. Existem alternativas mais exóticas e interessantes, como captura de pesca ilegal e identificação de raça de cachorro, e inúmeros conjuntos de dados selecionados por usuários em opendatas, como o Kaggle. As chances de você encontrar um conjunto de dados feito para sua tarefa específica e que satisfaça completamente seus requisitos são bastante baixas e, na maioria dos casos, você também precisará usar outros métodos para enriquecer seus dados;
  • Você pode anotar ou criar os dados manualmente para criar os sinais de aprendizagem corretos. A anotação manual de dados como a anotação de textos com pontuações de sentimento, por exemplo, era o método utilizado nos primeiros dias do aprendizado de máquina. Recentemente, voltou a ganhar atenção como o principal ingrediente do molho secreto do ChatGPT. Um enorme esforço manual foi gasto na criação e classificação das respostas do modelo para refletir as preferências humanas. Essa técnica também é chamada de Aprendizagem por Reforço com Feedback Humano (RLHF). Se você tiver os recursos necessários, poderá usá-los para criar dados de alta qualidade para tarefas mais específicas, como a geração de conteúdo de marketing. A anotação pode ser feita internamente ou usando um provedor externo ou um serviço de crowdsourcing, como o Amazon Mechanical Turk;
  • Você pode adicionar mais exemplos a um conjunto de dados existente usando enriquecimento de dados. Para tarefas mais simples, como análise de sentimento, você pode introduzir algum ruído adicional nos textos, trocar algumas palavras, etc. Para tarefas de geração mais abertas, há atualmente muito entusiasmo em usar modelos grandes (por exemplo, modelos fundamentais) para automação. Depois de identificar o melhor método para enriquecer seus dados, você poderá escalá-los facilmente para atingir o tamanho necessário do conjunto de dados.

Ao criar seus dados, você enfrenta um equilíbrio entre qualidade e quantidade. Você pode anotar manualmente menos dados com alta qualidade ou gastar seu orçamento no desenvolvimento automatizado de pipelines de dados que introduzirão ruído adicional. Se você optar pela anotação manual, poderá fazê-lo internamente e moldar uma cultura de detalhes e qualidade, ou terceirizar o trabalho para pessoas anônimas. O crowdsourcing normalmente tem uma qualidade inferior, então talvez seja necessário fazer mais anotações para compensar o ruído. Como você encontra o equilíbrio ideal? Não há receitas prontas aqui em última análise, você encontrará a composição de dados ideal por meio de um vai e vaivém constante entre o treinamento e o aprimoramento de seus dados.

Em geral, ao pré-treinar um modelo, ele precisa adquirir conhecimento do zero, o que só pode acontecer com uma quantidade maior de dados. Por outro lado, se você quiser ajustar e dar os últimos retoques de especialização a um grande modelo existente, poderá valorizar a qualidade em vez da quantidade. A anotação manual controlada de um pequeno conjunto de dados usando diretrizes detalhadas pode ser a solução ideal neste caso.

4. Algoritmo

Os dados são a matéria-prima com a qual seu modelo aprenderá e, esperançosamente, você poderá compilar um conjunto de dados representativo e de alta qualidade. Agora, o verdadeiro superpoder do seu sistema de IA, a sua capacidade de aprender com os dados existentes e generalizar para novos dados, reside no algoritmo. Em termos dos principais modelos de IA, existem três opções principais que você pode usar:

  • Obter um modelo existente. LLMs (Large Language Models) avançados da família GPT, como ChatGPT e GPT-4, bem como de outros provedores, como Anthropic e AI21 Labs, estão disponíveis para inferência via API. Com o prompt, você pode conversar diretamente com esses modelos, incluindo no seu prompt todas as informações específicas do domínio necessárias para uma tarefa. Isso pode incluir conteúdo específico a ser usado, exemplos de tarefas análogas (solicitações de poucos disparos), bem como instruções a serem seguidas pelo modelo. Por exemplo, se o seu usuário deseja gerar uma postagem no blog sobre um novo recurso de produto, você pode pedir-lhe que forneça algumas informações básicas sobre o recurso, como seus benefícios e casos de uso, como usá-lo, a data de lançamento, etc. Seu produto, então, preenche essas informações em um modelo de prompt cuidadosamente elaborado e pede ao LLM para gerar o texto. A solicitação é ótima para obter uma vantagem inicial em modelos pré-treinados. No entanto, o fosso que você pode construir com a orientação diminuirá rapidamente com o tempo e, no médio prazo, você precisará de um modelo de estratégia mais defensável para sustentar sua vantagem competitiva;
  • Ajuste um modelo pré-treinado. Essa abordagem tornou a IA tão popular nos últimos anos. À medida que mais e mais modelos pré-treinados se tornam disponíveis e portais como o Huggingface oferecem repositórios de modelos, bem como código padrão para trabalhar com os modelos, o ajuste fino está se tornando o método ideal para tentar implementar. Ao trabalhar com um modelo pré-treinado, você pode se beneficiar do investimento que alguém já fez em dados, treinamento e avaliação do modelo, que já “sabe” muita coisa sobre a linguagem e o mundo. Tudo o que você precisa fazer é ajustar o modelo usando um conjunto de dados específico da tarefa, que pode ser muito menor do que o conjunto de dados usado originalmente para pré-treinamento. Por exemplo, para geração de conteúdo de marketing, você pode coletar um conjunto de postagens de blog que tiveram um bom desempenho em termos de engajamento e fazer engenharia reversa das instruções para elas. A partir desses dados, seu modelo aprenderá sobre a estrutura, o fluxo e o estilo dos artigos de sucesso. O ajuste fino é o caminho a seguir ao usar modelos de código aberto, mas os provedores de API LLM, como OpenAI e Cohere, também estão oferecendo cada vez mais funcionalidades de ajuste fino. Especialmente para o caminho de código aberto, você ainda precisará considerar as questões de seleção de modelo, os custos indiretos de treinamento e implantação de modelos maiores e os cronogramas de manutenção e atualização de seu modelo.
  • Treine seu modelo de ML do zero. Em geral, esta abordagem funciona bem para problemas mais simples, mas altamente específicos, para os quais você possui conhecimento específico ou conjuntos de dados decentes. A geração de conteúdo não se enquadra exatamente nesta categoria ela requer capacidades linguísticas avançadas para você decolar, e estas só podem ser adquiridas após treinamento em quantidades ridiculamente grandes de dados. Problemas mais simples, como análise de sentimento para um tipo específico de texto, muitas vezes podem ser resolvidos com métodos estabelecidos de aprendizado de máquina, como regressão logística, que são computacionalmente mais baratos do que métodos sofisticados de aprendizado profundo. Claro, há também o meio termo de problemas razoavelmente complexos, como extração de conceitos para domínios específicos, para os quais você pode considerar treinar uma rede neural profunda do zero.

Além do treinamento, a avaliação é de fundamental importância para o uso bem-sucedido do aprendizado de máquina. Métricas e métodos de avaliação adequados não são importantes apenas para um lançamento confiável de seus recursos de IA, mas também servirão como um alvo claro para otimização adicional e como um terreno comum para discussões e decisões internas. Embora métricas técnicas como precisão, recall e exatidão possam fornecer um bom ponto de partida, em última análise, você desejará procurar métricas que reflitam o valor da vida real que sua IA está entregando aos usuários.

5. Experiência do usuário

A experiência do usuário com produtos de IA é um tema cativante, afinal, os usuários têm grandes esperanças, mas também temem uma “parceria” com uma IA que possa sobrecarregar e potencialmente superar sua inteligência. O design desta parceria humano/IA requer um processo de descoberta e design cuidadoso e sensato. Uma das principais considerações é o grau de automação que você deseja conceder ao seu produto. E lembre-se, a automação total nem sempre é a solução ideal. A figura a seguir ilustra o fluxo de automação:

AI Product: fluxo de automação dos sistemas de IA
Figura 2: fluxo de automação dos sistemas de IA

Vejamos cada um desses níveis:

  • No primeiro estágio, os humanos fazem todo o trabalho e nenhuma automação é realizada. Apesar do entusiasmo em torno da IA, a maioria das tarefas intensivas em conhecimento nas empresas modernas ainda são realizadas a este nível, apresentando enormes oportunidades de automação. Por exemplo, o redator de conteúdo que resiste às ferramentas baseadas em IA e está convencido de que escrever é uma arte altamente manual e idiossincrática trabalha aqui.
  • Na segunda fase da IA ​​assistida, os utilizadores têm controle total sobre a execução das tarefas e fazem grande parte do trabalho manualmente, mas as ferramentas de IA ajudam-nos a poupar tempo e a compensar os seus pontos fracos. Por exemplo, ao escrever uma postagem no blog com um prazo apertado, uma verificação linguística final com Grammarly ou uma ferramenta semelhante pode se tornar uma economia de tempo bem-vinda. Ele pode eliminar a revisão manual, que exige muito do seu escasso tempo e atenção e ainda pode deixar você com erros e esquecimentos afinal, errar é humano.
  • Com a inteligência aumentada, a IA é uma parceira que aumenta a inteligência do ser humano, aproveitando assim os pontos fortes de ambos os mundos. Em comparação com a IA assistida, a máquina tem muito mais a dizer no seu processo e cobre um conjunto maior de responsabilidades, como idealização, geração e edição de rascunhos e a verificação linguística final. Os usuários ainda precisam participar do trabalho, tomar decisões e realizar partes da tarefa. A interface do utilizador deve indicar claramente a distribuição do trabalho entre humanos e IA, destacar potenciais erros e fornecer transparência nas etapas que executa. Resumindo, a experiência “aumentada” orienta os usuários até o resultado desejado por meio de iteração e refinamento.
  • E, finalmente, temos a automação total, uma ideia intrigante para geeks, filósofos e especialistas em IA, mas que, muitas vezes, não é a escolha ideal para produtos da vida real. Automação total significa que você está oferecendo um “grande botão vermelho” que inicia o processo. Depois que a IA estiver concluída, seus usuários enfrentarão o resultado final e poderão aceitá-lo ou abandoná-lo. Qualquer coisa que aconteceu no meio, eles não podem controlar. Como você pode imaginar, as opções de UX aqui são bastante limitadas, pois praticamente não há interatividade. A maior parte da responsabilidade pelo sucesso recai sobre os ombros dos seus colegas técnicos, que precisam garantir uma qualidade excepcionalmente alta dos resultados.

Os produtos de IA precisam de tratamento especial quando se trata de design. As interfaces gráficas padrão são determinísticas e permitem prever todos os caminhos possíveis que o usuário pode seguir. Por outro lado, os grandes modelos de IA são probabilísticos e incertos, e expõem uma série de capacidades surpreendentes, mas também riscos como resultados tóxicos, errados e prejudiciais. Vista de fora, sua interface de IA pode parecer simples porque muitos dos recursos do seu produto residem diretamente no modelo. Por exemplo, um LLM pode interpretar prompts, produzir texto, pesquisar informações, resumi-las, adotar um determinado estilo e terminologia, executar instruções, etc. Mesmo que sua UI seja um simples bate-papo ou interface de prompts, não deixe esse potencial invisível. Para levar os usuários ao sucesso, você precisa ser explícito e realista. Conscientize os usuários sobre os recursos e limitações de seus modelos de IA, permita que eles descubram e corrijam facilmente erros cometidos pela IA e ensine-lhes maneiras de iterar para obter resultados ideais. Ao enfatizar a confiança, a transparência e a educação do usuário, você pode fazer com que seus usuários colaborem com a IA.

6. Requisitos não funcionais

Além dos dados, algoritmo e UX que permitem implementar uma funcionalidade específica, os chamados requisitos não funcionais (NFRs), como precisão, latência, escalabilidade, confiabilidade e governança de dados, garantem que o usuário realmente obtenha o valor pretendido. O conceito de NFRs vem do desenvolvimento de software, mas ainda não é sistematicamente contabilizado no domínio da IA. Frequentemente, esses requisitos são identificados de forma ad hoc à medida que surgem durante a pesquisa do usuário, a idealização, o desenvolvimento e a operação dos recursos de IA.

Você deve tentar entender e definir seus NFRs o mais cedo possível, pois diferentes NFRs ganharão vida em diferentes pontos de sua jornada. Por exemplo, a privacidade precisa ser considerada desde a etapa inicial da seleção dos dados. A precisão é mais sensível no estágio de produção, quando os usuários começam a usar seu sistema on-line, potencialmente sobrecarregando-o com entradas inesperadas. A escalabilidade é uma consideração estratégica que entra em jogo quando sua empresa aumenta o número de usuários e/ou solicitações ou o espectro de funcionalidades oferecidas.

Quando se trata de NFRs, você não pode ter todos eles. Aqui estão algumas das compensações típicas que você precisará equilibrar:

  • Um dos primeiros métodos para aumentar a precisão é usar um modelo maior, o que afetará a latência;
  • Usar dados de produção “como estão” para otimização adicional pode ser melhor para o aprendizado, mas pode violar suas regras de privacidade e anonimato;
  • Modelos mais escaláveis ​​são generalistas, o que impacta sua precisão em tarefas específicas da empresa ou do usuário.

A forma como você prioriza os diferentes requisitos dependerá dos recursos computacionais disponíveis, do seu conceito de UX, incluindo o grau de automação, e do impacto das decisões apoiadas pela IA.

Principais conclusões

  1. Comece com o fim em mente: não presuma que a tecnologia por si só fará o trabalho; você precisa de um roteiro claro para integrar sua IA ao produto voltado para o usuário e educá-los sobre seus benefícios, riscos e limitações;
  2. Alinhamento de mercado: priorize as oportunidades de mercado e as necessidades dos clientes para orientar o desenvolvimento da IA. Não apresse as implementações de IA impulsionadas pelo hype e sem validação do lado do mercado;
  3. Valor do usuário: defina, quantifique e comunique o valor dos produtos de IA em termos de eficiência, personalização, conveniência e outras dimensões de valor;
  4. Qualidade dos dados: concentre-se na qualidade e relevância dos dados para treinar modelos de IA de forma eficaz. Tente usar dados pequenos e de alta qualidade para ajuste fino e conjuntos de dados maiores para treinamento do zero;
  5. Seleção de algoritmo/modelo: escolha o nível certo (solicitação, ajuste fino, treinamento do zero) para seu caso de uso e avalie cuidadosamente seu desempenho. Com o tempo, à medida que você adquire o conhecimento e a confiança necessários em seu produto, você pode querer mudar para estratégias de modelos mais avançados;
  6. Design centrado no usuário: projete produtos de IA tendo em mente as necessidades e emoções do usuário, equilibrando automação e controle do usuário. Cuidado com a “imprevisibilidade” dos modelos probabilísticos de IA e oriente seus usuários para trabalhar com eles e se beneficiar deles;
  7. Design colaborativo: ao enfatizar a confiança, a transparência e a educação do usuário, você pode fazer com que seus usuários colaborem com a IA;
  8. Requisitos não funcionais: considere fatores como precisão, latência, escalabilidade e confiabilidade ao longo do desenvolvimento e tente avaliar as compensações entre eles desde o início;
  9. Colaboração: promova uma colaboração estreita entre especialistas em IA, designers, gerentes de produto e outros membros da equipe para se beneficiar da inteligência interdisciplinar e integrar sua IA com sucesso.

Conheça a triggo.ai

A triggo.ai é uma empresa especializada em Data & AI Product Management e poderá ajudá-lo a atingir os melhores resultados na criação de produtos de AI, de forma rápida e objetiva. Conheça também nossa formação exclusiva em Data & AI Product Management e se especialize profundamente.