Dobór zastosowań

Use-case selection · id usecases

Sprawdzenie, czy AI rozwiązuje właściwy problem.

Checking whether AI solves the right problem.

In one sentence

To wybieranie zadań, w których model może dać ludziom przydatny i wykonalny sposób rozwiązania problemu.

This selects tasks where a model can offer people a useful and feasible way to solve a problem.

Problem it solves

Łatwo zbudować efektowną funkcję, której nikt nie potrzebuje albo która nie działa wystarczająco dobrze w praktyce.

It is easy to build an impressive feature that nobody needs or that does not work well enough in practice.

What it does

Porównuje potrzeby, wartość i wykonalność, sprawdza pomysły w małych próbach oraz ustala zakres samodzielności modelu i sposób dostarczenia funkcji.

It compares needs, value and feasibility, tests ideas in small trials and decides model autonomy and how to provide the feature.

Everyday example

Przed budową asystenta spotkań sprawdzasz, czy zespołowi bardziej przeszkadza robienie notatek, wyszukiwanie ustaleń czy pilnowanie zadań.

Before building a meeting assistant, you examine whether the team struggles more with notes, finding decisions or tracking tasks.

This concerns you if you…

• masz kilka pomysłów i musisz wybrać jeden
• chcesz zacząć od problemu ludzi i sprawdzić wykonalność
• have several ideas and need to choose one
• want to start from people's problem and assess feasibility

Examples

• Problem framing · feasibility

Subtopics

• Automatyzacja czy wspomaganie człowieka (Automation vs augmentation): Deciding which tasks AI should do on its own and where it should only assist a person — weighing the cost of errors and what workers themselves want.
• Budować czy kupić: API, model otwarty czy gotowe narzędzie (Build vs buy for AI capabilities): Choosing between an off-the-shelf product, a model via API, self-hosting an open-weights model and fine-tuning — by cost, control, data and the advantage it gives.
• Ocena wartości i wykonalności zastosowania AI (AI use-case value and feasibility assessment): Checking whether AI solves a real problem better than a simpler alternative, what it is worth, and whether the data and model quality exist to make it work.
• Prototypowanie funkcji AI (proof of concept) (AI feature prototyping): Quickly testing an idea with the strongest available model and a small set of examples before investing in optimisation, cheaper models or fine-tuning.

Sources

• Full Stack Deep Learning (2022, archiwum) · reference: Pełny cykl systemu ML: dane, testy, wdrażanie, monitoring, zespoły i etyka.
• FSDL · LLM Bootcamp (2023, archiwum) · reference: Aplikacje LLM, prompting, retrieval, UX i LLMOps.