Допустим, вы разрабатываете новое мобильное приложение, которое помогает пользователям находить ближайшие рестораны. У вас возникает первоначальная идея создать функцию поиска, которая фильтрует результаты по кухне, местоположению и цене. Вы тратите недели на разработку этой идеи, но когда запускаете ее, обнаруживаете, что пользователи недовольны результатами. Они считают функцию поиска слишком сложной, а рекомендации не соответствующими их потребностям.
Точно так же предположим, что вы работаете над разработкой системы профилактического обслуживания для промышленного производственного предприятия, которая использует машинное обучение для прогнозирования отказов оборудования. Вы начинаете с идеи использовать данные датчиков на оборудовании для обучения модели машинного обучения, которая предсказывает, когда часть оборудования может выйти из строя. Однако, когда вы тестируете ее на реальных данных, вы обнаружите, что модель имеет высокий уровень ложных срабатываний, что приводит к ненужным затратам на техническое обслуживание 💰 для завода.
В первом случае вместо того, чтобы отказаться от проекта или продолжать дорабатывать ту же идею, вы решаете сначала создать несколько плохих идей.
Вы проводите мозговой штурм со своей командой и придумываете несколько вариантов, например карту. на основе функции поиска, системы рекомендаций, основанной на пользовательских предпочтениях, и функции, которая позволяет пользователям заказывать еду непосредственно через приложение. Вы быстро узнаете, что работает, а что нет, что нравится и не нравится пользователям и какие функции необходимы для успеха.
Во втором случае вы проверяете, являются ли данные релевантными, а какие нет, и какие алгоритмы лучше всего подходят для решения поставленной задачи. Вы берете лучшие аспекты каждой плохой идеи и комбинируете их в новой, улучшенной версии вашей системы профилактического обслуживания, которая имеет гораздо более низкий уровень ложных срабатываний и экономит значительные затраты на техническое обслуживание предприятия.
🔍🛠️В этом сила итеративного процесса проектирования. Итеративный дизайн — это мощный подход к разработке программного обеспечения и проектам машинного обучения, который включает в себя сначала создание серии плохих идей, а затем их итеративное улучшение.
Этот метод позволяет расставлять приоритеты в эксперименте, учиться и совершенствоваться, что приводит к более эффективным и инновационным решениям в установленные сроки.
Как однажды сказал Стив Джобс: «Нельзя просто спросить клиентов, чего они хотят, а затем попытаться дать им это. К тому времени, когда вы его построите, они захотят что-то новое».
Создание плохих идей позволяет вам проверять свои предположения и собирать отзывы, чтобы вы могли создать решение, которое действительно отвечает потребностям ваших клиентов. 🤝
#productdevelopment #innovation #designthinking #userexperience #agiledevelopment #machinlearning #datascience #industrialautomation #predictivemaintenance #AI #iteration #experimentation # LearnbyDoing #userfeedback #customerneeds #badideasfirst #success #softwareengineering #mobileappdevelopment #appdev #appdevelopment
