09 ਜੁਲਾ 2025·8 ਮਿੰਟ
ਪੌਲ ਗ੍ਰਾਹਮ ਦੀ ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਨੇ AI ਨਵੀਨਤਾ ਨੂੰ ਕਿਵੇਂ ਤੇਜ਼ ਕੀਤਾ
ਪਤਾ ਕਰੋ ਕਿ ਪੌਲ ਗ੍ਰਾਹਮ ਦੇ ਸਟਾਰਟਅਪ ਵਿਚਾਰ—ਤੇਜ਼ੀ, ਇਟਰੈਸ਼ਨ ਅਤੇ ਮਹੱਤਵਾਕਾਂਛੀ ਫਾਊਂਡਰ ਪ੍ਰਵਿਰਤੀਆਂ—ਨੇ ਕਿਵੇਂ AI ਨੂੰ ਰਿਸਰਚ ਤੋਂ ਅਸਲ ਉਤਪਾਦਾਂ ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਲਿਜਾਣ ਵਿੱਚ ਯੋਗਦਾਨ ਦਿੱਤਾ।
ਪੌਲ ਗ੍ਰਾਹਮ ਕਿਉਂ AI ਦੇ ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਲਈ ਗਿਣੇ ਜਾਂਦੇ ਹਨ
ਪੌਲ ਗ੍ਰਾਹਮ ਇਸ ਖੇਤਰ ਨੂੰ "ਇਜਾਦ" ਕਰਨ ਲਈ ਪ੍ਰਸਿੱਧ ਨਹੀਂ, ਪਰ ਉਸ ਨੇ ਕੰਪਨੀਆਂ ਬਣਾਉਣ ਦੇ ਇੱਕ ਢੰਗ ਨੂੰ ਲੋਕਪ੍ਰਿਯ ਕੀਤਾ ਜੋ AI ਨਾਲ ਬੇਹੱਦ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਆਪਣੇ ਲੇਖਾਂ ਅਤੇ Y Combinator ਨੂੰ ਆਕਾਰ ਦੇਣ ਵਾਲੀ ਭੂਮਿਕਾ ਰਾਹੀਂ, ਉਸ ਨੇ ਫਾਊਂਡਰ ਆਦਤਾਂ ਦੀ ਇੱਕ ਥੋਲੀ ਮਜ਼ਬੂਤ ਕੀਤੀ ਜੋ AI ਉਤਪਾਦ ਵਿਕਾਸ ਨਾਲ ਸਿੱਧਾ ਮਿਲਦੀ ਹੈ: ਤੇਜ਼ੀ ਨਾਲ ਆਗੇ ਵਧੋ, ਯੂਜ਼ਰਾਂ ਦੇ ਨੇੜੇ ਰਹੋ, ਟੀਮਾਂ ਛੋਟੀਆਂ ਰੱਖੋ, ਅਤੇ ਅਪਰਿਵਾਰਤਨ初 ਸੰਸਕਰਨ ਵੀ ਜਦੋਂ ਅਧੂਰੇ ਹੋ ਤਾਂ ਸ਼ਿਪ ਕਰੋ।
ਇੱਥੇ “ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ” ਦਾ ਕੀ ਮਤਲਬ ਹੈ
ਇਸ ਸੰਦਰਭ ਵਿੱਚ, “ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ” ਬੀਨਬੈਗ ਜਾਂ ਹੱਬਲ ਰਾਜਨੀਤੀਆਂ ਬਾਰੇ ਨਹੀਂ। ਇਹ ਅਣਿਸ਼ਚਿਤ ਵਿਚਾਰਾਂ ਨੂੰ ਉਤਪਾਦਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਇੱਕ ਪ੍ਰਾਇਕਟਿਕਲ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਹੈ：
- ਗਤਿ: ਵਿਚਾਰ → ਪ੍ਰੋਟੋਟਾਇਪ → ਫੀਡਬੈਕ ਲਈ ਛੋਟੇ ਚੱਕਰ।
- ਪ੍ਰਯੋਗ: ਕਈ ਰਸਤੇ ਟੈਸਟ ਕਰੋ ਅਤੇ ਜੋ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਉਹ ਛੱਡ ਦਿਓ।
- ਛੋਟੀ ਟੀਮਾਂ: ਘੱਟ ਹੈਂਡਆਫ, ਸਾਫ਼ ਮਲਕਿਯਤ, ਤੇਜ਼ ਫੈਸਲੇ।
ਇਹ ਸੱਭਿਆਚਾਰ ਆਧੁਨਿਕ AI ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਤਰੱਕੀ ਅਕਸਰ ਇਟਰੇਸ਼ਨ ਤੋਂ ਆਉਂਦੀ ਹੈ: ਪ੍ਰਾਂਪਟ ਬਦਲਾਅ, ਡੇਟਾ ਸੁਧਾਰ, ਮਾਡਲ ਅਦਲਾ-ਬਦਲੀ, ਅਤੇ ਅਸਲੀ ਵਰਤੋਂ ਦੇ ਆਧਾਰ 'ਤੇ ਉਤਪਾਦ ਸਮਕੋਈਆਂ।
ਥੀਸਿਸ (ਸੰਤੁਲਿਤ ਨਜ਼ਰੀਆ ਦੇ ਨਾਲ)
ਇਹ ਸਟਾਰਟਅਪ ਆਦਤਾਂ ਨੇ AI ਨੂੰ ਰਿਸਰਚ ਅਤੇ ਡੈਮੋ ਤੋਂ ਉਹਨਾਂ ਸੰਦ ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਪਹੁੰਚਾਉਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਜੋ ਲੋਕ ਅਸਲ ਵਿੱਚ ਵਰਤਦੇ ਹਨ। ਜਦੋਂ ਫਾਊਂਡਰ ਸ਼ੁਰੂਆਤੀ ਯੂਜ਼ਰਾਂ ਨੂੰ ਸਹਿ-ਕਰਤਾਂ ਵਾਂਗ ਸਮਝਦੇ ਹਨ, ਸੰਕੁਚਿਤ ਯੂਜ਼ ਕੇਸ ਸ਼ਿਪ ਕਰਦੇ ਹਨ, ਅਤੇ ਜਲਦੀ ਸੁਧਾਰ ਕਰਦੇ ਹਨ, ਤਾਂ AI ਲੈਬ ਦੀ ਨੋਵੇਲਟੀ ਤੋਂ ਸਾਫਟਵੇਅਰ ਬਣ ਜਾਂਦੀ ਹੈ।
ਪਰ ਉਹੀ ਆਦਤਾਂ ਤਰਜੀਹਾਂ ਨੂੰ ਵੀ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ। ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣਾ ਮਤਲਬ ਕਦੇ-ਕਦੇ ਘਟੀਆ ਭਰੋਸੇਯੋਗਤਾ, ਅਸਪਸ਼ਟ ਹੱਦਾਂ, ਅਤੇ ਖਤਰਾ ਸਮਝਣ ਤੋਂ ਪਹਿਲਾਂ ਤੈਨਾਤ ਕਰਨ ਦਾ ਦਬਾਅ ਹੋ ਸਕਦਾ ਹੈ। ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਖੁਦ ਵਿੱਚ "ਚੰਗਾ" ਨਹੀਂ—ਇਹ ਇੱਕ ਬਲ ਗੁਣਾ ਕਰਦਾ ਹੈ। ਇਹ ਪ੍ਰਗਤੀ ਜਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਿਵੇਂ ਗੁਣਾ ਕਰਦਾ ਹੈ, ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ।
ਹੇਠਾਂ ਉਹ ਪੌਲ ਗ੍ਰਾਹਮ-ਸਟਾਈਲ ਦੇ ਪੈਟਰਨ ਦਿੱਤੇ ਗਏ ਹਨ ਜੋ AI ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਅਨੁਕੂਲ ਹਨ, ਅਤੇ ਉਹ ਮਾਡਰਨ ਗਾਰਡਰੇਲ ਜੋ ਹੁਣ ਜ਼ਰੂਰੀ ਹੋ ਰਹੇ ਹਨ।
ਮੁੱਖ Paul Graham ਵਿਚਾਰ ਜੋ AI ਨਾਲ ਮਿਲਦੇ ਹਨ
ਕੁਝ Paul Graham ਥੀਮਾਂ ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਵਿੱਚ ਵਾਰੀ-ਵਾਰੀ ਆਉਂਦੀਆਂ ਹਨ, ਅਤੇ ਉਹ AI ਨਾਲ ਤਾਂ ਬਹੁਤ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਅਨੁਕੂਲ ਹੁੰਦੀਆਂ ਹਨ: ਲੋਕਾਂ ਚਾਹੁੰਦੇ ਚੀਜ਼ ਬਣਾਓ, ਤੇਜ਼ੀ ਨਾਲ ਇਟਰੇਟ ਕਰੋ, ਅਤੇ ਸਿੱਖਣ ਲਈ ਸ਼ੁਰੂ ਵਿੱਚ ਅਣਗਲਾਮਰਸ ਕੰਮ ਕਰੋ।
ਲੋਕਾਂ ਚਾਹੁੰਦੇ ਚੀਜ਼ ਬਣਾਓ (ਉਸ ਚੀਜ਼ ਦਾ ਨਹੀਂ ਜੋ ਪ੍ਰਭਾਵਸ਼ালী ਲਗੇ)
AI ਡੈਮੋ ਬਣਾਉਣਾ ਆਸਾਨ ਕਰਦਾ ਹੈ ਜੋ ਜਾਦੂਈ ਲੱਗਦੀਆਂ ਹਨ ਪਰ ਅਸਲ ਸਮੱਸਿਆ ਹੱਲ ਨਹੀਂ ਕਰਦੀਆਂ। “ਲੋਕ ਚਾਹੁੰਦੇ ਹਨ” ਫਿਲਟਰ ਇੱਕ ਸਧਾਰਨ ਟੈਸਟ ਲਿਆਉਂਦਾ ਹੈ: ਕੀ ਇੱਕ ਨਿਰਧਾਰਤ ਯੂਜ਼ਰ ਅਗਲੇ ਹਫ਼ਤੇ ਇਸਨੂੰ ਆਪਣੀ ਮੌਜੂਦਾ ਤਰੀਕੇ ਦੀ ਥਾਂ ਚੁਣੇਗਾ?
ਅਮਲ ਵਿੱਚ, ਇਹ ਅਰਥ ਹੈ ਕਿ ਇੱਕ ਸੰਕੁਚਿਤ ਨੌਕਰੀ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ—ਖਾਸ ਕਿਸਮ ਦੀ ਦਸਤਾਵੇਜ਼ ਸੰਖੇਪ ਕਰਨਾ, ਖਾਸ ਕਤਾਰ ਦਾ ਟ੍ਰਿਆਜ਼, ਖਾਸ ਕਿਸਮ ਦੀ ਈਮੇਲ ਦਾ ਡਰਾਫਟ—ਫਿਰ ਮਾਪੋ ਕਿ ਕੀ ਇਹ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ, ਗਲਤੀਆਂ ਘਟਾਉਂਦਾ ਹੈ, ਜਾਂ ਥਰੂਪੁੱਟ ਵਧਾਉਂਦਾ ਹੈ।
ਇਟਰੇਸ਼ਨ ਨੂੰ ਉਤਪਾਦ ਰਣਨੀਤੀ ਬਣਾਓ
ਸਾਫਟਵੇਅਰ ਤੰਗ ਫੀਡਬੈਕ ਲੂਪਾਂ ਨੂੰ ਇਨਾਮ ਦਿੰਦਾ ਹੈ ਕਿਉਂਕਿ ਚੇਨਜ ਸ਼ਿਪ ਕਰਨਾ ਸਸਤਾ ਹੁੰਦਾ ਹੈ। AI ਉਤਪਾਦ ਕੰਮ ਇਸਨੂੰ ਵਧਾ ਦਿੰਦਾ ਹੈ: ਸੁਧਾਰ ਅਕਸਰ ਇਸ ਤੋਂ ਆਉਂਦੇ ਹਨ ਕਿ ਤੁਸੀਂ ਯੂਜ਼ਰਾਂ ਦੇ ਅਸਲ ਵਿਹਾਰ ਨੂੰ ਸਿੱਖਦੇ ਹੋ ਅਤੇ ਫਿਰ ਪ੍ਰਾਂਪਟ, ਵਰਕਫਲੋ, ਇਵਾਲ ਦੁਸਰੇ ਹਿੱਸਿਆਂ ਤੇ ਸੋਧ ਕਰਦੇ ਹੋ।
“ਮਾਡਲ ਚੋਣ” ਨੂੰ ਇਕ ਵਾਰੀ ਦਾ ਫੈਸਲਾ ਨਾ ਮੰਨੋ; ਮਜ਼ਬੂਤ ਟੀਮਾਂ ਪੂਰੇ ਸਿਸਟਮ 'ਤੇ ਇਟਰੇਟ ਕਰਦੀਆਂ ਹਨ: UX, ਰਿਟ੍ਰੀਵਲ, ਟੂਲ ਉਪਯੋਗ, ਮਨੁੱਖੀ ਸਮੀਖਿਆ, ਅਤੇ ਮਾਨੀਟਰਿੰਗ। ਨਤੀਜਾ ਘੱਟ “ਵੱਡੀ ਲਾਂਚ” ਅਤੇ ਵੱਧ ਰਹਿਤ ਸੰਤੁਲਨ ਹੈ ਜੋ ਕਿਸੇ ਉਪਯੋਗੀ ਚੀਜ਼ ਵੱਲ ਢਲਦਾ ਹੈ।
ਸਿੱਖਣ ਲਈ ਜੋ ਕੰਮ ਸਕੇਲ ਨਹੀਂ ਹੁੰਦੀਆਂ ਉਹ ਕਰੋ
ਸ਼ੁਰੂਆਤੀ AI ਉਤਪਾਦ ਅਕਸਰ ਐਜ ਕੇਸਾਂ ਵਿੱਚ ਫੇਲ ਹੁੰਦੇ ਹਨ: ਗੰਦੇ ਇਨਪੁੱਟ, ਅਜੀਬ ਗਾਹਕ ਨੀਤੀਆਂ, ਅਸਪਸ਼ਟ ਸਫ਼ਲਤਾ ਮਾਪਦੰਡ। ਮੈਨੁਅਲ ਆਨਬੋਰਡਿੰਗ, ਕਨਸੀਅਰਜ ਸਹਿਯੋਗ, ਅਤੇ ਹੱਥ-ਨਾਲ ਲੇਬਲਿੰਗ ਅਦ ਪਤਾ ਲਗਾਉਂਦੇ ਹਨ: ਕਿਹੜੀਆਂ ਗਲਤੀਆਂ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਕਿਹੜੇ ਆਉਟਪੁੱਟ ਸਵੀਕਾਰਯੋਗ ਹਨ, ਅਤੇ ਭਰੋਸਾ ਕਿੱਥੇ ਟੁਟਦਾ ਹੈ।
ਇਹ ਮੈਨੁਅਲ ਪਰਿਵਰਤਨ ਇਹ ਵੀ ਦੱਸਦਾ ਹੈ ਕਿ ਬਾਅਦ ਵਿੱਚ ਆਟੋਮੇਸ਼ਨ ਕਿਵੇਂ ਹੋਵੇਗੀ—ਕਿਹੜਾ ਹਿੱਸਾ ਮਾਡਲ ਦੁਆਰਾ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਸੰਭਾਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਕਿਹੜੇ ਨਿਯਮ deterministic ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ, ਅਤੇ ਕਿਥੇ ਮਨੁੱਖ-ਇਨ-ਦ-ਲੂਪ ਲੋੜੀਂਦਾ ਹੈ।
AI ਲਈ ਇਹ ਖਾਸ ਕਿਉਂ ਫਿੱਟ ਹੈ
AI ਆਉਟਪੁੱਟ ਸੰਭਾਵਨਾਤਮਕ ਹੁੰਦੇ ਹਨ, ਇਸ ਲਈ ਫੀਡਬੈਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੀਮਤੀ ਹੁੰਦਾ ਹੈ। ਸਧਾਰਨ ਲਕੀਰ ਇਹੇ ਰਹਿੰਦੀ ਹੈ: ਤੁਸੀਂ ਸਭ ਤੋਂ ਤੇਜ਼ ਉਹੀ ਸਿੱਖਦੇ ਹੋ ਜਦੋਂ ਅਸਲ ਲੋਕਾਂ ਦੇ ਸਾਹਮਣੇ ਕੁਝ ਰੱਖਦੇ ਹੋ ਅਤੇ ਫਿਰ ਇਸਨੂੰ ਬੇਹਤਰੀ ਲਈ ਲਗਾਤਾਰ ਸੁਧਾਰਦੇ ਹੋ।
AI ਵਿਚ ਗਤੀ ਇੱਕ ਮੁਕਾਬਲਤੀ ਫਾਇਦਾ ਹੈ
AI ਸਟਾਰਟਅਪ ਅਕਸਰ ਭਵਿੱਖ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਜਿੱਤਦੇ ਨਹੀਂ। ਉਹ ਜਿੱਤਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਹੋਰਨਾਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖਦੇ ਹਨ। ਇਹ ਮਨੋਵ੍ਰਿੱਤੀ ਗ੍ਰਾਹਮ ਦੇ ਇਸ ਤੱਤ ਨੂੰ ਦੁਹਰਾਉਂਦੀ ਹੈ ਕਿ ਸਟਾਰਟਅਪ ਤੇਜ਼ ਖੋਜ ਲਈ ਬਣੇ ਹੁੰਦੇ ਹਨ：ਜਦੋਂ ਸਮੱਸਿਆ ਅਣਿਸ਼ਚਿਤ ਹੋਵੇ, ਤਾਂ ਤੇਜ਼ ਸਿੱਖਣ ਲਈ ਅਪਟੀਮਾਈਜ਼ ਕਰਨਾ ਪਰਫੈਕਟ ਯੋਜਨਾ ਬਣਾਉਣ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ।
ਤੇਜ਼ ਸਿੱਖਣਾ ਪਰਫੈਕਟ ਯੋਜਨਾਵਾਂ ਤੋਂ ਵਧੀਆ ਹੈ
AI ਵਿੱਚ, ਸ਼ੁਰੂਆਤੀ ਅਨੁਮਾਨ ਅਕਸਰ ਗਲਤ ਹੁੰਦੇ ਹਨ—ਯੂਜ਼ਰ ਦੀ ਲੋੜ, ਮਾਡਲ ਵਿਹਾਰ, ਲਾਗਤ, ਲੈਟੈਂਸੀ, ਜਾਂ ਕਿ ਜੀਵਨ ਵਿੱਚ “ਕਾਫ਼ੀ ਚੰਗਾ” ਕਿਵੇਂ ਮਹਿਸੂਸ ਹੁੰਦਾ। ਵਿਸਥਾਰਵਾਰ ਰੋਡਮੇਪ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲੱਗ ਸਕਦੀ ਹੈ ਪਰ ਅਕਸਰ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਅਣਜਾਣ ਗੱਲਾਂ ਨੂੰ ਛੁਪਾਉਂਦੀ ਹੈ।
ਗਤੀ ਦਾ ਮਕਸਦ “ਕੰ ਦਾ ਰਾਜ਼ੀ ਕਾਗਜ਼ ਤੇ ਸਹੀ ਹੋ” ਤੋਂ “ਅਮਲ ਵਿੱਚ ਸਹੀ ਹੋ” ਵੱਲ ਤਬਦੀਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਜਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਤੁਸੀਂ ਕਿਸੇ ਦਾਅਵੇ ਨੂੰ ਪਰਖ ਸਕਦੇ ਹੋ, ਉਦੋਂ ਹੀ ਤੁਸੀਂ ਜਾਂ ਤਾਂ ਉਸ 'ਤੇ ਡਬਲ ਡਾਊਨ ਕਰੋਗੇ ਜਾਂ discard।
ਤੇਜ਼ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ AI ਕੀ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਕੀ ਨਹੀਂ
AI ਡੈਮੋ ਵਿੱਚ ਜਾਦੂਈ ਲੱਗ ਸਕਦਾ ਹੈ ਜਦ ਤੱਕ ਉਹ ਐਜ ਕੇਸਾਂ ਨੂੰ ਨਹੀਂ ਮਿਲਦਾ: ਗੰਦੇ ਇਨਪੁੱਟ, ਅਸਪਸ਼ਟ ਬੇਨਤੀ, ਡੋਮੇਨ-ਨਿਰਪੱਖ ਜਾਰਗਨ, ਜਾਂ ਉਹ ਯੂਜ਼ਰ ਜੋ ਪ੍ਰਾਂਪਟ ਇੰਜੀਨੀਅਰਾਂ ਵਾਂਗ ਨਹੀਂ ਲਿਖਦੇ। ਤੇਜ਼ ਪ੍ਰੋਟੋਟਾਈਪ ਉਹ ਗੈਪ ਪਹਿਲਾਂ ਹੀ ਬਾਹਰ ਲਿਆਉਂਦੇ ਹਨ।
ਇੱਕ ਤੁਰੰਤ ਅੰਦਰੂਨੀ ਟੂਲ, ਇੱਕ ਸੰਕੁਚਿਤ ਵਰਕਫਲੋ, ਜਾਂ ਇੱਕ ਹਲਕੀ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦਿਖਾ ਸਕਦੀ ਹੈ：
- ਮਾਡਲ ਕਿਸ ਜਗ੍ਹਾ 'ਤੇ ਮੁੜ-ਰੂਪ ਨਾਲ ਮਜ਼ਬੂਤ ਹੈ
- ਕਿੱਥੇ ਇਹ ਅਣਪਹਿਲਾ ਤੌਰ 'ਤੇ ਫੇਲ ਹੁੰਦਾ ਹੈ
- ਕਿਹੜੇ ਬਾਧਕ (ਲਾਗਤ, ਲੈਟੈਂਸੀ, ਗੋਪਨੀਯਤਾ) "ਕੂਲ" ਆਈਡੀਅਾ ਨੂੰ ਵਿਕਰੇਯੋਗ ਉਤਪਾਦ ਵਿੱਚ ਬਦਲਦੇ ਹਨ
ਫੀਡਬੈਕ ਲੂਪ: ਡੈਮੋ → ਪ੍ਰਤੀਕਿਰਿਆ → ਸੋਧ
ਆਮ ਤਰੀਕਾ ਛੋਟਾ ਅਤੇ ਦੋਹਰਾਉਣ ਵਾਲਾ ਹੈ：
- ਕੁਝ ਠੋਸ ਦਿਖਾਓ (ਚਾਹੇ ਇਹ ਰਫ਼-ਮਸੂਲ ਹੀ ਕਿਉਂ ਨਾ ਹੋਵੇ)।
- ਯੂਜ਼ਰਾਂ ਦੀ ਪ੍ਰਤੀਕਿਰਿਆ ਦੇਖੋ—ਹੈਰਾਨੀ, ਖ਼ੁਸ਼ੀ, ਨਾ-ਭਰੋਸਾ, ਜ਼ਰੂਰੀ ਵਰਕਅਰਾਂਡ।
- ਪ੍ਰਾਂਪਟ, UI, ਮਾਡਲ ਚੋਣ, ਜਾਂ ਡੇਟਾ ਨੂੰ ਸੋਧੋ।
- ਫਿਰ ਸ਼ਿਪ ਕਰੋ।
AI ਉਤਪਾਦਾਂ ਵਿੱਚ, “ਸੋਧ” ਇੱਕ ਛੋਟੀ ਚੀਜ਼ ਹੋ ਸਕਦੀ ਹੈ—ਨਿਰਦੇਸ਼ ਬਦਲਣਾ, ਉਦਾਹਰਣ ਸ਼ਾਮਿਲ ਕਰਨਾ, ਟੂਲ ਅਧਿਕਾਰਾਂ ਨੂੰ ਘਟਾਉਣਾ, ਜਾਂ ਕੁਝ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਵੱਖਰੇ ਮਾਡਲ ਤੇ ਰਾਊਟ ਕਰਨਾ। ਲਕਸ਼्य ਇਹ ਹੈ ਕਿ ਰਾਇ ਨੂੰ ਵੇਖਣਯੋਗ ਵਿਹਾਰ ਵਿੱਚ ਬਦਲਿਆ ਜਾਵੇ।
ਸ਼ਿਪਿੰਗ ਅਣਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸਬੂਤ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ
"ਸ਼ਿਪਿੰਗ" ਸਿਰਫ ਇੱਕ ਮੀਲਪੱਥਰ ਨਹੀਂ; ਇਹ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਹਰ ਰਿਲੀਜ਼ ਹਕੀਕਤੀ ਸਿਗਨਲ ਪੈਦਾ ਕਰਦੀ ਹੈ: ਰੀਟੇਨਸ਼ਨ, ਐਰਰ ਦਰਾਂ, ਸਪੋਰਟ ਟਿਕਟ, ਅਤੇ ਗੁਣਵੱਤਾ ਫੀਡਬੈਕ। ਸਮੇਂ ਦੇ ਨਾਲ, ਤੇਜ਼ ਚੱਕਰ ਇੱਕ ਐਸਾ ਫਾਇਦਾ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਨਕਲ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ: ਸੈਂਕੜਿਆਂ ਛੋਟੇ, ਹਾਕੀਕਤ-ਚਲਿਤ ਫ਼ੈਸਲਿਆਂ ਰਾਹੀਂ ਸੰਵਰਿਆ ਉਤਪਾਦ ਬਜਾਏ ਕੁੱਝ ਵੱਡੀਆਂ ਅਟਕਲਾਂ।
ਛੋਟੀ ਟੀਮਾਂ, ਉੱਚ ਲੈਵਰੇਜ, ਅਤੇ ਸਾਫ਼ ਮਲਕਿਯਤ
ਜਦੋਂ ਤਕਨੀਕ ਹਫ਼ਤੇ-ਦਰ-ਹਫ਼ਤੇ ਬਦਲਦੀ ਹੈ, ਛੋਟੀ ਟੀਮਾਂ ਕੋਈ ਸਿਰਫ "ਗਤੀ" ਨਹੀਂ ਲੈਂਦੀਆਂ—ਉਹਨਾਂ ਕੋਲ ਸਪੱਸ਼ਟਤਾ ਹੁੰਦੀ ਹੈ। ਘੱਟ ਲੋਕਾਂ ਦਾ ਮਤਲਬ ਘੱਟ ਹੈਂਡਆਫ, ਘੱਟ ਮੀਟਿੰਗਾਂ, ਅਤੇ ਵਿਚਾਰਾਂ ਨੂੰ ਅੰਗ-ਤੇ-ਅੰਗ ਅਨੁਵਾਦ ਕਰਨ ਵਿੱਚ ਘੱਟ ਸਮਾਂ। AI ਵਿੱਚ, ਜਿੱਥੇ ਮਾਡਲ ਵਿਹਾਰ ਪ੍ਰਾਂਪਟ ਰਣਨੀਤੀ ਬਦਲਣ ਜਾਂ ਨਵੇਂ ਟੂਲ ਕਾਲ ਪੈਟਰਨ ਮਗਰੋਂ ਬਦਲ ਸਕਦਾ ਹੈ, ਉਹ ਤੰਗ ਲੂਪ ਅਹੰਕਾਰਪੂਰਕ ਹੈ।
ਕਿਉਂ ਛੋਟੀ ਟੀਮਾਂ ਤੇਜ਼-ਬਦਲਦਾਰ AI ਵਿੱਚ ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਨੂੰ ਪਿੱਛੇ ਛੱਡਦੀਆਂ ਹਨ
ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਘਟਾਓ-ਚਲਾਵਟ ਲਈ ਬਣੀਆਂ ਹਨ: ਮਿਆਰ, ਮੰਨਤਾਂ, ਅਤੇ ਕ੍ਰਾਸ-ਟੀਮ ਨਿਰਭਰਤਾਵਾਂ। ਜਦੋਂ ਮਕਸਦ ਸਥਿਰਤਾ ਹੈ ਤਾਂ ਇਹ ਫਾਇਦੇਮੰਦ ਹੈ। ਪਰ ਸ਼ੁਰੂਆਤੀ AI ਉਤਪਾਦ ਅਕਸਰ ਸਹੀ ਸਮੱਸਿਆ, ਵਰਕਫਲੋ, ਅਤੇ ਯੂਜ਼ਰ ਵਾਅਦੇ ਦੀ ਖੋਜ 'ਤੇ ਹੁੰਦੇ ਹਨ। 3–8 ਵਿਅਕਤੀ ਦੀ ਟੀਮ ਇੱਕ ਦੁਪਹਿਰ ਵਿੱਚ ਦਿਸ਼ਾ ਬਦਲ ਸਕਦੀ ਹੈ ਅਤੇ ਉਸੇ ਹਫ਼ਤੇ ਇੱਕ ਨਵਾਂ ਐਕਸਪੈਰਿਮੈਂਟ ਸ਼ਿਪ ਕਰ ਸਕਦੀ ਹੈ।
ਜੈਨਰਲਿਸਟ ਪਹਿਲਾਂ, ਸਪੈਸ਼ਲਿਸਟ ਬਾਅਦ ਵਿੱਚ
ਸ਼ੁਰੂਆਤੀ AI ਟੀਮਾਂ ਨੂੰ ਜੈਨਰਲਿਸਟਾਂ ਤੋਂ ਫ਼ਾਇਦਾ ਹੁੰਦਾ ਹੈ—ਜੇڑے ਪ੍ਰੋਡਕਟ, ਡੇਟਾ, ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਨੂੰ ਅਜੇਕਾਂ ਕਰ ਲੈਂਦੇ ਹਨ ਤਾਂ ਜੋ ਕਿਸੇ ਹੋਰ ਵਿਭਾਗ ਦੇ ਉਪਰ ਨਿਰਭਰ ਰਹਿਣ ਦੀ ਲੋੜ ਨਾ ਪੈਵੇ। ਇੱਕ ਵਿਅਕਤੀ ਪ੍ਰਾਂਪਟ ਲਿਖ ਸਕਦਾ ਹੈ, ਇਵਾਲ ਕੇਸ ਸੁਧਾਰ ਸਕਦਾ ਹੈ, UI ਤਬਦੀਲ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਯੂਜ਼ਰਾਂ ਨਾਲ ਗੱਲ ਕਰ ਸਕਦਾ ਹੈ।
ਸਪੈਸ਼ਲਿਸਟ ਲੋੜੀਏ ਹਨ, ਪਰ ਸਮਾਂ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇੱਕ ਨੇਮਤ ML ਇੰਜੀਨੀਅਰ, ਸੁਰੱਖਿਆ ਲੀਡ, ਜਾਂ ਐਪਲਾਈਡ ਰਿਸਰਚਰ ਨੂੰ ਬਹੁਤ ਜਲਦੀ ਰੱਖਣਾ ਉਹ “ਲੋਕਲ ਓਪਟੀਮਾਈਜ਼ੇਸ਼ਨ” ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਅਜੇ ਵੀ ਪਤਾ ਨਹੀਂ ਕੀ ਬਣਾ ਰਹੇ ਹੋ। ਆਮ ਪੈਟਰਨ ਇਹ ਹੈ ਕਿ ਸਪੈਸ਼ਲਿਸਟ ਉਨ੍ਹਾਂ cheezaan ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਹਾਇਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜੋ ਪਹਿਲਾਂ ਹੀ ਕੰਮ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹਨ：ਭਰੋਸੇਯੋਗਤਾ, ਕੁਸ਼ਲਤਾ, ਗੋਪਨੀਯਤਾ, ਅਤੇ ਸਕੇਲ।
ਫਾਊਂਡਰ-ਨਿਰਦੇਸ਼ਿਤ ਫੈਸਲੇ ਅਤੇ ਤੇਜ਼ ਤਿਆਗ-ਫੈਸਲੇ
ਛੋਟੀ ਟੀਮਾਂ ਵਿੱਚ, ਫਾਊਂਡਰ ਅਕਸਰ ਉਹ ਫੈਸਲੇ ਕਰਦੇ ਹਨ ਜੋ ਨਹੀਂ ਤਾਂ ਕਮੇਟੀ ਫੈਸਲੇ ਬਣ ਜਾਂਦੇ: ਕਿਸ ਯੂਜ਼ਰ ਸੈਗਮੈਂਟ 'ਤੇ ਧਿਆਨ ਦੇਣਾ, ਸਿਸਟਮ ਨੂੰ ਕੀ ਕਰਨਾ-ਨਹੀਂ ਚਾਹੀਦਾ, ਅਤੇ ਲਾਂਚ ਲਈ "ਕਾਫ਼ੀ ਚੰਗਾ" ਕਿਹੜਾ ਹੈ। ਸਾਫ਼ ਮਲਕਿਯਤ ਕੁਝ ਦੇਰੀ ਘਟਾਉਂਦੀ ਹੈ—ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਵੀ ਸਪਸ਼ਟ ਬਣਾਉਂਦੀ ਹੈ।
ਜੋਖਮ: ਤੇਜ਼ੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਛੁਪਾ ਸਕਦੀ ਹੈ
AI ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣਾ ਤਕਨੀਕੀ ਕਰਜ਼ ਇਕੱਠਾ ਕਰ ਸਕਦਾ ਹੈ (ਗੰਦੇ ਪ੍ਰਾਂਪਟ ਲੇਅਰ, ਨਰਮ ਇੰਟੀਗ੍ਰੇਸ਼ਨ, ਅਸਪਸ਼ਟ ਇਵਾਲ), ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਸੁਰੱਖਿਆ ਜਾਂਚਾਂ ਛੱਡ ਦੇਵੇ—ਜਿਵੇਂ ਕਿ ਹਲੂਸੀਨੇਸ਼ਨ ਜਾਂ ਪੱਖਪਾਤ ਜਾਂ ਡੇਟਾ ਲੀਕ—and ਟੀਮਾਂ ਨੂੰ ਬਹੁਤ ਜਲਦੀ ਕਾਬਿਲੀਅਤ ਵੱਧ ਦਿਖਾਉਣ ਦੀ ਲੋਭ ਦਿੰਦੇ ਹਨ।
ਊੱਚ-ਲੈਵਰੇਜ ਟੀਮਾਂ ਤੇਜ਼ ਰਹਿਣ ਲਈ ਹਲਕੀ-ਫਲਕੀ ਗਾਰਡਰੇਲਾਂ ਨੂੰ ਗੈਰ-ਮੁਆਫ਼ ਕਰਦੀਆਂ ਹਨ: ਮੂਲ ਇਵਾਲ, ਸਾਫ਼ ਯੂਜ਼ਰ ਸੰਦੇਸ਼, ਅਤੇ ਨਿਯਮਤ ਬੁਰਜ-ਅਵਲੋਕਨ ਫੇਲਯਰ ਮਾਪਦੰਡ।
AI ਉਤਪਾਦਾਂ ਲਈ ਜੋ ਚੀਜ਼ਾਂ ਸਕੇਲ ਨਹੀਂ ਹੁੰਦੀਆਂ ਉਹਨਾਂ ਦੇ ਕਰਨ ਦੇ ਤਰੀਕੇ
ਡੈਮੋ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਜਾਓ
ਜਦੋਂ ਤੁਹਾਡੀ ਐਪ ਅਸਲ ਯੂਜ਼ਰਾਂ ਲਈ ਤਿਆਰ ਹੋਵੇ, ਤਾਂ ਡਿਪਲੌਇ ਅਤੇ ਹੋਸਟ ਕਰੋ।
Paul Graham ਦੀ “ਜੋ ਚੀਜ਼ਾਂ ਸਕੇਲ ਨਹੀਂ ਹੁੰਦੀਆਂ ਉਹ ਕਰੋ” ਸਲਾਹ AI ਉਤਪਾਦਾਂ ਲਈ ਖ਼ਾਸ ਤੌਰ 'ਤੇ ਪ੍ਰਸੰਗਿਕ ਹੈ, ਕਿਉਂਕਿ ਸ਼ੁਰੂਆਤੀ ਮੁੱਲ ਅਕਸਰ ਗੰਦੇ ਡੇਟਾ, ਅਸਪਸ਼ਟ ਉਮੀਦਾਂ, ਅਤੇ ਭਰੋਸੇ ਦੇ ਗੈਪ ਦੇ ਪਿੱਛੇ ਲੁਕਿਆ ਹੁੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਤੁਸੀਂ ਕੁਝ ਵੀ ਆਟੋਮੇਟ ਕਰੋ, ਤੁਹਾਨੂੰ ਸਿੱਖਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਯੂਜ਼ਰ ਅਸਲ ਵਿੱਚ ਸਿਸਟਮ ਤੋਂ ਕੀ ਚਾਹੁੰਦੇ ਹਨ—ਅਤੇ ਉਹ ਕੀ ਬਰਦਾਸ਼ਤ ਕਰਨਗੇ ਜਦੋਂ ਇਹ ਗਲਤ ਹੋ ਜਾਵੇ।
AI ਵਿੱਚ ਇਹ ਕਿਸ ਤਰ੍ਹਾਂ ਦਿਖਦਾ ਹੈ
AI ਲਈ, “ਸਕੇਲ ਨਹੀਂ ਹੋਣ ਵਾਲਾ” ਆਮ ਤੌਰ 'ਤੇ ਮੈਨੁਅਲ ਆਨਬੋਰਡਿੰਗ ਅਤੇ ਮਨੁੱਖ-ਇਨ-ਦ-ਲੂਪ ਕੰਮ ਮਤਲਬ ਹੁੰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਸਦਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹੋਗੇ, ਪਰ ਜੋ ਤੁਹਾਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸਪਸ਼ਟ ਜਾਣਕਾਰੀ ਦਿੰਦਾ ਹੈ।
ਤੁਸੀਂ ਕਰ ਸਕਦੇ ਹੋ：
- ਗਾਹਕਾਂ ਨੂੰ ਇਕ-ਇਕ ਕਾਲ 'ਤੇ ਆਨਬੋਰਡ ਕਰੋ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਅਸਲ ਟਾਸਕ ਕਰਨ ਵੇਲੇ ਦੇਖੋ।
- ਇਕ ਕਨਸੀਅਰਜ ਵਰਕਫਲੋ ਚਲਾਓ ਜਿੱਥੇ ਇੱਕ ਮਨੁੱਖ ਮਾਡਲ ਆਉਟਪੁੱਟ ਨੂੰ ਜਾਂਚਦਾ/ਸੰਪਾਦਨ ਕਰਦਾ ਹੈ।
- ਗਾਹਕ ਲਈ ਖ਼ਾਸ ਪ੍ਰਾਂਪਟ, ਟੂਲ ਅਤੇ ਗਾਰਡਰੇਲ ਬਣਾਓ ਤਾਂ ਜੋ ਉਹਨਾਂ ਦੀ ਟਰਮੀਨੋਲੋਜੀ ਨਾਲ ਮਿਲ ਸਕੇ।
ਇਹ ਹੱਥ-ਹਥਿਆਰ ਕਰਨ ਵਾਲਾ ਕੰਮ ਫालतੂ ਨਹੀਂ; ਇਹ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅਸਲ ਜੌਬ-ਟੂ-ਬੀ-ਡਨ ਕੀ ਹੈ: ਸੰਦਰਭ ਵਿੱਚ “ਚੰਗਾ” ਆਉਟਪੁੱਟ ਕੀ ਹੋਵੇਗਾ, ਕਿਹੜੀਆਂ ਗਲਤੀਆਂ ਅਣਸਵੀਕਾਰਯੋਗ ਹਨ, ਯੂਜ਼ਰਾਂ ਨੂੰ ਕਿੱਥੇ ਵਿਆਖਿਆ ਦੀ ਲੋੜ ਹੈ, ਅਤੇ ਕਿਹੜੀਆਂ ਲੈਟੈਂਸੀ ਜਾਂ ਲਾਗਤ ਪਾਬੰਦੀਆਂ ਮਹੱਤਵਪੂਰਣ ਹਨ।
ਜੋ ਨਾ-ਸਕੇਲ ਤਰੀਕੇ ਤੁਹਾਨੂੰ ਸਭ ਤੋਂ ਜ਼ਿਆਦਾ ਸਿੱਖਾਉਂਦੇ ਹਨ
AI ਟੀਮਾਂ ਅਕਸਰ ਇੱਕ ਹੱਥ-ਨਾਲ ਕੀਤੇ ਸਫ਼ਤ ਕੰਮ ਦੇ ਇੱਕ ਹਫ਼ਤੇ ਤੋਂ ਜ਼ਿਆਦਾ ਮਹੀਨਿਆਂ ਦੀ ਡਾਟਾ-ਬੈਂਚਮਾਰਕਿੰਗ ਨਾਲੋਂ ਵੱਧ ਸਿੱਖਦੀਆਂ ਹਨ।
ਉਦਾਹਰਣ：
- ਚੁਣੇ ਹੋਏ ਡੇਟਾਸੈਟ: ਇੱਕ ਗਾਹਕ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚੋਂ 200–500 ਅਸਲ ਉਦਾਹਰਣ ਲੱਭਣਾ, ਉਨ੍ਹਾਂ ਨੂੰ ਗਾਹਕ ਨਾਲ ਲੇਬਲ ਕਰਨਾ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਆਪਣੇ “ਸੱਚ ਸੈੱਟ” ਵਜੋਂ ਵਰਤਣਾ।
- ਕਨਸੀਅਰਜ ਪ੍ਰੋਟੋਟਾਈਪ: ਨਤੀਜੇ ਪਹਿਲਾਂ ਈਮੇਲ/Slack ਰਾਹੀਂ ਪਹੁੰਚਾਓ, ਭਾਵੇਂ ਕਿ “ਉਤਪਾਦ” ਜ਼ਿਆਦਾਤਰ ਇੱਕ ਸਕ੍ਰਿਪਟ ਅਤੇ ਇੱਕ ਮਨੁੱਖੀ ਸਮੀਖਿਆਕਾਰ ਹੋਵੇ।
- ਕਸਟਮ ਇਵਾਲਯੂਏਸ਼ਨ: ਯੂਜ਼ਰ ਨਾਲ ਇੱਕ ਸਾਧਾ ਰੂਬਰਿਕ ਬਣਾਓ (ਜਿਵੇਂ “ਸਹੀ”, “ਕਰਨਯੋਗ”, “ਸੁਰੱਖਿਅਤ”, “ਟੋਨ”) ਅਤੇ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਇਕੱਠੇ ਸਕੋਰ ਕਰੋ।
ਹੱਥ-ਹਠਿਆਰ ਨੂੰ ਸਿਸਟਮ ਵਿੱਚ ਬਦਲਣਾ
ਮਕਸਦ ਹਥ-ਨਾਲ ਰਹਿਣਾ ਨਹੀਂ—ਮਕਸਦ ਇਹ ਹੈ ਕਿ ਹੱਥ-ਨਾਲ ਕਦਮਾਂ ਨੂੰ ਦੁਹਰਾਊ ਉੱਪਾਦਾਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾਵੇ। ਤੁਸੀਂ ਜੋ ਪੈਟਰਨ ਵੇਖਦੇ ਹੋ ਉਹ ਆਨਬੋਰਡਿੰਗ ਚੈੱਕਲਿਸਟ, ਦੁਹਰਾਉਣ ਯੋਗ ਡੇਟਾ ਪਾਈਪਲਾਈਨ, ਆਟੋਮੈਟਿਕ ਇਵਾਲ ਸੂਟ, ਡਿਫੋਲਟ ਟੈਮਪਲੇਟ, ਅਤੇ ਪ੍ਰੋਡਕਟ UI ਬਣ ਕੇ ਬਾਹਰ ਆਉਂਦੇ ਹਨ।
ਜਦੋਂ ਤੁਸੀਂ ਆਖ਼ਿਰਕਾਰ ਸਕੇਲ ਕਰਦੇ ਹੋ, ਤੁਸੀਂ ਕਿਸੇ ਅਸਲੀ ਚੀਜ਼ ਨੂੰ ਸਕੇਲ ਕਰ ਰਹੇ ਹੋ：ਇੱਕ ਵਰਕਫਲੋ ਜੋ ਖਾਸ ਲੋਕਾਂ ਲਈ ਕੰਮ ਕਰਦੀ ਹੈ, ਨਾ ਕਿ ਇੱਕ ਡੈਮੋ ਜੋ ਅਲੱਗ-ਥੱਲਗ ਚੰਗਾ ਲੱਗਦੀ ਹੈ।
ਰਿਸਰਚ ਡੈਮੋ ਤੋਂ ਅਸਲ ਯੂਜ਼ਰਾਂ ਤੱਕ: ਫੀਡਬੈਕ ਲੂਪ
ਰਿਸਰਚ ਡੈਮੋ ਇੱਕ ਨਿਯੰਤ੍ਰਿਤ ਸੈਟਿੰਗ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ালী ਲੱਗਣ ਲਈ ਢਾਲਿਆ ਜਾਂਦਾ ਹੈ। ਅਸਲ ਯੂਜ਼ਰ ਵਿਰੋਧ ਕਰਦੇ ਹਨ: ਉਹ ਧਾਰੀਆਂ ਨੂੰ ਟੈਸਟ ਕਰਦੇ ਹਨ, ਅਣਉਮੀਦੀਆਂ ਬੋਲੀ ਲਿਖਦੇ ਹਨ, ਗੰਦੇ ਫਾਇਲ ਅਪਲੋਡ ਕਰਦੇ ਹਨ, ਅਤੇ ਤੱਕ ਊਮੀਦ ਕਰਦੇ ਹਨ ਕਿ ਸਿਸਟਮ ਸੋਮਵਾਰ ਸਵੇਰੇ 9 ਵਜੇ ਕੰਮ ਕਰੇਗਾ ਜਦੋਂ Wi‑Fi ਠੀਕ-ਥਾਪ ਨਾ ਹੋਵੇ। AI ਉਤਪਾਦਾਂ ਲਈ ਉਹ “ਅਸਲ-ਦੁਨੀਆ ਸੰਦਰਭ” ਕੋਲੋਂ ਨਾ-ਹੋਣਾ ਇੱਕ ਸੋਖੀ ਚੀਜ਼ ਨਹੀਂ—ਇਹੀ ਸਥਾਨਕ ਲੋੜਾਂ ਹਨ।
ਕਿਉਂ AI ਨੂੰ ਗੰਦੀ-ਪਹਿਲੂ ਚਾਹੀਦੇ ਹਨ
AI ਸਿਸਟਮ ਉਹ ਤਰੀਕੇ ਨਾਲ ਫੇਲ ਹੁੰਦੇ ਹਨ ਜੋ ਸਾਫ-ਸੁਥਰੇ ਬੈਂਚਮਾਰਕ ਵਿੱਚ ਨਹੀਂ ਆਉਂਦੇ। ਯੂਜ਼ਰ ਸਲੈੰਗ, ਡੋਮੇਨ ਜਾਰਗਨ, ਟਾਈਪੋ, ਅਤੇ ਅਸਪਸ਼ਟ ਨਿਰਦੇਸ਼ ਲਿਆਉਂਦੇ ਹਨ। ਡੇਟਾ ਅਪੂਰਾ, ਦੁਹਰਾਇਆ, ਅਜੀਬ ਫਾਰਮੇਟ ਵਿੱਚ, ਜਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਨਾਲ ਭਰਿਆ ਹੋ ਸਕਦਾ ਹੈ। ਐਜ ਕੇਸ ਅਕਸਰ ਰੇਅਰ ਨਹੀਂ—ਉਹ ਉਤਪਾਦ ਦਾ ਹਿੱਸਾ ਹੁੰਦੇ ਹਨ।
ਤਰਕਸ਼ੀਲ ਨਤੀਜਾ ਬਹੁਤ ਸਾਦਾ ਹੈ: ਕੁਝ ਸਧਾਰਨ ਨੂੰ ਰੀਅਲ ਲੋਕਾਂ ਨੂੰ ਡੇਪਲੋ ਕਰੋ, ਫਿਰ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖੋ। ਇੱਕ ਮਾਡਲ ਜੋ ਡੈਮੋ ਵਿੱਚ ਸ਼ानदार ਲੱਗਦਾ ਹੈ ਪਰ ਆਮ ਵਰਕਫਲੋ 'ਤੇ ਟੁੱਟਦਾ ਹੈ, ਉਹ ਰਿਸਰਚ ਆਰਟਿਫੈਕਟ ਹੈ, ਉਤਪਾਦ ਨਹੀਂ।
ਹਲਕੀ-ਫਲਕੀ ਇਵਾਲਯੂਏਸ਼ਨ ਜੋ ਵਾਸਤਵ ਵਿੱਚ ਮਦਦ ਕਰੇ
ਤੁਹਾਨੂੰ ਵੱਡਾ ਇਵਾਲਯੂਏਸ਼ਨ ਫਰੇਮਵਰਕ ਦੀ ਲੋੜ ਨਹੀਂ। ਸ਼ੁਰੂ ਵਿੱਚ, ਸਭ ਤੋਂ ਵਧੀਆ ਸਿਗਨਲ ਅਕਸਰ ਕੁਝ ਤੇਜ਼ ਟੈਸਟ ਹੁੰਦੇ ਹਨ ਜੋ ਨਿਯਮਤ ਨਿਰੀਖਣ ਨਾਲ ਜੋੜੇ ਹੁੰਦੇ ਹਨ：
- ਆਪਣੇ ਮੁੱਖ ਵਰਕਫਲੋ ਲਈ ਛੋਟੇ ਸ੍ਮੋਕ ਟੈਸਟ (ਕੀ ਇਸਨੇ ਜਵਾਬ ਦਿੱਤਾ, ਸਾਇਟ ਕੀਤਾ, ਫਾਰਮੈਟ ਕੀਤਾ, ਜਾਂ ਸਹੀ ਟੂਲ-ਕਾਲ ਕੀਤੀ?)
- ਫੇਲ ਹੋਏ ਟੂਲ ਕਾਲਾਂ, ਟਾਈਮਆਉਟ, ਅਤੇ ਪ੍ਰਾਂਪਟ/ਰਿਸਪਾਂਸ ਮੈਟਾ-ਡੇਟਾ ਕੈਪਚਰ ਕਰਨ ਵਾਲੇ ਲੌਗ
- ਯੂਜ਼ਰ ਰਿਪੋਰਟ ਜੋ ਸਹੀ ਇਨਪੁੱਟ ਅਤੇ “ਚੰਗਾ” ਕੀ ਹੁੰਦਾ ਉਹ ਸੁਰਤ ਵਿੱਚ ਰੱਖਦੇ ਹਨ
ਇਹ ਗੁਣਵੱਤਾ ਸਾਬਤ ਕਰਨ ਬਾਰੇ ਘੱਟ ਹੈ ਅਤੇ ਇਸ ਬਾਰੇ ਜ਼ਿਆਦਾ ਹੈ ਕਿ ਸਿਸਟਮ ਕਿੱਥੇ ਵਾਰ-ਵਾਰ ਟੁੱਟ ਰਿਹਾ ਹੈ।
ਫੇਲਯਰ ਮੋਡਾਂ 'ਤੇ ਇਟਰੇਸ਼ਨ
ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਹੋ, ਇਟਰੇਸ਼ਨ "ਮਾਡਲ ਸੁਧਾਰ" ਦੇ ਵਿਸ਼ੇਸ਼ ਨਹੀਂ ਰਹਿੰਦੀ। ਇਹ ਫੇਲਯਰ ਮੋਡਾਂ 'ਤੇ ਇਟਰੇਟ ਕਰਨਾ ਹੁੰਦਾ ਹੈ: ਹਲੂਸੀਨੇਸ਼ਨ, ਲੈਟੈਂਸੀ ਸਪਾਈਕ, ਅਣਪੇਛਾਣ ਲਾਗਤਾਂ, ਗੋਪਨੀਯਤਾ ਖਤਰੇ, ਅਤੇ ਨਰਮ ਇੰਟੀਗ੍ਰੇਸ਼ਨ।
ਉਪਯੋਗੀ ਲੂਪ ਹੈ：detect → reproduce → categorize → fix → verify। ਕਈ ਵਾਰੀ ਫ਼ਿਕਸ ਪ੍ਰਾਂਪਟ/ਟੂਲਿੰਗ ਹੁੰਦੀ ਹੈ, ਕਈ ਵਾਰੀ UI ਸੀਮਾਵਾਂ, ਅਤੇ ਕਈ ਵਾਰੀ ਨੀਤੀ (ਜਿਵੇਂ ਕਿ ਜਿਹੜੀਆਂ ਬੇਨਤੀਆਂ ਸੁਰੱਖਿਅਤ ਤਰੀਕੇ ਨਾਲ ਜਵਾਬ ਨਹੀਂ ਦਿੱਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਉਹਨਾ ਨੂੰ ਇਨਕਾਰ)।
ਪਾਰਦਰਸ਼ਤਾ ਰਾਹੀਂ ਭਰੋਸਾ
ਤੇਜ਼ ਇਟਰੇਸ਼ਨ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਕਿ ਮਾਡਲ ਪੂਰਨ ਹੈ। ਭਰੋਸੇਯੋਗ AI ਉਤਪਾਦ ਸੀਮਾਵਾਂ ਬਾਰੇ ਖੁਲ੍ਹਾ ਹੋੰਦੇ ਹਨ: ਜਦੋਂ ਜਵਾਬ ਅਣਨਿਤਾ ਹੋ ਸਕਦਾ ਹੈ, ਕਿਹੜਾ ਡੇਟਾ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਗਲਤੀਆਂ ਰਿਪੋਰਟ ਕਰਨ ਦਾ ਤਰੀਕਾ, ਅਤੇ ਸਿਸਟਮ ਕੀ ਨਹੀਂ ਕਰੇਗਾ।
ਇਹ ਪਾਰਦਰਸ਼ਤਾ ਫੀਡਬੈਕ ਨੂੰ ਸਹਿਯੋਗ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ—ਅਤੇ ਟੀਮ ਨੂੰ ਉਤਪਾਦ 'ਤੇ ਧਿਆਨ ਬਣਾਏ ਰੱਖਦੀ ਹੈ ਜੋ ਯੂਜ਼ਰਾਂ ਅਨੁਭਵ ਕਰਦੇ ਹਨ, ਨਾਂ ਕਿ ਡੈਮੋ ਵਰਜਨ।
VC, Y Combinator, ਅਤੇ AI ਤੇਜ਼ੀ ਦਾ ਫਲਾਈਵ੍ਹੀਲ
ਵੈਂਚਰ ਕੈਪੀਟਲ AI ਨਾਲ ਅਨੁਕੂਲ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਉਪਸਾਈਡ ਬਹੁਤ ਵੱਡਾ ਹੋ ਸਕਦਾ ਹੈ ਜਦੋਂ ਕਿ ਰਸਤਾ ਅਣਿਸ਼ਚਿਤ ਹੈ। ਇੱਕ ਮਾਡਲ ਸਫਲਤਾ, ਨਵਾਂ ਇੰਟਰਫੇਸ, ਜਾਂ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਵਜ੍ਹਾ ਇੱਕ ਛੋਟੀ ਟੀਮ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸ਼੍ਰੇਣੀ-ਲੀਡਰ ਬਣਾ ਸਕਦੀ ਹੈ—ਪਰ ਇਸਦੇ ਲਈ ਆਮ ਤੌਰ 'ਤੇ ਉਤਪਾਦ ਪੇਸ਼ਗੀ ਖਰਚਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਇਹ "ਉੱਚ-ਵੈਰੀਅੰਸ" ਪ੍ਰੋਫਾਈਲ VC ਲਈ ਮੂਲ ਤੌਰ 'ਤੇ ਮਾਨਯੋਗ ਹੈ।
YC-ਸਟਾਈਲ ਸਹਿਯੋਗ AI ਕੰਪਨੀਆਂ ਨੂੰ ਤੇਜ਼ ਕਿਵੇਂ ਕਰਦਾ ਹੈ
Paul Graham ਦਾ Y Combinator ਸਿਰਫ਼ ਰਕਮ ਨਹੀਂ ਦਿੰਦਾ; ਇਸ ਨੇ ਸਟਾਰਟਅਪ ਵਰਤਾਰੀਆਂ ਦਾ ਇੱਕ ਸੈਟ ਪ੍ਰੋਡਕਟਾਈਜ਼ ਕੀਤਾ ਜੋ ਵਿਚਾਰ ਤੋਂ ਕਾਰੋਬਾਰ ਤੱਕ ਦੀ ਦੂਰੀ ਘਟਾਉਂਦੇ ਹਨ। AI ਫਾਊਂਡਰਾਂ ਲਈ, ਇਹ ਅਕਸਰ ਦਿਖਦਾ ਹੈ：
- ਕਮਿਊਨਿਟੀ ਅਤੇ ਰਚਨਾਤਮਕ ਸਹਿਬਲਕਪਨ: ਤੁਸੀਂ ਹੋਰ ਟੀਮਾਂ ਨੂੰ ਹਫ਼ਤਾਵਾਰੀ ਸ਼ਿਪ ਕਰਦੇ, ਦੈਨਿਕ ਯੂਜ਼ਰ ਗੱਲਾਂ ਕਰਦੇ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਮੇਟਰਿਕਸ ਮਾਪਦੇ ਦੇਖਦੇ ਹੋ।
- ਮੈਨਟਰਸ਼ਿਪ ਅਤੇ ਸਪਸ਼ਟਤਾ: ਪਾਰਟਨਰ ਅਤੇ ਐਲੂਨੀ ਫਾਊਂਡਰਾਂ ਨੂੰ ਠੋਸ ਮੀਲ-ਪੱਥਰ ਵੱਲ ਧਕੀਲਦੇ ਹਨ ("ਯੂਜ਼ਰ ਕੌਣ ਹੈ? ਇਸ ਹਫ਼ਤੇ ਕੀ ਬਦਲੇਆ?") ਜੋ ਰਿਸਰਚ-ਡੈਮੋ ਡਰਿਫਟ ਦਾ ਵਿਰੋਧ ਕਰਦੇ ਹਨ।
- ਬੈਸਟ-ਪ੍ਰੈਕਟਿਸ ਦੀ ਵੰਡ: ਪ੍ਰਾਈਸਿੰਗ, ਆਨਬੋਰਡਿੰਗ, ਭਰਤੀ ਅਤੇ ਫੰਡਰaising ਲਈ ਪਲੇਇਬੁੱਕ ਜਲਦੀ ਫੈਲਦੇ ਹਨ ਜਦੋਂ ਹਰ ਕੋਈ ਜਨਤਕ ਤੌਰ 'ਤੇ ਬਣਾਉਂਦਾ ਹੈ।
ਪੈਸਾ ਇੰਧਨ ਵਾਂਗ: ਕਨਪਿਊਟ, ਭਰਤੀ, ਪ੍ਰਯੋਗ
AI ਤਰੱਕੀ ਕਈ ਵਾਰੀ ਕਨਪਿਊਟ, ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਅਤੇ ਇਟਰੈਸ਼ਨ ਲਈ ਸਮੇਂ ਤੋਂ ਰੁਕ ਸਕਦੀ ਹੈ। ਫੰਡਿੰਗ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ：
- ਕਨਪਿਊਟ ਅਤੇ ਟੂਲਿੰਗ (ਇਨਫਰੈਂਸ, ਇਵਾਲ, ਮਾਨੀਟਰਿੰਗ)
- ਹਾਇਰਿੰਗ - ਅਪਲਾਈਡ ML, ਪ੍ਰੋਡਕਟ, ਅਤੇ GTM ਲਈ—ਤਾਂ ਜੋ ਮਾਡਲ ਕੰਮ ਕਰਕੇ ਗਾਹਕਾਂ ਤੱਕ ਪਹੁੰਚੇ
- ਪ੍ਰਯੋਗ - ਪ੍ਰਾਂਪਟ, ਫਾਈਨ-ਟיון, UX, ਅਤੇ ਪੋਜ਼ੀਸ਼ਨਿੰਗ ਵਿੱਚ ਬਿਨਾ ਰੈਵਨਿਊ ਦੇ ਇੰਤਜ਼ਾਰ ਕੀਤੇ ਘੁੰਮਣ
ਫਾਊਂਡਰਾਂ ਨੂੰ ਜੋ ਕਾਰੋਬਾਰ ਸੰਭਾਲਣੇ ਹੁੰਦੇ ਹਨ
ਇਸ ਫਲਾਈਵ੍ਹੀਲ ਦੀ ਕੀਮਤ ਵੀ ਹੈ। VC ਵਧੀਆ ਗਤੀ ਦਾ ਦਬਾਅ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਲੋਕਾਂ ਨੂੰ ਚਮਕੀਲੇ ਡੈਮੋ ਸ਼ਿਪ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ ਬਜਾਏ ਕਿ ਦਿਰਘਕਾਲੀ ਵਰਕਫਲੋ ਬਣਾਉਣ। ਹਾਈਪ ਚੱਕਰ ਕੰਪਨੀਆਂ ਨੂੰ ਉਸ ਕਹਾਣੀ ਵੱਲ ਖਿੱਚ ਸਕਦੇ ਹਨ ਜਿਹੜੀ ਪੈਸਾ ਉਠਾਂਦੀ ਹੈ ਨਾ ਕਿ ਉਹ ਜੋ ਯੂਜ਼ਰ ਭੁਗਤਾਨ ਕਰਨਗੇ। ਨਿਰਦੇਸ਼ਿਕ ਫੈਸਲਿਆਂ ਨਾਲ ਤੁਰਦੇ-ਫਿਰਦੇ "ਵਧੇਰੇ ਪੂੰਜੀ" ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਹਦ ਤੱਕ ਲਕੜੀ ਬਣਾ ਸਕਦੇ ਹਨ।
ਸਭ ਤੋਂ ਸਿਹਤਮੰਦ ਸੰਸਕਰਨ ਉਹ ਹੈ ਜਦੋਂ ਫੰਡਿੰਗ ਅਤੇ YC-ਸ਼ੈਲੀ ਅਨੁਸ਼ਾਸਨ ਇੱਕੋ ਗੱਲ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ：ਲੋਕਾਂ ਲਈ ਕੁਝ ਬਣਾਉਣਾ ਤੇਜ਼ੀ ਨਾਲ—ਇਸ ਦੌਰਾਨ ਇਮਾਨਦਾਰ ਰਹਿਣਾ ਕਿ ਇਹ ਟੈਕਨਾਲੋਜੀ ਅਜੇ ਕੀ-ਕੀ ਕਰ ਸਕਦੀ/ਨਹੀਂ ਕਰ ਸਕਦੀ।
ਓਪਨ-ਸੋਰਸ ਅਤੇ ਬਿਲਡਰ ਮਨੋਭਾਵ
ਜ਼ਿਆਦਾ ਪ੍ਰਯੋਗ ਫੰਡ ਕਰੋ
Koder.ai ਬਾਰੇ ਸਮੱਗਰੀ ਬਣਾਕੇ ਜਾਂ ਹੋਰ ਬਿਲਡਰਾਂ ਨੂੰ ਰੇਫਰ ਕਰਕੇ ਐਕਸਪੇਰੀਮੈਂਟਜ਼ ਲਈ ਕ੍ਰੈਡਿਟ حاصل ਕਰੋ।
ਓਪਨ-ਸੋਰਸ ਹੁਣ AI ਫਾਊਂਡਰਾਂ ਲਈ ਮੂਲ ਸ਼ੁਰੂਆਤੀ ਪੈਕੇਜ ਬਣ ਗਿਆ ਹੈ। ਇਕ ਰਿਸਰਚ ਲੈਬ, ਵੱਡਾ ਬਜਟ, ਜਾਂ ਸਾਲਾਂ ਦੀ ਪ੍ਰਾਈਵੇਟ ਇੰਫਰਾ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ, ਇੱਕ ਛੋਟੀ ਟੀਮ ਸਾਂਝੇ ਹੋਏ ਨਿਰਮਾਣਾਂ (ਮਾਡਲ ਵੈਟਸ, ਟ੍ਰੇਨਿੰਗ ਲਾਇਬ੍ਰੇਰੀਜ਼, ਵੈਕਟਰ ਡੇਟਾਬੇਸ, ਇਵਾਲ ਟੂਲ, ਡਿਪਲੌਇਮੈਂਟ ਟੈਮਪਲੇਟ) 'ਤੇ ਖੜੀ ਹੋ ਕੇ ਇੱਕ ਮੰਨੀ-ਜਾਂਚ ਪ੍ਰੋਟੋਟਾਇਪ ਤੱਕ ਪਹੁੰਚ ਸਕਦੀ ਹੈ। ਇਸ ਨਾਲ ਦਾਖਲਾ ਰੁਕਾਵਟ ਘੱਟ ਹੁੰਦੀ ਹੈ—ਅਤੇ ਮੁਕਾਬਲਾ ਇਸ ਗੱਲ 'ਤੇ ਸਥਿਰ ਹੁੰਦਾ ਹੈ ਕਿ “ਕੌਣ ਬੁਨਿਆਦਾਂ ਬਣਾਂਦਾ ਹੈ” ਦੀ ਥਾਂ “ਕੌਣ ਅਸਲ ਸਮੱਸਿਆ ਬਿਹਤਰ ਹੱਲ ਕਰਦਾ ਹੈ”।
ਸਟੈਕ-ਬਿਲਡਿੰਗ: ਬਣਾਉਣਾ, ਇਜਾਦ ਨਹੀਂ
AI ਸਟਾਰਟਅਪਾਂ ਵਿੱਚ ਇੱਕ ਸਾਫ਼ ਪੈਟਰਨ “ਸਟੈਕ-ਬਿਲਡਿੰਗ” ਹੈ: ਫਾਊਂਡਰ ਜਲਦੀ APIs, ਮਾਡਲ, ਅਤੇ ਇੰਫ੍ਰਾ ਨੂੰ ਜੋੜ ਕੇ ਇੱਕ ਉਪਯੋਗੀ ਉਤਪਾਦ ਬਣਾਉਂਦੇ ਹਨ, ਫਿਰ ਅਸਲੀ ਵਰਤੋਂ ਰਾਹੀਂ ਉਸਨੂੰ ਸੁਧਾਰਦੇ ਹਨ। ਇਹ ਜ਼ਿਆਦਾ ਇਸ ਗੱਲ ਬਾਰੇ ਹੈ ਕਿ ਕਿਸ ਮਾਡਲ/ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦੇ ਫੈਸਲੇ ਤੁਹਾਡੇ ਲਿਆ ਜ਼ਿਆਦਾ ਵਧੀਆਂ ਨਤੀਜੇ ਦੇ ਰਹੇ ਹਨ：
- ਕਿਹੜਾ ਮਾਡਲ (ਓਪਨ ਜਾਂ ਹੋਸਟਡ) ਤੁਹਾਡੇ ਲੈਟੈਂਸੀ, ਲਾਗਤ, ਅਤੇ ਗੁਣਵੱਤਾ ਮੰਗਾਂ ਨਾਲ ਮਿਲਦਾ ਹੈ?
- ਰਿਟ੍ਰੀਵਲ ਕਿੱਥੇ ਫਿੱਟ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਮਾਪਦੇ ਹੋ ਕਿ ਇਸ ਨੇ ਮਦਦ ਕੀਤੀ ਕਿ ਨਹੀਂ?
- ਉਤਪਾਦ ਵਿੱਚ ਨਿਰਭਰ ਰਹਿਣ ਲਈ ਘੱਟੋ-ਘੱਟ ਮਾਨੀਟਰਿੰਗ ਕੀ ਹੈ?
ਬਿਲਡਰ ਮਨੋਭਾਵ ਪ੍ਰਾਗਮੈਟਿਕ ਹੈ: ਸਟੈਕ ਨੂੰ ਲੈਗੋ ਬਲਾਕਾਂ ਵਾਂਗ ਮੰਨੋ, ਟੁਕੜੇ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲੋ, ਅਤੇ ਯੂਜ਼ਰ ਨਤੀਜੇ ਦੇ ਆਸਪਾਸ ਅਨੁਕੂਲ ਕਰੋ।
ਸਮੁਦਾਇਕ ਸਿੱਖਿਆ ਹਰ ਕਿਸੇ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ
ਓਪਨ-ਸੋਰਸ ਸਾਂਝੀ ਸਮਝ ਨੂੰ ਸਟਾਰਟਅਪ ਰਫ਼ਤਾਰ 'ਤੇ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਲੋਕ ਨਵੇਂ ਤਰੀਕੇ—ਵਧੀਆ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਰੀਸਪੀਜ਼, ਸੁਧਰੇ ਪ੍ਰਾਂਪਟ ਪੈਟਰਨ, ਜ਼ਿਆਦਾ ਸੁਰੱਖਿਅਤ ਟੂਲ-ਕਾਲ—ਦਿਨਾਂ ਵਿੱਚ ਹੀ ਨਮੂਨਿਆਂ ਵਿੱਚ ਪੈਕੇਜ ਕਰ ਦਿੰਦੇ ਹਨ, ਨਾ ਕਿ ਤਿਮਾਹੀਆਂ ਵਿੱਚ।
ਕੰਪਲੀਅੰਸ ਅਤੇ ਲਾਇਸੈਂਸਿੰਗ ਵਿਕਲਪ ਨਹੀਂ ਹਨ
ਓਪਨ-ਸੋਰਸ ਦੇ ਵਰਤੋਂ ਦਾ ਮਤਲਬ “ਕੁਛ ਵੀ ਕਰਨ ਦੀ ਆਜ਼ਾਦੀ” ਨਹੀਂ ਹੈ। AI ਉਤਪਾਦਾਂ ਨੂੰ ਸ਼ਿਪ ਕਰਨ ਸਮੇਂ ਕੰਪਲੇਅੰਸ ਨੂੰ ਹਿੱਸਾ ਬਣਾ ਕੇ ਦੇਖੋ：
- ਮਾਡਲ/ਡੇਟਾ ਲਾਇਸੈਂਸ ਦੀ ਜਾਂਚ ਕਰੋ (ਕ是否 ਵਪਾਰਕ ਵਰਤੇ ਜਾਂ ਨਿਰਯਾਤ)。
- ਡਿਪੈਂਡੈਂਸੀ ਅਤੇ ਵੈਟ ਪਰੋਵੈਨੈਂਸ ਟਰੈਕ ਕਰੋ。
- ਜਦੋਂ ਲੌਗ ਵਿੱਚ ਯੂਜ਼ਰ ਸਮੱਗਰੀ ਸ਼ਾਮਿਲ ਹੋਵੇ ਤਾਂ ਗੋਪਨੀਯਤਾ ਖ਼ਤਰਾ ਚੈੱਕ ਕਰੋ。
ਤੇਜ਼ ਸਟੈਕ-ਬਿਲਡਿੰਗ ਕਰਨ ਵਾਲੇ ਫਾਊਂਡਰ ਉਹ ਹਨ ਜੋ ਤੇਜ਼ੀਆਂ ਨਾਲ ਬਣਾਉਂਦੇ ਹਨ ਪਰ ਲਾਇਸੈਂਸ ਅਤੇ ਨੀਤੀ ਜਾਂਚਾਂ ਨੂੰ "ਸ਼ਿਪਿੰਗ" ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਰੱਖਦੇ ਹਨ ਤਾਂ ਜੋ ਉਹ ਅਣਜਰੂਰੀ ਖਤਰਿਆਂ ਨੂੰ ਇਕੱਠਾ ਨਾ ਕਰਨ।
ਗਤੀ ਵ ਿਜਨੰਤੀ: ਸੱਭਿਆਚਾਰ ਵਪਾਰ-ਫੈਸਲਿਆਂ ਨੂੰ ਰੂਪ ਦਿੰਦੀ ਹੈ
AI ਸਟਾਰਟਅਪਾਂ ਕੋਲ ਇੱਕ ਰੁਝਾਨ ਵਾਰਸ ਵਿੱਚ ਹੈ: ਸ਼ਿਪ ਕਰੋ, ਸਿੱਖੋ, ਦੁਹਰਾਓ। ਇਹ ਗਤੀ-ਭਰੁਕਤਾ ਅਕਸਰ ਇੱਕ ਫੀਚਰ ਹੁੰਦੀ ਹੈ—ਤੇਜ਼ ਇਟਰੇਸ਼ਨ ਅਕਸਰ ਹੀ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਯੂਜ਼ਰ ਕੀ ਚਾਹੁੰਦੇ ਹਨ। ਪਰ AI ਨਾਲ, “ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣਾ” ਸੁਰੱਖਿਆ, ਗੋਪਨੀਯਤਾ, ਅਤੇ ਸਹੀ-ਹੋਣ ਨਾਲ ਟਕਰਾਉਂਦਾ ਹੈ ਜਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਆਮ UI ਬੱਗ ਨਾਲੋਂ ਘੱਟ ਮਾਫ਼ੀਯੋਗ ਹੋ ਸਕਦਾ ਹੈ।
ਅਸਲ ਤਣਾਅ: ਸਿੱਖਣ ਦੀ ਗਤੀ ਵੱਟੇ ਜੋਖਮ ਸਤ੍ਹਾ
ਸੱਭਿਆਚਾਰ ਇਹ ਨਿਣਯ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਅਸਵੀਕਾਰਯੋਗ ਲੱਗਦਾ ਹੈ। ਜੇਕਰ ਟੀਮ ਸਿਰਫ ਡੈਮੋ ਗਤੀ 'ਤੇ ਝੁਕੀ ਹੋਵੇ, ਉਹ ਧੁੰਦਲੇ ਆਉਟਪੁੱਟ, ਅਸਪਸ਼ਟ ਖੁਲਾਸੇ, ਜਾਂ ਸੰਦੇਹਜਨਕ ਡੇਟਾ ਹੈਂਡਲਿੰਗ ਨੂੰ ਬਰਦਾਸ਼ਤ ਕਰ ਸਕਦੀ ਹੈ ਕਿਉਂਕਿ ਉਹ ਲਾਂਚ ਨੂੰ ਰੋਕਦੇ ਨਹੀਂ। ਇੱਕ ਟੀਮ ਜੋ ਭਰੋਸੇ ਨੂੰ ਇੱਕ ਉਤਪਾਦ ਫੀਚਰ ਸਮਝਦੀ ਹੈ, ਕੁਝ ਮੁੱਖ ਜਗ੍ਹਾਂ 'ਤੇ ਥੋੜੀ ਧੀਰਜ ਰੱਖੇਗੀ—ਬਿਨਾਂ ਇਸਦੇ ਕਿ ਬਿਊਰੋਕਰੇਸੀ ਬਣ ਜਾਵੇ।
ਫੈਸਲਾ "ਗਤੀ ਜਾਂ ਸੁਰੱਖਿਆ" ਨਹੀਂ ਹੈ। ਇਹ ਇਹ ਚੁਣਨਾ ਹੈ ਕਿ ਸੀਮਿਤ ਸਮੇਂ ਵਿੱਚ ਕਿੱਥੇ ਸਮਾਂ ਖਰਚ ਕਰਨਾ ਹੈ：ਪ੍ਰਾਂਪਟ ਅਤੇ ਆਨਬੋਰਡਿੰਗ ਨੂੰ ਨਿਖਾਰਨਾ, ਜਾਂ ਸਭ ਤੋਂ ਨੁਕਸਾਨਦੇਹ ਫੇਲਯਰਾਂ ਨੂੰ ਰੋਕਣ ਵਾਲੇ ਗਾਰਡਰੇਲ ਬਣਾਉਣਾ।
ਛੋਟੀ ਟੀਮਾਂ ਲਈ ਹਲਕੀ-ਫਲਕੀ ਗਵਰਨੈਂਸ
ਤੁਹਾਨੂੰ ਇੱਕ compliance ਵਿਭਾਗ ਦੀ ਲੋੜ ਨਹੀਂ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਮਤਲਬੀ ਤੌਰ 'ਤੇ ਜ਼ਿਆਦਾ ਸੁਰੱਖਿਆ ਹੋਵੇ। ਤੁਹਾਨੂੰ ਦੁਹਰਾਊ ਆਦਤਾਂ ਦੀ ਲੋੜ ਹੈ：
- ਪ੍ਰੀ-ਸ਼ਿਪ ਚੈੱਕਲਿਸਟ: ਕਿਹੜਾ ਡੇਟਾ ਇਕੱਠਾ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ? ਕਿੱਥੇ ਸਟੋਰ ਹੁੰਦਾ ਹੈ? ਕੀ ਯੂਜ਼ਰ ਇਸਨੂੰ ਮਿਟਾ ਸਕਦੇ ਹਨ? ਜਾਣੇ-ਪਛਾਣੇ ਫੇਲਯਰ ਮੋਡ ਕੀ ਹਨ?
- ਰੈਡ-ਟੀਮ ਟੈਸਟ (30–60 ਮਿੰਟ ਪ੍ਰਤੀ ਰਿਲੀਜ਼): jailbreaks, ਸੰਵੇਦਨਸ਼ੀਲ ਵਿਸ਼ੇ, ਪ੍ਰਾਂਪਟ ਇੰਜੈਕਸ਼ਨ, ਅਤੇ ਡੋਮੇਨ-ਸੰਬੰਧੀ ਐਜ ਕੇਸ|
- ਉਦੇਸ਼ਪੂਰਕ ਲਾਗਿੰਗ: ਫਲੈਗ ਕੀਤੀਆਂ ਇੰਟਰੈਕਸ਼ਨਾਂ, ਅਸਵੀਕਾਰ, ਹਰ ਮਾਡਲ/ਵਰਜ਼ਨ ਬਦਲਾਅ ਨੂੰ ਟ੍ਰੈਕ ਕਰੋ—ਤਾਂ ਜੋ ਤੁਸੀਂ guess ਕਰਨ ਦੀ ਥਾਂ ਡੀਬੱਗ ਕਰ ਸਕੋ।
- ਮਨੁੱਖੀ ਏਸਕਲੇਸ਼ਨ ਪਾਥ: ਇਕ ਸਧਾਰਣ “ਇਸ ਦੀ ਰਿਪੋਰਟ ਕਰੋ” ਫਲੋ ਅਤੇ ਤਤਕਾਲ ਮਾਮਲਿਆਂ ਲਈ ਨਿਰਧਾਰਿਤ ਆਨ-ਕਾਲ ਮਾਲਕੀਅਤ
ਇਹ ਪ੍ਰਯੋਗ ਛੋਟੇ ਹਨ, ਪਰ ਉਹ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਇੱਕੋ ਹੀ ਗਲਤੀਆਂ ਨੂੰ ਦੁਹਰਾਉਣ ਤੋਂ ਰੋਕਦਾ ਹੈ।
ਸੱਭਿਆਚਾਰ ਕੀ ਮਾਪਦਾ ਹੈ—ਅਤੇ ਕੀ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ
ਜੇ ਤੁਸੀਂ ਸਿਰਫ ਸਾਇਨਅੱਪ, ਰੀਟੇਨਸ਼ਨ, ਅਤੇ ਲੈਟੈਂਸੀ ਮਾਪਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਆਉਟਪੁੱਟ ਦੀ ਗਿਣਤੀ ਅਤੇ ਵਾਧੇ ਨੂੰ ਅਪਟੀਮਾਈਜ਼ ਕਰੋਗੇ। ਕੁਝ ਭਰੋਸਾ ਮੈਟ੍ਰਿਕਸ—appeal rates, false refusal rates, user-reported harm, sensitive-data exposure—ਜੋੜੋ, ਅਤੇ ਟੀਮ ਦੀਆਂ ਪ੍ਰੇਰਣਾਵਾਂ ਬਦਲ ਜਾਣਗੀਆਂ।
ਪ੍ਰਯੋਗਿਕ ਸੁਰੱਖਿਆ-ਚੇਤਾਵਨੀ ਥਿਓਰਟੀਕਲ ਨਹੀਂ ਹਨ। ਉਹ ਉਤਪਾਦ ਨਿਰਣੇ ਹਨ ਜੋ ਗਤੀ ਨੂੰ ਉੱਚਾ ਰੱਖਦੀਆਂ ਹੋਈਆਂ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਘਟਾਉਂਦੀਆਂ ਹਨ।
ਸਟਾਰਟਅਪ ਪੈਟਰਨ ਜੋ ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਨਾਲ ਪ੍ਰਭਾਵਿਤ ਹਨ
ਬਿਨਾ ਡਰ ਦੇ ਇਟਰੈਟ ਕਰੋ
ਸਨੈਪਸ਼ਾਟਸ ਅਤੇ ਰੋਲਬੈਕ ਨਾਲ ਟੈਸਟ ਕਰੋ ਤਾਂ ਜੋ ਇਟਰੈਸ਼ਨ ਕੁਝ ਤੋੜੇ ਤਾਂ ਵਾਪਸ ਲਿਆ ਜਾ ਸਕੇ।
ਕੁਝ AI ਸਟਾਰਟਅਪਾਂ ਦੀਆਂ "ਸ਼ਕਲਾਂ" ਮੁੜ-ਮੁੜ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ—ਨਾ ਕਿ ਇਸ ਲਈ ਕਿ ਫਾਊਂਡਰਾਂ ਕੋਲ ਕਮਾਲ ਨਹੀਂ, ਪਰ ਇਸ ਲਈ ਕਿ ਇਹ ਸ਼ਕਲਾਂ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖਣ, ਯੂਜ਼ਰ ਤੋਂ ਸਿੱਖਣ, ਅਤੇ ਮੁੱਲ ਪੇਸ਼ ਕਰਨ ਲਈ موزੂੰ ਹਨ।
ਜਿਹੜੇ ਪੈਟਰਨ ਤੁਸੀਂ ਵਾਰ-ਵਾਰ ਵੇਖਦੇ ਹੋ
ਜ਼ਿਆਦਾਤਰ ਨਵੇਂ AI ਉਤਪਾਦ ਕੁਝ ਪਛਾਣਯੋਗ ਬਕਟਾਂ ਵਿੱਚ ਆਉਂਦੇ ਹਨ：
- ਰੈਪਰ ਐਪਸ: ਇਕ ਮਾਡਲ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਕੇਂਦਰਿਤ ਇੰਟਰਫੇਸ ਜੋ ਇੱਕ ਜੌਬ ਬਹੁਤ ਵਧੀਆ ਢੰਗ ਨਾਲ ਹੱਲ ਕਰਦਾ ਹੈ (ਸੇਲਜ਼ ਈਮੇਲ ਰੀਰਾਈਟ, ਸਪੋਰਟ ਟਿਕਟਾਂ ਸੰਖੇਪ, ਪਾਠ ਯੋਜਨਾ ਤਿਆਰ ਕਰਨਾ)। ਫਾਇਦਾ ਮਾਡਲ ਨਹੀਂ—ਵਰਕਫਲੋ, UX, ਅਤੇ ਵਿਤਰਣ ਹੈ।
- ਵਰਟੀਕਲ AI: ਕਿਸੇ ਖਾਸ ਉਦਯੋਗ ਲਈ ਬਣਿਆ AI (ਕਲੀਨਿਕ, ਨਿਰਮਾਣ, ਕਾਨੂੰਨੀ ਓਪਰੇਸ਼ਨ) ਜਿਸ ਵਿੱਚ ਡੋਮੇਨ ਡੇਟਾ, ਕੰਪਲਾਇੰਸ ਲੋੜਾਂ, ਅਤੇ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਹੁੰਦੇ ਹਨ ਜੋ ਜੇਨੇਰਲ ਟੂਲਾਂ ਅਹਮ ਨਹੀਂ ਮੰਨਦੇ।
- ਵਰਕਫਲੋ ਆਟੋਮੇਸ਼ਨ: ਮੌਜੂਦਾ ਟੂਲਾਂ ਵਿੱਚ AI ਨੂੰ ਐਂਬੈਡ ਕਰਕੇ ਕਦਮ ਘਟਾਏ—ਡਰਾਫਟਿੰਗ, ਟ੍ਰਾਇਅਜ, ਰਾਊਟਿੰਗ, ਡੇਟਾ ਦਾਖਲ, ਅਤੇ ਐਕਸੈਪਸ਼ਨ ਹੈਂਡਲਿੰਗ—ਅਕਸਰ ਜਿੱਥੇ ਲੋੜ ਹੋਵੇ ਮਨੁੱਖੀ ਰਿਵਿਊ ਵੀ ਹੁੰਦੀ ਹੈ।
- ਏਜੰਟਿਕ ਪ੍ਰਯੋਗ: ਸ਼ੁਰੂਆਤੀ "ਏਜੰਟ" ਜੋ ਬਹੁ-ਕਦਮੀ ਟਾਸਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ (ਬੁੱਕਿੰਗ, ਰਿਸਰਚ, ਮੇਲ-ਮੇਲ, CRM ਅਪਡੇਟ)। ਬਹੁਤ ਸਾਰੇ ਪ੍ਰਯੋਗ ਸੁਧਾਰ ਹੋ ਕੇ ਨਿਰਧਾਰਿਤ, ਆਡਿਟੇਬਲ ਫਲੋਜ਼ ਵਿੱਚ ਸੰਕੁਚਿਤ ਹੋ ਜਾਂਦੇ ਹਨ।
ਸੰਕੁਚਿਤ ਕਿਉਂ ਚੌਣ ਨੂੰ ਜੇਤੂ ਬਣਾਉਂਦਾ ਹੈ
ਸਟਾਰਟਅਪ ਅਕਸਰ ਇੱਕ ਨਿਰਧਾਰਤ ਯੂਜ਼ਰ ਅਤੇ ਇੱਕ ਸਾਫ਼ ਮੁੱਲ-ਵਾਅਦਾ ਚੁਣ ਕੇ ਜਿੱਤਦੇ ਹਨ। “AI ਫਾਰ ਮਾਰਕੇਟਿੰਗ” ਫਿਕਸ ਨਹੀਂ; “ਲੰਬੇ ਵੇਬਿਨਾਰ ਰਿਕਾਰਡਿੰਗਜ਼ ਨੂੰ 15 ਮਿੰਟ ਵਿੱਚ 5 ਪ੍ਰਕਾਸ਼ਿਤ ਕਲਿਪਾਂ ਵਿੱਚ ਬਦਲੋ” ਤੇਜ਼ ਹੋਵੇਗਾ। ਸੰਕੁਚਿਤ ਕਰਨ ਨਾਲ ਫੀਡਬੈਕ ਵੀ ਤੇਜ਼ ਹੋ ਜਾਂਦਾ ਹੈ: ਤੁਸੀਂ ਛੇਤੀ ਪਤਾ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਕੀ ਤੁਸੀਂ ਸਮਾਂ ਬਚਾਇਆ, ਗਲਤੀਆਂ ਘਟਾਈਆਂ, ਜਾਂ ਰੈਵੇਨਿਊ ਵਧਾਇਆ।
ਇਹ ਫੋਕਸ ਤੁਹਾਨੂੰ ਇੱਕ ਜਨਰਿਕ ਚੈਟਬੌਟ ਸ਼ਿਪ ਕਰਨ ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ ਜਦ ਕਿ ਯੂਜ਼ਰ ਦਰਅਸਲ ਇੱਕ ਐਸਾ ਟੂਲ ਚਾਹੁੰਦੇ ਹਨ ਜੋ ਉਹਨਾਂ ਦੀ ਮੌਜੂਦਾ ਅਦਾਤਾਂ, ਅਧਿਕਾਰਾਂ, ਅਤੇ ਡੇਟਾ ਨਾਲ ਮਿਲਦਾ ਜੁਲਦਾ ਹੋਵੇ।
ਪ੍ਰਾਈਸਿੰਗ ਅਤੇ ਯੂਨਿਟ ਇਕਨਾਮਿਕਸ ਵਿਕਲਪ ਨਹੀਂ
AI ਉਤਪਾਦ ਡੈਮੋ ਵਿੱਚ ਮੁਨਾਫ਼ਾ ਵਾਲੇ ਲੱਗ ਸਕਦੇ ਹਨ ਪਰ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਦਰਦਨਾਕ ਹੋ ਸਕਦੇ ਹਨ। ਪ੍ਰਾਈਸਿੰਗ ਨੂੰ ਉਤਪਾਦ ਡਿਜ਼ਾਈਨ ਦਾ ਹਿੱਸਾ ਮੰਨੋ：
- ਪ੍ਰਤੀ ਟਾਸਕ ਇਨਫਰੈਂਸ ਲਾਗਤ (ਟੋਕਨ, ਚਿੱਤਰ, ਟੂਲ ਕਾਲ) ਟਰੈਕ ਕਰੋ ਅਤੇ ਜਾਣੋ ਕਿ ਇਹ ਵਰਤੋਂ ਨਾਲ ਕਿਵੇਂ ਵੱਧਦੀ ਹੈ।
- ਭਾਰੀ ਯੂਜ਼ਰਾਂ ਨੂੰ ਗੁਪਤ ਰੂਪ ਵਿੱਚ ਲੀਡਰ ਨਾ ਬਨਣ ਦੇ ਲਈ ਯੂਸੇਜ ਕੈਪ ਜਾਂ ਟੀਅਰਡ ਪਲਾਂ ਵਰਤੋ।
- ਤੁਸੀਂ ਕੀ ਵੇਚ ਰਹੇ ਹੋ: ਸਮਾਂ-ਬਚਤ, ਥਰੂਪੁੱਟ, ਜੋਖਮ ਘਟਾਉਣਾ, ਜਾਂ ਰੈਵੇਨਿਊ ਬਢ਼ਾਉਣਾ—ਫਿਰ ਉਸ ਮੁੱਲ ਦੌਰਾਨ ਮੁੱਲ ਨਿਰਧਾਰਨ ਕਰੋ।
ਜੇ ਤੁਸੀਂ ਸੱਫਟਵੇਅਰ ਵਿੱਚ ਕੋਈ ਪ੍ਰਾਈਸਿੰਗ ਪੇਜ ਰੱਖਦੇ ਹੋ, ਤਾਂ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਇਸਨੂੰ ਸਪਸ਼ਟ ਰੱਖਣਾ ਬਿਹਤਰ ਹੈ ਤਾਂ ਗਾਹਕ ਸੀਮਾਵਾਂ ਸਮਝ ਸਕਣ ਅਤੇ ਟੀਮਾਂ ਮਾਰਜਿਨ ਸਮਝ ਸਕਣ।
ਫਾਊਂਡਰ ਅੱਜ ਕੀ ਅਪਲਾਈ ਕਰ ਸਕਦੇ ਹਨ (ਹਾਈਪ ਤੋਂ ਬਿਨਾਂ)
Paul Graham ਦੀ ਸਭ ਤੋਂ ਚੰਗੀ ਸਲਾਹ AI 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਅਨੁਵਾਦ ਹੁੰਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਇਕ ਕੌਮਪੋਨੈਂਟ ਵਜੋਂ ਦੇਖੋ, ਉਤਪਾਦ ਨਹੀਂ। ਲਕਸ਼仍 ਇਕੋ ਹੈ: ਕੁਝ ਵਰਤੋਗੀ ਸ਼ਿਪ ਕਰੋ, ਮੁਕਾਬਲੇ ਤੌਰ 'ਤੇ ਹੋਰਨਾਂ ਨਾਲੋਂ ਤੇਜ਼ ਸਿੱਖੋ, ਅਤੇ ਟੀਮ ਨੂੰ ਕੇਂਦਰਿਤ ਰੱਖੋ।
ਇੱਕ ਪ੍ਰਯੋਗਾਤਮਕ ਹਫ਼ਤਾਵਾਰੀ ਚੈੱਕਲਿਸਟ
ਇੱਕ ਨਿਰਧਾਰਤ ਯੂਜ਼ਰ ਅਤੇ ਇਕ ਸਪਸ਼ਟ ਕੰਮ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ：
- ਯੂਜ਼ਰ ਚੁਣੋ: ਇੱਕ ਖਾਸ ਭੂਮਿਕਾ ਨਾਂ ਦਿਓ (ਉਦਾਹਰਣ ਵਜੋਂ, “20-ਅਦਮੀ SaaS ਵਿੱਚ ਇੱਕ ਸਪੋਰਟ ਲੀਡ”)。
- ਸਫਲਤਾ ਮੈਟ੍ਰਿਕਸ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ: ਇੱਕ ਨਤੀਜਾ ਮੈਟ੍ਰਿਕ (ਸਮਾਂ ਬਚਤ, ਟਿਕਟ ਹੱਲ) ਅਤੇ ਇੱਕ ਗੁਣਵੱਤਾ ਮੈਟ੍ਰਿਕ (ਸਹੀ, CSAT)。
- ਛੋਟੇ ਪ੍ਰਯੋਗ ਚਲਾਓ: ਇੱਕ ਸਮੇਂ 'ਚ ਇੱਕ ਚਰ (ਪ੍ਰਾਂਪਟ, ਰਿਟ੍ਰੀਵਲ ਸਰੋਤ, UI ਕਦਮ, ਗਾਰਡਰੇਲ) ਬਦਲੋ。
- ਹਫ਼ਤੇਵਾਰ ਇਟਰੇਟ ਕਰੋ: ਹਰ ਸ਼ੁੱਕਰਵਾਰ ਮੈਟ੍ਰਿਕਸ ਦੇਖੋ, “ਰੱਖੋ / ਮਾਰੋ / ਬਦਲੋ” ਫੈਸਲਾ ਕਰੋ, ਸੋਮਵਾਰ ਨੂੰ ਸ਼ਿਪ ਕਰੋ。
ਜੇ ਤੁਹਾਨੂੰ ਇੱਕ ਸਧਾਰਣ ਫਾਰਮੈਟ ਚਾਹੀਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਪੰਨਾ “ਏਕਸਪੇਰੀਮੈਂਟ ਨੋਟ” ਲਿਖੋ ਅਤੇ ਇਸ ਨੂੰ /docs ਵਿੱਚ ਸਟੋਰ ਕਰੋ ਤਾਂ ਕਿ ਟੀਮ ਸਿੱਖਿਆ ਇਕੱਠੀ ਕਰ ਸਕੇ।
ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰੋਟੋਟਾਇਪ-ਟੂ-ਫੀਡਬੈਕ ਲੂਪ ਨੂੰ ਹੋਰ ਵੀ ਸਿੱਘਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਉਹ ਪਲੇਟਫਾਰਮ ਜਿਵੇਂ Koder.ai ਟੀਮਾਂ ਨੂੰ ਚੈਟ ਇੰਟਰਫੇਸ ਰਾਹੀਂ ਅਸਲ ਐਪਾਂ ਬਣਾਉਣ ਅਤੇ ਇਟਰੇਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ—ਇਹ React ਵੈਬ UI (Go + PostgreSQL ਬੈਕਐਂਡ) ਵਿੱਚ ਵਰਕਫਲੋ ਤੇਜ਼ੀ ਨਾਲ ਟੈਸਟ ਕਰਨ ਲਈ ਉਪਯੋਗੀ ਹੈ, ਬਜਾਏ ਕਿ ਭਾਰੀ ਇੰਜੀਨੀਅਰਿੰਗ ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ।
ਸੁਭਾਵ ਜੋ ਕੁਟੇ ਨਤੀਜੇ ਲਿਆਉਂਦੇ ਹਨ
ਸਕੋਪ ਤੰਗ ਰੱਖੋ ਅਤੇ ਪ੍ਰਗਤੀ ਨੂੰ ਦਿੱਖਾਵੋ：
- ਫੈਸਲਿਆਂ ਲਈ ਛੋਟੇ ਦਸਤਾਵੇਜ਼ ਲਿਖੋ: ਤੁਸੀਂ ਕੀ ਟ੍ਰਾਈ ਕੀਤਾ, ਕੀ ਹੋਇਆ, ਅਗਲਾ ਕਦਮ ਕੀ ਹੈ।
- ਫੇਲ੍ਹਾਂ ਨੂੰ ਫੀਚਰ ਵਾਂਗ ਟਰੈਕ ਕਰੋ: ਨਾਖੁਸ਼ ਨਤੀਜੇ ਸੰਭਾਲੋ, ਕਿਉਂ ਫੇਲ ਹੋਏ ਲੇਬਲ ਕਰੋ, ਅਤੇ ਬਦਲਾਅ ਤੋਂ ਬਾਅਦ ਦੁਬਾਰਾ ਟੈਸਟ ਕਰੋ।
- ਰੋਜ਼ ਯੂਜ਼ਰਾਂ ਨਾਲ ਗੱਲ ਕਰੋ (ਜਾਂ ਸੈਸ਼ਨ ਵੇਖੋ)। ਇੱਕ ਅਸਲ ਗੱਲ-ਬਾਤ ਇੱਕ ਹਫ਼ਤੇ ਦੀ ਅੰਦਰੂਨੀ ਚਰਚਾ ਦੇ ਬਦਲੇ ਵਧੀਆ ਹੁੰਦੀ ਹੈ।
- “ਮਾਡਲ ਬਿਲ ਆਫ਼ ਮੈਟਰੀਅਲ” ਰੱਖੋ: ਡੇਟਾ ਸਰੋਤ, ਪ੍ਰਾਂਪਟ ਟੈਂਪਲੇਟ, ਇਵਾਲ ਸੈਟ, ਅਤੇ ਰੋਲਆਉਟ ਸਥਿਤੀ।
ਕੀ ਤੋਂ ਬਚੋ
ਕੁਝ ਆਮ ਜਾਲ ਜੋ ਮਹੀਨੇ ਬਰਬਾਦ ਕਰਦੇ ਹਨ：
- ਸੰਕੁਚਿਤ "AI-ਪਹਿਲਾਂ" ਪਿਛਾਣ ਬਿਨਾਂ ਇਕ ठੋਸ ਵਰਕਫਲੋ ਜਾਂ ਖਰੀਦਦਾਰ
- ਡੈਮੋ ਪੋਲਿਸ਼ ਕਰਨ ਦੌਰਾਨ ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਅਧਿਕਾਰਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ
- ਸੀਮਾਵਾਂ ਨੂੰ ਲੁਕਾਉਣਾ ਬਦਲੇ ਉਨਾਂ ਦੇ ਆਡਿੱਤ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣਾ (ਭਰੋਸਾ, citations, ਏਸਕਲੇਸ਼ਨ ਪਾਥ)
ਸੰਤੁਲਿਤ ਨਿਸਕਰਸ਼
ਇੱਕ Paul Graham-ਸਟਾਈਲ ਸੱਭਿਆਚਾਰ—ਕਿਰਿਆ ਲਈ ਪੱਖਪਾਤ, ਸਪੱਸ਼ਟਤਾ, ਅਤੇ ਲਗਾਤਾਰ ਫੀਡਬੈਕ—AI ਉਤਪਾਦਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸੁਧਾਰ ਸਕਦਾ ਹੈ। ਇਹ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ ਜਦੋਂ ਉਸਨੂੰ ਜ਼ਿੰਮੇਵਾਰੀ ਨਾਲ ਜੋੜਿਆ ਜਾਵੇ：ਈਮਾਨਦਾਰ ਇਵਾਲ, ਧਿਆਨਪੂਰਵਕ ਰੋਲਆਉਟ, ਅਤੇ ਜਦੋਂ ਮਾਡਲ ਗਲਤ ਹੋਵੇ ਤਾਂ ਇੱਕ ਯੋਜਨਾ। ਗਤੀ ਮੈਟਰ ਕਰਦੀ ਹੈ, ਪਰ ਭਰੋਸਾ ਉਹ ਮੋਰਟ ਹੈ ਜੋ ਤੁਸੀਂ ਦੁਬਾਰਾ ਨਹੀਂ ਬਣਾ ਸਕਦੇ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ
ਪੌਲ ਗ੍ਰਾਹਮ ਅੱਜ ਦੇ AI ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ ਲਈ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹਨ?
Paul Graham ਨੇ ਫ਼ਾਉਂਡਰ عادਤਾਂ—ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣਾ, ਯੂਜ਼ਰਾਂ ਦੇ ਨੇੜੇ ਰਹਿਣਾ, ਟੀਮਾਂ ਨੂੰ ਛੋਟਾ ਰੱਖਣਾ ਅਤੇ ਜਲਦ ਸ਼ਿਪ ਕਰਨਾ—ਨੂੰ ਲੋਕਪ੍ਰਿਯ ਬਣਾਇਆ, ਜੋ ਕਿ AI ਉਤਪਾਦਾਂ ਨਾਲ ਬੇਹੱਦ ਅਨੁਕੂਲ ਬੈਠਦੀਆਂ ਹਨ。
AI ਕੰਮ ਦੁਬਾਰਾ-ਸੁਧਾਰ (prompts, ਡੇਟਾ, ਵਰਕਫਲੋ, ਇਵਾਲਯੂਏਸ਼ਨ) ਰਾਹੀਂ ਬਿਹਤਰ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਤੇਜ਼ ਸਿੱਖਣ ਲਈ ਇਕੱਤਰ ਸੱਭਿਆਚਾਰ ਡੈਮੋਆਂ ਨੂੰ ਲੋੜੀ ਦੇ ਸੌਫਟਵੇਅਰ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਇਸ ਲੇਖ ਵਿੱਚ “ਸਟਾਰਟਅਪ ਸੱਭਿਆਚਾਰ” ਦਾ ਕੀ ਮਤਲਬ ਹੈ?
ਇੱਥੇ ਇਸਦਾ ਅਰਥ ਇਕ ਐਸਾ ਆਪਰੇਟਿੰਗ ਸਿਸਟਮ ਹੈ ਜੋ ਅਣਿਸ਼ਚਿਤ ਧਾਰਣਾਂ ਨੂੰ ਉਤਪਾਦਾਂ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ：
- ਗਤਿ: ਵਿਚਾਰ → ਪ੍ਰੋਟੋਟਾਇਪ → ਫੀਡਬੈਕ ਲਈ ਛੋਟੇ ਚੱਕਰ
- ਪ੍ਰਯੋਗ: ਕਈ ਰਸਤੇ ਟੈਸਟ ਕਰੋ; ਜੋ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਉਹ ਖਤਮ ਕਰੋ
- ਛੋਟੀ ਟੀਮਾਂ: ਘੱਟ ਹੈਂਡਆਫ, ਸਾਫ਼ ਮਲਕਿਯਤ, ਤੇਜ਼ ਫੈਸਲੇ
ਇਹ “ਵਾਈਬਜ਼” ਬਾਰੇ ਨਹੀਂ, ਸਗੋਂ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ ਬਾਰੇ ਹੈ।
AI ਉਤਪਾਦ ਲਈ “ਲੋਕਾਂ ਲਈ ਕੁਝ ਬਣਾਓ” ਨੂੰ ਕਿਸ ਤਰ੍ਹਾਂ ਲਾਗੂ ਕੀਤਾ ਜਾਏ (ਸਿਰਫ਼ ਸ਼ਾਨਦਾਰ ਡੈਮੋ ਨਹੀਂ)?
ਇੱਕ ਸੰਕੁਚਿਤ ਕੰਮ ਅਤੇ ਇੱਕ ਨਿਸ਼ਚਿਤ ਯੂਜ਼ਰ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ, ਫਿਰ ਸਾਦੀ ਸਵਾਲ ਪੂਛੋ: ਕੀ ਉਹ ਅਗਲੇ ਹਫ਼ਤੇ ਇਸਨੂੰ ਆਪਣੀ ਮੌਜੂਦਾ ਵਿਆਵਸਥਾ ਦੀ ਥਾਂ ਚੁਣਣਗੇ?
ਪ੍ਰਯੋਗਾਤਮਕ ਤਰੀਕੇ:
- ਇੱਕ ਵਰਕਫਲੋ 'ਤੇ ਬਚਾਇਆ ਸਮਾਂ ਜਾਂ ਵਾਧੇ ਹੋਏ ਥਰੂਪੁੱਟ ਨੂੰ ਮਾਪੋ
- ਮੌਜੂਦਾ ਪ੍ਰਕਿਰਿਆ ਨਾਲ ਲੋੜੀ ਦੀਆਂ ਗਲਤੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ
- ਅਸਲੀ ਵਰਤੋਂ ਵੇਖੋ ਅਤੇ ਨੋਟ ਕਰੋ ਕਿ ਭਰੋਸਾ ਕਿੱਥੇ ਟੁੱਟਦਾ ਹੈ
AI ਟੀਮਾਂ ਲਈ “ਤੇਜ਼ ਇਟਰੇਟ ਕਰੋ” ਅਮਲ ਵਿੱਚ ਕਿਸ ਤਰ੍ਹਾਂ ਦਿਖਦਾ ਹੈ?
ਇਟਰੇਸ਼ਨ ਨੂੰ ਇੱਕ ਸਿਸਟਮ-ਸਤਰ ਦੀ ਆਦਤ ਸਮਝੋ, ਨਾ ਕਿ ਇੱਕ-ਵਾਰੀ “ਸਭ ਤੋਂ ਚੰਗਾ ਮਾਡਲ ਚੁਣੋ” ਫੈਸਲਾ。
ਆਮ ਇਟਰੇਸ਼ਨ ਲਿਵਰਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ：
- ਪ੍ਰਾਂਪਟ ਅਤੇ ਨਿਰਦੇਸ਼ ਬਦਲਣਾ
- UI ਅਤੇ ਵਰਕਫਲੋ ਸੀਮਾਵਾਂ (ਯੂਜ਼ਰ ਕੀ ਪੁੱਛ ਸਕਦੇ ਹਨ, ਆਉਟਪੁੱਟ ਕਿਵੇਂ ਰਿਵਿਊ ਕੀਤੀ ਜਾਂਦੀ ਹੈ)
- ਰਿਟਰੀਵਲ/ਡੇਟਾ ਸੁਧਾਰ
- ਮਾਡਲ ਰੂਟਿੰਗ (ਵੱਖ-ਵੱਖ ਟਾਸਕ ਲਈ ਵੱਖਰੇ ਮਾਡਲ)
- ਰੀਗਰੈਸ਼ਨ ਰੋਕਣ ਲਈ ਹਲਕੀ ਝੋਟ ਜਿਹੀ ਇਵਾਲਯੂਏਸ਼ਨ
AI ਸਟਾਰਟਅਪਾਂ ਲਈ “ਜੋ ਚੀਜ਼ਾਂ ਸਕੇਲ ਨਹੀਂ ਹੁੰਦੀਆਂ ਉਹ ਕਰੋ” ਦੇ ਚੰਗੇ ਤਰੀਕੇ ਕਿਹੜੇ ਹਨ?
ਇਹ ਸ਼ੁਰੂ ਵਿੱਚ ਮਨੁੱਖੀ, ਨਾ-ਸਕਲੇਬਲ ਕੰਮ ਕਰਕੇ ਪਤਾ ਲਗਾਉਣ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਖੀਰਕਾਰ ਕੀ ਆਟੋਮੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਉਦਾਹਰਣ:
- ਇਕ-ਇਕ ਗਾਹਕ ਦੀਆਂ ਆਨਬੋਰਡਿੰਗ ਕਾਲਾਂ ਤੇ ਬੈਠ ਕਰ ਰੀਅਲ ਟਾਸਕ ਦੇਖਣਾ
- ਈਮੇਲ/Slack ਰਾਹੀਂ ਕਨਸੀਅਰਜ ਡਿਲਿਵਰੀ ਜਿਸ ਵਿਚ ਇੱਕ ਮਨੁੱਖ ਆਉਟਪੁੱਟ ਸਹੀ ਕਰਦਾ/ਜਾਂ ਜਾਂਚਦਾ ਹੈ
- ਗਾਹਕ ਨਾਲ ਮਿਲਕੇ 200–500 ਅਸਲ ਉਦਾਹਰਣਾਂ ਦੀਆਂ ਮੈਨੁਅਲ ਲੇਬਲਿੰਗ
ਲੇਖੇ-ਜੋਖੇ ਬਾਅਦ ਵਿੱਚ ਸਿਸਟਮ ਬਣਾਉਣ ਲਈ ਸਪਸ਼ਟ ਨਿਯਮ, ਡਾਟਾ ਪਾਈਪਲਾਈਨ ਅਤੇ ਟੈਮਪਲੇਟ ਬਣਾਉਂਦੇ ਹਨ।
ਇੱਕ ਹਲਕੀ-ਫਲਕੀ ਇਵਾਲਯੂਏਸ਼ਨ ਢਾਂਚਾ ਜੋ ਸ਼ੁਰੂਆਤੀ AI ਉਤਪਾਦਾਂ ਵਿੱਚ ਵਾਸਤਵ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਕੀ ਹੈ?
ਛੋਟੇ-ਅੰਕੜੇ ਵਿੱਚ ਸ਼ੁਰੂ ਕਰੋ ਅਤੇ ਮੁੜ-ਹੋਨਹਾਰ ਫੇਲਯਰ ਲੱਭਣ 'ਤੇ ਧਿਆਨ ਦਿਓ, ‘ਗੁਣਵੱਤਾ ਸਾਬਤ’ ਕਰਨ 'ਤੇ ਨਹੀਂ।
ਲਾਭਕਾਰੀ ਸ਼ੁਰੂਆਤੀ ਸਿਗਨਲ:
- ਮੁੱਖ ਟਾਸਕ ਲਈ ਸਕਿੰਟ-ਟੈਸਟ (ਫਾਰਮੈਟ, ਸਾਇਟੇਸ਼ਨ, ਰਾਉਟ, ਟੂਲ-ਕਾਲ ਸਫਲਤਾ)
- ਇਨਪੁੱਟ ਅਤੇ ਮਾਡਲ/ਵਰਜ਼ਨ ਮੈਟਾ ਡੇਟਾ ਨੂੰ ਰੱਖਣ ਵਾਲੇ ਲੌਗ
- ਯੂਜ਼ਰ ਨਾਲ ਮਿਲਕੇ ਇੱਕ ਸਧਾਰਣ ਰੂਬਰਿਕ (ਸਹੀ, ਕਾਰਗਰ, ਸੁਰੱਖਿਅਤ, ਟੋਨ)
ਫਿਰ ਇੱਕ ਤੰਗ ਲੂਪ ਚਲਾਓ: detect → reproduce → categorize → fix → verify。
ਕਿਵੇਂ ਇੱਕ ਟੀਮ ਬਗੈਰ ਬਿਊਰੋਕਰੇਸੀ ਦੇ ਗਤੀ ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰ ਸਕਦੀ ਹੈ?
ਗਤੀ ਰੱਖੋ ਪਰ ਕੁਝ ਗਾਰਡਰੇਲ ਅਣ-ਮੁਅੱਤਲ ਨਾ ਕਰੋ:
- ਪ੍ਰੀ-ਸ਼ਿਪ ਚੈੱਕਲਿਸਟ (ਕਿਹੜਾ ਡੇਟਾ ਇਕੱਤਰ ਹੁੰਦਾ ਹੈ, ਕਿੱਥੇ ਸਟੋਰ ਹੁੰਦਾ ਹੈ, ਕੀ ਯੂਜ਼ਰ ਮਿਟਾ ਸਕਦੇ ਹਨ, ਜਾਣੇ-ਪਛਾਣੇ ਫੇਲਯਰ ਮੋਡ)
- ਪ੍ਰਤੀ ਰਿਲੀਜ਼ 30–60 ਮਿੰਟ ਦੇ ਰੈਡ-ਟੀਮ ਟੈਸਟ (ਜੈਲਬ੍ਰੇਕ, ਪ੍ਰਾਂਪਟ ਇੰਜੈਕਸ਼ਨ, ਸੰਵੇਦਨਸ਼ੀਲ ਵਿਸ਼ੇ)
- ਉਦੇਸ਼ਪੂਰਕ ਲਾਗਿੰਗ (ਫਲੈਗ ਕੀਤੇ ਇੰਟਰੈਕਸ਼ਨ, ਅਸ્વੀਕਾਰ, ਮਾਡਲ/ਵਰਜ਼ਨ ਬਦਲਾਵ)
- ਮਨੁੱਖੀ ਏਸਕਲੇਸ਼ਨ ਪਾਥ ("ਇਸ ਦੀ ਰਿਪੋਰਟ ਕਰੋ" + ਇਕ ਆਨ-ਕੋਲ ਜ਼ਿੰਮੇਵਾਰ)
ਇਹ ਛੋਟੀ-ਛੋਟੀ ਆਦਤਾਂ ਤੇਜ਼ੀ ਨਾਲ ਇਟਰੈਟ ਕਰਦੇ ਹੋਏ ਵੱਡੀਆਂ ਗਲਤੀਆਂ ਦੁਹਰਾਉਣ ਤੋਂ ਰੋਕਦੀਆਂ ਹਨ।
ਛੋਟੀਆਂ ਟੀਮਾਂ ਅਤੇ ਜੈਨਰਲਿਸਟ ਪਹਿਲੇ ਦਰਜੇ 'ਤੇ ਕਿਉਂ ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਨੂੰ ਆਉਟਪੇਰਫਾਰਮ ਕਰਦੀਆਂ ਹਨ?
ਜਦੋਂ ਤਕਨੀਕ ਹਫ਼ਤੇ ਦੇ ਅੰਦਰ-ਅੰਦਰ ਬਦਲਦੀ ਹੈ, ਛੋਟੀ ਟੀਮਾਂ ਕੋਆਰਡੀਨੇਸ਼ਨ ਟੈਕਸ ਤੋਂ ਬਚਦੀਆਂ ਹਨ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਮੁੜ-ਦਿਸ਼ਾ ਬਦਲ ਸਕਦੀਆਂ ਹਨ।
ਆਮ ਪੈਟਰਨ:
- ਸ਼ੁਰੂ 'ਤੇ ਜੈਨਰਲਿਸਟ: ਪ੍ਰੋਡਕਟ, ਡੇਟਾ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਨੂੰ ਕਵਰ ਕਰ ਸਕਣ
- ਬਾਅਦ ਵਿੱਚ ਸਪੈਸ਼ਲਿਸਟ: ਜਦੋਂ ਵਰਕਫਲੋ ਕੰਮ ਕਰ ਰਿਹਾ ਹੋਵੇ ਤਾਂ ML, ਸੁਰੱਖਿਆ ਜਾਂ ਇੰਫ੍ਰਾ ਰੱਖੋ
ਜਲਦੀ ਸਵਾਲ ਪੁੱਛਣ ਅਤੇ ਫੈਸਲੇ करने ਵਾਲੇ ਫਾਊਂਡਰਾਂ ਨੇ ਵੀ ਤੁਰੰਤ ਫਾਇਦਾ ਹੁੰਦਾ ਹੈ।
VC ਅਤੇ Y Combinator AI ਨਵੀਨਤਾ ਦੀ ਰਫ਼ਤਾਰ 'ਤੇ ਕਿਸ ਤਰ੍ਹਾਂ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ?
VC AI ਦੇ ਉੱਚ-ਵੈਰੀਅੰਸ ਪ੍ਰੋਫਾਈਲ ਨਾਲ ਮਿਲਦਾ ਹੈ: ਵੱਡੀ ਉਮੀਦ, ਅਣਿਸ਼ਚਿਤ ਰਸਤਾ ਅਤੇ ਅਗੇ ਤੋਂ ਖਰਚੀਲਾ ਢਾਂਚਾ।
YC-ਸ਼ੈਲੀ ਸਹਿਯੋਗ ਤੇਜ਼ੀ ਕਿਵੇਂ ਲਿਆਉਂਦਾ ਹੈ:
- ਕੋਈ ਟਿਮ ਹਫ਼ਤਾਵਾਰੀ ਸ਼ਿਪ ਕਰਦੇ ਦੇਖ ਰਿਹਾ ਹੈ, ਯੂਜ਼ਰਾਂ ਨਾਲ ਰੋਜ਼ ਗੱਲ ਕਰਦੇ ਹਨ, ਅਤੇ ਜੋ ਮਾਪਦੰਡ ਜ਼ਰੂਰੀ ਹਨ ਉਹ ਮਾਪਦੇ ਹਨ
- ਮੈਨਟਰਸ਼ਿਪ ਅਤੇ ਸਪਸ਼ਟਤਾ: ਪਾਰਟਨਰ ਅਤੇ ਐਲੂੰਮੀ ਫਾਊਂਡਰਾਂ ਨੂੰ ਠوس ਮਾਇਲਸਟੋਨ ਦਿਸ਼ਾ ਦਿਖਾਉਂਦੇ ਹਨ
- ਬੈਸਟ ਪ੍ਰੈਕਟਿਸਜ਼ ਦਾ ਵੰਡ: ਪ੍ਰਾਈਸਿੰਗ, ਆਨਬੋਰਡਿੰਗ, ਭਰਤੀ ਅਤੇ ਫੰਡਰaising ਦੇ ਪਲੇਇਬੁੱਕ ਤੁਰੰਤ ਫੈਲਦੀਆਂ ਹਨ
ਪਰ ਇਹ ਫਲਾਈਵ੍ਹੀਲ ਦਬਾਅ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਸਿਰਫ਼ ਡੈਮੋ ਦੀ ਭੋਜਲੀ ਨੂੰ ਤਰਜੀਹ ਦੇਵੇ।
ਓਪਨ-ਸੋਰਸ, ਕੰਪਲੀਅੰਸ ਅਤੇ ਲਾਇਸੈਂਸ ਬਾਰੇ AI ਫਾਊਂਡਰਾਂ ਨੂੰ ਕੀ ਜਾਣਨਾ ਚਾਹੀਦਾ ਹੈ?
ਓਪਨ-ਸੋਰਸ AI ਫਾਊਂਡਰਾਂ ਲਈ ਮੁਢਲਾ ਸਟਾਰਟਰ-ਕਿੱਟ ਬਣ ਗਿਆ ਹੈ। ਰਿਸਰਚ ਲੈਬ ਜਾਂ ਵੱਡੇ ਬਜਟ ਦੇ ਬਿਨਾਂ, ਛੋਟੀ ਟੀਮ ਇੱਕ ਮੰਨਯੋਗ ਪ੍ਰੋਟੋਟਾਇਪ ਤੱਕ ਪਹੁੰਚ ਸਕਦੀ ਹੈ। ਇਹ ਮੁਕਾਬਲੇ ਨੂੰ ਬੁਨਿਆਦੀ ਤਿਆਰ ਕਰਨ ਤੋਂ ਬਚਾ ਕਰ “ਅਸਲ ਸਮੱਸਿਆ ਨੂ ਦੂਰ ਕਰਨ” ਵੱਲ ਮੋੜ ਦਿੰਦਾ ਹੈ।
ਕੁਝ ਅਹਿਮ ਬਿੰਦੂ:
- ਸਟੈਕ-ਬਿਲਡਿੰਗ: APIs, ਮਾਡਲ ਅਤੇ ਇੰਫ੍ਰਾਸਟ੍ਰੱਕਚਰ ਨੂੰ ਜੋੜ ਕੇ ਝਟ ਪੈਦਾ ਕਰੋ
- ਸਮੁਦਾਇਕ ਸਿੱਖਿਆ: ਨਵੇਂ ਤਰੀਕੇ ਤੇਜ਼ੀ ਨਾਲ ਸਾਂਝੇ ਹੁੰਦੇ ਹਨ
- ਕੰਪਲੀਅੰਸ ਅਤੇ ਲਾਇਸੈਂਸਿੰਗ ਅਨਿਵਾਰਿਅ ਹਨ: ਮਾਡਲ/ਡੇਟਾ ਲਾਇਸੈਂਸ, ਨਿਰਯਾਤ ਪਰੋਵੈਨੈਂਸ ਅਤੇ ਪ੍ਰਾਈਵੇਸੀ ਧਿਆਨ ਰੱਖੋ
ਤੇਜ਼ ਸਟੈਕ-ਅਸੰਬਲੀ ਨਾਲ ਨਾਲ ਨੀਤੀ ਜਾਂ ਲਾਇਸੈਂਸਿੰਗ ਜਾਂਚਾਂ ਨੂੰ “ਸ਼ਿਪਿੰਗ” ਦਾ ਹਿੱਸਾ ਬਣਾਓ।