פרודקטיבי: איך מפצחים את השילוב בין מודל AI לחווית המשתמש שלנו? (עמית שוסטר, Imagen)

פרודקטיבי, פודקאסט המוצר של סטארטאפ פור סטארטאפ. היי כולם, אני רן ערז ואתם הגעתם לפודקאסט שבו אנחנו מדברים עם מנהלי ומנהלות מוצר מחברות שונות על בעיות מוצריות שהם נתקלו בהן, איך הם ניגשו לפתור אותן ומה השיעורים שהם למדו בדרך. ובפרק של היום נדבר על הבעיה המוצרית הב . איך מפצחים את השילוב בין תוצאות מודל AI לחוויית המשתמש שלו. וכדי לדבר על הבעיה הזאת הזמנו לפה את עמית שוסטר שמוביל את קבוצת המוצר בחברת אימאג'ן. היי עמית. היי רן. אני רק אגיד שעמית מרצה בכנס השנתי של פרודקט X שהתקיים בתאריכים השביעי והשמיני בינואר באולם סמולארש בתל אביב. וגם אנחנו נהיה שם אז בואו להגיד שלום. מה קורה עמית? הכל טוב, מה איתך? מעולה, אז איזה כיף שאנחנו סוף סוף עושים את הפרק והייתי שמח שככה תיתן לנו רגע קצת קונטקסט עליך ועל החברה. בטח, אז אני עמית שוסטר, אני מוביל את המוצר בחברת אימאג'ן. אימאג'ן זה בעצם חברה שב לפתור בעיות לצלמים מקצועיים. בעצם התחלנו מעולמות האדיטינג, מה זה אומר? זה אומר שצלמים יכולים להעלות אלינו תמונות שמרחו בעבר. אנחנו ממש לומדים את התמונות שלהם, יוצרים לכל אחד מהמודל AI אישי. ובעצם כשהם חוזרים מאירוע או חתונה, הם יכולים להעלות את התמונות אלינו, לקבל את התמונות ארוחות ממש לפי הסטייל שלהם. ובעצם אנחנו חוסכים להם 90% מזמן העריכה. מדהים, ומה כזה הייתה הבעיה שאנחנו הולכים לדבר עליה היום, שנתקלתם בהן? אז בעצם היום אנחנו הולכים לדבר על עולמות הקלינג. קלינג זה בעצם סינון תמונות. באימאג'ן אנחנו מתמקדים בעיקר בעולמות הפוסט פרודקשן. זאת אומרת, סינון תמונות זה בעצם השלב שמגיע לפני עריכת התמונות. ואנחנו הולכים לדבר על איך בעצם פיתחנו את מודל ה-AI שלנו לקלינג, ואת כל השלבים השונים שעברנו בדרך. אני אוסיף שגם אני עכשיו ממש מתמודד עם האתגר הזה ביום יום, וזה ב ת מעלה המון המון שאלות מוצריות של מה התפקיד של המודל, מה התפקיד של חוויית המשתמש, ובעיקר כזה איך אנחנו משלבים ביניהם בצורה נכונה. אני חושב שהסיפור שלכם הוא איזשהו פיתוח מעניין, אז אני אשמח אולי לתת לנו כזה קצת יותר קונטקסט על מה אנחנו הולכים לדבר היום, מה הסיפור בעצם. בטח. אז נתחיל שנייה להסביר על קלינג. קלינג בתרגום ישיר זה חיסול, אוקיי? חיסול. חיסול, חיסול של תמונות. וואי וואי. אבל צלמים משתמשים בזה בעצם בכוונה של לסנן את התמונות. זאת אומרת, יש לי, אני עכשיו נגיד אני צלם חתונות, צילמתי 6,000 תמונות במהלך האירוע, ובסופו של דבר ללקוחות שלי אני מביא בערך 1,000 תמונות. אבל בעצם הסיפור שלנו מתחיל בזה שאנחנו היינו מוצר לעריכת תמונות, ואחד המתחרים שלנו, שבאותה תקופה הוא לא היה מתחרה ישיר, הם היו מובילים בעצם בתחום הסינון תמונות בעזרת AI. עכשיו, אנחנו קיבלנו איזושהי ידיעה מודיעינית שהם בעצם מתחילים לעבוד על מוצר עריכת התמונות שלהם. כלומר, להם היה מוצר לסינון תמונות, והתחילו לבנות מוצר לעריכת תמונות, בעצם ממש נכנסו לפילד שלנו, ומבחינתנו לא יכולנו לתת למצב שהם השתלטו בעצם על הקטגוריה, בעצם הגדירו איזושהי קטגוריה חדשה של מוצר AI לצלמים, שעושה גם סינון וגם עריכה של תמונות. אז בעצם אנחנו תיעדפנו את קלינג בעצם להיות הפרס פריורטי שלנו. זאת אומרת, זה משהו שתמיד היה ברודמפ שלנו, אבל הוא לא היה מה שנקרא הדבר הכי הכי קריטי באותו שלב, אבל ברגע שידענו שהמתחרים עובדים על זה, זה שינה בעצם את הפריורטיז, והתמקדנו בזה. כן, כאילו אני חושב שחשוב להדגיש את הנקודה הזאת פה, שזה לא להגיד, אוקיי, המתחרה זז למקום הזה, אז גם אנחנו זזנו כי הוא זז קודם, ורצינו להעתיק את מה שהוא עושה, אלא להגיד, אוקיי, כולנו מבינים את שרשרת הערך בצורה טובה, וברור היה לנו שזה חלק משרשרת הערך, זה שינה לנו את הסדר פעולות, אבל לא שינה לנו את מה אנחנו עושים, אם אני מבין את זה נכון. נכון, כי בעצם אחת ההיפותזות זה שצלם ירצה את כל הדברים באותו מקום, זאת אומרת שהוא רוצה איזושהי חוויה של וואן סטופ שופ. כל המשחק פה סביב החיסכון של זמן לצלם. אבל כשאתם ניגשים רגע לאתגר הזה לפני…

כרגע מצאנו את הפתרון, אז בעצם אם אני שומע נכון, יש פה דילמה בעצם, האם אני מוציא את התמונות הכי טובות או זורק את התמונות הכי רעות. אתה יכול לתת כזה קצת יותר צבע, למה חשבתם על זה? בטח. אז בעצם מה שהמתחרה עשה, המתחרה הראשי שלנו, הוא סימן את התמונות הכי טובות. עכשיו, ידענו משיחות עם צלמים, גם שזה בדרך כלל לא הדרך שהם עושים את זה, זאת אומרת, רוב הצלמים או שהם היו עושים שני מעברים נגיד על התמונות, ופעם אחת מסענים את התמונות, עושים כאילו כמה מעברים, או שהם היו ב ת הולכים לשיטה של קלאוט, זאת אומרת, תמונה שהיא לא טובה, רגע, אני מעיף אותה, וכל פעם מוריד לי את הכמות תמונות, זאת אומרת, ב-6,000 יורד ל-4,000, מ-4,000 יורד ל-2,000, ועוד דבר חשוב שידענו, זה שאצל המתחרים כל הזמן הם הסתכלו על התמונות שסוננו החוצה. זאת אומרת, היה שם בעיה יתית של טראסט. המתחרים ממש מראים פילטר של תמונות מטושטשות ותמונות עם עיניים עצומות, ובעצם עלה יותר ויותר בשיחות דיסקאברים צלמים, שהם קודם כל בודקים את הבאקטים האלה, זאת אומרת, קודם כל נר שמה התמונות שה-AI סינן לי החוצה, אני רו שלא פספסתי שם שום תמונה טובה, ורק אחר כך אני אעבור בעצם להסתכל על התמונות שכן נבחרו, ואנחנו רוצים ללכת לאפרואוט של לחסוך כמה שתי זמן. אז התחלנו בעצם בכיוון של קלאוט אפרואוט, זאת אומרת, בוא נזרוק להם תמונות לא טובות, נקטין להם את הכמות תמונות שהם צריכים לסנן, ובעצם ככה נחסוך להם זמן, במקום לעבור על 6,000 תמונות, תעבור על 4,000 תמונות למשל. ובעצם זה האפרואוט שהלכנו אליו, זה מה שהיה כתוב במסמך דפינישן, והאיש היה כמובן, כמו ש רתי, פירקנו את הבעיה והכל, אבל מגיע היום שחוזרות התוצאות מהמודל, המודל התכנס, הגיע לאיזשהו פרסיז'ן מספיק טוב, לפחות לפי האוטו בנשמארק שהעלנו באותו זמן, ואנחנו מסתכלים על התוצאות, מסתכלים על התמונות הלא טובות, שזה התמונות שרוצים לסנן החוצה, ורואים שיש שם גם תמונות טובות. רנו, רגע, זה בדיוק הטרפ הזה שאנחנו לא רוצים להיפול עליו, זאת אומרת, זה בדיוק המקום שאנחנו יכולים לפגוע בטרסט, אז בעצם הבנו שזה לא יעזור, גם היה לנו פה את הלחץ של הזמן, כמו ש רתי קודם, עם המתחרה והכל, והבנו שאנחנו כנר זה משהו שיקח לנו אולי שנה עכשיו, לדייק את המודל לרמה שתמונה גרועה היא ב ת תהיה גרועה, ובעצם עלו פה המון טעיות על מה אנחנו עושים כרגע, כי אנחנו רוצים להוציא MVP, לראות איך השוק מגיב לזה, לראות אם משתמשים בזה, אם אנחנו בכלל נותנים ערך, ורק אחר כך לעשות עוד איתרציה. אז מה ש רנו זה אוקיי, מה שדורג נמוך במודל הוא לא תמיד טוב, אבל מה שדורג טוב במודל, זאת אומרת, הפכנו, הסתכלנו על זה מכיוון אחר, רנו אוקיי, מה המודל מוציא בתור תוצ גבוהה, ושם התוצאות היו נראות לא רע, זאת אומרת, זה לא יכול להגיד שזה היה מושלם, לא יכול להגיד שלא היו שם תמונות גרועות, אבל המחשבה שלנו הייתה של כאילו, בוא ניתן להם את התמונות הטובות ביותר, וניתן להם מה שאנחנו קוראים לו דופליקייט, זאת אומרת, בוא נגיד להם, הנה התמונה הטובה ביותר, והנה האלטרנטיבות שלה, של אם אתה לא מרוצה מזה, בוא תסתכל על תמונות אחרות, זאת אומרת, החיסכון בזמן פה הגיע במקום של, אתה עכשיו יכול להסתכל רק על התמונה הטובה, אם היא טובה בעיניו, הוא עובר לסט הבא, זאת אומרת, הוא לא צריך להסתכל על כל הכפילויות של אותה תמונה, ורק תמונות שהוא לא מרוצה מהן, הוא בעצם נכנס פנימה ומסתכל על הכפילויות, אז בעצם ממש הפכנו את השיטה של ה-UX, זאת אומרת, כל החוויית משתמש בעצם התהפכה, במקום לקבל את התמונות ה… הנה התמונות המסוננות, בוא תעבור רק על הטובות, זה בוא תעבור על הטובות, ואם משהו מהם אתה לא מרוצה ממנו, בוא תחפור קצת בלא טובות, זאת אומרת, ממש שינינו את זה, וכן גם היינו צריכים לעשות פה איזשהו קצת חינוך שוק של כאילו, מה הדרך לסנן בה, כי כחלק מה-MVP, אחד זה שאנחנו לא מוציאים לזה UI או UX UI בכלל באפליקציה, זאת אומרת, האפליקציה הייתה נטו למנג'מנט, זאת אומרת, צלם היה בא, מעלה את הפרויקט, ובעצם הוא היה מוריד את התוצאות לתוך התוכנות שהוא כבר היה רגיל לראות בהן את התמונות, זאת אומרת, בין אם זה לייטרום קלאסיק או פוטו מכניק או כל מיני תוכנות אחרות של אדובי, בעצם היינו מביאים לו פשוט איזה שהוא סטאר רייטינג או איזה שהוא קלר לייבל של הנה תמונה טובה, הנה תמונה לא טובה, בעצם הרעיון היה לעשות משהו מאוד מאוד מאוד צר כדי לקבל ולידציה ראשונית מהשוק. אוקיי, אז בעצם אתם משנים את הגישה מ, כאילו, הנה חילקנו לכם את זה לכל מיני, נקרא לזה, בירה תיקיות, תיקייה ממש גרועה, תיקייה קצת גרועה, תיקייה כזאת גרועה, לבין להגיד, הנה הטובות, אבל אם אתה רוצה להרחיב בתוך הקונטקסט, הנה שאר התמונות שהן דומות לזה, ואז בעצם אתם לא רק שאתם צריכים, אתם מביאים פה את האפשרות הזאת רגע לעשות זומין ולבחור משהו אחר, אתם צריכים לחנך שבעצם לא עוברים קודם כל על כל הרעים ורק אז על כל הטובים, אלא עוברים טוב, מרחיבים, עוברים טוב, מרחיבים, אני מבין את זה נכון? לגמרי, ואני חייב להגיד שזה היה אתגר מאוד מאוד גדול בגלל שאין לך ממשק, אתה לא חי בממשק, זאת אומרת, אם הצלם עכשיו בא, הוריד את התוצאות של המודל AI לתוך, בוא ניקח דוגמה, לייטרום קלאסיק, אני לא יכול להקפיץ לו עכשיו…

והסברים ו-ווקפרו, לא משנה איזה גישה לוקחים, בתוך המקום שהוא תכלס, מסתכל בו על התוצאות. זה די מטורף, כי אתה אומר, ממש ה-MVP שלי הורדתי את כל החלק של UI במוצר שלי, זה די קיצוני. לגמרי. אוקיי, אז אתה בעצם אומר, אני לא יכול להסתמך על ההסברים שלי, אז על מה אתה כן יכול להסתמך? כי אתה ב ת משנה פה רגע שיטת עבודה. אז בעצם מה שהיינו זה שהתוצאות של המודל, מי שכבר כן משתמש במוצר, הוא די מעוצם התוצאות. זאת אומרת, לא ראינו שם איזשהו פער גדול בין מה שאנחנו בחרנו ומה שהוא בחר. כמובן שהיה הרבה מקום לשיפור, והמשכנו במקביל גם לעבור למודל AI, אבל עיקר האתגר שלנו היה לגרום לאנשים to adopt this feature. זאת אומרת, היו אנשים שהיו בעצם כמו tire kickers, מה שנקרא, מנסים את הפיצ'ר פעם אחת, ובעצם לא נוגעים בו יותר. וזה היה המקום שרצינו לתקוף, ובגלל זה החלטנו שאנחנו צריכים לעשות איזשהו שינוי בעצם בחוויה. זאת אומרת, עבור אלה שזה עובד להם, ראיתם שזה עובד, ואז זה עשה לכם ולידציה שהמודל סבבה, אבל יש המון המון אנשים שמנסים פעם אחת ולא מבינים מה קרה ולא מבינים מה לעשות מכאן, ואז אתה אומר, אוקיי, בוא נתמקד רגע בחוויית המשתמש. נכון. וגם את זה עשינו בעצם ממש באיטרציה. זאת אומרת, התחלנו בהתחלה לנסות להיות יותר explainable, זאת אומרת, כבר בשלב שהמשתמש בוחר את מה הוא רוצה לסנן וזה, אז לתת לו קצת הסברים על מה זה אומר, מה הקטגוריות שהוא הולך לקבל, מה הוא הולך לראות ברגע שהוא יעבור לתוכנה הב . ושם הראינו איזשהו שיפור קטן, אבל זה לא היה מספיק סגניפיקנט בשביל ב ת להגיד, אוקיי, אנחנו עוצרים פה. ובעצם לקחנו את זה והוצאנו מה שאנחנו קוראים לו היום culling studio, שזה ממש היכולת לבוא ולסנן את התמונות בתוך imagine, ואני חושב שהדבר הכי מרתק מזה, זה שראינו את הסטיספקשן עולה, שהסטיספקשן ב ת מדבר על הריזולט. זאת אומרת, יש לנו שאלה שאנחנו מקביצים, יש לנו שם feedback loop, שברגע שהיוזר מסיים לעבור על פרויקט, בין אם זה של עריכה או בין אם זה של סינון, אנחנו שואלים אותו איך הייתה החוויה, מאוד דומה למה שאנחנו רואים בחוויות של גוגל מיט או זום, שבסוף נותנים לך לדרג את השיחה, וראינו ממש עלייה מטורפת בסטיספקשן של הריזולט, ברגע שהיה את ה-UX שגם הסביר ונתן את הכל בתוך קונטקסט, בלי ש…

בלי ששום דבר זז במודל, זאת אומרת, היו גם שיפורים של המודל תוך כדי הזמן, אבל בוא נגיד, מרגע שהוצאנו את ה-Culling Studio עד הרגע שראינו את העלייה בסטטיספקשן, זה היה לא ספק השינוי של ה-UX שגרם לזה. זה די מטורף, כי אתה אומר, התוצאות של המודל מבחינת המשתמשים השתפרו, כי נתתי חוויה שמסבירה מה המודל עושה. לגמרי, כאילו אקספלנביליות פה שיחקה, חלק מאוד מאוד חשוב, על הסטטיספקשן של הלקוחות בעצם בתוצאות, וגם על ה-Trust שלהם. אני חושב שנגיד, אחד האתגרים שאני נתקל בהם עכשיו ב ת בדילמה מוצרית מאוד דומה, זה הנושא הזה של זה לא דטרמיניסטי. זאת אומרת, מה שאני מכניס, אני מאוד קשה לצפות רגע מה יצא לי בחוץ במודל, ואני נתקל באתגר של איך אני עושה אקספלנביליות שהיא טובה, מבלי שאני יודע מה תהיה התוצ קצת. זה מה שנתקלתם בו? לגמרי. אני יכול להגיד שגם היום עדיין יש גם לקוחות ששואלים אותנו, רגע, אבל איך היה, למה היה היא בחרת את התמונה הזאת? וזה משהו שכל מי שמתעסק קצת ביה, יודע שלרוב אי אפשר ב ת להסביר את זה. זאת אומרת, היה איזשהו בלק בוקס, והוא מציע איזושהי תוצ הוא מציע מספר בין 0 ל-1, 0.88. עכשיו לך תבין מה זה 0.88 ואיך אתה מסביר למה זה. ברגע שהלקוחות הבינו מה השיטה שהם צריכים לעבור בה על התוצאות, זה ב ת מה ששיפר כל כך את החוויה. כי הם הבינו את השיטה, מה שאנחנו דמיינו, זאת אומרת, ההיפותזה שלנו הייתה, אתה תעבור על התמונות טובות, אם הן לא טובות, תחפרו בהן מה שהן לנו החוצה. אבל הם לא הבינו את זה לבד. כאילו, ברגע שזרקנו אותם לאיזה ממשק חיצוני, ופשוט קיבלת מלא כוכבים על התמונות שלך, או צבעים שונים על התמונות שלך, היה מאוד קשה להבין, אוקיי, אז אני עובר על הכל, אני צריך לעשות איזשהו פילטר, אני צריך להסתכל רק על הטובות, מה אם אני רוצה רגע להסתכל על הלא טובות, איך אני משנה את הפילטר שלי כדי להסתכל עליהן. זאת אומרת, פה היה עיקר האתגר, מה שבעצם ברגע שזה היה בעולם שלנו, בתוך המוצר שלנו, זה נפטר מאוד מאוד בקלות. אני חושב שבהקשרים של אקספלנביליות ו-AI, אנחנו צריכים לשאול את עצמנו, האם החוויה פה היא שלילית או חיובית עבור המשתמש, לא בקטע של האם עשינו מוצר טוב או לא, אלא מה המחיר של מה שהוא עושה, אם זה רע או טוב. אני אתן נגיד דוגמה, כדי לציין אותו ברור, נגיד אני בא ואני מזהה עכשיו סכנות בפרויקט. זה משהו שלילי שאנשים אומרים, רגע, אם אני פספס את זה, אז יבואו אליי בטענות. מצד שני, להגיד, אוקיי, אני בוחר את התמונה הכי טובה, אז אם בחרתי את התמונה השנייה הכי טובה, אף אחד לא יבוא אליי בטענות. ואז לאקספלנביליות יש רגע משקל שהוא, צריך לשים אותו, שאלה אם הוא בפרונט או בבק, או כמה חזק הוא, אני חושב. לגמרי. ויש גם את כל העניין של שנאת הפסד, שזה מאוד מתקשר למה שאתה רת. בול. שבעצם, אם אני עכשיו אפסיד מהדולר, האפקט הפסיכולוגי של זה עליי, זה בעצם מונח מכלכלה התנהגותית. אם אני מפסיד מהדולר, האפקט הפסיכולוגי של זה עליי, הוא יכול להיות כפול מהאפקט שבעצם אני ארוויח מהדולר באופן לא צפוי. אז גם נגיד בעולם שלנו, אם נסנן לצלם תמונה חוצה, האפקט הפסיכולוגי של זה הוא בעצם הרבה יותר גדול מאשר נסנן לו תמונה טובה פנימה. יש איזשהו טרייד אוף משמעותי שלקחתם ככה בדרך? אז אני חושב שהטרייד אוף הכי משמעותי זה העניין של לוותר על ה-UX. ממש, זה חד משמעית? ללא ספק, אבל הכל היה שם בעצם באווירה מאוד מאוד מהירה. זאת אומרת, זה היה מצוות קטן, ובעצם המטרה הייתה להוציא את זה לפני הקומפטישן. זאת אומרת, היה שם חיתוכים מאוד גסים גם בהגדרות המודל. זאת אומרת, דיברנו עם צלמים על ה-20 פרמטרים שלפיהם הם מסננים, זאת אומרת, אנחנו הלכנו על איזה שלוש בהתחלה. זאת אומרת, היה המון המון המון המון סקופינג. או דיסקופינג יותר. או דיסקופינג, כן. תלוי זה בכיוון זה מסתכל על זה. אבל המון ויתורים שכדי להגיע לזה. יש איזה משהו שעשיתם שכזה לא עבד? או עדיין לא עובד? אני חושב שעדיין אחד האתגרים שלנו זה ב… כאילו, בסופו של דבר, אנחנו, כמו שמעתי, אנחנו מחלקים לסצנות, ובכל סצנה אנחנו מחזירים תמונה אחת. ואחד האתגרים זה כאילו להבין מתי אני רוצה יותר מתמונה אחת מתוך סצנה. וזה עדיין משהו שלא הצלחנו עדיין לפצח ב-100%. זאת אומרת, כן, יש כל מיני קונפיגורציות של כמה אני שוברת הקבוצות, אבל כל הזמן יש לך טרייד-אוף בין אני מחזיר יותר מדי תמונות, ל-אני לא מחזיר מספיק תמונות. זאת אומרת, יש שם איזה סוויט-ספוט כזה שאנחנו עדיין מנסים לדייק אותו. וגם לא בטוח שהסוויט-ספוט הוא אחד. יכול להיות שהוא כאילו פר משתמש הוא שונה לגמרי. כזה אוהב לעשות קולאז'ים, וזה לא אוהב לעשות, זה סוג של כזה פרסונליזציה יותר עמוקה לזה, מה זה סצנה טובה אם אני מבין נכון. נכון, וכאילו גם ללכת לעולמות הפרסונליזציה, כמו שמעתי מקודם, זה מה שאנחנו עושים בעצם באדיטינג, זה מצריך כמויות מטורפות של דאטה. זאת אומרת, כמות הדאטה שאנחנו צריכים עכשיו על מישהו בשביל להבין, כי גם הדאטה פה הוא נורא חלש. זאת אומרת, הדאטה שאנחנו מקבלים מיוזרים הוא תמונה טובה או לא טובה, זאת אומרת, 0 ו1. טרו או פולס. בתי את תמונה או לא בתי את תמונה. אנחנו לא יודעים למה, אנחנו לא יודעים מה הסיבות, מה הסיבה שהוא בחר אותה, מה הסיבה שהוא סינן אותה החוצה. כאילו, יכול להיות שיש לך סט של שלוש תמונות שכולם נראים בדיוק אותו דבר. אז בחרתי אחת, סיננתי שתיים.

אם הם לא טובות או שהם פשוט אותו דבר וכבר יש לי תמונה שכבר הכנסתי אותה? כן, אני חושב שהבחירה החיובית היא מידע על משהו? הבחירה היא בחירה, לא דווקא מידע על משהו שלילי. בדיוק, אז אם אתה רוצה ל ן פה מודלי היי פרסונלי, אתה צריך כאילו ארגזים של דאטה של גם מה הכנסתי וגם מה לא הכנסתי ולקוות שמשהו יצא עם זה. זאת אומרת, זה בעיה מאוד קשה. כן, זאת אומרת, גם יש מסלולים שאנחנו פשוט לא יכולים לקחת, גם אם אנחנו אומרים, אוקיי, יכול להיות שזה יכול להביא ערך, אבל ברור לנו שכדי להגיע לדבר הזה אנחנו צריכים כאילו ארגזים של דאטה, כמו שאתה אומר, אז זה לא ריאלי לקחת את ה… אוקיי, אז בעצם אתה מספר פה על קייס טאדי שהוא בעיניי כאילו מרתק בקטע של MVP אפילו בלי חוויית משתמש ואתה דיברת על זה גם בקטע של המתחרש, זה על שרשרת הערך ואתה בטיימליינים מאוד צפופים, אבל תן לנו קצת עצב, אני צחתם, הפסדתם, איפה, מה קרה? אז הצלחנו להוציא את זה בעצם חודש וחצי בערך לפני שהמתחרים הוציאו את זה. אני חושב שהסיפור הכי מעניין פה זה הפרסום של זה, זאת אומרת, לפני שהוצאנו את המוצר אפילו, הוצאנו איזושהי הכרזה כזאת של קהלינג ק ינג סון ובעצם כמה שעות אחרי זה המתחרים עלו עם לייב לא מתוכנן ופוסטים על זה שהם עובדים על מוצר של עריכת תמונות. זאת אומרת, זה היה שם בלגן מטורף ולצפות בזה מהצד היה ב ת פרייסלס, אבל ב ת הצלחנו להוציא את זה. אני חייב להגיד שזה לקח אבל הרבה זמן עד שהרגשנו שאנחנו שלמים עם זה. זאת אומרת, עדיין גם היום המוצר הזה עדיין בבטא אצלנו. זאת אומרת, אפילו שאנחנו כבר סטטיספקשן גבוה וכנר שבקרוב אנחנו נוציא אותו מבטא, לנו מאוד היה חשוב לנו להראות לקסטומרס של כאילו, היי, זה לא הגרסה הסופית. זה דבר ראשון. ודבר שני, שנוכל לעשות גם שינויים חדים במודל. זאת אומרת, כל עוד זה בטא, אז יש לך פחות מחויבות להנה זה הדבר ואני יכול רק, השיפורים שלי מאוד מינוריים, כאילו, כי אתה לא רוצה לשנות למישהו את החוויה לגמרי. אבל בתור בטא, אז אתה יכול לעשות די מה שאתה רוצה. מגניב. אם אני ככה הורז את מה שדיברנו, יש לך איזה למידה מעניינת או אם אני מחזיר את ית רגע אחורה בזמן, משהו שהיית עושה אחרת? אז זה מאוד קשה, כן? כי באותו זמן הייתי מנהל מוצר יחיד עם חברה לא כל כך קטנה וכאילו לא המון קפסיטי גם להשקיע בזה. אבל אם יש משהו אחד שב ת הייתי כן משנה או עושה אותו יותר מוקדם, זה העניין של בעצם לראות שהמטריקות של המודל AI, אנחנו מודדים אותם ישר, כאילו, ברגע שיצאנו עם זה. זאת אומרת, אצלנו, אחד הדברים שעשינו זה שמרנו את הדאטה, אבל לא עשינו עליו אנליזה. זאת אומרת, מה שדיברנו קודם עם הפידבק לופ של הצלה מאלת התמונות שלו לעריכה, ואז אני יכול לדעת איפה צדקתי, איפה תהייתי, לקח לנו כאילו לא מעט זמן עד שבתכלס הוצאנו מזה אינסייטס, וכאילו, תכננו את זה מראש. ידענו את זה, שמרנו את הדאטה, זה מה שנקרא, כאילו ליום סגריר, אבל פה הייתה טעות. כאילו, במקום לעשות את זה מדי אפס, שיהיה לנו את המידע הזה, ממש לראות את השיפורים במודל AI, כאילו, קצת התמקדנו מאוד במידע האיכותני ולא בכמותני. זאת אומרת, אני חושב שהיה צריך ב ת לשלב את שניהם, ולא להגיד אוקיי, על הכמותני נסתכל מתישהו אחר כך בעתיד. מדהים, אני חושב שלמידות שאני לוקח זה רגע, קודם כל, את הקונספט המיינד בלואינג של לעשות רגע MVP בלי חוויית משתמש, אפילו במשהו שהוא מאוד ויזואלי, כמו עריכת תמונות וסינון תמונות. אז די מטורף בעיניי, ואני כנר שזה מה שעזר לכם לרוץ בזמן, ואני חושב שהנקודה השנייה של הדבר הזה, זה שאני צריך עדיין להחזיק בראש, איך אני סוגר את הלופ של הערך, אם אני יוצא מתוך המוצר שלי. אין לי טוטוריאלס, אין לי את הדברים האלה, מישהו יצא, אני עדיין צריך להיות מסוגל למדוד את הסגירת מעגל הזאת. וב ת לקחת את זה ליום-יום, זאת אומרת, לא רק לדעת למדוד את זה, שזה מה שעשינו. בדיוק. אלא גם ממש להסתכל על זה בתור אחד המדדים, לא רק דברים פרודקטים, נגיד. ממש לתת לצוות AI את המדד היותר, בוא נגיד, מעיד על פרסיז'ן יתי. בעולם ה יתי, כאילו ממש איך אני מודד את הדבר הזה בעולם ה יתי. אני חושב שעוד דבר זה ב ת התובנה הזאת של שנייה רגע, איך אני מחליט אם אני מדייק את המודל או מדייק את החוויה, ויותר מזה, הדיוק של החוויה משפר את התחושה שהמודל יותר טוב, שזה מרתק בעיניי. והדבר השלישי זה כמה חשובה האקספלנביליות ככל שזה יותר שלילי. ככל שאני לוקח משהו משתמשים או מעיד לאנשים שיש להם צרות או ריסקים או דברים כאלה, הרבה יותר חשוב להשקיע באקספלנביליות מאשר דברים שהם כאילו חיוביים, וזה כזה סוג של ניס טו אב או רק בדאבל קליק באיזשהו אופן. לגמרי, אקספלנביליות זה קצת כמו פרסיב פרפורמנס. אתה צריך לתת לאנשים את התחושה שהם כאילו בקונטרול או שזה לא נתקע, זה בדיוק אותו דבר, זה ממש חשוב להשקיע בזה. מדהים, תודה רבה עמית, היה לי מרתק לדבר איתך. תודה לך, רן. ורגע לפני שנסיים, אני רק אגיד שאם אתם רוצים לדעת כל פעם שיוצא פרק חדש בתוכנית שלנו, אתם מוזמנים לעקוב אחרינו בכל אחת מהאפליקציות. תודה רבה עמית. תודה. ותודה לכם שהזנתם.

Go!