ChatGPT赋能产品管理

在产品管理和开发过程中,可以利用ChatGPT辅助完成部分工作,提高工作生产力和创造力。原文: How to use ChatGPT in product management

相信你肯定听说过最近大火的ChatGPT,用自然语言跟机器人聊天是挺有趣,不过我还是希望探索一下如何在产品管理中应用ChatGPT。

本文将分享ChatGPT可以做什么,可以获得更好结果的提示技巧(提示工程),以及可用于产品管理和应用程序开发的更精确提示用例

什么是ChatGPT & 它能做什么?

这节给那些还不熟悉ChatGPT的人快速介绍一下。ChatGPT是由OpenAI开发的最先进的大语言模型(LLM),是一个复杂的深度学习模型,有1750亿个参数(可以把它想象成大脑中的神经元),基于维基百科和互联网上的大量语言数据训练[1],可以根据输入提示和之前生成的文本作为上下文,预测序列中下一个单词出现的概率。

ChatGPT赋能产品管理_第1张图片

ChatGPT从许多人类对话样本和反馈中获得了与人类聊天的能力,并能对生成的文本进行评级和排名(基于人类反馈的强化学习,RLHF)[2][3]。你可以像跟人说话一样跟ChatGPT对话,它会输出最可能的答案。你可以让它做各种任务,比如总结、写文章、翻译、文本分类、解释概念、写代码、产生想法等等,不过要小心,它可能会一本正经的胡编乱造。

如何编写更好的ChatGPT提示?

提示是输入给ChatGPT的问题或说明,好的提示可以产生好的结果,编写更好的提示甚至已经成为一种被称为提示工程的技能。下面分享一些为大语言模型AI编写更好提示的实用技巧。

给出明确的指示。除了回答问题,还可以要求LLM给出详细步骤。

  • 原始提示: 如何训练线性回归模型?
  • 更好的提示: 编写训练线性回归模型的Python代码,包括代码和注释。

对于第一个提示,LLM将在较高层次上解释训练线性回归模型的概念,但第二个提示将提供逐步训练线性回归模型的确切功能代码,并解释代码。

提供上下文。提供上下文可以帮助LLM给出更相关的回应,例如:

  • 原始提示: "我用XX产品后瘦了"的情绪是什么?
  • 更好的提示: XX产品是为想要增肌的人准备的,用户为产品写了反馈:“我用了XX产品后瘦了”,该反馈是什么情绪?

这是一个极端例子,AI会把第一个提示归类为积极的,因为它认为减肥是个积极的结果。但增肌产品并非如此,当提供了适当的上下文,LLM将给出正确的情绪分析,认为这是负面的。

ChatGPT赋能产品管理_第2张图片

角色提示。角色提示和上下文类似,要求LLM假装自己是某个特定角色,并从该角色的角度给出答案。

  • 原始提示: 设计一个计步器应用。
  • *更好的提示: 假装你是一名资深应用开发者,具备数据库、云计算和iOS开发知识。设计一个计步器应用。

One-shot,few-shot提示。对于LLM,可以直接给出提示(zero-shot提示)[4],也可以在要求给出答案之前提供一个例子(one-shot)或多个例子(few-shot)[1]。人们发现,这种方法能让LLM提供更好的响应。

  • 原始提示: 她是一个{MASK}
  • 更好的提示: 她是程序员,是一名教师,是首席执行官,是一个{MASK}。

如果你用zero-shot提问,AI很可能会返回"护士"、"秘书"或"女佣"这样的答案,答案取决于训练数据。但如果提供一些例子,AI可以克服偏见,给出中性的结果。

思维链(CoT)提示[5]。当你要求LLM推理更复杂的问题时,它可能会给出错误结果。但如果要求它解释其推理,它会通过尝试一步一步回答问题来产生更好的结果。研究表明,CoT提示可以提高算术、常识和抽象推理任务的结果。一个方便的技巧是在问题后面加上"让我们一步一步来"[4]。

  • 原始提示: 一个直角三角形有两条边,长度分别是sqrt(2)和1,两边夹角是45度,第三条边是多长?
  • 更好的提示: 一个直角三角形有两条边,长度分别是sqrt(2)和1,两边夹角是45度,第三条边是多长?让我们一步一步来思考。

第一个提示返回的结果是sqrt(3),是错的。但当你在最后加上"让我们一步一步来思考"这句话时,LLM会给出更详细的答案,包括勾股定理的定义和计算过程。通过这些步骤,就可以给出正确答案1。

如何在产品和提示中使用ChatGPT

可以将ChatGPT集成到产品工作流几乎每个步骤中。下面是我在产品工作流中使用ChatGPT的一些方法,以及使用的提示。希望可以借此激发灵感,利用LLM AI的力量来优化产品管理流程。

获得早期想法和市场研究

产生应用创意和概念。可以使用ChatGPT作为头脑风暴工具来产生想法或设计概念,这是一个很好的开始。

  • 提示: 生成三个在计步器应用中使用AI的想法。

进行市场调查和竞争对手调查。如果希望更好了解某个不熟悉的市场,可以询问ChatGPT。

  • 提示: 比较市场上排名前五的冥想应用的功能。

(注: 因为ChatGPT只有2021年之前的数据,所以答案可能不是最新的,但可以对市场/重要竞争对手有个大致了解。)

ChatGPT赋能产品管理_第3张图片

产品框架

生成用户角色和用户资料。可以用ChatGPT为产品创建原型人物角色或资料。如果有真实用户研究的见解,可以在提供在提示中,以获得更好的结果。

  • 提示: 创建一个中年、忙碌的职业母亲用户角色,她想改善自己的健康状况,但没有时间去健身房。

撰写产品需求文档。可以要求ChatGPT从零开始编写PRD作为灵感,或者告诉它根据某些要点进行扩展,以节省写作时间。

  • 提示: 为冥想应用的社区功能编写详细的产品需求文档。用户可以创建群组并邀请其他人加入群组,群组所有者可以设置讨论主题。文档应包括背景、功能、相关度量、风险和解决方案、技术需求和主要用户业务流。

将聊天机器人整合进产品。通过调优或提示工程,可以将聊天机器人整合到产品中。对于这个用例,需要与机器学习工程师或开发人员合作,看看将聊天机器人应用于产品在技术上是否可行。这里会给出一个将ChatGPT转换为睡眠教练的提示工程示例。

  • 提示: 我想让你做睡眠教练。你对人类生理学、心理学、神经科学和时间生物学有很深的了解。用户将询问有关睡眠模式的问题,你会问一些相关问题来分析他们睡眠习惯中的问题,并提供切实可行的步骤来帮助他们改善睡眠,同时你应该拒绝回答任何与睡眠无关的问题。

这个提示中使用了本文前面介绍的角色提示技术,提供了相关信息的上下文,并指定聊天机器人应该拒绝回答不相关的问题。

设计产品

改善用户导航体验。这是我正在探索的一个实验性用例,在这个用例中,用户可以用自然语言描述想做的事情,聊天机器人将引导他们找到相关功能。我发现这可以通过少量提示工程或对分类进行微调来实现。请看下面这个提示,看看能做什么:

ChatGPT赋能产品管理_第4张图片

编写用户体验文案。可以要求ChatGPT生成按钮、错误消息等用户体验文案。对于ChatGPT来说,这是非常基本的文本生成任务,可以处理的很好。

  • 提示: 为食谱应用编写错误消息,当用户试图添加无效成分时提醒用户。

构思页面布局或设计概念。如果你想要设计新的页面布局,可以向ChatGPT询问潜在想法。

  • 提示: 为膳食计划应用的主页生成三个布局想法。

翻译UI副本。可以使用以下提示要求ChatGPT翻译UI副本以进行本地化。

  • 提示: 翻译以下文本。英语:Subscribe 德语:

为消费或SEO创建内容。许多应用程序都有博客用于用户获取、消费或提升SEO。使用ChatGPT,可以轻松的用几个单词编写博客。

  • 提示: 为卡路里计算应用程序列一些博客标题
  • 提示: 为卡路里计算应用写一篇引人入胜的SEO优化博客,标题为"如何用XX应用计算卡路里来减肥"。
评估用户反馈

分析用户情绪。可以使用以下提示来轻松分析用户情绪,而不需要训练ML模型。

  • 提示: 用户:我不再使用这个应用程序了,因为它不准确。情绪:

总结反馈的特性需求和bug。通过让ChatGPT从用户反馈中总结所要求的功能和bug,可以节省大量阅读用户反馈的时间,只需提供用户反馈作为上下文并要求其进行总结。

  • 提示: [用户反馈上下文]。从前面的文本来看,用户最希望看到的功能是什么?

分析用户访谈脚本。可以向ChatGPT提供用户访谈记录,并提出问题来分析用户访谈。

  • 提示: [用户访谈脚本]。从用户访谈脚本来看,用户在浏览主页时想要做什么?
创建营销/客户支持内容

制定市场进入计划。ChatGPT可以帮助起草产品上市计划。

  • 提示: 有一款针对准妈妈的新冥想应用正在全球推出,写一份详细的市场进入计划,主要关注在线渠道。

撰写新闻稿/社交媒体帖子。只要提供必要的上下文,ChatGPT就可以很容易创建营销内容。

  • 提示: 为跑步应用创建一个新的深色模式功能的Twitter帖子,要包含表情符号,充满活力和简洁,不要用首字母缩写。

ChatGPT赋能产品管理_第5张图片

回复客户邮件。当你不确定如何写一封难写的邮件时,你可以让ChatGPT帮忙。

  • 提示: 有客户在退款日期后要求退款。给客户写一封礼貌的邮件,拒绝这一请求,但是提供免费延长3个月服务。

用ChatGPT来加快工作

上面的用例和提示只是关于如何在产品管理/开发工作中使用ChatGPT的一些示例。虽然ChatGPT可能看起来非常强大,但我相信它不会取代人类的智慧和创造力。只要学会如何掌握,就可以利用它的力量来提高我们的创造力和生产力。

参考文献

[1] Brown, Tom B., et al. Language Models Are Few-Shot Learners. arXiv, 22 July 2020. arXiv.org, https://doi.org/10.48550/arXiv.2005.14165.

[2] “ChatGPT: Optimizing Language Models for Dialogue.” OpenAI, 30 Nov. 2022, https://openai.com/blog/chatgpt/.

[3] Ouyang, Long, et al. Training Language Models to Follow Instructions with Human Feedback. arXiv, 4 Mar. 2022. arXiv.org, https://doi.org/10.48550/arXiv.2203.02155.

[4] Kojima, Takeshi, et al. Large Language Models Are Zero-Shot Reasoners. arXiv, 29 Jan. 2023. arXiv.org, https://doi.org/10.48550/arXiv.2205.11916.

[5] Wei, Jason, et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv, 10 Jan. 2023. arXiv.org, https://doi.org/10.48550/arXiv.2201.11903.


你好,我是俞凡,在Motorola做过研发,现在在Mavenir做技术工作,对通信、网络、后端架构、云原生、DevOps、CICD、区块链、AI等技术始终保持着浓厚的兴趣,平时喜欢阅读、思考,相信持续学习、终身成长,欢迎一起交流学习。微信公众号:DeepNoMind

本文由mdnice多平台发布

你可能感兴趣的:(程序人生)