O produkcie
Platforma SaaS dla zespołów sprzedaży B2B. Pomaga handlowcom pisać wiadomości na LinkedIn, które brzmią jak napisane do konkretnej osoby, a nie jak szablon z wstawionym imieniem. Pomaga też wcześniej w lejku: określić klienta idealnego i wskazać, do kogo w ogóle warto pisać.
Czym się zajmowałem
Byłem głównym developerem backendu w kilkuosobowym zespole. Odpowiadałem za część AI produktu od pierwszej wersji do działania na produkcji: projekt rozwiązania, implementację, testy, jakość generowanych treści i wdrożenia.
- Generowanie spersonalizowanych wiadomości i ich poprawianie w rozmowie z użytkownikiem.
- Mechanizm, dzięki któremu narzędzie uczy się na wiadomościach zaakceptowanych przez użytkowników.
- Moduł analizy grupy docelowej: profil klienta idealnego, segmenty rynku i ocena leadów.
- Testy automatyczne i ocena jakości tekstów generowanych przez AI.
Jakie problemy rozwiązałem
- Szablonowe wiadomości. Wiadomości powstają na podstawie odbiorcy, jego firmy i oferty sprzedawcy, więc każda jest inna.
- Limity LinkedIn. Wiadomości zawsze mieszczą się w limicie znaków danego typu wiadomości, niezależnie od ustawień użytkownika.
- Czas i koszt odpowiedzi. Uprościłem sposób generowania, dzięki czemu wiadomość powstaje szybciej i taniej, bez utraty jakości.
- Rozwój bez przestojów. Gdy z produktu zaczęła korzystać druga aplikacja klienta, wprowadziłem zmiany tak, że dotychczasowa działała bez żadnej różnicy.
- Jakość, którą da się zmierzyć. Zmiany w działaniu AI przechodzą przez automatyczne testy i ocenę jakości, zanim trafią na produkcję.
Czego się nauczyłem
- Prostsze rozwiązanie AI często jest lepsze: mniej kroków oznacza szybsze odpowiedzi, niższy koszt i mniej miejsc, w których coś może pójść źle.
- Twarde wymagania biznesowe, np. limity długości, trzeba pilnować w kodzie, a nie tylko prosić o nie model.
- Jakość tekstów generowanych przez AI trzeba mierzyć tak samo jak każdą inną część systemu.
- Przy produkcie, z którego korzysta kilka aplikacji, zgodność wsteczna jest wymaganiem, a nie dodatkiem.