Entwicklung von KI-Produkten mit einem ganzheitlichen mentalen Modell

Hinweis: Dieser Artikel ist der erste einer Reihe mit dem Titel „Analyse von KI-Anwendungen“, in der ein mentales Modell für KI-Systeme vorgestellt wird. Das Modell dient als Werkzeug zur Diskussion, Planung und Definition von KI-Produkten durch interdisziplinäre KI- und Produktteams sowie zur Abstimmung mit der Fachabteilung. Ziel ist es, die Perspektiven von Produktmanagern, UX-Designern, Datenwissenschaftlern, Ingenieuren und anderen Teammitgliedern zusammenzubringen. In diesem Artikel stelle ich das mentale Modell vor, während zukünftige Artikel zeigen werden, wie man es auf bestimmte KI-Produkte und -Funktionen anwendet.

Unternehmen gehen häufig davon aus, dass sie zur Integration von KI in ihr Angebot lediglich KI-Experten einstellen und ihnen die technische Magie überlassen müssen. Dieser Ansatz führt sie direkt in den Integrationsirrtum: Auch wenn diese Experten und Ingenieure außergewöhnliche Modelle und Algorithmen produzieren, bleiben ihre Ergebnisse oft auf der Ebene von Spielplätzen, Sandboxes und Demos hängen und werden nie wirklich zu vollwertigen Teilen eines Produkts. Im Laufe der Jahre habe ich viel Frustration bei Datenwissenschaftlern und Ingenieuren erlebt, deren technisch herausragende KI-Implementierungen keinen Eingang in benutzerorientierte Produkte gefunden haben. Vielmehr hatten sie den ehrenvollen Status modernster Experimente, die den internen Stakeholdern den Eindruck vermittelten, auf der KI-Welle zu reiten. Angesichts der allgegenwärtigen Verbreitung von KI seit der Veröffentlichung von ChatGPT im Jahr 2022 können es sich Unternehmen nicht länger leisten, KI als „Leuchtturm“-Funktion zu nutzen, um ihr technologisches Können zu demonstrieren.

Warum ist es so schwierig, KI zu integrieren? Dafür gibt es mehrere Gründe:

• Oft konzentrieren sich Teams auf einen einzelnen Aspekt eines KI-Systems. Dies hat sogar zur Entstehung getrennter Lager geführt, etwa der datenzentrierten, modellzentrierten und menschenzentrierten KI. Während jeder von ihnen spannende Perspektiven für die Forschung bietet, muss ein reales Produkt die Daten, das Modell und die Mensch-Maschine-Interaktion in einem kohärenten System kombinieren.
• Die KI-Entwicklung ist ein äußerst kollaboratives Unternehmen. In der traditionellen Softwareentwicklung arbeitet man mit einer relativ klaren Dichotomie bestehend aus Backend- und Frontend-Komponenten. Im Bereich KI müssen Sie Ihrem Team nicht nur vielfältigere Rollen und Fähigkeiten hinzufügen, sondern auch eine engere Zusammenarbeit zwischen den verschiedenen Parteien sicherstellen. Die verschiedenen Komponenten Ihres KI-Systems interagieren auf enge Weise miteinander. Wenn Sie beispielsweise an einem virtuellen Assistenten arbeiten, müssen Ihre UX-Designer das Prompt Engineering verstehen, um einen natürlichen Benutzerfluss zu schaffen. Ihre Datenannotatoren müssen sich Ihrer Marke und der „Charaktereigenschaften“ Ihres virtuellen Assistenten bewusst sein, um Trainingsdaten zu erstellen, die konsistent und auf Ihre Positionierung abgestimmt sind, und Ihr Produktmanager muss die Architektur der Datenpipeline verstehen und hinterfragen, um dies sicherzustellen Es erfüllt die Governance-Anliegen Ihrer Benutzer.
• Beim Aufbau von KI unterschätzen Unternehmen oft die Bedeutung des Designs. Während KI im Backend beginnt, ist gutes Design unabdingbar, damit es in der Produktion glänzt. KI-Design verschiebt die Grenzen traditioneller UX. Viele der von Ihnen angebotenen Funktionen sind nicht per se in der Benutzeroberfläche sichtbar, sondern im Modell „versteckt“, und Sie müssen Ihre Benutzer schulen und anleiten, um diese Vorteile zu maximieren. Darüber hinaus sind moderne Grundmodelle wilde Dinge, die toxische, falsche und schädliche Ergebnisse erzeugen können. Daher werden Sie zusätzliche Leitplanken aufstellen, um diese Risiken zu verringern. All dies erfordert möglicherweise neue Fähigkeiten in Ihrem Team, wie z. B. Prompt Engineering und Conversational Design. Manchmal bedeutet es auch, kontraintuitive Dinge zu tun, etwa den Wert zu unterschätzen, um den Erwartungen der Benutzer gerecht zu werden, und Reibung hinzuzufügen, um ihnen mehr Kontrolle und Transparenz zu geben.
• Der KI-Hype erzeugt Druck. Viele Unternehmen spannen das Pferd von hinten auf, indem sie sich auf Implementierungen stürzen, die nicht durch Kunden- und Marktbedürfnisse validiert sind. Gelegentlich das Schlagwort „KI“ einzuwerfen, kann Ihnen helfen, sich als fortschrittliches und innovatives Unternehmen zu vermarkten und zu positionieren, aber auf lange Sicht müssen Sie Ihre Begeisterung und Ihr Experimentieren mit echten Chancen untermauern. Dies kann durch eine enge Abstimmung zwischen Wirtschaft und Technologie erreicht werden, die auf einer expliziten Zuordnung marktseitiger Chancen zu technologischen Potenzialen basiert.

In diesem Artikel werden wir ein mentales Modell für KI-Systeme konstruieren, das diese verschiedenen Aspekte integriert (vgl. Abbildung 1). Es ermutigt Bauherren, ganzheitlich zu denken, ein klares Verständnis ihres Zielprodukts zu schaffen und es nebenbei mit neuen Erkenntnissen und Eingaben zu aktualisieren. Das Modell kann als Werkzeug verwendet werden, um die Zusammenarbeit zu erleichtern, die unterschiedlichen Perspektiven innerhalb und außerhalb des KI-Teams aufeinander abzustimmen und erfolgreiche Produkte auf der Grundlage einer gemeinsamen Vision zu entwickeln. Es kann nicht nur auf neue, KI-gesteuerte Produkte angewendet werden, sondern auch auf KI-Funktionen, die in bestehende Produkte integriert werden.

In den folgenden Abschnitten werden die einzelnen Komponenten kurz beschrieben, wobei der Schwerpunkt auf Teilen liegt, die spezifisch für KI-Produkte sind. Wir beginnen mit der Geschäftsperspektive – den Marktchancen und dem Wert – und tauchen dann in UX und Technologie ein. Zur Veranschaulichung des Modells verwenden wir das laufende Beispiel eines Copiloten zur Generierung von Marketinginhalten.

Wenn dieser ausführliche Bildungsinhalt für Sie nützlich ist, können Sie dies tun Abonnieren Sie unsere AI Research Mailingliste benachrichtigt werden, wenn wir neues Material veröffentlichen. 

1. Gelegenheit

Bei all den coolen Dingen, die Sie jetzt mit KI machen können, könnten Sie es kaum erwarten können, sich die Hände schmutzig zu machen und mit dem Bauen zu beginnen. Um jedoch etwas zu schaffen, das Ihre Benutzer brauchen und lieben, sollten Sie Ihre Entwicklung mit einer Marktchance untermauern. In der idealen Welt erreichen uns Chancen durch Kunden, die uns sagen, was sie brauchen oder wollen.[1] Dies können unerfüllte Bedürfnisse, Schmerzpunkte oder Wünsche sein. Sie können diese Informationen in bestehendem Kundenfeedback suchen, beispielsweise in Produktbewertungen und Notizen Ihrer Vertriebs- und Erfolgsteams. Vergessen Sie auch nicht sich selbst als potenziellen Nutzer Ihres Produkts – wenn Sie auf ein Problem abzielen, das Sie selbst erlebt haben, ist dieser Informationsvorsprung ein zusätzlicher Vorteil. Darüber hinaus können Sie mithilfe von Tools wie Umfragen und Interviews auch proaktive Kundenforschung betreiben.

Ich muss zum Beispiel nicht lange suchen, um die Probleme des Content-Marketings für Startups, aber auch für größere Unternehmen zu erkennen. Ich habe es selbst erlebt – mit zunehmendem Wettbewerb wird die Entwicklung einer Thought Leadership mit individuellen, regelmäßigen und (!) hochwertigen Inhalten für die Differenzierung immer wichtiger. In der Zwischenzeit wird es bei einem kleinen und geschäftigen Team immer Dinge geben, die wichtiger erscheinen als das Schreiben des Blogbeitrags der Woche. Außerdem treffe ich in meinem Netzwerk oft auf Leute, denen es schwerfällt, eine konsistente Content-Marketing-Routine aufzubauen. Diese „lokalen“, möglicherweise voreingenommenen Beobachtungen können durch Umfragen validiert werden, die über das eigene Netzwerk hinausgehen und einen breiteren Markt für eine Lösung bestätigen.

Die reale Welt ist etwas unübersichtlicher und Kunden werden nicht immer zu Ihnen kommen, um Ihnen neue, gut formulierte Möglichkeiten vorzustellen. Wenn Sie vielmehr Ihre Antennen ausstrecken, erreichen Sie Chancen aus vielen Richtungen, wie zum Beispiel:

• Marktpositionierung: KI liegt im Trend – für etablierte Unternehmen kann sie genutzt werden, um das Image eines Unternehmens als innovativ, hochtechnologisch, zukunftssicher usw. zu stärken. Beispielsweise kann es eine bestehende Marketingagentur zu einem KI-gestützten Dienst machen und es von der Konkurrenz abheben. Machen Sie KI jedoch nicht um der KI willen. Der Positionierungstrick ist mit Vorsicht und in Kombination mit anderen Möglichkeiten anzuwenden – sonst besteht die Gefahr, dass Sie an Glaubwürdigkeit verlieren.
• Wettbewerber: Wenn Ihre Konkurrenten einen Schritt unternehmen, haben sie wahrscheinlich bereits die zugrunde liegende Recherche und Validierung durchgeführt. Schauen Sie sie sich nach einiger Zeit an – war ihre Entwicklung erfolgreich? Nutzen Sie diese Informationen, um Ihre eigene Lösung zu optimieren, die erfolgreichen Teile zu übernehmen und die Fehler auszubügeln. Nehmen wir zum Beispiel an, Sie beobachten einen Konkurrenten, der einen Service zur vollautomatischen Generierung von Marketinginhalten anbietet. Benutzer klicken auf einen „großen roten Knopf“ und die KI schreitet voran, um den Inhalt zu schreiben und zu veröffentlichen. Nach einiger Recherche stellen Sie fest, dass Benutzer zögern, dieses Produkt zu verwenden, weil sie mehr Kontrolle über den Prozess behalten und ihr eigenes Fachwissen und ihre Persönlichkeit in das Schreiben einbringen möchten. Schließlich geht es beim Schreiben auch um Selbstdarstellung und individuelle Kreativität. Jetzt ist es an der Zeit, mit einem vielseitigen Tool weiterzumachen, das umfangreiche Funktionen und Konfigurationen für die Gestaltung Ihrer Inhalte bietet. Es steigert die Effizienz der Benutzer und ermöglicht ihnen gleichzeitig, sich jederzeit in den Prozess einzumischen.
• Regulierungen: Megatrends wie technologischer Umbruch und Globalisierung zwingen die Regulierungsbehörden dazu, ihre Anforderungen zu verschärfen. Vorschriften erzeugen Druck und sind eine sichere Quelle von Chancen. Stellen Sie sich zum Beispiel vor, dass eine Regelung in Kraft tritt, die jeden dazu verpflichtet, KI-generierte Inhalte als solche zu bewerben. Diejenigen Unternehmen, die bereits Tools zur KI-Content-Generierung nutzen, werden für interne Diskussionen darüber, ob sie dies wollen, verschwinden. Viele von ihnen werden davon Abstand nehmen, weil sie das Image einer echten Vordenkerrolle wahren wollen, anstatt sichtbar KI-generierte Muster zu produzieren. Nehmen wir an, Sie waren schlau und haben sich für eine erweiterte Lösung entschieden, die den Benutzern genügend Kontrolle gibt, damit sie die offiziellen „Autoren“ der Texte bleiben können. Wenn die neue Beschränkung eingeführt wird, sind Sie immun und können voranschreiten, um von der Regulierung zu profitieren, während Ihre Konkurrenten mit vollautomatischen Lösungen Zeit brauchen, um sich von dem Rückschlag zu erholen.
• Technologien ermöglichen: Aufkommende Technologien und bedeutende Sprünge bei bestehenden Technologien, wie die Welle der generativen KI in den Jahren 2022–23, können neue Vorgehensweisen eröffnen oder bestehende Anwendungen auf ein neues Niveau katapultieren. Nehmen wir an, Sie leiten seit einem Jahrzehnt eine traditionelle Marketingagentur. Jetzt können Sie damit beginnen, KI-Hacks und -Lösungen in Ihrem Unternehmen einzuführen, um die Effizienz Ihrer Mitarbeiter zu steigern, mehr Kunden mit den vorhandenen Ressourcen zu bedienen und Ihren Gewinn zu steigern. Sie bauen auf Ihrem vorhandenen Fachwissen, Ihrem Ruf und Ihrem (hoffentlich gutwilligen) Kundenstamm auf, sodass die Einführung von KI-Verbesserungen viel reibungsloser und weniger riskant vonstatten gehen kann, als es für einen Neuling der Fall wäre.

Schließlich sind Chancen in der modernen Produktwelt oft weniger explizit und formal und können direkt in Experimenten validiert werden, was Ihre Entwicklung beschleunigt. Somit können Teammitglieder beim produktgesteuerten Wachstum ihre eigenen Hypothesen aufstellen, ohne auf eine streng datengesteuerte Argumentation zurückgreifen zu müssen. Diese Hypothesen können schrittweise formuliert werden, etwa durch die Änderung einer Eingabeaufforderung oder die Änderung des lokalen Layouts einiger UX-Elemente, wodurch sie einfach zu implementieren, bereitzustellen und zu testen sind. Indem man den Druck zur Bereitstellung beseitigt a priori Da wir für jeden neuen Vorschlag Daten sammeln, nutzt dieser Ansatz die Intuition und Vorstellungskraft aller Teammitglieder und erzwingt gleichzeitig eine direkte Validierung der Vorschläge. Nehmen wir an, Ihre Content-Generierung läuft reibungslos, aber Sie hören immer mehr Beschwerden über einen allgemeinen Mangel an KI-Transparenz und Erklärbarkeit. Sie beschließen, eine zusätzliche Transparenzebene zu implementieren und Ihren Benutzern die spezifischen Dokumente anzuzeigen, die zur Generierung eines Inhalts verwendet wurden. Ihr Team testet die Funktion mit einer Kohorte von Benutzern und stellt fest, dass sie sie gerne für die Rückverfolgung zu den ursprünglichen Informationsquellen nutzen. Daher entscheiden Sie sich dafür, es in das Kernprodukt zu integrieren, um die Nutzung und Zufriedenheit zu steigern.

2 Wert

Um den Wert Ihres KI-Produkts oder Ihrer KI-Funktion zu verstehen und zu kommunizieren, müssen Sie es zunächst einem Anwendungsfall zuordnen – einem bestimmten Geschäftsproblem, das es lösen soll – und den ROI (Return on Investment) ermitteln. Dies zwingt Sie dazu, sich von der Technologie abzuwenden und sich auf die benutzerseitigen Vorteile der Lösung zu konzentrieren. Der ROI kann in verschiedenen Dimensionen gemessen werden. Für die KI sind einige davon:

• Erhöhte Effizienz: KI kann die Produktivität von Einzelpersonen, Teams und ganzen Unternehmen steigern. Beispielsweise könnten Sie bei der Inhaltserstellung feststellen, dass Sie statt der normalerweise benötigten 4 bis 5 Stunden zum Schreiben eines Blogbeitrags [2] nun 1 bis 2 Stunden benötigen und die eingesparte Zeit für andere Aufgaben verwenden können. Effizienzsteigerungen gehen häufig mit Kosteneinsparungen einher, da für die Erledigung der gleichen Arbeitsmenge weniger menschlicher Aufwand erforderlich ist. Somit ist dieser Vorteil im geschäftlichen Kontext sowohl für Benutzer als auch für Führungskräfte attraktiv.
• Ein persönlicheres Erlebnis: Ihr Content-Generierungstool kann Benutzer beispielsweise auffordern, Parameter ihres Unternehmens wie Markenattribute, Terminologie, Produktvorteile usw. festzulegen. Darüber hinaus kann es die von einem bestimmten Autor vorgenommenen Änderungen verfolgen und seine Generationen an den einzigartigen Text anpassen Stil dieses Benutzers im Laufe der Zeit.
• Spaß und Vergnügen: Hier befassen wir uns mit der emotionalen Seite der Produktnutzung, die von Don Norman auch als „viszerale“ Ebene bezeichnet wird [3]. Im B2C-Lager gibt es ganze Produktkategorien für Spaß und Unterhaltung, etwa Gaming und Augmented Reality. Was ist mit B2B – würden Sie nicht annehmen, dass B2B-Produkte in einem sterilen professionellen Vakuum existieren? Tatsächlich kann diese Kategorie noch stärkere emotionale Reaktionen hervorrufen als B2C.[4] Schreiben kann beispielsweise als befriedigender Akt der Selbstdarstellung oder als innerer Kampf mit Schreibblockaden und anderen Problemen wahrgenommen werden. Denken Sie darüber nach, wie Ihr Produkt die positiven Emotionen einer Aufgabe verstärken und gleichzeitig deren schmerzhafte Aspekte lindern oder sogar verändern kann.
• Verbraucherfreundlichkeit: Was muss Ihr Benutzer tun, um die magischen Kräfte der KI zu nutzen? Stellen Sie sich vor, Sie integrieren Ihren Copiloten zur Inhaltserstellung in beliebte Tools für die Zusammenarbeit wie MS Office, Google Docs und Notion. Benutzer können auf die Intelligenz und Effizienz Ihres Produkts zugreifen, ohne den Komfort ihres digitalen „Zuhauses“ verlassen zu müssen. Dadurch minimieren Sie den Aufwand, den Benutzer betreiben müssen, um den Wert des Produkts zu erleben und es weiterhin zu nutzen, was wiederum Ihre Benutzerakquise und -akzeptanz steigert.

Einige der KI-Vorteile – beispielsweise die Effizienz – können direkt anhand des ROI quantifiziert werden. Für weniger greifbare Vorteile wie Komfort und Vergnügen müssen Sie an Proxy-Metriken wie die Benutzerzufriedenheit denken. Denken Sie daran, dass das Denken im Hinblick auf den Endnutzerwert nicht nur die Lücke zwischen Ihren Nutzern und Ihrem Produkt schließt. Als willkommener Nebeneffekt kann es dazu führen, dass die technischen Details Ihrer öffentlichen Kommunikation reduziert werden. So verhindern Sie, dass Sie versehentlich unerwünschte Konkurrenz zur Party einladen.

Schließlich ist Nachhaltigkeit ein grundlegender Wertaspekt, den Sie frühzeitig berücksichtigen sollten. Wie wirkt sich Ihre Lösung auf die Gesellschaft und die Umwelt aus? In unserem Beispiel kann die automatisierte oder erweiterte Inhaltsgenerierung umfangreiche menschliche Arbeitsbelastungen ersetzen und eliminieren. Sie möchten wahrscheinlich nicht als zukünftiger Killer einer ganzen Jobkategorie bekannt werden – schließlich wirft dies nicht nur ethische Fragen auf, sondern stößt auch auf Widerstand seitens der Benutzer, deren Jobs Sie gefährden. Überlegen Sie, wie Sie diesen Ängsten begegnen können. Beispielsweise könnten Sie Nutzer darüber aufklären, wie sie ihre neue Freizeit effizient nutzen können, um noch ausgefeiltere Marketingstrategien zu entwickeln. Diese können einen vertretbaren Vorsprung darstellen, auch wenn andere Wettbewerber bei der automatisierten Inhaltsgenerierung aufholen.

3. Daten

Für jede Art von KI und maschinellem Lernen müssen Sie Ihre Daten sammeln und aufbereiten, damit sie die realen Eingaben widerspiegeln und ausreichende Lernsignale für Ihr Modell liefern. Heutzutage sehen wir einen Trend zur datenzentrierten KI – einer KI-Philosophie, die sich von der endlosen Optimierung und Optimierung von Modellen entfernt und sich auf die Behebung der zahlreichen Probleme in den Daten konzentriert, die in diese Modelle eingespeist werden. Wenn Sie anfangen, gibt es verschiedene Möglichkeiten, an einen anständigen Datensatz zu gelangen:

• Du kannst dich Verwenden Sie einen vorhandenen Datensatz. Dies kann entweder ein Standarddatensatz für maschinelles Lernen oder ein Datensatz mit einem anderen ursprünglichen Zweck sein, den Sie für Ihre Aufgabe anpassen. Es gibt einige Datensatzklassiker, wie z IMDB-Datensatz zu Filmrezensionen für Sentimentanalysen und die MNIST-Datensatz zur Erkennung handschriftlicher Zeichen. Es gibt exotischere und aufregendere Alternativen, wie zum Beispiel Illegalen Fischfang fangen und Identifizierung der Hunderasseund unzählige von Benutzern kuratierte Datensätze auf Datenhubs wie Kaggle. Die Chancen, dass Sie einen Datensatz finden, der speziell auf Ihre Aufgabenstellung zugeschnitten ist und Ihre Anforderungen vollständig erfüllt, sind eher gering und in den meisten Fällen müssen Sie auch andere Methoden zur Anreicherung Ihrer Daten nutzen.
• Du kannst dich Kommentieren Sie die Daten oder erstellen Sie sie manuell um die richtigen Lernsignale zu erzeugen. In den Anfängen des maschinellen Lernens war die manuelle Datenannotation – beispielsweise die Annotation von Texten mit Sentiment-Scores – die bevorzugte Methode. Vor kurzem hat es als Hauptzutat in der geheimen Soße von ChatGPT wieder an Aufmerksamkeit gewonnen. Es wurde ein enormer manueller Aufwand betrieben, um die Antworten des Modells zu erstellen und in eine Rangfolge zu bringen, um menschliche Vorlieben widerzuspiegeln. Diese Technik wird auch Reinforcement Learning from Human Feedback (RLHF) genannt. Wenn Sie über die erforderlichen Ressourcen verfügen, können Sie diese nutzen, um hochwertige Daten für spezifischere Aufgaben zu erstellen, beispielsweise die Erstellung von Marketinginhalten. Die Annotation kann entweder intern oder über einen externen Anbieter oder einen Crowdsourcing-Dienst wie Amazon Mechanical Turk erfolgen. Wie auch immer, die meisten Unternehmen werden nicht die enormen Ressourcen aufwenden wollen, die für die manuelle Erstellung von RLHF-Daten erforderlich sind, und werden einige Tricks in Betracht ziehen, um die Erstellung ihrer Daten zu automatisieren.
• So können Sie mit weitere Beispiele zu einem vorhandenen Datensatz hinzufügen Datenerweiterung. Für einfachere Aufgaben wie die Stimmungsanalyse könnten Sie etwas zusätzliches Rauschen in die Texte einbringen, ein paar Wörter austauschen usw. Für offenere Generierungsaufgaben gibt es derzeit große Begeisterung für die Verwendung großer Modelle (z. B. grundlegender Modelle) für automatisierte Aufgaben Generierung von Trainingsdaten. Sobald Sie die beste Methode zur Erweiterung Ihrer Daten ermittelt haben, können Sie diese problemlos skalieren, um die erforderliche Datensatzgröße zu erreichen.

Bei der Erstellung Ihrer Daten stehen Sie vor einem Kompromiss zwischen Qualität und Quantität. Sie können manuell weniger Daten mit hoher Qualität annotieren oder Ihr Budget für die Entwicklung von Hacks und Tricks für die automatisierte Datenanreicherung ausgeben, die zusätzliches Rauschen verursachen. Wenn Sie sich für die manuelle Annotation entscheiden, können Sie dies intern tun und eine Kultur der Details und Qualität schaffen oder die Arbeit per Crowdsourcing an anonyme Personen vergeben. Crowdsourcing weist in der Regel eine geringere Qualität auf, sodass Sie möglicherweise mehr Anmerkungen machen müssen, um das Rauschen auszugleichen. Wie findet man die ideale Balance? Hier gibt es keine fertigen Rezepte – letztendlich finden Sie Ihre ideale Datenzusammensetzung durch ein ständiges Hin und Her zwischen Training und Verbesserung Ihrer Daten. Wenn ein Modell vorab trainiert wird, muss es sich im Allgemeinen Wissen von Grund auf aneignen, was nur bei einer größeren Datenmenge möglich ist. Wenn Sie andererseits ein bestehendes großes Modell verfeinern und ihm den letzten Schliff der Spezialisierung verleihen möchten, legen Sie möglicherweise Wert auf Qualität statt auf Quantität. Die kontrollierte manuelle Annotation eines kleinen Datensatzes anhand detaillierter Richtlinien könnte in diesem Fall die optimale Lösung sein.

4. Algorithmus

Daten sind das Rohmaterial, aus dem Ihr Modell lernt, und Sie können hoffentlich einen repräsentativen, qualitativ hochwertigen Datensatz zusammenstellen. Die eigentliche Superkraft Ihres KI-Systems – seine Fähigkeit, aus vorhandenen Daten zu lernen und auf neue Daten zu verallgemeinern – liegt nun im Algorithmus. In Bezug auf die zentralen KI-Modelle gibt es drei Hauptoptionen, die Sie verwenden können:

• Fordern Sie ein vorhandenes Modell an. Erweiterte LLMs (Large Language Models) der GPT-Familie wie ChatGPT und GPT-4 sowie von anderen Anbietern wie Anthropic und AI21 Labs stehen für die Inferenz über API zur Verfügung. Mithilfe der Eingabeaufforderung können Sie direkt mit diesen Modellen sprechen und dabei alle für eine Aufgabe erforderlichen domänen- und aufgabenspezifischen Informationen in Ihre Eingabeaufforderung einbeziehen. Dies kann spezifische zu verwendende Inhalte, Beispiele für analoge Aufgaben (Few-Shot-Prompting) sowie Anweisungen für das Modell umfassen. Wenn Ihr Benutzer beispielsweise einen Blog-Beitrag über eine neue Produktfunktion erstellen möchte, können Sie ihn bitten, einige Kerninformationen über die Funktion anzugeben, z. B. ihre Vorteile und Anwendungsfälle, ihre Verwendung, das Startdatum usw. Ihr Produkt trägt diese Informationen dann in eine sorgfältig ausgearbeitete Eingabeaufforderungsvorlage ein und fordert das LLM auf, den Text zu generieren. Eingabeaufforderungen eignen sich hervorragend, um sich einen Vorsprung bei vorab trainierten Modellen zu verschaffen. Allerdings wird der Burggraben, den Sie mit Hilfe von Impulsen errichten können, mit der Zeit schnell dünner – mittelfristig benötigen Sie eine vertretbarere Modellstrategie, um Ihren Wettbewerbsvorteil aufrechtzuerhalten.
• Optimieren Sie ein vorab trainiertes Modell. Dieser Ansatz hat KI in den letzten Jahren so populär gemacht. Da immer mehr vorab trainierte Modelle verfügbar werden und Portale wie Huggingface Modellrepositorys sowie Standardcode für die Arbeit mit den Modellen anbieten, wird die Feinabstimmung zur bevorzugten Methode zum Ausprobieren und Implementieren. Wenn Sie mit einem vorab trainierten Modell arbeiten, können Sie von der Investition profitieren, die bereits jemand in die Daten, das Training und die Bewertung des Modells getätigt hat, das bereits viel über Sprache und die Welt „weiß“. Sie müssen lediglich das Modell mithilfe eines aufgabenspezifischen Datensatzes verfeinern, der viel kleiner sein kann als der ursprünglich für das Vortraining verwendete Datensatz. Für die Generierung von Marketinginhalten können Sie beispielsweise eine Reihe von Blogbeiträgen sammeln, die in Bezug auf das Engagement gut abgeschnitten haben, und die Anweisungen dafür zurückentwickeln. Anhand dieser Daten lernt Ihr Modell die Struktur, den Ablauf und den Stil erfolgreicher Artikel kennen. Bei der Verwendung von Open-Source-Modellen ist Feinabstimmung der richtige Weg, aber auch LLM-API-Anbieter wie OpenAI und Cohere bieten zunehmend Feinabstimmungsfunktionen an. Insbesondere im Open-Source-Bereich müssen Sie weiterhin die Aspekte der Modellauswahl, den Kostenaufwand für die Schulung und Bereitstellung größerer Modelle sowie die Wartungs- und Aktualisierungspläne Ihres Modells berücksichtigen.
• Trainieren Sie Ihr ML-Modell von Grund auf. Im Allgemeinen eignet sich dieser Ansatz gut für einfachere, aber sehr spezifische Probleme, für die Sie über spezifisches Know-how oder gute Datensätze verfügen. Die Generierung von Inhalten fällt nicht gerade in diese Kategorie – es erfordert fortgeschrittene sprachliche Fähigkeiten, um auf die Beine zu kommen, und diese können nur nach einer Schulung an lächerlich großen Datenmengen erworben werden. Einfachere Probleme wie die Sentimentanalyse für einen bestimmten Texttyp können häufig mit etablierten Methoden des maschinellen Lernens wie der logistischen Regression gelöst werden, die rechentechnisch kostengünstiger sind als ausgefallene Deep-Learning-Methoden. Natürlich gibt es auch den Mittelweg einigermaßen komplexer Probleme wie die Konzeptextraktion für bestimmte Domänen, für die Sie in Betracht ziehen könnten, ein tiefes neuronales Netzwerk von Grund auf zu trainieren.

Über das Training hinaus ist die Evaluation von zentraler Bedeutung für den erfolgreichen Einsatz von maschinellem Lernen. Geeignete Bewertungsmetriken und -methoden sind nicht nur wichtig für eine sichere Einführung Ihrer KI-Funktionen, sondern dienen auch als klare Zielgröße für die weitere Optimierung und als gemeinsame Grundlage für interne Diskussionen und Entscheidungen. Während technische Kennzahlen wie Präzision, Rückruf und Genauigkeit einen guten Ausgangspunkt bieten können, sollten Sie letztendlich nach Kennzahlen suchen, die den realen Wert widerspiegeln, den Ihre KI den Benutzern bietet.

5. Benutzererfahrung

Das Benutzererlebnis von KI-Produkten ist ein fesselndes Thema – schließlich haben Benutzer große Hoffnungen, aber auch Ängste vor einer „Partnerschaft“ mit einer KI, die ihre Intelligenz steigern und möglicherweise überlisten kann. Die Gestaltung dieser Mensch-KI-Partnerschaft erfordert einen durchdachten und sinnvollen Entdeckungs- und Designprozess. Eine der wichtigsten Überlegungen ist der Grad der Automatisierung, den Sie mit Ihrem Produkt gewährleisten möchten – und wohlgemerkt: Eine vollständige Automatisierung ist bei weitem nicht immer die ideale Lösung. Die folgende Abbildung veranschaulicht das Automatisierungskontinuum:

Schauen wir uns jede dieser Ebenen an:

• In der ersten Phase erledigt der Mensch die gesamte Arbeit und es findet keine Automatisierung statt. Trotz des Hypes um KI werden die meisten wissensintensiven Aufgaben in modernen Unternehmen immer noch auf dieser Ebene erledigt, was große Chancen für die Automatisierung bietet. Hier funktioniert beispielsweise der Content-Autor, der sich gegen KI-gesteuerte Tools sträubt und davon überzeugt ist, dass das Schreiben ein äußerst manuelles und eigenwilliges Handwerk ist.
• In der zweiten Stufe der unterstützten KI haben Benutzer die vollständige Kontrolle über die Aufgabenausführung und erledigen einen großen Teil der Arbeit manuell, aber KI-Tools helfen ihnen, Zeit zu sparen und ihre Schwachstellen auszugleichen. Wenn Sie beispielsweise einen Blog-Beitrag mit einer engen Frist schreiben, kann eine abschließende sprachliche Überprüfung mit Grammarly oder einem ähnlichen Tool eine willkommene Zeitersparnis sein. Dadurch können manuelle Überarbeitungen entfallen, die einen Großteil Ihrer knappen Zeit und Aufmerksamkeit in Anspruch nehmen und dennoch zu Fehlern und Übersehen führen können – schließlich ist es menschlich, Fehler zu machen.
• Mit Augmented Intelligence ist KI ein Partner, der die Intelligenz des Menschen steigert und so die Stärken beider Welten nutzt. Im Vergleich zur unterstützten KI hat die Maschine viel mehr Einfluss auf Ihren Prozess und deckt ein größeres Spektrum an Aufgaben ab, wie z. B. Ideenfindung, Generierung und Bearbeitung von Entwürfen sowie die abschließende sprachliche Prüfung. Benutzer müssen weiterhin an der Arbeit teilnehmen, Entscheidungen treffen und Teile der Aufgabe ausführen. Die Benutzeroberfläche sollte die Arbeitsverteilung zwischen Mensch und KI klar darstellen, Fehlerpotenziale aufzeigen und Transparenz über die durchgeführten Schritte schaffen. Kurz gesagt: Das „erweiterte“ Erlebnis führt Benutzer durch Iteration und Verfeinerung zum gewünschten Ergebnis.
• Und schließlich haben wir die vollständige Automatisierung – eine faszinierende Idee für KI-Freaks, Philosophen und Experten, aber oft nicht die optimale Wahl für reale Produkte. Vollständige Automatisierung bedeutet, dass Sie einen „großen roten Knopf“ anbieten, der den Prozess in Gang setzt. Sobald die KI fertig ist, stehen Ihre Benutzer vor der endgültigen Ausgabe und nehmen sie entweder an oder lassen sie. Alles, was dazwischen passiert ist, können sie nicht kontrollieren. Wie Sie sich vorstellen können, sind die UX-Optionen hier eher begrenzt, da es praktisch keine Interaktivität gibt. Der Großteil der Erfolgsverantwortung liegt auf den Schultern Ihrer technischen Kollegen, die eine außergewöhnlich hohe Qualität der Ergebnisse sicherstellen müssen.

KI-Produkte benötigen beim Design eine Sonderbehandlung. Standardmäßige grafische Schnittstellen sind deterministisch und ermöglichen es Ihnen, alle möglichen Pfade vorherzusehen, die der Benutzer einschlagen könnte. Im Gegensatz dazu sind große KI-Modelle probabilistisch und unsicher – sie offenbaren eine Reihe erstaunlicher Fähigkeiten, aber auch Risiken wie toxische, falsche und schädliche Ergebnisse. Von außen sieht Ihre KI-Schnittstelle möglicherweise einfach aus, da viele Funktionen Ihres Produkts direkt im Modell enthalten sind. Ein LLM kann beispielsweise Eingabeaufforderungen interpretieren, Text erstellen, nach Informationen suchen, diese zusammenfassen, einen bestimmten Stil und eine bestimmte Terminologie übernehmen, Anweisungen ausführen usw. Auch wenn es sich bei Ihrer Benutzeroberfläche um eine einfache Chat- oder Eingabeaufforderungsschnittstelle handelt, sollten Sie dieses Potenzial nicht unbemerkt lassen — Um Benutzer zum Erfolg zu führen, müssen Sie explizit und realistisch sein. Machen Sie Benutzern die Fähigkeiten und Einschränkungen Ihrer KI-Modelle bewusst, ermöglichen Sie ihnen, von der KI verursachte Fehler leicht zu erkennen und zu beheben, und zeigen Sie ihnen, wie sie sich selbst iterieren, um optimale Ergebnisse zu erzielen. Durch die Betonung von Vertrauen, Transparenz und Benutzerschulung können Sie Ihre Benutzer dazu bringen, mit der KI zusammenzuarbeiten. Obwohl ein tiefer Einblick in die aufstrebende Disziplin des KI-Designs den Rahmen dieses Artikels sprengt, empfehle ich Ihnen dringend, sich nicht nur von anderen KI-Unternehmen, sondern auch aus anderen Designbereichen wie der Mensch-Maschine-Interaktion inspirieren zu lassen. Sie werden bald eine Reihe wiederkehrender Entwurfsmuster identifizieren, wie z. B. automatische Vervollständigungen, Eingabeaufforderungsvorschläge und KI-Benachrichtigungen, die Sie in Ihre eigene Benutzeroberfläche integrieren können, um das Beste aus Ihren Daten und Modellen herauszuholen.

Um ein wirklich großartiges Design zu liefern, müssen Sie möglicherweise Ihrem Team neue Designfähigkeiten hinzufügen. Wenn Sie beispielsweise eine Chat-Anwendung zur Verfeinerung von Marketinginhalten erstellen, arbeiten Sie mit einem Gesprächsdesigner zusammen, der sich um die Gesprächsabläufe und die „Persönlichkeit“ Ihres Chatbots kümmert. Wenn Sie ein umfangreiches, erweitertes Produkt erstellen, das Ihre Benutzer gründlich schulen und durch die verfügbaren Optionen führen muss, kann ein Content-Designer Ihnen beim Aufbau der richtigen Art von Informationsarchitektur helfen und Ihren Benutzern das richtige Maß an Anstößen und Aufforderungen hinzufügen.

Und seien Sie schließlich offen für Überraschungen. KI-Design kann Sie dazu bringen, Ihre ursprünglichen Vorstellungen von der Benutzererfahrung zu überdenken. Beispielsweise wurden viele UX-Designer und Produktmanager darauf trainiert, Latenz und Reibung zu minimieren, um das Benutzererlebnis zu verbessern. Nun, bei KI-Produkten können Sie diesen Kampf unterbrechen und beides zu Ihrem Vorteil nutzen. Latenz- und Wartezeiten eignen sich hervorragend zur Aufklärung Ihrer Benutzer, indem Sie beispielsweise erklären, was die KI gerade tut und mögliche nächste Schritte auf ihrer Seite aufzeigen. Pausen wie Dialog- und Benachrichtigungs-Popups können zu Reibungsverlusten führen, um die Mensch-KI-Partnerschaft zu stärken und die Transparenz und Kontrolle für Ihre Benutzer zu erhöhen.

6. Nichtfunktionale Anforderungen

Über die Daten, Algorithmen und UX hinaus, die es Ihnen ermöglichen, eine bestimmte Funktionalität zu implementieren, stellen sogenannte nichtfunktionale Anforderungen (NFRs) wie Genauigkeit, Latenz, Skalierbarkeit, Zuverlässigkeit und Datenverwaltung sicher, dass der Benutzer tatsächlich den erwarteten Wert erhält. Das Konzept der NFRs stammt aus der Softwareentwicklung, wird aber im Bereich der KI noch nicht systematisch berücksichtigt. Oftmals werden diese Anforderungen ad hoc aufgegriffen, wenn sie während der Benutzerrecherche, der Ideenfindung, der Entwicklung und des Betriebs von KI-Funktionen auftauchen.

Sie sollten versuchen, Ihre NFRs so früh wie möglich zu verstehen und zu definieren, da an verschiedenen Punkten Ihrer Reise unterschiedliche NFRs zum Leben erweckt werden. Beispielsweise muss der Datenschutz bereits im allerersten Schritt der Datenauswahl berücksichtigt werden. Die Genauigkeit ist in der Produktionsphase am empfindlichsten, wenn Benutzer Ihr System online verwenden und es möglicherweise mit unerwarteten Eingaben überfordert wird. Skalierbarkeit ist eine strategische Überlegung, die ins Spiel kommt, wenn Ihr Unternehmen die Anzahl der Benutzer und/oder Anfragen oder das Spektrum der angebotenen Funktionalität skaliert.

Wenn es um NFRs geht, kann man nicht alle haben. Hier sind einige der typischen Kompromisse, die Sie abwägen müssen:

• Eine der ersten Methoden zur Erhöhung der Genauigkeit besteht darin, ein größeres Modell zu verwenden, was sich auf die Latenz auswirkt.
• Die Verwendung von Produktionsdaten „wie sie sind“ zur weiteren Optimierung kann für das Lernen am besten geeignet sein, kann jedoch gegen Ihre Datenschutz- und Anonymisierungsregeln verstoßen.
• Skalierbarere Modelle sind Generalisten, was sich auf ihre Genauigkeit bei unternehmens- oder benutzerspezifischen Aufgaben auswirkt.

Wie Sie die verschiedenen Anforderungen priorisieren, hängt von den verfügbaren Rechenressourcen, Ihrem UX-Konzept einschließlich des Automatisierungsgrads und den Auswirkungen der von der KI unterstützten Entscheidungen ab.

Die zentralen Thesen

1. Beginnen Sie mit dem Ziel: Gehen Sie nicht davon aus, dass die Technologie allein den Job erledigt. Sie benötigen eine klare Roadmap für die Integration Ihrer KI in das benutzerorientierte Produkt und die Aufklärung Ihrer Benutzer über deren Vorteile, Risiken und Einschränkungen.
2. Marktausrichtung: Priorisieren Sie Marktchancen und Kundenbedürfnisse, um die KI-Entwicklung zu steuern. Überstürzen Sie KI-Implementierungen nicht, angetrieben durch Hype und ohne marktseitige Validierung.
3. Benutzerwert: Definieren, quantifizieren und kommunizieren Sie den Wert von KI-Produkten im Hinblick auf Effizienz, Personalisierung, Komfort und andere Wertdimensionen.
4. Datenqualität: Konzentrieren Sie sich auf Datenqualität und Relevanz, um KI-Modelle effektiv zu trainieren. Versuchen Sie, kleine, qualitativ hochwertige Daten für die Feinabstimmung und größere Datensätze für das Training von Grund auf zu verwenden.
5. Algorithmus-/Modellauswahl: Wählen Sie das richtige Maß an Komplexität und Vertretbarkeit (Einleitung, Feinabstimmung, Schulung von Grund auf) für Ihren Anwendungsfall und bewerten Sie dessen Leistung sorgfältig. Wenn Sie im Laufe der Zeit das erforderliche Fachwissen und Vertrauen in Ihr Produkt erwerben, möchten Sie möglicherweise auf fortgeschrittenere Modellstrategien umsteigen.
6. Benutzerzentriertes Design: Entwerfen Sie KI-Produkte unter Berücksichtigung der Bedürfnisse und Emotionen der Benutzer und achten Sie dabei auf ein Gleichgewicht zwischen Automatisierung und Benutzerkontrolle. Beachten Sie die „Unvorhersehbarkeit“ probabilistischer KI-Modelle und leiten Sie Ihre Benutzer an, damit zu arbeiten und davon zu profitieren.
7. Kollaboratives Design: Durch die Betonung von Vertrauen, Transparenz und Benutzerschulung können Sie Ihre Benutzer dazu bringen, mit der KI zusammenzuarbeiten.
8. Nicht-funktionale Anforderungen: Berücksichtigen Sie Faktoren wie Genauigkeit, Latenz, Skalierbarkeit und Zuverlässigkeit während der gesamten Entwicklung und versuchen Sie, die Kompromisse zwischen diesen frühzeitig abzuschätzen.
9. Zusammenarbeit: Fördern Sie eine enge Zusammenarbeit zwischen KI-Experten, Designern, Produktmanagern und anderen Teammitgliedern, um von interdisziplinärer Intelligenz zu profitieren und Ihre KI erfolgreich zu integrieren.

Bibliographie

[1] Teresa Torres (2021). Kontinuierliche Entdeckungsgewohnheiten: Entdecken Sie Produkte, die Kundennutzen und Geschäftswert schaffen.

[2] Orbit Media (2022). Neue Blogging-Statistiken: Welche Content-Strategien funktionieren im Jahr 2022? Wir haben 1016 Blogger gefragt.

[3] Don Norman (2013). Das Design alltäglicher Dinge.

[4] Google, Gartner und Motista (2013). Von der Werbung zur Emotion: B2B-Kunden mit Marken verbinden.

Hinweis: Alle Bilder stammen vom Autor.

Dieser Artikel wurde ursprünglich veröffentlicht am Auf dem Weg zu Data Science und mit Genehmigung des Autors erneut auf TOPBOTS veröffentlicht.

Genießen Sie diesen Artikel? Melden Sie sich für weitere AI-Forschungsupdates an.

Wir werden Sie informieren, wenn wir weitere zusammenfassende Artikel wie diesen veröffentlichen.

Verbunden

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• ChartPrime. Verbessern Sie Ihr Handelsspiel mit ChartPrime. Hier zugreifen.
• BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
• Quelle: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/