AI-toodete loomine tervikliku vaimse mudeli abil

Märkus. See artikkel on esimene seeriast "AI rakenduste lahkamine", mis tutvustab tehisintellektisüsteemide vaimset mudelit. Mudel on tööriist tehisintellekti toodete aruteluks, kavandamiseks ja määratlemiseks valdkondadevaheliste tehisintellekti ja tootemeeskondade poolt, samuti äriosakonnaga vastavusse viimiseks. Selle eesmärk on koondada tootejuhtide, UX-i disainerite, andmeteadlaste, inseneride ja teiste meeskonnaliikmete vaatenurgad. Selles artiklis tutvustan vaimset mudelit, samas kui tulevased artiklid näitavad, kuidas seda konkreetsete tehisintellekti toodete ja funktsioonide puhul rakendada.

Sageli eeldavad ettevõtted, et tehisintellekti oma pakkumisse lisamiseks on vaja vaid palgata tehisintellekti eksperdid ja lasta neil tehnilist maagiat mängida. See lähenemine viib nad otse integreerimisveale: isegi kui need eksperdid ja insenerid toodavad erakordseid mudeleid ja algoritme, takerduvad nende väljundid sageli mänguväljakute, liivakastide ja demode tasemele ega muutu kunagi toote täisväärtuslikeks osadeks. Aastate jooksul olen näinud suurt pettumust andmeteadlaste ja inseneride poolt, kelle tehniliselt silmapaistvad AI-rakendused ei leidnud teed kasutajatele suunatud toodetesse. Pigem oli neil auväärne staatus verise servaga eksperimentidest, mis jätsid sisemistele sidusrühmadele mulje, et nad sõidavad tehisintellekti lainel. Nüüd, kus tehisintellekt on alates ChatGPT avaldamisest 2022. aastal laialt levinud, ei saa ettevõtted enam lubada tehisintellekti kasutamist majaka funktsioonina, et näidata oma tehnoloogilist taiplikkust.

Miks on tehisintellekti integreerimine nii keeruline? Sellel on paar põhjust.

• Sageli keskenduvad meeskonnad AI-süsteemi ühele aspektile. See on viinud isegi eraldi leeride tekkeni, nagu andmekeskne, mudelikeskne ja inimesekeskne tehisintellekt. Kuigi igaüks neist pakub uurimistööks põnevaid vaatenurki, peab reaalses elus toodetud toode ühendama andmed, mudeli ning inimese ja masina vastastikuse suhtluse ühtseks süsteemiks.
• AI arendus on väga koostööpõhine ettevõte. Traditsioonilises tarkvaraarenduses töötate suhteliselt selge dihhotoomiaga, mis koosneb tausta- ja esiosa komponentidest. Tehisintellektis ei pea te mitte ainult lisama oma meeskonda mitmekesisemaid rolle ja oskusi, vaid tagama ka tihedama koostöö erinevate osapoolte vahel. Teie AI-süsteemi erinevad komponendid suhtlevad üksteisega intiimsel viisil. Näiteks kui töötate virtuaalse assistendi kallal, peavad teie UX-i disainerid mõistma loomuliku kasutajavoo loomiseks kiiret inseneritööd. Teie andmeannotaatorid peavad olema teadlikud teie kaubamärgist ja teie virtuaalse assistendi iseloomuomadustest, et luua koolitusandmeid, mis on järjepidevad ja joondatud teie positsioneerimisega, ning teie tootejuht peab aru saama ja kontrollima andmekanali arhitektuuri, et tagada see vastab teie kasutajate haldusprobleemidele.
• AI ehitamisel alahindavad ettevõtted sageli disaini tähtsust. Kuigi tehisintellekt algab taustaprogrammist, on hea disain hädavajalik, et see tootmises särama panna. AI-disain nihutab traditsioonilise UX-i piire. Suur osa teie pakutavatest funktsioonidest ei ole iseenesest liideses nähtav, vaid mudelis "peidetud" ning te peate oma kasutajaid nende eeliste maksimeerimiseks harima ja juhendama. Pealegi on tänapäevased alusmudelid metsikud asjad, mis võivad tekitada mürgiseid, valesid ja kahjulikke väljundeid, nii et nende riskide vähendamiseks paigaldate täiendavad kaitsepiirded. Kõik see võib nõuda teie meeskonnalt uusi oskusi, nagu kiire inseneritöö ja vestlusprojekt. Mõnikord tähendab see ka intuitiivsete asjade tegemist, näiteks väärtuse alahindamist kasutajate ootuste haldamiseks ja hõõrdumise lisamist, et anda neile suurem kontroll ja läbipaistvus.
• AI-hüpe tekitab survet. Paljud ettevõtted panevad vankri hobuse ette, hüpates juurutustesse, mida kliendi ja turu vajadused ei kinnita. Aeg-ajalt tehisintellekti moesõna välja viskamine võib aidata teil turundada ja positsioneerida end edumeelse ja uuendusliku ettevõttena, kuid pikemas perspektiivis peate oma uudiseid ja katsetamist reaalsete võimalustega toetama. Seda on võimalik saavutada äritegevuse ja tehnoloogia tiheda koordineerimisega, mis põhineb turupoolsete võimaluste ja tehnoloogilise potentsiaali selgel kaardistamisel.

Selles artiklis konstrueerime AI-süsteemide jaoks vaimse mudeli, mis integreerib need erinevad aspektid (vt joonis 1). See julgustab ehitajaid mõtlema terviklikult, looma selge arusaamise oma sihttootest ja värskendama seda uute teadmiste ja sisenditega. Mudelit saab kasutada vahendina koostöö hõlbustamiseks, AI meeskonnas ja väljaspool erinevaid vaatenurki ühtlustada ning ühisel visioonil põhinevaid edukaid tooteid luua. Seda saab rakendada mitte ainult uutele tehisintellektiga juhitud toodetele, vaid ka olemasolevatele toodetele lisatud tehisintellekti funktsioonidele.

Järgmistes jaotistes kirjeldatakse lühidalt iga komponenti, keskendudes tehisintellektitoodetele omasetele osadele. Alustame äriperspektiivist – turupoolsest võimalusest ja väärtusest – ning seejärel sukeldume UX-i ja tehnoloogiasse. Mudeli illustreerimiseks kasutame turundussisu genereerimiseks jooksvat näidet kaaspiloodist.

Kui see põhjalik hariv sisu on teile kasulik, saate seda teha tellige meie AI-uuringute meililist hoiatada, kui avaldame uut materjali. 

1. võimalus

Kõigi lahedate asjadega, mida nüüd tehisintellektiga teha saate, võite olla kannatamatu, et käsi määrida ja ehitama hakata. Kuid selleks, et luua midagi, mida teie kasutajad vajavad ja armastavad, peaksite oma arengut toetama turuvõimalusega. Ideaalses maailmas jõuavad võimalused meieni klientidelt, kes räägivad meile, mida nad vajavad või tahavad.[1] Need võivad olla rahuldamata vajadused, valupunktid või soovid. Seda teavet saate otsida olemasolevatest klientide tagasisidest, näiteks tooteülevaadetest ning müügi- ja edumeeskondade märkmetest. Samuti ärge unustage ennast kui oma toote potentsiaalset kasutajat – kui sihite probleemi, millega olete ise kokku puutunud, on see teabeeelis lisaeelis. Peale selle saate läbi viia ka ennetavaid kliendiuuringuid, kasutades selliseid tööriistu nagu küsitlused ja intervjuud.

Näiteks ei pea ma liiga kaugele vaatama, et näha idufirmade, aga ka suuremate ettevõtete sisuturunduse valusid. Olen seda ise kogenud — konkurentsi kasvades muutub eristumiseks aina olulisemaks mõttejuhtimise arendamine individuaalse, korrapärase ja (!) kvaliteetse sisuga. Samal ajal on väikese ja tegusa meeskonnaga alati laual asju, mis tunduvad olulisemad kui nädala blogipostituse kirjutamine. Samuti kohtan oma võrgustikus sageli inimesi, kellel on raskusi järjepideva sisuturundusrutiini loomisega. Neid "kohalikke", potentsiaalselt kallutatud tähelepanekuid saab kinnitada uuringutega, mis ulatuvad võrgust kaugemale ja kinnitavad lahenduse laiemat turgu.

Tegelik maailm on veidi hägusem ja kliendid ei tule alati teie juurde uusi, hästi sõnastatud võimalusi tutvustama. Pigem, kui sirutate oma antenne välja, jõuavad võimalused teieni mitmest küljest, näiteks:

• Turu positsioneerimine: AI on trendikas – väljakujunenud ettevõtete jaoks saab seda kasutada ettevõtte maine tugevdamiseks uuendusliku, kõrgtehnoloogilise, tulevikukindlana jne. Näiteks võib see tõsta olemasoleva turundusagentuuri tehisintellektil põhinevaks teenuseks. eristada seda konkurentidest. Kuid ärge tehke tehisintellekti AI pärast. Positsioneerimistrikki tuleb rakendada ettevaatusega ja kombineerituna teiste võimalustega – vastasel juhul võite kaotada usaldusväärsuse.
• Võistlejad: Kui teie konkurendid liiguvad, on tõenäoline, et nad on aluseks oleva uurimistöö ja valideerimise juba teinud. Vaadake neid mõne aja pärast – kas nende areng oli edukas? Kasutage seda teavet oma lahenduse optimeerimiseks, edukate osade kasutuselevõtuks ja vigade kõrvaldamiseks. Oletame näiteks, et jälgite konkurenti, kes pakub teenust täielikult automatiseeritud turundussisu genereerimiseks. Kasutajad klõpsavad "suurt punast nuppu" ja AI marsib edasi sisu kirjutamiseks ja avaldamiseks. Pärast mõningast uurimistööd saate teada, et kasutajad kõhklevad selle toote kasutamises, kuna soovivad säilitada protsessi üle suuremat kontrolli ning panustada kirjutamisse oma teadmised ja isikupära. Kirjutamine on ju ka eneseväljendus ja individuaalne loovus. See on aeg, kus saate edasi liikuda mitmekülgse tööriistaga, mis pakub sisu kujundamiseks rikkalikke funktsioone ja konfiguratsiooni. See suurendab kasutajate tõhusust, võimaldades neil end igal ajal protsessi „süstida“.
• määrused: megatrendid, nagu tehnoloogilised häired ja globaliseerumine, sunnivad reguleerivaid asutusi oma nõudeid karmistama. Määrused tekitavad survet ja on kuulikindel võimaluste allikas. Näiteks kujutage ette, et jõustub määrus, mis nõuab rangelt, et kõik reklaamiksid tehisintellektiga loodud sisu sellisena. Need ettevõtted, kes juba kasutavad AI sisu genereerimiseks tööriistu, kaovad sisemiste arutelude jaoks, kas nad seda soovivad. Paljud neist hoiduvad, sest tahavad säilitada tõelise mõttejuhtimise kuvandit, mitte luua nähtavalt tehisintellekti loodud katlakivi. Oletame, et olite nutikas ja valisite täiustatud lahenduse, mis annab kasutajatele piisavalt kontrolli, et nad saaksid jääda tekstide ametlikeks "autoriteks". Uue piirangu kehtestamisel olete immuunne ja võite määrusest kasu saada, samal ajal kui teie täisautomaatsete lahendustega konkurendid vajavad tagasilöögist taastumiseks aega.
• Võimaldavad tehnoloogiad: esilekerkivad tehnoloogiad ja olulised hüpped olemasolevates tehnoloogiates, nagu generatiivse AI laine aastatel 2022–23, võivad avada uusi toimimisviise või viia olemasolevad rakendused uuele tasemele. Oletame, et olete viimase kümnendi jooksul juhtinud traditsioonilist turundusagentuuri. Nüüd saate alustada oma ettevõttes tehisintellekti häkkide ja lahenduste juurutamist, et suurendada oma töötajate efektiivsust, teenindada olemasolevate ressurssidega rohkem kliente ja suurendada oma kasumit. Toetute oma olemasolevatele teadmistele, mainele ja (loodetavasti hea tahtega) kliendibaasile, nii et tehisintellekti täiustuste kasutuselevõtt võib olla palju sujuvam ja vähem riskantne kui uustulnuka jaoks.

Kaasaegses tootemaailmas on võimalused sageli vähem selgesõnalised ja formaalsed ning neid saab katsetes otse kinnitada, mis kiirendab teie arengut. Seega saavad meeskonnaliikmed tootepõhise kasvu puhul esitada oma hüpoteesid ilma rangete andmepõhise argumendita. Neid hüpoteese saab sõnastada osade kaupa, näiteks viipa muutmine või mõne UX-i elemendi kohaliku paigutuse muutmine, mis muudab nende rakendamise, juurutamise ja testimise lihtsaks. Eemaldades surve pakkuda aprioorne Iga uue soovituse andmete põhjal kasutab see lähenemisviis kõigi meeskonnaliikmete intuitsiooni ja kujutlusvõimet, tagades samal ajal soovituste otsese valideerimise. Oletame, et teie sisu loomine sujub sujuvalt, kuid kuulete üha rohkem kaebusi tehisintellekti üldise läbipaistvuse ja seletatavuse puudumise kohta. Otsustate rakendada täiendava läbipaistvustaseme ja näidata kasutajatele konkreetseid dokumente, mida sisu loomiseks kasutati. Teie meeskond testib funktsiooni kasutajate rühmaga ja leiab, et nad kasutavad seda hea meelega algsete teabeallikate leidmiseks. Seega otsustate selle kasutusele võtta põhitootes, et suurendada kasutust ja rahulolu.

2. Väärtus

Oma tehisintellekti toote või funktsiooni väärtuse mõistmiseks ja sellest teavitamiseks peate esmalt kaardistama selle kasutusjuhtumiga – konkreetse äriprobleemiga, mille see lahendab – ja välja selgitama ROI (investeeringutasuvus). See sunnib teid suunama oma mõtted tehnoloogialt kõrvale ja keskenduma lahenduse kasutajapoolsetele eelistele. ROI-d saab mõõta erinevatel dimensioonidel. AI puhul on mõned neist järgmised:

• Suurem efektiivsus: AI võib suurendada üksikisikute, meeskondade ja tervete ettevõtete tootlikkust. Näiteks sisu loomisel võite avastada, et tavaliselt blogipostituse kirjutamiseks kuluva 4–5 tunni asemel [2] saate nüüd seda teha 1–2 tunniga ja kulutada säästetud aja muudele ülesannetele. Tõhususe suurenemine käib sageli käsikäes kulude kokkuhoiuga, kuna sama töömahu tegemiseks on vaja vähem inimjõudu. Seega on see kasu ärikontekstis atraktiivne nii kasutajatele kui ka juhtkonnale.
• Isikupärasem kogemus: näiteks võib teie sisu genereerimise tööriist paluda kasutajatel määrata oma ettevõtte parameetreid, nagu brändi atribuudid, terminoloogia, toote eelised jne. Lisaks saab see jälgida konkreetse kirjaniku tehtud muudatusi ja kohandada selle põlvkondi ainulaadse kirjutisega. selle kasutaja stiil aja jooksul.
• Lõbus ja nauding: Siin jõuame tootekasutuse emotsionaalse poole juurde, mida Don Norman nimetab ka "vistseraalseks" tasandiks [3]. B2C laagris on terveid lõbu ja meelelahutuse tootekategooriaid, nagu mängud ja liitreaalsus. Aga B2B – kas te ei eeldaks, et B2B tooted eksisteerivad steriilses professionaalses vaakumis? Tegelikkuses võib see kategooria tekitada isegi tugevamaid emotsionaalseid reaktsioone kui B2C.[4] Näiteks võib kirjutamist tajuda kui rahuldust pakkuvat eneseväljendusakti või kui sisemist võitlust kirjaniku blokaadi ja muude probleemidega. Mõelge, kuidas teie toode võib tugevdada ülesande positiivseid emotsioone, leevendades või isegi muutes selle valusaid külgi.
• Mugavus: Mida peab teie kasutaja tegema, et AI võlujõude ära kasutada? Kujutage ette, et integreerite oma sisu genereerimise kaaspiloodi populaarsetesse koostöötööriistadesse, nagu MS Office, Google Docs ja Notion. Kasutajad saavad juurdepääsu teie toote intelligentsusele ja tõhususele oma digitaalsest "kodust" lahkumata. Seega vähendate kasutajate pingutusi toote väärtuse kogemiseks ja selle kasutamise jätkamiseks, mis omakorda suurendab teie kasutajate omandamist ja kasutuselevõttu.

Mõningaid tehisintellekti eeliseid – näiteks tõhusust – saab investeeringutasuvuse osas otseselt mõõta. Vähem käegakatsutava kasu saamiseks, nagu mugavus ja nauding, peate mõtlema puhverserveri mõõdikutele, nagu kasutajate rahulolu. Pidage meeles, et lõppkasutaja väärtusest lähtudes ei kao mitte ainult lõhe teie kasutajate ja teie toote vahel. Tervitatava kõrvalmõjuna võib see vähendada teie avaliku suhtluse tehnilisi üksikasju. See hoiab ära selle, et kutsud kogemata peole soovimatut konkurentsi.

Lõpuks on jätkusuutlikkus üks olulisemaid väärtusaspekte, mida peaksite varakult kaaluma. Kuidas teie lahendus ühiskonda ja keskkonda mõjutab? Meie näites võib automaatne või täiendatud sisu loomine tõrjuda ja kõrvaldada suuremahulise inimtöökoormuse. Tõenäoliselt ei taha te saada tuntuks terve töökategooria tulevase tapjana – lõppude lõpuks ei tekita see mitte ainult eetilisi küsimusi, vaid kutsub esile ka vastupanu nende kasutajate poolt, kelle töökohta te ohustate. Mõelge, kuidas saate nende hirmudega toime tulla. Näiteks saate kasutajaid harida selle kohta, kuidas nad saaksid oma uut vaba aega tõhusalt kasutada veelgi keerukamate turundusstrateegiate väljatöötamiseks. Need võivad luua kaitsevallikraavi isegi siis, kui teised konkurendid jõuavad automaatse sisu genereerimisele järele.

3. Andmed

Mis tahes tüüpi tehisintellekti ja masinõppe jaoks peate koguma ja ette valmistama oma andmed, et need kajastaksid tegelikke sisendeid ja annaksid teie mudeli jaoks piisavalt õppimissignaale. Tänapäeval näeme suundumust andmekeskse tehisintellekti poole – tehisintellekti filosoofia, mis eemaldub lõputust mudelite kohandamisest ja optimeerimisest ning keskendub nendesse mudelitesse sisestatavate andmete arvukate probleemide lahendamisele. Kui alustate, on korraliku andmestiku hankimiseks erinevaid viise.

• Võite kasutada olemasolevat andmekogumit. See võib olla kas standardne masinõppe andmestik või erineva algeesmärgiga andmestik, mida kohandate oma ülesande jaoks. On mõned andmekogumi klassikud, näiteks IMDB filmiarvustuste andmestik sentimentanalüüsi ja MNIST-i andmestik käsitsi kirjutatud tähemärgi tuvastamiseks. Eksootilisemaid ja põnevamaid alternatiive on, nagu Ebaseadusliku kalapüügi püüdmine ja Koeratõu identifitseerimineja lugematuid kasutajate kureeritud andmekogumeid andmekeskustes nagu Kaggle. Tõenäosus, et leiate just teie konkreetse ülesande jaoks loodud andmestiku, mis vastab täielikult teie nõuetele, on üsna väike ning enamikul juhtudel peate oma andmete rikastamiseks kasutama ka muid meetodeid.
• Võite märkige või looge andmed käsitsi õigete õpisignaalide loomiseks. Andmete käsitsi märkimine – näiteks tekstide märkimine sentimentaalskooridega – oli masinõppe algusaegadel kasutatav meetod. Hiljuti on see taas tähelepanu pälvinud kui ChatGPT salakastme peamine koostisosa. Mudeli vastuste loomiseks ja järjestamiseks, et need peegeldaksid inimeste eelistusi, kulutati tohutu käsitsi jõupingutus. Seda tehnikat nimetatakse ka RLHF-iks (Inforcement Learning from Human Feedback). Kui teil on vajalikud ressursid, saate neid kasutada kvaliteetsete andmete loomiseks spetsiifilisemate ülesannete jaoks, näiteks turundussisu genereerimiseks. Annotatsiooni saab teha kas ettevõttesiseselt või kasutades välist pakkujat või ühishanketeenust, näiteks Amazon Mechanical Turk. Igatahes ei taha enamik ettevõtteid kulutada tohutuid ressursse, mis on vajalikud RLHF-i andmete käsitsi loomiseks ja kaaluvad mõningaid nippe oma andmete loomise automatiseerimiseks.
• Seega saate olemasolevale andmekogumile lisada rohkem näiteid kasutades andmete suurendamine. Lihtsamate ülesannete (nt sentimentaalanalüüsi) jaoks võiksite tekstidesse lisada lisamüra, paar sõna vahetada jne. Avatumate generatsiooniülesannete puhul on praegu suur entusiastlik suurte mudelite (nt alusmudelite) kasutamine automatiseerimiseks. koolitusandmete genereerimine. Kui olete tuvastanud parima meetodi oma andmete täiendamiseks, saate seda hõlpsalt skaleerida, et jõuda nõutava andmestiku suuruseni.

Andmete loomisel seisate silmitsi kompromissiga kvaliteedi ja kvantiteedi vahel. Saate käsitsi lisada kvaliteetseid märkusi vähem andmetele või kulutada oma eelarvet häkkide ja nippide väljatöötamiseks automaatseks andmete suurendamiseks, mis tekitavad täiendavat müra. Kui kasutate käsitsi märkuste lisamist, saate seda teha sisemiselt ning kujundada detailide ja kvaliteedi kultuuri või hankida töö anonüümsetele inimestele. Crowdsourcing on tavaliselt madalama kvaliteediga, seega peate võib-olla müra kompenseerimiseks rohkem märkusi tegema. Kuidas leida ideaalne tasakaal? Siin pole valmis retsepte – lõpuks leiate oma ideaalse andmekoostise pideva edasi-tagasi liikumisega treenimise ja andmete täiustamise vahel. Üldjuhul on mudeli eelkoolitamisel vaja teadmisi nullist omandada, mis saab juhtuda vaid suurema andmehulgaga. Teisest küljest, kui soovite olemasolevale suurele mudelile viimistleda ja spetsialiseerumise viimast lihvi anda, võite väärtustada kvaliteeti kvantiteedi asemel. Sellisel juhul võib optimaalne lahendus olla väikese andmestiku kontrollitud käsitsi märkimine üksikasjalike juhiste abil.

4. algoritm

Andmed on lähtematerjal, millest teie mudel õpib, ja loodetavasti saate koostada esindusliku ja kvaliteetse andmekogumi. Nüüd peitub teie tehisintellektisüsteemi tegelik supervõime – selle võime õppida olemasolevatest andmetest ja üldistada uuteks andmeteks – algoritmis. Tehisintellekti põhimudelite osas on kolm peamist võimalust, mida saate kasutada.

• Küsi olemasolevat mudelit. API kaudu järelduste tegemiseks on saadaval GPT perekonna täiustatud LLM-id (suured keelemudelid), nagu ChatGPT ja GPT-4, aga ka teistelt pakkujatelt, nagu Anthropic ja AI21 Labs. Viipaga saate nende mudelitega otse rääkida, kaasates oma viibale kogu ülesande jaoks vajaliku domeeni- ja ülesandepõhise teabe. See võib hõlmata konkreetset kasutatavat sisu, analoogsete ülesannete näiteid (mõne võttega viip) ja juhiseid mudelile, mida järgida. Näiteks kui teie kasutaja soovib luua ajaveebi postituse uue tootefunktsiooni kohta, võite paluda tal esitada selle funktsiooni kohta põhiteavet, nagu selle eelised ja kasutusjuhtumid, kuidas seda kasutada, käivitamise kuupäev jne. Seejärel sisestab teie toode selle teabe hoolikalt koostatud viipamalli ja palub LLM-il tekst luua. Nõustamine on suurepärane, et saada edumaa eelkoolitatud modellidele. Kuid vallikraav, mille saate viipade abil ehitada, hõreneb aja jooksul kiiresti – keskpikas perspektiivis on teil konkurentsieelise säilitamiseks vaja paremini kaitstavat mudelstrateegiat.
• Eelkoolitatud mudeli peenhäälestus. See lähenemine on muutnud AI viimastel aastatel nii populaarseks. Kuna üha rohkem on saadaval eelkoolitatud mudeleid ja sellised portaalid nagu Huggingface pakuvad mudelite hoidlaid ja standardset koodi mudelitega töötamiseks, on peenhäälestus muutumas proovimiseks ja juurutamiseks kasutatavaks meetodiks. Kui töötate eelkoolitatud mudeliga, saate kasu investeeringust, mille keegi on juba teinud mudeli andmetesse, koolitusse ja hindamisse, mis juba "teab" palju keele ja maailma kohta. Kõik, mida pead tegema, on mudeli peenhäälestus, kasutades ülesandepõhist andmekogumit, mis võib olla palju väiksem kui algselt eelkoolituse jaoks kasutatud andmestik. Näiteks turundussisu genereerimiseks saate koguda ajaveebipostitusi, mis olid kaasamise osas hästi toiminud, ja nende jaoks juhiseid pöördprojekteerida. Nende andmete põhjal saab teie mudel teada edukate artiklite struktuuri, voo ja stiili kohta. Peenhäälestus on avatud lähtekoodiga mudelite kasutamisel, kuid LLM API pakkujad, nagu OpenAI ja Cohere, pakuvad ka üha enam peenhäälestusfunktsioone. Eriti avatud lähtekoodiga raja puhul peate siiski arvestama mudelivaliku, koolituse ja suuremate mudelite juurutamise üldkulude ning mudeli hoolduse ja värskendamise ajakavadega.
• Treenige oma ML-mudelit nullist. Üldiselt töötab see lähenemisviis hästi lihtsamate, kuid väga spetsiifiliste probleemide korral, mille jaoks teil on spetsiifiline oskusteave või korralikud andmestikud. Sisu genereerimine ei kuulu täpselt sellesse kategooriasse – see nõuab täiustatud keelelisi oskusi, et teid maast lahti saada, ja neid saab omandada alles pärast naeruväärselt suurte andmemahtude õppimist. Lihtsamaid probleeme, nagu teatud tüüpi teksti tundeanalüüs, saab sageli lahendada väljakujunenud masinõppemeetoditega, nagu logistiline regressioon, mis on arvutuslikult odavamad kui väljamõeldud süvaõppemeetodid. Muidugi on olemas ka suhteliselt keeruliste probleemide kesktee, nagu kontseptsioonide väljavõtmine konkreetsete domeenide jaoks, mille puhul võiksite kaaluda sügava närvivõrgu nullist väljaõpetamist.

Lisaks koolitusele on masinõppe edukaks kasutamiseks esmatähtis hindamine. Sobivad hindamismõõdikud ja -meetodid pole olulised mitte ainult teie tehisintellekti funktsioonide enesekindlaks käivitamiseks, vaid on ka selge sihtmärk edasisel optimeerimisel ning sisemiste arutelude ja otsuste ühisosa. Kuigi tehnilised mõõdikud, nagu täpsus, meeldetuletus ja täpsus, võivad olla hea lähtepunkt, võiksite lõpuks otsida mõõdikuid, mis kajastavad tegelikku väärtust, mida teie tehisintellekt kasutajatele pakub.

5. Kasutajakogemus

Tehisintellektitoodete kasutajakogemus on kütkestav teema – lõppude lõpuks on kasutajatel suured lootused, aga ka hirmud tehisintellektiga partnerluse suhtes, mis võib nende intelligentsust üle laadida ja potentsiaalselt üle kavaldada. Selle inimese ja tehisintellekti partnerluse kujundamine nõuab läbimõeldud ja mõistlikku avastamis- ja disainiprotsessi. Üks peamisi kaalutlusi on automatiseerimise aste, mida soovite oma tootega tagada – ja pidage meeles, täielik automatiseerimine pole kaugeltki alati ideaalne lahendus. Järgmine joonis illustreerib automatiseerimise kontiinumi:

Vaatame kõiki neid tasemeid:

• Esimeses etapis teevad kogu töö inimesed ja automatiseerimist ei toimu. Vaatamata tehisintellekti ümber käivale kõmule tehakse enamik teadmismahukaid ülesandeid tänapäeva ettevõtetes endiselt sellel tasemel, pakkudes tohutuid võimalusi automatiseerimiseks. Näiteks töötab siin sisukirjutaja, kes on vastu AI-põhistele tööriistadele ja on veendunud, et kirjutamine on väga käsitsi tehtav ja omapärane käsitöö.
• Abistatud tehisintellekti teises etapis on kasutajatel täielik kontroll ülesannete täitmise üle ja nad teevad suure osa tööst käsitsi, kuid tehisintellekti tööriistad aitavad neil aega kokku hoida ja kompenseerida nõrku kohti. Näiteks lühikese tähtajaga blogipostituse kirjutamisel võib viimane keeleline kontroll Grammarly või sarnase tööriistaga saada teretulnud ajasäästjaks. See võib kõrvaldada käsitsi muutmise, mis nõuab palju teie nappi aega ja tähelepanu ning võib siiski jätta teile vigu ja tähelepanuta – eksimine on ju inimlik.
• Täiustatud intelligentsusega AI on partner, kes suurendab inimese intelligentsust, võimendades seega mõlema maailma tugevaid külgi. Võrreldes abistatud tehisintellektiga on masinal teie protsessis palju rohkem öelda ja see katab suurema hulga kohustusi, nagu mustandite ideede koostamine, genereerimine ja redigeerimine ning lõplik keeleline kontroll. Kasutajad peavad endiselt töös osalema, otsuseid langetama ja ülesande osasid täitma. Kasutajaliides peaks selgelt näitama tööjõu jaotust inimese ja tehisintellekti vahel, tõstma esile veapotentsiaali ja pakkuma läbipaistvust selle teostatavate sammude osas. Lühidalt, „täiendatud” kogemus juhatab kasutajad iteratsiooni ja täpsustamise kaudu soovitud tulemuseni.
• Ja lõpuks on meil täielik automatiseerimine – intrigeeriv idee tehisintellekti geekidele, filosoofidele ja asjatundjatele, kuid sageli mitte optimaalne valik reaalsete toodete jaoks. Täielik automatiseerimine tähendab, et pakute ühte "suurt punast nuppu", mis protsessi käivitab. Kui AI on valmis, seisavad teie kasutajad silmitsi lõpliku väljundiga ja kas võtavad selle või jätavad selle. Kõike, mis vahepeal juhtus, ei saa nad kontrollida. Nagu võite ette kujutada, on UX-i võimalused siin üsna piiratud, kuna interaktiivsust praktiliselt pole. Suurem osa vastutusest edu eest lasub teie tehniliste kolleegide õlul, kes peavad tagama väljundite erakordselt kõrge kvaliteedi.

AI-tooted vajavad disaini osas erikohtlemist. Standardsed graafilised liidesed on deterministlikud ja võimaldavad teil ette näha kõiki võimalikke kasutajateid. Seevastu suured tehisintellekti mudelid on tõenäosuslikud ja ebakindlad – need paljastavad hulga hämmastavaid võimalusi, aga ka riske, nagu mürgised, valed ja kahjulikud väljundid. Väljastpoolt vaadates võib teie tehisintellekti liides näida lihtne, kuna suur osa teie toote võimalustest on otse mudelis. Näiteks saab LLM tõlgendada viipasid, koostada teksti, otsida teavet, teha sellest kokkuvõtte, kasutada teatud stiili ja terminoloogiat, täita juhiseid jne. Isegi kui teie kasutajaliides on lihtne vestlus- või viipade liides, ärge jätke seda potentsiaali nägemata. — kasutajate edu saavutamiseks peate olema selgesõnaline ja realistlik. Teavitage kasutajaid teie tehisintellekti mudelite võimalustest ja piirangutest, võimaldage neil hõlpsasti avastada ja parandada tehisintellekti tehtud vigu ning õpetada neile viise, kuidas end optimaalsete väljunditeni jõuda. Rõhutades usaldust, läbipaistvust ja kasutajate harimist, saate panna kasutajad AI-ga koostööd tegema. Kuigi sügav sukeldumine arenevasse tehisintellekti disaini distsipliini ei kuulu selle artikli ulatusse, soovitan tungivalt otsida inspiratsiooni mitte ainult teistelt tehisintellekti ettevõtetelt, vaid ka muudest disainivaldkondadest, näiteks inimese ja masina interaktsioonist. Peagi tuvastate hulga korduvaid disainimustreid, nagu automaatsed lõpetamised, viipade soovitused ja tehisintellekti teatised, mida saate integreerida oma liidesesse, et oma andmetest ja mudelitest maksimumi võtta.

Tõeliselt suurepärase disaini pakkumiseks peate võib-olla lisama oma meeskonda uusi disainioskusi. Näiteks kui loote turundussisu täiustamiseks vestlusrakendust, töötate koos vestlusdisaineriga, kes hoolitseb teie vestlusroboti vestlusvoogude ja „isiksuse” eest. Kui loote rikkalikku täiustatud toodet, mis peab teie kasutajaid põhjalikult harima ja saadaolevate valikute kaudu juhendama, saab sisukujundaja aidata teil luua õiget tüüpi teabearhitektuuri ning lisada kasutajatele õigel hulgal tõuke ja viipeid.

Ja lõpuks olge avatud üllatustele. AI-disain võib panna teid oma esialgseid arusaamu kasutajakogemusest ümber mõtlema. Näiteks paljud UX-i disainerid ja tootejuhid töötati välja, et minimeerida latentsust ja hõõrdumist, et kasutaja kogemust sujuvamaks muuta. Noh, tehisintellekti toodete puhul saate selle võitluse peatada ja kasutada mõlemat enda huvides. Latentsus- ja ooteajad on kasutajate harimiseks suurepärased, nt selgitades, mida AI praegu teeb, ja näidates ära võimalikud järgmised sammud nende poolel. Katkestused, nagu dialoogi- ja teavitusaknad, võivad tekitada hõõrdumist, et tugevdada inimese ja tehisintellekti partnerlust ning suurendada kasutajate läbipaistvust ja kontrolli.

6. Mittefunktsionaalsed nõuded

Lisaks andmetele, algoritmile ja UX-ile, mis võimaldavad teil rakendada konkreetset funktsionaalsust, tagavad nn mittefunktsionaalsed nõuded (NFR-id), nagu täpsus, latentsus, skaleeritavus, usaldusväärsus ja andmete haldamine, et kasutaja tõepoolest saavutaks kavandatud väärtuse. NFR-ide kontseptsioon pärineb tarkvaraarendusest, kuid seda ei ole tehisintellekti valdkonnas veel süstemaatiliselt arvesse võetud. Sageli võetakse need nõuded vastu ad hoc viisil, kuna need kerkivad esile kasutajate uurimise, ideede loomise, arendamise ja tehisintellekti võimaluste kasutamise käigus.

Peaksite püüdma oma NFR-e mõista ja määratleda võimalikult varakult, kuna erinevad NFR-id ärkavad teie teekonna eri punktides ellu. Näiteks privaatsust tuleb kaaluda andmete valimise alguses. Täpsus on kõige tundlikum tootmisetapis, kui kasutajad hakkavad teie süsteemi võrgus kasutama ja võivad selle ootamatute sisenditega üle koormata. Skaleeritavus on strateegiline kaalutlus, mis tuleb mängu siis, kui teie ettevõte skaleerib kasutajate ja/või päringute arvu või pakutavate funktsioonide spektrit.

Kui tegemist on NFR-idega, ei saa teil neid kõiki olla. Siin on mõned tüüpilised kompromissid, mida peate tasakaalustama:

• Üks esimesi meetodeid täpsuse suurendamiseks on suurema mudeli kasutamine, mis mõjutab latentsust.
• Tootmisandmete kasutamine "sellistel kujul" edasiseks optimeerimiseks võib olla õppimiseks parim, kuid võib rikkuda teie privaatsus- ja anonüümsuseeskirju.
• Skaleeritavamad mudelid on üldistatud mudelid, mis mõjutab nende täpsust ettevõtte- või kasutajaspetsiifiliste ülesannete täitmisel.

Erinevate nõuete tähtsuse järjekorda seadmine sõltub saadaolevatest arvutusressurssidest, teie kasutuskogemuse kontseptsioonist, sealhulgas automatiseerituse astmest, ja tehisintellekti toetatavate otsuste mõjust.

Peamised kaasavõtmised

1. Alustage lõppu silmas pidades: Ärge eeldage, et tehnoloogia üksi teeb selle töö ära; teil on vaja selget tegevuskava, et integreerida oma tehisintellekt kasutajale suunatud tootega ja teavitada kasutajaid selle eelistest, riskidest ja piirangutest.
2. Turu ühtlustamine: seadke tehisintellekti arendamiseks esikohale turuvõimalused ja klientide vajadused. Ärge kiirustage tehisintellekti rakendamist, mis on ajendatud reklaamist ja ilma turupoolse kinnituseta.
3. Kasutaja väärtus: määratlege, kvantifitseerige ja edastage tehisintellekti toodete väärtus tõhususe, isikupärastamise, mugavuse ja muude väärtusmõõtmete osas.
4. Andmete kvaliteet: AI mudelite tõhusaks koolitamiseks keskenduge andmete kvaliteedile ja asjakohasusele. Proovige peenhäälestamiseks kasutada väikeseid kvaliteetseid andmeid ja nullist treenimiseks suuremaid andmekogumeid.
5. Algoritmi/mudeli valik: Valige oma kasutusjuhtumi jaoks sobiv keerukuse ja kaitsetavuse tase (soovimine, peenhäälestus, koolitus nullist) ja hinnake hoolikalt selle toimivust. Aja jooksul, kui omandate oma toote suhtes vajalikke teadmisi ja usaldust, võite soovida minna üle arenenumatele mudelistrateegiatele.
6. Kasutajakeskne disain: Kujundage tehisintellekti tooteid kasutajate vajadusi ja emotsioone silmas pidades, tasakaalustades automatiseerimist ja kasutaja juhtimist. Pidage meeles tõenäosuslike tehisintellektimudelite ettearvamatust ja suunake oma kasutajaid sellega töötama ja sellest kasu saama.
7. Koostöö kujundamine: Rõhutades usaldust, läbipaistvust ja kasutajate harimist, saate panna kasutajad AI-ga koostööd tegema.
8. Mittefunktsionaalsed nõuded: Arvestage kogu arenduse ajal selliseid tegureid nagu täpsus, latentsus, skaleeritavus ja töökindlus ning proovige varakult hinnata nende vahelisi kompromisse.
9. Koostöö: edendage tihedat koostööd tehisintellekti ekspertide, disainerite, tootejuhtide ja teiste meeskonnaliikmete vahel, et saada kasu valdkondadevahelisest intelligentsusest ja edukalt integreerida oma tehisintellekt.

viited

[1] Teresa Torres (2021). Pidevad avastamisharjumused: avastage tooteid, mis loovad kliendiväärtust ja äriväärtust.

[2] Orbit Media (2022). Uus ajaveebistatistika: millised sisustrateegiad töötavad 2022. aastal? Küsisime 1016 blogijalt.

[3] Don Norman (2013). Igapäevaste asjade kujundamine.

[4] Google, Gartner ja Motista (2013). Kampaaniast emotsioonini: B2B klientide ühendamine kaubamärkidega.

Märkus: kõik pildid on autori poolt.

See artikkel oli algselt avaldatud Andmeteaduse poole ja avaldati autori loal uuesti TOPBOTSis.

Kas teile meeldib see artikkel? Registreeruge, et saada rohkem AI-uuringute värskendusi.

Anname teile teada, kui avaldame rohkem selliseid kokkuvõtlikke artikleid.

seotud

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• ChartPrime. Tõsta oma kauplemismängu ChartPrime'iga kõrgemale. Juurdepääs siia.
• BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
• Allikas: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/