ساخت محصولات هوش مصنوعی با مدل ذهنی کل نگر

توجه: این مقاله اولین مقاله از مجموعه‌ای به نام «تشریح برنامه‌های هوش مصنوعی» است که یک مدل ذهنی برای سیستم‌های هوش مصنوعی معرفی می‌کند. این مدل به عنوان ابزاری برای بحث، برنامه‌ریزی و تعریف محصولات هوش مصنوعی توسط تیم‌های هوش مصنوعی و محصول بین رشته‌ای و همچنین برای همسویی با بخش تجاری عمل می‌کند. هدف آن گردآوری دیدگاه های مدیران محصول، طراحان UX، دانشمندان داده، مهندسان و سایر اعضای تیم است. در این مقاله، من مدل ذهنی را معرفی می‌کنم، در حالی که مقالات آینده نحوه اعمال آن را در محصولات و ویژگی‌های خاص هوش مصنوعی نشان می‌دهند.

اغلب، شرکت‌ها تصور می‌کنند تنها چیزی که نیاز دارند هوش مصنوعی را در پیشنهاد خود بگنجانند این است که کارشناسان هوش مصنوعی را استخدام کنند و به آنها اجازه دهند جادوی فنی را بازی کنند. این رویکرد آنها را مستقیماً به اشتباه یکپارچه‌سازی هدایت می‌کند: حتی اگر این متخصصان و مهندسان مدل‌ها و الگوریتم‌های استثنایی تولید کنند، خروجی‌های آن‌ها اغلب در سطح زمین‌های بازی، جعبه‌های ماسه‌بازی و دموها گیر می‌کند و هرگز واقعاً به اجزای کامل یک محصول تبدیل نمی‌شوند. در طول سال‌ها، ناامیدی زیادی را از سوی دانشمندان و مهندسان داده دیده‌ام که پیاده‌سازی‌های هوش مصنوعی برجسته‌شان از نظر فنی راه خود را در محصولاتی که کاربر مواجه می‌کند، پیدا نکرده است. در عوض، آنها وضعیت افتخارآمیز آزمایش‌هایی را داشتند که به ذینفعان داخلی احساس سوار شدن بر موج هوش مصنوعی را می‌داد. اکنون، با گسترش همه جانبه هوش مصنوعی از زمان انتشار ChatGPT در سال 2022، شرکت‌ها دیگر نمی‌توانند از هوش مصنوعی به عنوان یک ویژگی «فانوس دریایی» برای نشان دادن هوش و ذکاوت فناوری خود استفاده کنند.

چرا ادغام هوش مصنوعی بسیار دشوار است؟ چندتا دلیل داره:

• اغلب، تیم ها بر روی یک جنبه از یک سیستم هوش مصنوعی تمرکز می کنند. این حتی منجر به پیدایش اردوگاه های جداگانه ای مانند هوش مصنوعی داده محور، مدل محور و انسان محور شده است. در حالی که هر یک از آنها دیدگاه های هیجان انگیزی را برای تحقیق ارائه می دهند، یک محصول واقعی باید داده ها، مدل و تعامل انسان و ماشین را در یک سیستم منسجم ترکیب کند.
• توسعه هوش مصنوعی یک شرکت بسیار مشارکتی است. در توسعه نرم‌افزار سنتی، شما با دوگانگی نسبتاً واضحی کار می‌کنید که از اجزای باطن و جلویی تشکیل شده است. در هوش مصنوعی، شما نه تنها نیاز دارید که نقش ها و مهارت های متنوع تری را به تیم خود اضافه کنید، بلکه از همکاری نزدیک تر بین طرف های مختلف نیز اطمینان حاصل کنید. اجزای مختلف سیستم هوش مصنوعی شما به روش‌های صمیمی با یکدیگر تعامل خواهند داشت. به عنوان مثال، اگر روی یک دستیار مجازی کار می کنید، طراحان UX شما باید مهندسی سریع برای ایجاد یک جریان کاربر طبیعی را درک کنند. حاشیه نویسان داده های شما باید از برند شما و "ویژگی های شخصیت" دستیار مجازی شما آگاه باشند تا داده های آموزشی را ایجاد کنند که با موقعیت شما سازگار و همسو باشد، و مدیر محصول شما باید معماری خط لوله داده را درک و بررسی کند تا مطمئن شود. نگرانی های حاکمیتی کاربران شما را برآورده می کند.
• هنگام ساخت هوش مصنوعی، شرکت ها اغلب اهمیت طراحی را دست کم می گیرند. در حالی که هوش مصنوعی در قسمت پشتیبان شروع می شود، طراحی خوب برای درخشش آن در تولید ضروری است. طراحی هوش مصنوعی مرزهای UX سنتی را جابجا می کند. بسیاری از قابلیت‌هایی که ارائه می‌دهید به خودی خود در رابط قابل مشاهده نیستند، بلکه در مدل «پنهان» هستند، و شما باید به کاربران خود آموزش دهید تا این مزایا را به حداکثر برسانید. علاوه بر این، مدل های پایه مدرن چیزهای وحشی هستند که می توانند خروجی های سمی، اشتباه و مضر ایجاد کنند، بنابراین شما نرده های محافظ اضافی برای کاهش این خطرات ایجاد خواهید کرد. همه اینها ممکن است به مهارت های جدیدی در تیم شما مانند مهندسی سریع و طراحی مکالمه نیاز داشته باشد. گاهی اوقات، این به معنای انجام کارهای غیر منطقی نیز است، مانند درک ارزش برای مدیریت انتظارات کاربران و افزودن اصطکاک به آنها برای کنترل و شفافیت بیشتر.
• هیاهوی هوش مصنوعی فشار ایجاد می کند. بسیاری از شرکت‌ها گاری را قبل از اسب قرار می‌دهند و به پیاده‌سازی‌هایی می‌روند که توسط نیازهای مشتری و بازار تأیید نشده‌اند. گهگاه استفاده از کلمه کلیدی هوش مصنوعی می تواند به شما کمک کند تا خود را به عنوان یک کسب و کار مترقی و نوآور معرفی کنید، اما در درازمدت، باید با فرصت های واقعی از زمزمه ها و آزمایش های خود حمایت کنید. این را می توان با هماهنگی شدید بین کسب و کار و فناوری، که بر اساس نقشه برداری صریح از فرصت های سمت بازار به پتانسیل های تکنولوژیکی است، به دست آورد.

در این مقاله، ما یک مدل ذهنی برای سیستم‌های هوش مصنوعی می‌سازیم که این جنبه‌های مختلف را ادغام می‌کند (شکل 1 را ببینید). این سازندگان را تشویق می کند که به طور کلی فکر کنند، درک روشنی از محصول هدف خود ایجاد کنند و آن را با بینش ها و ورودی های جدید در طول مسیر به روز کنند. این مدل می‌تواند به‌عنوان ابزاری برای تسهیل همکاری، همسو کردن دیدگاه‌های مختلف در داخل و خارج تیم هوش مصنوعی و ساخت محصولات موفق بر اساس یک چشم‌انداز مشترک مورد استفاده قرار گیرد. این می تواند نه تنها برای محصولات جدید مبتنی بر هوش مصنوعی، بلکه برای ویژگی های هوش مصنوعی که در محصولات موجود گنجانده شده اند نیز اعمال شود.

بخش‌های زیر به طور مختصر هر یک از مؤلفه‌ها را با تمرکز بر بخش‌هایی که مختص محصولات هوش مصنوعی هستند، توضیح می‌دهند. ما با چشم انداز کسب و کار - فرصت و ارزش بازار - شروع خواهیم کرد و سپس به UX و فناوری خواهیم پرداخت. برای نشان دادن مدل، از مثال در حال اجرا یک کوپیلوت برای تولید محتوای بازاریابی استفاده خواهیم کرد.

اگر این محتوای آموزشی عمیق برای شما مفید است، می توانید در لیست پستی تحقیقات هوش مصنوعی ما مشترک شوید زمانی که مطالب جدید را منتشر می کنیم هشدار داده شود. 

1. فرصت

با تمام کارهای جالبی که اکنون می توانید با هوش مصنوعی انجام دهید، ممکن است برای کثیف کردن دستان خود و شروع ساختن بی تاب باشید. با این حال، برای ایجاد چیزی که کاربران شما به آن نیاز دارند و دوست دارند، باید از توسعه خود با یک فرصت بازار حمایت کنید. در دنیای ایده آل، فرصت ها از سوی مشتریانی به ما می رسد که به ما می گویند به چه چیزی نیاز دارند یا می خواهند.[1] اینها می توانند نیازهای برآورده نشده، نقاط دردناک یا خواسته ها باشند. می توانید این اطلاعات را در بازخورد مشتریان موجود، مانند بررسی محصول و یادداشت های تیم های فروش و موفقیت خود، جستجو کنید. همچنین، خود را به عنوان یک کاربر بالقوه محصول خود فراموش نکنید - اگر مشکلی را هدف قرار می دهید که خودتان تجربه کرده اید، این مزیت اطلاعاتی یک مزیت اضافی است. فراتر از این، می‌توانید با استفاده از ابزارهایی مانند نظرسنجی و مصاحبه، تحقیقات پیشگیرانه‌ای برای مشتری انجام دهید.

به عنوان مثال، برای دیدن دردسرهای بازاریابی محتوا برای استارت آپ ها، بلکه شرکت های بزرگتر، نیازی نیست خیلی دور نگاه کنم. من خودم آن را تجربه کرده ام - با افزایش رقابت، توسعه رهبری فکری با محتوای فردی، منظم و (!) با کیفیت بالا برای تمایز بیشتر و بیشتر اهمیت می یابد. در همین حال، با یک تیم کوچک و شلوغ، همیشه چیزهایی روی میز وجود خواهد داشت که مهمتر از نوشتن پست هفته در وبلاگ به نظر می رسد. من همچنین اغلب با افرادی در شبکه خود ملاقات می‌کنم که برای راه‌اندازی یک روال بازاریابی محتوا تلاش می‌کنند. این مشاهدات "محلی" بالقوه مغرضانه را می توان با نظرسنجی هایی که فراتر از شبکه فرد است و بازار گسترده تری را برای راه حل تایید می کند، تایید کرد.

دنیای واقعی کمی مبهم‌تر است و مشتریان همیشه برای ارائه فرصت‌های جدید و خوب به سراغ شما نمی‌آیند. در عوض، اگر آنتن های خود را باز کنید، فرصت ها از جهات مختلف به شما می رسد، مانند:

• موقعیت یابی در بازار: هوش مصنوعی مرسوم است – برای کسب‌وکارهای مستقر، می‌توان از آن برای تقویت تصویر یک کسب‌وکار به‌عنوان نوآورانه، با فناوری پیشرفته، آینده‌نگر و غیره استفاده کرد. برای مثال، می‌تواند یک آژانس بازاریابی موجود را به یک سرویس مبتنی بر هوش مصنوعی ارتقا دهد و آن را از رقبا متمایز کند. با این حال، هوش مصنوعی را به خاطر هوش مصنوعی انجام ندهید. ترفند موقعیت یابی باید با احتیاط و در ترکیب با فرصت های دیگر به کار گرفته شود - در غیر این صورت، در خطر از دست دادن اعتبار هستید.
• رقبا: هنگامی که رقبای شما حرکتی انجام می دهند، احتمالاً قبلاً تحقیقات و اعتبارسنجی اساسی را انجام داده اند. بعد از مدتی به آنها نگاه کنید - آیا توسعه آنها موفقیت آمیز بود؟ از این اطلاعات برای بهینه سازی راه حل خود، اتخاذ قطعات موفق و رفع اشتباهات استفاده کنید. به عنوان مثال، فرض کنید در حال مشاهده رقیبی هستید که خدماتی را برای تولید کاملاً خودکار محتوای بازاریابی ارائه می دهد. کاربران روی دکمه قرمز بزرگ کلیک می کنند و هوش مصنوعی برای نوشتن و انتشار محتوا جلو می رود. پس از مدتی تحقیق، متوجه می شوید که کاربران در استفاده از این محصول تردید دارند زیرا می خواهند کنترل بیشتری بر فرآیند داشته باشند و تخصص و شخصیت خود را در نوشتن سهیم کنند. از این گذشته، نوشتن در مورد ابراز خود و خلاقیت فردی نیز هست. این زمانی است که شما با ابزار همه کاره ای که عملکرد و پیکربندی غنی برای شکل دادن به محتوای شما ارائه می دهد، پیش بروید. کارایی کاربران را افزایش می‌دهد و در عین حال به آنها اجازه می‌دهد تا هر زمان که بخواهند خود را به فرآیند "تزریق" کنند.
• آیین نامه ها: روندهای بزرگ مانند اختلالات فناوری و جهانی شدن، تنظیم کننده ها را مجبور می کنند تا الزامات خود را سخت تر کنند. مقررات فشار ایجاد می کند و منبع فرصت ضد گلوله است. به عنوان مثال، تصور کنید مقرراتی وضع شده است که به شدت از همه می‌خواهد محتوای تولید شده توسط هوش مصنوعی را به این صورت تبلیغ کنند. آن دسته از شرکت‌هایی که قبلاً از ابزارهایی برای تولید محتوای هوش مصنوعی استفاده می‌کردند، برای بحث‌های داخلی در مورد اینکه آیا این را می‌خواهند ناپدید می‌شوند. بسیاری از آنها از این کار خودداری می‌کنند زیرا می‌خواهند تصویری از رهبری فکری واقعی را حفظ کنند، برخلاف تولید دیگ بخار تولید شده با هوش مصنوعی. فرض کنید باهوش بودید و راه‌حلی تقویت‌شده را انتخاب کردید که به کاربران کنترل کافی می‌دهد تا بتوانند «نویسندگان» رسمی متون باقی بمانند. با معرفی محدودیت جدید، شما مصون هستید و می‌توانید برای بهره‌برداری از مقررات پیشروی کنید، در حالی که رقبای شما با راه‌حل‌های کاملاً خودکار به زمان نیاز دارند تا پس از عقب‌نشینی بهبود یابند.
• فعال کردن فناوری ها: فناوری‌های نوظهور و جهش‌های قابل توجه در فناوری‌های موجود، مانند موج هوش مصنوعی مولد در سال‌های 2022-23، می‌تواند راه‌های جدیدی را برای انجام کارها باز کند یا برنامه‌های کاربردی موجود را به سطح جدیدی منجنیق کند. فرض کنید در دهه گذشته یک آژانس بازاریابی سنتی را اداره کرده اید. اکنون می‌توانید راه‌حل‌ها و هک‌های هوش مصنوعی را در کسب‌وکار خود معرفی کنید تا کارایی کارمندان خود را افزایش دهید، با منابع موجود به مشتریان بیشتری خدمت کنید و سود خود را افزایش دهید. شما بر اساس تخصص، شهرت و پایگاه مشتریان (امیدوارم با حسن نیت) موجود خود ساخته اید، بنابراین معرفی پیشرفت های هوش مصنوعی می تواند بسیار روان تر و کم خطرتر از یک تازه وارد باشد.

در نهایت، در دنیای محصولات مدرن، فرصت‌ها اغلب کمتر صریح و رسمی هستند و می‌توانند مستقیماً در آزمایش‌ها تأیید شوند، که توسعه شما را سرعت می‌بخشد. بنابراین، در رشد مبتنی بر محصول، اعضای تیم می‌توانند بدون استدلال دقیق مبتنی بر داده، فرضیه‌های خود را ارائه دهند. این فرضیه ها را می توان به صورت تکه تکه فرموله کرد، مانند اصلاح یک درخواست یا تغییر طرح محلی برخی از عناصر UX، که پیاده سازی، استقرار و آزمایش آنها را آسان می کند. با برداشتن فشار برای تامین پیشین داده‌های مربوط به هر پیشنهاد جدید، این رویکرد از شهود و تصورات همه اعضای تیم استفاده می‌کند و در عین حال اعتبارسنجی مستقیم پیشنهادها را اعمال می‌کند. بیایید بگوییم که تولید محتوای شما به آرامی اجرا می‌شود، اما شکایت‌های بیشتری درباره عدم شفافیت و توضیح هوش مصنوعی می‌شنوید. شما تصمیم می گیرید یک سطح شفافیت اضافی را پیاده سازی کنید و به کاربران خود اسناد خاصی را که برای تولید یک محتوا استفاده شده است نشان دهید. تیم شما این ویژگی را برای آزمایش با گروهی از کاربران قرار می دهد و متوجه می شود که آنها از استفاده از آن برای ردیابی به منابع اصلی اطلاعات خوشحال هستند. بنابراین، شما تصمیم می گیرید آن را در محصول اصلی قرار دهید تا استفاده و رضایت را افزایش دهید.

2. ارزش

برای درک و انتقال ارزش محصول یا ویژگی هوش مصنوعی خود، ابتدا باید آن را به یک مورد استفاده ترسیم کنید - یک مشکل تجاری خاص که آن را حل می کند - و ROI (بازده سرمایه) را مشخص کنید. این شما را مجبور می کند ذهن خود را از فناوری دور کنید و روی مزایای کاربر راه حل تمرکز کنید. ROI را می توان در ابعاد مختلف اندازه گیری کرد. برای هوش مصنوعی، برخی از آنها عبارتند از:

• افزایش راندمان: هوش مصنوعی می تواند یک تقویت کننده برای بهره وری افراد، تیم ها و کل شرکت ها باشد. به عنوان مثال، برای تولید محتوا، ممکن است متوجه شوید که به جای 4 تا 5 ساعتی که معمولاً برای نوشتن یک پست وبلاگ [2] نیاز است، اکنون می توانید آن را در 1 تا 2 ساعت انجام دهید و زمانی را که برای کارهای دیگر صرف کرده اید صرف کنید. افزایش بهره وری اغلب با صرفه جویی در هزینه همراه است، زیرا برای انجام همان مقدار کار به تلاش انسانی کمتری نیاز است. بنابراین، در زمینه کسب و کار، این مزیت هم برای کاربران و هم برای رهبری جذاب است.
• تجربه شخصی تر: برای مثال، ابزار تولید محتوای شما می‌تواند از کاربران بخواهد که پارامترهای شرکت خود را مانند ویژگی‌های برند، اصطلاحات، مزایای محصول و غیره تنظیم کنند. سبک این کاربر در طول زمان.
• سرگرمی و لذت: در اینجا، ما وارد جنبه احساسی استفاده از محصول می‌شویم که دان نورمن آن را سطح «احشایی» می‌نامد [3]. دسته‌های کاملی از محصولات برای سرگرمی و سرگرمی در اردوگاه B2C وجود دارد، مانند بازی و واقعیت افزوده. در مورد B2B چطور - آیا تصور نمی کنید که محصولات B2B در یک خلاء حرفه ای استریل وجود دارند؟ در واقع، این دسته می‌تواند حتی واکنش‌های احساسی قوی‌تری نسبت به B2C ایجاد کند.[4] به عنوان مثال، نوشتن را می توان به عنوان یک عمل رضایت بخش برای ابراز خود، یا به عنوان یک مبارزه درونی با بلوک نویسنده و مسائل دیگر درک کرد. به این فکر کنید که چگونه محصول شما می تواند احساسات مثبت یک کار را تقویت کند و در عین حال جنبه های دردناک آن را کاهش دهد یا حتی تغییر دهد.
• راحتی: کاربر شما برای استفاده از قدرت جادویی هوش مصنوعی چه کاری باید انجام دهد؟ تصور کنید که کوپایلوت تولید محتوای خود را با ابزارهای همکاری محبوب مانند MS Office، Google Docs و Notion ادغام کنید. کاربران می‌توانند بدون ترک آسایش «خانه دیجیتال» خود به هوشمندی و کارایی محصول شما دسترسی داشته باشند. بنابراین، تلاش کاربران برای تجربه ارزش محصول و ادامه استفاده از آن را به حداقل می‌رسانید، که به نوبه خود جذب و پذیرش کاربر شما را افزایش می‌دهد.

برخی از مزایای هوش مصنوعی - برای مثال کارایی - را می توان مستقیماً برای ROI تعیین کرد. برای دستاوردهای کمتر ملموس مانند راحتی و لذت، باید به معیارهای پروکسی مانند رضایت کاربر فکر کنید. به خاطر داشته باشید که فکر کردن بر اساس ارزش کاربر نهایی نه تنها شکاف بین کاربران و محصول شما را کاهش می دهد. به عنوان یک اثر جانبی خوشایند، می تواند جزئیات فنی را در ارتباطات عمومی شما کاهش دهد. این از دعوت تصادفی رقابت ناخواسته به مهمانی جلوگیری می کند.

در نهایت، یک جنبه اساسی از ارزش که باید در ابتدا در نظر بگیرید، پایداری است. راه حل شما چگونه بر جامعه و محیط زیست تأثیر می گذارد؟ در مثال ما، تولید محتوای خودکار یا تقویت‌شده می‌تواند حجم کار انسانی در مقیاس بزرگ را جایگزین و حذف کند. احتمالاً نمی‌خواهید به‌عنوان قاتل آینده کل یک گروه شغلی شناخته شوید – در نهایت، این نه تنها سؤالات اخلاقی را مطرح می‌کند، بلکه باعث مقاومت کاربرانی می‌شود که شغلشان را تهدید می‌کنید. به این فکر کنید که چگونه می توانید این ترس ها را برطرف کنید. به عنوان مثال، می‌توانید به کاربران آموزش دهید که چگونه می‌توانند از زمان آزاد جدید خود برای طراحی استراتژی‌های بازاریابی پیچیده‌تر استفاده کنند. اینها می توانند یک خندق قابل دفاع را فراهم کنند، حتی زمانی که سایر رقبا با تولید محتوای خودکار پیش می روند.

3 داده ها

برای هر نوع هوش مصنوعی و یادگیری ماشینی، باید داده های خود را جمع آوری و آماده کنید تا ورودی های واقعی را منعکس کند و سیگنال های یادگیری کافی برای مدل شما ارائه دهد. امروزه، ما شاهد گرایشی به سمت هوش مصنوعی داده محور هستیم - یک فلسفه هوش مصنوعی که از اصلاح و بهینه سازی بی پایان مدل ها فاصله می گیرد و بر رفع مشکلات متعدد در داده هایی که به این مدل ها وارد می شود تمرکز می کند. وقتی شروع به کار می کنید، راه های مختلفی برای دستیابی به یک مجموعه داده مناسب وجود دارد:

• تو می توانی از یک مجموعه داده موجود استفاده کنید. این می‌تواند یک مجموعه داده یادگیری ماشین استاندارد باشد یا یک مجموعه داده با هدف اولیه متفاوتی که برای کار خود تطبیق می‌دهید. برخی از مجموعه داده های کلاسیک وجود دارد، مانند مجموعه داده بررسی فیلم های IMDB برای تجزیه و تحلیل احساسات و مجموعه داده MNIST برای تشخیص شخصیت های دست نویس جایگزین های عجیب و غریب و هیجان انگیز بیشتری وجود دارد، مانند صید ماهیگیری غیر قانونی و شناسایی نژاد سگو مجموعه داده های بی شماری که توسط کاربر در هاب های داده مانند Kaggle تنظیم شده است. احتمال اینکه مجموعه داده ای را بیابید که برای کار خاص شما ساخته شده است و کاملاً نیازهای شما را برآورده می کند بسیار کم است و در بیشتر موارد، باید از روش های دیگری نیز برای غنی سازی داده های خود استفاده کنید.
• تو می توانی داده ها را به صورت دستی حاشیه نویسی یا ایجاد کنید برای ایجاد سیگنال های یادگیری مناسب حاشیه نویسی دستی داده ها - به عنوان مثال، حاشیه نویسی متون با امتیازات احساسی - روشی بود که در روزهای اولیه یادگیری ماشین استفاده می شد. اخیراً به عنوان ماده اصلی سس مخفی ChatGPT دوباره مورد توجه قرار گرفته است. تلاش دستی عظیمی برای ایجاد و رتبه‌بندی پاسخ‌های مدل برای انعکاس ترجیحات انسانی صرف شد. به این تکنیک، یادگیری تقویتی از بازخورد انسانی (RLHF) نیز گفته می شود. اگر منابع لازم را دارید، می‌توانید از آنها برای ایجاد داده‌های باکیفیت برای کارهای خاص‌تر مانند تولید محتوای بازاریابی استفاده کنید. حاشیه نویسی را می توان به صورت داخلی یا با استفاده از یک ارائه دهنده خارجی یا یک سرویس جمع سپاری مانند Amazon Mechanical Turk انجام داد. به هر حال، بیشتر شرکت‌ها نمی‌خواهند منابع عظیم مورد نیاز برای ایجاد دستی داده‌های RLHF را صرف کنند و ترفندهایی را برای خودکارسازی داده‌های خود در نظر می‌گیرند.
• بنابراین، می‌توانید نمونه‌های بیشتری را با استفاده از مجموعه داده‌های موجود اضافه کنید افزایش داده ها. برای کارهای ساده‌تر مانند تجزیه و تحلیل احساسات، می‌توانید مقداری نویز اضافی به متن وارد کنید، چند کلمه را تغییر دهید، و غیره. برای کارهای نسل بازتر، در حال حاضر اشتیاق زیادی برای استفاده از مدل‌های بزرگ (مانند مدل‌های پایه) برای خودکار وجود دارد. تولید داده های آموزشی هنگامی که بهترین روش برای افزایش داده های خود را شناسایی کردید، می توانید به راحتی آن را برای رسیدن به اندازه داده مورد نیاز مقیاس کنید.

هنگام ایجاد داده های خود، با یک مبادله بین کیفیت و کمیت مواجه می شوید. می توانید به صورت دستی داده های کمتری را با کیفیت بالا حاشیه نویسی کنید یا بودجه خود را صرف ایجاد هک ها و ترفندهایی برای افزایش خودکار داده ها کنید که نویز اضافی ایجاد می کند. اگر به دنبال حاشیه نویسی دستی هستید، می توانید آن را به صورت داخلی انجام دهید و فرهنگ جزئیات و کیفیت را شکل دهید، یا کار را به افراد ناشناس اختصاص دهید. جمع سپاری معمولا کیفیت پایین تری دارد، بنابراین ممکن است برای جبران نویز نیاز به حاشیه نویسی بیشتری داشته باشید. چگونه تعادل ایده آل را پیدا کنید؟ هیچ دستور العمل آماده ای در اینجا وجود ندارد - در نهایت، شما ترکیب داده های ایده آل خود را از طریق رفت و برگشت مداوم بین آموزش و افزایش داده های خود خواهید یافت. به طور کلی، هنگام پیش‌آموزش یک مدل، نیاز به کسب دانش از ابتدا دارد، که تنها با حجم بیشتری از داده‌ها امکان‌پذیر است. از طرف دیگر، اگر می خواهید یک مدل بزرگ موجود را دقیق تنظیم کنید و آخرین نکات تخصصی را ارائه دهید، ممکن است کیفیت را به کمیت اهمیت دهید. حاشیه نویسی دستی کنترل شده یک مجموعه داده کوچک با استفاده از دستورالعمل های دقیق ممکن است راه حل بهینه در این مورد باشد.

4. الگوریتم

داده ها مواد خامی هستند که مدل شما از آن یاد می گیرد و امیدواریم که بتوانید مجموعه داده ای نماینده و با کیفیت بالا را جمع آوری کنید. اکنون، ابرقدرت واقعی سیستم هوش مصنوعی شما - توانایی آن در یادگیری از داده های موجود و تعمیم به داده های جدید - در الگوریتم قرار دارد. از نظر مدل های اصلی هوش مصنوعی، سه گزینه اصلی وجود دارد که می توانید از آنها استفاده کنید:

• یک مدل موجود را درخواست کنید. LLM های پیشرفته (مدل های زبان بزرگ) از خانواده GPT، مانند ChatGPT و GPT-4، و همچنین ارائه دهندگان دیگر مانند Anthropic و AI21 Labs برای استنباط از طریق API در دسترس هستند. با درخواست، می‌توانید مستقیماً با این مدل‌ها صحبت کنید، شامل تمام اطلاعات مربوط به دامنه و کار مورد نیاز برای یک کار. این می‌تواند شامل محتوای خاصی باشد که باید استفاده شود، نمونه‌هایی از کارهای مشابه (پیش‌گیری چند شات) و همچنین دستورالعمل‌هایی برای مدل که باید دنبال شود. به عنوان مثال، اگر کاربر شما بخواهد یک پست وبلاگی در مورد یک ویژگی محصول جدید ایجاد کند، ممکن است از او بخواهید که برخی از اطلاعات اصلی در مورد این ویژگی، مانند مزایا و موارد استفاده، نحوه استفاده از آن، تاریخ راه اندازی و غیره را ارائه دهد. سپس محصول شما این اطلاعات را در یک الگوی سریع ساخته شده پر می کند و از LLM می خواهد که متن را ایجاد کند. برای شروع مدل‌های از پیش آموزش‌دیده، درخواست بسیار عالی است. با این حال، خندقی که می توانید با اعلان بسازید به سرعت در طول زمان نازک می شود - در میان مدت، برای حفظ مزیت رقابتی خود به یک استراتژی مدل قابل دفاع تر نیاز دارید.
• یک مدل از پیش آموزش دیده را تنظیم دقیق کنید. این رویکرد هوش مصنوعی را در سال های گذشته بسیار محبوب کرده است. با در دسترس قرار گرفتن مدل‌های از پیش آموزش‌دیده بیشتر و درگاه‌هایی مانند Huggingface، مخازن مدل و همچنین کدهای استاندارد برای کار با مدل‌ها را ارائه می‌دهند، تنظیم دقیق به روشی برای امتحان و پیاده‌سازی تبدیل می‌شود. وقتی با یک مدل از پیش آموزش‌دیده کار می‌کنید، می‌توانید از سرمایه‌گذاری‌هایی که شخصی قبلاً روی داده‌ها، آموزش و ارزیابی مدل انجام داده است، بهره‌مند شوید، مدلی که قبلاً چیزهای زیادی درباره زبان و جهان «می‌داند». تنها کاری که باید انجام دهید این است که مدل را با استفاده از یک مجموعه داده خاص کار تنظیم کنید، که می تواند بسیار کوچکتر از مجموعه داده ای باشد که در ابتدا برای قبل از آموزش استفاده می شد. به عنوان مثال، برای تولید محتوای بازاریابی، می‌توانید مجموعه‌ای از پست‌های وبلاگ را جمع‌آوری کنید که از نظر تعامل عملکرد خوبی داشتند و دستورالعمل‌های مربوط به آن‌ها را مهندسی معکوس کنید. از این داده ها، مدل شما در مورد ساختار، جریان، و سبک مقالات موفق خواهد آموخت. تنظیم دقیق راهی برای استفاده از مدل های منبع باز است، اما ارائه دهندگان API LLM مانند OpenAI و Cohere نیز به طور فزاینده ای عملکرد تنظیم دقیق را ارائه می دهند. به خصوص برای مسیر منبع باز، شما همچنان باید مسائل مربوط به انتخاب مدل، هزینه های سربار آموزش و استقرار مدل های بزرگتر، و برنامه های نگهداری و به روز رسانی مدل خود را در نظر بگیرید.
• مدل ML خود را از ابتدا آموزش دهید. به طور کلی، این رویکرد برای مشکلات ساده تر، اما بسیار خاص که دانش خاصی یا مجموعه داده های مناسبی دارید، به خوبی کار می کند. تولید محتوا دقیقاً در این دسته قرار نمی گیرد - به قابلیت های زبانی پیشرفته نیاز دارد تا شما را از زمین خارج کند، و اینها را فقط می توان پس از آموزش بر روی مقادیر بسیار زیاد داده به دست آورد. مشکلات ساده‌تری مانند تحلیل احساسات برای نوع خاصی از متن را می‌توان با روش‌های یادگیری ماشینی شناخته‌شده مانند رگرسیون لجستیک که از نظر محاسباتی ارزان‌تر از روش‌های یادگیری عمیق فانتزی هستند، حل کرد. البته، حد وسط مشکلات نسبتاً پیچیده ای مانند استخراج مفهوم برای دامنه های خاص نیز وجود دارد، که برای آن می توانید آموزش یک شبکه عصبی عمیق را از ابتدا در نظر بگیرید.

فراتر از آموزش، ارزیابی برای استفاده موفق از یادگیری ماشین اهمیت اولیه دارد. معیارها و روش‌های ارزیابی مناسب نه تنها برای راه‌اندازی مطمئن ویژگی‌های هوش مصنوعی شما مهم هستند، بلکه به عنوان یک هدف واضح برای بهینه‌سازی بیشتر و به عنوان یک زمینه مشترک برای بحث‌ها و تصمیم‌گیری‌های داخلی عمل می‌کنند. در حالی که معیارهای فنی مانند دقت، یادآوری و دقت می‌توانند نقطه شروع خوبی باشند، در نهایت شما می‌خواهید به دنبال معیارهایی باشید که ارزش واقعی را که هوش مصنوعی شما به کاربران ارائه می‌دهد منعکس کند.

5. تجربه کاربری

تجربه کاربری محصولات هوش مصنوعی موضوعی فریبنده است – به هر حال، کاربران امید زیادی دارند اما همچنین از «شریک شدن» با یک هوش مصنوعی که می‌تواند هوش آن‌ها را افزایش داده و به طور بالقوه پیشی بگیرد، ترس دارند. طراحی این مشارکت انسان و هوش مصنوعی نیازمند یک فرآیند کشف و طراحی متفکرانه و معقول است. یکی از ملاحظات کلیدی درجه اتوماسیونی است که می خواهید به محصول خود بدهید - و توجه داشته باشید که اتوماسیون کامل همیشه راه حل ایده آل نیست. شکل زیر پیوستار اتوماسیون را نشان می دهد:

بیایید به هر یک از این سطوح نگاه کنیم:

• در مرحله اول انسان تمام کارها را انجام می دهد و هیچ اتوماسیونی انجام نمی شود. علیرغم هیاهویی که در مورد هوش مصنوعی وجود دارد، بیشتر وظایف دانش فشرده در شرکت های مدرن هنوز در این سطح انجام می شود و فرصت های بزرگی را برای اتوماسیون ارائه می دهد. به عنوان مثال، نویسنده محتوا که در برابر ابزارهای مبتنی بر هوش مصنوعی مقاومت می کند و متقاعد شده است که نوشتن یک کاردستی بسیار دستی و خاص است، اینجا کار می کند.
• در مرحله دوم کمک هوش مصنوعی، کاربران کنترل کاملی بر اجرای وظایف دارند و بخش بزرگی از کار را به صورت دستی انجام می‌دهند، اما ابزارهای هوش مصنوعی به آنها کمک می‌کند در زمان خود صرفه‌جویی کنند و نقاط ضعف خود را جبران کنند. به عنوان مثال، هنگام نوشتن یک پست وبلاگ با ضرب‌الاجل محدود، بررسی زبان‌شناختی نهایی با Grammarly یا ابزاری مشابه می‌تواند به یک صرفه‌جویی زمان خوشایند تبدیل شود. این می‌تواند بازبینی دستی را حذف کند، که به زمان و توجه کمی شما نیاز دارد و ممکن است همچنان شما را با خطاها و نادیده‌گرفتن‌ها رها کند – در نهایت، اشتباه کردن یک امر انسانی است.
• با هوش افزوده، هوش مصنوعی شریکی است که هوش انسان را تقویت می‌کند و در نتیجه از نقاط قوت هر دو جهان استفاده می‌کند. در مقایسه با هوش مصنوعی کمکی، دستگاه در فرآیند شما چیزهای بیشتری برای گفتن دارد و مجموعه بزرگتری از مسئولیت ها مانند ایده پردازی، تولید و ویرایش پیش نویس ها و بررسی نهایی زبانی را پوشش می دهد. کاربران هنوز باید در کار شرکت کنند، تصمیم بگیرند و بخش هایی از کار را انجام دهند. رابط کاربری باید به وضوح توزیع نیروی کار بین انسان و هوش مصنوعی را نشان دهد، پتانسیل های خطا را برجسته کند، و شفافیت را در مراحلی که انجام می دهد ارائه دهد. به طور خلاصه، تجربه "افزایش یافته" کاربران را از طریق تکرار و اصلاح به نتیجه مطلوب راهنمایی می کند.
• و در نهایت، ما اتوماسیون کامل داریم - یک ایده جذاب برای متخصصان هوش مصنوعی، فیلسوفان و صاحب نظران، اما اغلب انتخاب بهینه برای محصولات واقعی نیست. اتوماسیون کامل به این معنی است که شما یک "دکمه قرمز بزرگ" را ارائه می دهید که این فرآیند را آغاز می کند. هنگامی که هوش مصنوعی تمام شد، کاربران شما با خروجی نهایی روبرو می شوند و یا آن را می گیرند یا ترک می کنند. هر چیزی که در این بین اتفاق افتاده است، آنها نمی توانند کنترل کنند. همانطور که می توانید تصور کنید، گزینه های UX در اینجا نسبتاً محدود هستند زیرا عملاً هیچ تعاملی وجود ندارد. بخش اعظم مسئولیت موفقیت بر دوش همکاران فنی شما است که باید از کیفیت فوق العاده بالایی در خروجی ها اطمینان حاصل کنند.

محصولات هوش مصنوعی در طراحی نیاز به برخورد خاصی دارند. رابط های گرافیکی استاندارد قطعی هستند و به شما امکان می دهند تمام مسیرهای ممکنی که کاربر ممکن است طی کند را پیش بینی کنید. در مقابل، مدل‌های بزرگ هوش مصنوعی احتمالی و نامطمئن هستند – آنها طیف وسیعی از قابلیت‌های شگفت‌انگیز و همچنین خطراتی مانند خروجی‌های سمی، اشتباه و مضر را در معرض دید قرار می‌دهند. از بیرون، رابط هوش مصنوعی شما ممکن است ساده به نظر برسد زیرا بسیاری از قابلیت‌های محصول شما مستقیماً در مدل قرار دارد. به عنوان مثال، یک LLM می‌تواند اعلان‌ها را تفسیر کند، متن تولید کند، اطلاعات را جستجو کند، آن‌ها را خلاصه کند، سبک و اصطلاح خاصی را اتخاذ کند، دستورالعمل‌ها را اجرا کند، و غیره. - برای اینکه کاربران را به سمت موفقیت هدایت کنید، باید صریح و واقع بین باشید. کاربران را از قابلیت‌ها و محدودیت‌های مدل‌های هوش مصنوعی خود آگاه کنید، به آن‌ها اجازه دهید به راحتی خطاهای ایجاد شده توسط هوش مصنوعی را کشف و برطرف کنند و راه‌هایی را به آن‌ها آموزش دهید تا خودشان را به خروجی‌های بهینه تکرار کنند. با تاکید بر اعتماد، شفافیت و آموزش کاربران، می توانید کاربران خود را وادار به همکاری با هوش مصنوعی کنید. در حالی که بررسی عمیق در رشته نوظهور طراحی هوش مصنوعی خارج از محدوده این مقاله است، من قویاً شما را تشویق می‌کنم که نه تنها از سایر شرکت‌های هوش مصنوعی بلکه از حوزه‌های دیگر طراحی مانند تعامل انسان و ماشین نیز الهام بگیرید. به زودی طیف وسیعی از الگوهای طراحی تکرارشونده مانند تکمیل خودکار، پیشنهادات سریع و اعلامیه های هوش مصنوعی را شناسایی خواهید کرد که می توانید آنها را در رابط کاربری خود ادغام کنید تا از داده ها و مدل های خود بیشترین بهره را ببرید.

علاوه بر این، برای ارائه یک طراحی واقعا عالی، ممکن است لازم باشد مهارت های طراحی جدیدی را به تیم خود اضافه کنید. به عنوان مثال، اگر در حال ساخت یک برنامه چت برای اصلاح محتوای بازاریابی هستید، با یک طراح مکالمه کار خواهید کرد که از جریان های مکالمه و "شخصیت" چت بات شما مراقبت می کند. اگر در حال ساختن یک محصول تقویت‌شده غنی هستید که نیاز به آموزش کامل و راهنمایی کاربران شما از طریق گزینه‌های موجود دارد، یک طراح محتوا می‌تواند به شما کمک کند تا نوع درستی از معماری اطلاعات را بسازید، و مقدار مناسبی از تلقین و تحریک را برای کاربران خود اضافه کنید.

و در نهایت، پذیرای شگفتی ها باشید. طراحی هوش مصنوعی می تواند شما را وادار کند که در تصورات اصلی خود درباره تجربه کاربری تجدید نظر کنید. به عنوان مثال، بسیاری از طراحان UX و مدیران محصول برای به حداقل رساندن تأخیر و اصطکاک به منظور هموارتر کردن تجربه کاربر مته شدند. خوب، در محصولات هوش مصنوعی، می توانید این مبارزه را متوقف کنید و از هر دو به نفع خود استفاده کنید. زمان تأخیر و انتظار برای آموزش کاربران شما عالی است، به عنوان مثال با توضیح آنچه که هوش مصنوعی در حال حاضر انجام می دهد و نشان دادن گام های بعدی احتمالی در کنار آنها. وقفه‌ها، مانند پنجره‌های بازشوی گفتگو و اعلان، می‌توانند اصطکاک ایجاد کنند تا مشارکت انسان و هوش مصنوعی را تقویت کرده و شفافیت و کنترل را برای کاربران شما افزایش دهد.

6. الزامات غیر کاربردی

فراتر از داده‌ها، الگوریتم و UX که شما را قادر می‌سازد یک عملکرد خاص را پیاده‌سازی کنید، به اصطلاح نیازمندی‌های غیرعملکردی (NFR) مانند دقت، تأخیر، مقیاس‌پذیری، قابلیت اطمینان و حاکمیت داده تضمین می‌کنند که کاربر واقعاً ارزش مورد نظر را دریافت می‌کند. مفهوم NFR از توسعه نرم‌افزار سرچشمه می‌گیرد، اما هنوز به طور سیستماتیک در حوزه هوش مصنوعی لحاظ نشده است. اغلب، این الزامات به‌صورت موقتی در حین تحقیق، ایده‌پردازی، توسعه و بهره‌برداری از قابلیت‌های هوش مصنوعی توسط کاربر مطرح می‌شوند.

شما باید سعی کنید هر چه زودتر NFR های خود را درک کرده و تعریف کنید زیرا NFR های مختلف در نقاط مختلف سفر شما زنده می شوند. برای مثال، حریم خصوصی باید از همان مرحله اولیه انتخاب داده ها در نظر گرفته شود. دقت در مرحله تولید بسیار حساس است، زمانی که کاربران شروع به استفاده از سیستم شما به صورت آنلاین می کنند و به طور بالقوه آن را با ورودی های غیرمنتظره غرق می کنند. مقیاس‌پذیری یک ملاحظات استراتژیک است که زمانی مطرح می‌شود که کسب‌وکار شما تعداد کاربران و/یا درخواست‌ها یا طیف عملکردهای ارائه شده را کاهش می‌دهد.

وقتی صحبت از NFR ها می شود، نمی توانید همه آنها را داشته باشید. در اینجا برخی از معاوضه های معمولی وجود دارد که باید تعادل ایجاد کنید:

• یکی از اولین روش ها برای افزایش دقت استفاده از مدل بزرگتر است که بر تأخیر تأثیر می گذارد.
• استفاده از داده‌های تولید «همان‌طور که هست» برای بهینه‌سازی بیشتر می‌تواند برای یادگیری بهترین باشد، اما می‌تواند قوانین حریم خصوصی و ناشناس‌سازی شما را نقض کند.
• مدل‌های مقیاس‌پذیرتر کلی‌گرا هستند، که بر دقت آن‌ها در وظایف خاص شرکت یا کاربر تأثیر می‌گذارد.

نحوه اولویت بندی الزامات مختلف به منابع محاسباتی موجود، مفهوم UX شما از جمله درجه اتوماسیون و تأثیر تصمیمات پشتیبانی شده توسط هوش مصنوعی بستگی دارد.

کلاهبرداریهای کلیدی

1. با در نظر گرفتن پایان شروع کنید: تصور نکنید که فناوری به تنهایی کار را انجام می دهد. برای ادغام هوش مصنوعی در محصول مورد نظر و آموزش کاربران در مورد مزایا، خطرات و محدودیت‌های آن، به یک نقشه راه روشن نیاز دارید.
2. همسویی بازار: برای هدایت توسعه هوش مصنوعی، فرصت های بازار و نیازهای مشتری را اولویت بندی کنید. در پیاده‌سازی هوش مصنوعی که ناشی از تبلیغات تبلیغاتی و بدون اعتبارسنجی بازار است، عجله نکنید.
3. ارزش کاربر: ارزش محصولات هوش مصنوعی را از نظر کارایی، شخصی سازی، راحتی و سایر ابعاد ارزش تعریف، کمی سازی و ارتباط برقرار کنید.
4. کیفیت داده: برای آموزش موثر مدل‌های هوش مصنوعی، بر کیفیت و ارتباط داده‌ها تمرکز کنید. سعی کنید از داده های کوچک و با کیفیت بالا برای تنظیم دقیق و از مجموعه داده های بزرگتر برای آموزش از ابتدا استفاده کنید.
5. انتخاب الگوریتم/مدل: سطح مناسبی از پیچیدگی و قابلیت دفاع (تشویق، تنظیم دقیق، آموزش از ابتدا) را برای مورد استفاده خود انتخاب کنید و عملکرد آن را به دقت ارزیابی کنید. با گذشت زمان، همانطور که تخصص و اطمینان لازم را در مورد محصول خود به دست می آورید، ممکن است بخواهید به استراتژی های مدل پیشرفته تر تغییر دهید.
6. طراحی کاربر محور: طراحی محصولات هوش مصنوعی با در نظر گرفتن نیازها و احساسات کاربر، متعادل کردن اتوماسیون و کنترل کاربر. به "غیرقابل پیش بینی بودن" مدل های احتمالی هوش مصنوعی توجه کنید و کاربران خود را راهنمایی کنید تا با آن کار کنند و از آن بهره مند شوند.
7. طراحی مشارکتی: با تاکید بر اعتماد، شفافیت و آموزش کاربران، می توانید کاربران خود را وادار به همکاری با هوش مصنوعی کنید.
8. الزامات غیر کاربردی: عواملی مانند دقت، تأخیر، مقیاس پذیری و قابلیت اطمینان را در طول توسعه در نظر بگیرید و سعی کنید مبادلات بین این موارد را در اوایل ارزیابی کنید.
9. همکاری: تقویت همکاری نزدیک بین کارشناسان هوش مصنوعی، طراحان، مدیران محصول و سایر اعضای تیم برای بهره مندی از هوش بین رشته ای و ادغام موفقیت آمیز هوش مصنوعی شما.

منابع

[1] ترزا تورس (2021). عادات کشف مستمر: محصولاتی را کشف کنید که ارزش مشتری و ارزش تجاری ایجاد می کنند.

[2] Orbit Media (2022). آمار جدید وبلاگ نویسی: چه استراتژی های محتوا در سال 2022 کار می کنند؟ از 1016 بلاگر پرسیدیم.

[3] دان نورمن (2013). طراحی چیزهای روزمره.

[4] گوگل، گارتنر و موتیستا (2013). از تبلیغات تا احساسات: اتصال مشتریان B2B به برندها.

توجه: تمامی تصاویر متعلق به نویسنده است.

این مقاله در اصل در تاریخ منتشر شد به سمت علم داده و با اجازه نویسنده مجدداً در TOPBOTS منتشر شد.

از این مقاله لذت می برید؟ برای به روز رسانی های بیشتر تحقیقات هوش مصنوعی ثبت نام کنید.

زمانی که مقالات خلاصه بیشتری مانند این مقاله منتشر کنیم، به شما اطلاع خواهیم داد.

مربوط

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
• BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
• منبع: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/