Créer des produits d'IA avec un modèle mental holistique

Créer des produits d'IA avec un modèle mental holistique

Horodatage: 11 septembre 2023 4:06 AM

créer des produits d'IA

Remarque : Cet article est le premier d'une série intitulée « Dissection des applications d'IA », qui présente un modèle mental pour les systèmes d'IA. Le modèle sert d'outil pour la discussion, la planification et la définition des produits d'IA par les équipes interdisciplinaires d'IA et de produits, ainsi que pour l'alignement avec le service commercial. Il vise à rassembler les points de vue des chefs de produit, des concepteurs UX, des data scientists, des ingénieurs et d'autres membres de l'équipe. Dans cet article, je présente le modèle mental, tandis que les prochains articles montreront comment l'appliquer à des produits et fonctionnalités d'IA spécifiques.

Souvent, les entreprises supposent qu’il leur suffit d’embaucher des experts en IA et de les laisser exercer la magie technique pour inclure l’IA dans leur offre. Cette approche les conduit directement à l’erreur d’intégration : même si ces experts et ingénieurs produisent des modèles et des algorithmes exceptionnels, leurs résultats restent souvent bloqués au niveau des terrains de jeux, des bacs à sable et des démos, et ne deviennent jamais vraiment des parties à part entière d’un produit. Au fil des années, j’ai constaté beaucoup de frustration de la part des data scientists et des ingénieurs dont les implémentations d’IA techniquement exceptionnelles n’ont pas trouvé leur place dans les produits destinés aux utilisateurs. Ils avaient plutôt le statut honorable d’expérimentations de pointe qui donnaient aux parties prenantes internes l’impression de surfer sur la vague de l’IA. Aujourd’hui, avec la prolifération omniprésente de l’IA depuis la publication de ChatGPT en 2022, les entreprises ne peuvent plus se permettre d’utiliser l’IA comme une fonctionnalité « phare » pour montrer leur sens technologique.

Pourquoi est-il si difficile d’intégrer l’IA ? Il y a plusieurs raisons :

  • Souvent, les équipes se concentrent sur un seul aspect d’un système d’IA. Cela a même conduit à l’émergence de camps distincts, tels que l’IA centrée sur les données, centrée sur les modèles et centrée sur l’humain. Bien que chacun d’eux offre des perspectives de recherche passionnantes, un produit réel doit combiner les données, le modèle et l’interaction homme-machine en un système cohérent.
  • Le développement de l’IA est une entreprise hautement collaborative. Dans le développement de logiciels traditionnel, vous travaillez avec une dichotomie relativement claire composée des composants backend et frontend. En IA, vous devrez non seulement ajouter des rôles et des compétences plus diversifiés à votre équipe, mais également assurer une coopération plus étroite entre les différentes parties. Les différents composants de votre système d’IA interagiront les uns avec les autres de manière intime. Par exemple, si vous travaillez sur un assistant virtuel, vos concepteurs UX devront comprendre l’ingénierie rapide pour créer un flux utilisateur naturel. Vos annotateurs de données doivent connaître votre marque et les « traits de caractère » de votre assistant virtuel pour créer des données de formation cohérentes et alignées avec votre positionnement, et votre chef de produit doit comprendre et scruter l'architecture du pipeline de données pour garantir il répond aux préoccupations de gouvernance de vos utilisateurs.
  • Lorsqu’elles développent l’IA, les entreprises sous-estiment souvent l’importance du design. Même si l’IA commence dès le backend, une bonne conception est indispensable pour la faire briller en production. La conception de l’IA repousse les limites de l’UX traditionnelle. Une grande partie des fonctionnalités que vous proposez ne sont pas visibles en soi dans l’interface, mais « cachées » dans le modèle, et vous devez éduquer et guider vos utilisateurs pour maximiser ces avantages. En outre, les modèles fondamentaux modernes sont des choses sauvages qui peuvent produire des résultats toxiques, erronés et nocifs, vous devrez donc mettre en place des garde-fous supplémentaires pour réduire ces risques. Tout cela peut nécessiter de nouvelles compétences au sein de votre équipe, telles que l'ingénierie rapide et la conception conversationnelle. Parfois, cela signifie aussi faire des choses contre-intuitives, comme sous-estimer la valeur pour gérer les attentes des utilisateurs et ajouter des frictions pour leur donner plus de contrôle et de transparence.
  • Le battage médiatique sur l’IA crée une pression. De nombreuses entreprises mettent la charrue avant les bœufs en se lançant dans des mises en œuvre qui ne sont pas validées par les besoins des clients et du marché. Introduire occasionnellement le mot à la mode de l'IA peut vous aider à commercialiser et à vous positionner comme une entreprise progressiste et innovante, mais à long terme, vous devrez soutenir votre buzz et votre expérimentation avec de réelles opportunités. Cet objectif peut être atteint grâce à une coordination étroite entre les entreprises et la technologie, qui repose sur une cartographie explicite des opportunités du marché et des potentiels technologiques.

Dans cet article, nous allons construire un modèle mental pour les systèmes d’IA qui intègre ces différents aspects (cf. figure 1). Il encourage les constructeurs à penser de manière globale, à créer une compréhension claire de leur produit cible et à le mettre à jour avec de nouvelles informations et contributions en cours de route. Le modèle peut être utilisé comme un outil pour faciliter la collaboration, aligner les diverses perspectives à l'intérieur et à l'extérieur de l'équipe d'IA et créer des produits réussis basés sur une vision commune. Il peut être appliqué non seulement aux nouveaux produits basés sur l’IA, mais également aux fonctionnalités d’IA intégrées aux produits existants.

créer des produits d'IA
Figure 1 : Le modèle mental d'un système d'IA

Les sections suivantes décrivent brièvement chacun des composants, en se concentrant sur les parties spécifiques aux produits d'IA. Nous commencerons par la perspective commerciale – l’opportunité et la valeur du marché – puis nous plongerons dans l’UX et la technologie. Pour illustrer le modèle, nous utiliserons l'exemple concret d'un copilote pour la génération de contenu marketing.

Si ce contenu éducatif approfondi vous est utile, vous pouvez abonnez-vous à notre liste de diffusion de recherche sur l'IA d'être alerté lorsque nous publierons du nouveau matériel. 

1. Opportunité

Avec toutes les choses intéressantes que vous pouvez désormais faire avec l’IA, vous pourriez être impatient de vous salir les mains et de commencer à construire. Cependant, pour créer quelque chose dont vos utilisateurs ont besoin et qu’ils aiment, vous devez soutenir votre développement par une opportunité de marché. Dans un monde idéal, les opportunités nous parviennent de clients qui nous disent ce dont ils ont besoin ou ce qu'ils veulent.[1] Il peut s’agir de besoins non satisfaits, de problèmes ou de désirs. Vous pouvez rechercher ces informations dans les commentaires des clients existants, tels que les avis sur les produits et les notes de vos équipes commerciales et de réussite. Ne vous oubliez pas non plus en tant qu'utilisateur potentiel de votre produit : si vous ciblez un problème que vous avez vous-même rencontré, cet avantage informationnel est un avantage supplémentaire. Au-delà de cela, vous pouvez également effectuer des recherches client proactives à l’aide d’outils tels que des enquêtes et des entretiens.

Par exemple, je n’ai pas besoin de chercher bien loin pour voir les difficultés du marketing de contenu pour les startups, mais aussi pour les grandes entreprises. J'en ai moi-même fait l'expérience : à mesure que la concurrence s'intensifie, développer un leadership éclairé avec un contenu individuel, régulier et (!) de haute qualité devient de plus en plus important pour la différenciation. Pendant ce temps, avec une équipe petite et occupée, il y aura toujours des choses sur la table qui sembleront plus importantes que la rédaction du billet de blog de la semaine. Je rencontre aussi souvent des personnes de mon réseau qui ont du mal à mettre en place une routine de marketing de contenu cohérente. Ces observations « locales », potentiellement biaisées, peuvent être validées par des enquêtes dépassant le cadre du réseau et confirmant un marché plus large pour une solution.

Le monde réel est légèrement plus flou et les clients ne viendront pas toujours vers vous pour vous présenter de nouvelles opportunités bien formulées. Au contraire, si vous déployez vos antennes, des opportunités vous parviendront de plusieurs directions, telles que :

  • Positionnement sur le marché: L'IA est à la mode — pour les entreprises établies, elle peut être utilisée pour renforcer l'image d'une entreprise comme étant innovante, de haute technologie, à l'épreuve du temps, etc. Par exemple, elle peut élever une agence de marketing existante au rang de service alimenté par l'IA et le différencier de ses concurrents. Cependant, ne faites pas de l’IA pour le plaisir de l’IA. L’astuce de positionnement doit être appliquée avec prudence et en combinaison avec d’autres opportunités, sinon vous risquez de perdre votre crédibilité.
  • Les concurrents: Lorsque vos concurrents font un pas, il est probable qu'ils aient déjà effectué la recherche et la validation sous-jacentes. Regardez-les après un certain temps : leur développement a-t-il été couronné de succès ? Utilisez ces informations pour optimiser votre propre solution, adopter les éléments réussis et corriger les erreurs. Par exemple, disons que vous observez un concurrent qui propose un service de génération entièrement automatisée de contenu marketing. Les utilisateurs cliquent sur un « gros bouton rouge » et l’IA avance pour écrire et publier le contenu. Après quelques recherches, vous apprenez que les utilisateurs hésitent à utiliser ce produit car ils souhaitent conserver davantage de contrôle sur le processus et apporter leur propre expertise et personnalité à l'écriture. Après tout, l’écriture est aussi une question d’expression de soi et de créativité individuelle. C'est le moment pour vous d'aller de l'avant avec un outil polyvalent qui offre des fonctionnalités et une configuration riches pour façonner votre contenu. Il booste l’efficacité des utilisateurs tout en leur permettant de « s’injecter » dans le processus quand ils le souhaitent.
  • Règlements: les mégatendances telles que les ruptures technologiques et la mondialisation obligent les régulateurs à durcir leurs exigences. Les réglementations créent une pression et constituent une source d’opportunités à toute épreuve. Par exemple, imaginez qu’une réglementation soit mise en place qui obligerait strictement chacun à faire la publicité du contenu généré par l’IA en tant que tel. Les entreprises qui utilisent déjà des outils de génération de contenu IA disparaîtront au profit de discussions internes pour savoir si elles le souhaitent. Beaucoup d’entre eux s’abstiendront parce qu’ils souhaitent conserver une image de véritable leadership éclairé, par opposition à produire des passe-partout visiblement générés par l’IA. Disons que vous avez été intelligent et avez opté pour une solution augmentée qui donne aux utilisateurs suffisamment de contrôle pour qu'ils puissent rester les « auteurs » officiels des textes. À mesure que la nouvelle restriction est introduite, vous êtes immunisé et pouvez vous précipiter pour tirer parti de la réglementation, tandis que vos concurrents disposant de solutions entièrement automatisées auront besoin de temps pour se remettre du revers.
  • Technologies habilitantes: Les technologies émergentes et les avancées significatives dans les technologies existantes, comme la vague d’IA générative en 2022-23, peuvent ouvrir de nouvelles façons de faire les choses ou propulser les applications existantes à un nouveau niveau. Disons que vous dirigez une agence de marketing traditionnelle depuis une décennie. Désormais, vous pouvez commencer à introduire des hacks et des solutions d'IA dans votre entreprise pour augmenter l'efficacité de vos employés, servir davantage de clients avec les ressources existantes et augmenter vos bénéfices. Vous vous appuyez sur votre expertise, votre réputation et votre clientèle (espérons-le de bonne volonté) existantes. L’introduction d’améliorations de l’IA peut donc être beaucoup plus fluide et moins risquée que pour un nouveau venu.

Enfin, dans le monde moderne des produits, les opportunités sont souvent moins explicites et formelles et peuvent être directement validées par des expériences, ce qui accélère votre développement. Ainsi, dans le cadre d’une croissance axée sur les produits, les membres de l’équipe peuvent formuler leurs propres hypothèses sans un argument strict basé sur les données. Ces hypothèses peuvent être formulées de manière fragmentaire, par exemple en modifiant une invite ou en changeant la disposition locale de certains éléments UX, ce qui les rend faciles à mettre en œuvre, à déployer et à tester. En supprimant la pression de fournir a priori données pour chaque nouvelle suggestion, cette approche exploite les intuitions et l'imagination de tous les membres de l'équipe tout en imposant une validation directe des suggestions. Disons que votre génération de contenu se déroule sans problème, mais que vous entendez de plus en plus de plaintes concernant le manque général de transparence et d'explicabilité de l'IA. Vous décidez de mettre en œuvre un niveau de transparence supplémentaire et de montrer à vos utilisateurs les documents spécifiques qui ont été utilisés pour générer un élément de contenu. Votre équipe teste la fonctionnalité auprès d'une cohorte d'utilisateurs et constate qu'ils sont heureux de l'utiliser pour remonter aux sources d'informations d'origine. Ainsi, vous décidez de l'établir dans le produit principal pour augmenter l'utilisation et la satisfaction.

2. Valeur

Pour comprendre et communiquer la valeur de votre produit ou fonctionnalité d'IA, vous devez d'abord le mapper à un cas d'utilisation (un problème commercial spécifique qu'il résoudra) et déterminer le retour sur investissement (retour sur investissement). Cela vous oblige à détourner votre attention de la technologie et à vous concentrer sur les avantages de la solution pour l’utilisateur. Le retour sur investissement peut être mesuré selon différentes dimensions. Pour l’IA, certains d’entre eux sont :

  • Efficacité accrue: L'IA peut stimuler la productivité des individus, des équipes et des entreprises dans leur ensemble. Par exemple, pour la génération de contenu, vous constaterez peut-être qu'au lieu des 4 à 5 heures normalement nécessaires pour rédiger un article de blog [2], vous pouvez désormais le faire en 1 à 2 heures et consacrer le temps que vous avez économisé à d'autres tâches. Les gains d’efficacité vont souvent de pair avec des économies de coûts, car moins d’efforts humains sont nécessaires pour effectuer la même quantité de travail. Ainsi, dans le contexte commercial, cet avantage est attractif tant pour les utilisateurs que pour les dirigeants.
  • Une expérience plus personnalisée: Par exemple, votre outil de génération de contenu peut demander aux utilisateurs de définir des paramètres de leur entreprise comme les attributs de la marque, la terminologie, les avantages du produit, etc. De plus, il peut suivre les modifications apportées par un rédacteur spécifique et adapter ses générations à l'écriture unique. style de cet utilisateur au fil du temps.
  • Amusement et plaisir: On entre ici dans le côté émotionnel de l’utilisation du produit, aussi appelé niveau « viscéral » par Don Norman [3]. Des catégories entières de produits destinés au plaisir et au divertissement existent dans le camp B2C, comme les jeux et la réalité augmentée. Qu’en est-il du B2B ? Ne supposeriez-vous pas que les produits B2B existent dans un vide professionnel stérile ? En réalité, cette catégorie peut générer des réponses émotionnelles encore plus fortes que le B2C.[4] Par exemple, l'écriture peut être perçue comme un acte d'expression de soi satisfaisant ou comme une lutte intérieure contre le blocage de l'écrivain et d'autres problèmes. Pensez à la façon dont votre produit peut renforcer les émotions positives d’une tâche tout en atténuant, voire en transformant ses aspects pénibles.
  • Pratique: Que doit faire votre utilisateur pour tirer parti des pouvoirs magiques de l’IA ? Imaginez intégrer votre copilote de génération de contenu dans des outils de collaboration populaires tels que MS Office, Google Docs et Notion. Les utilisateurs pourront accéder à l’intelligence et à l’efficacité de votre produit sans quitter le confort de leur « maison » numérique. Ainsi, vous minimisez les efforts que les utilisateurs doivent déployer pour découvrir la valeur du produit et continuer à l'utiliser, ce qui à son tour stimule l'acquisition et l'adoption d'utilisateurs.

Certains des avantages de l’IA, par exemple l’efficacité, peuvent être directement quantifiés en termes de retour sur investissement. Pour des gains moins tangibles comme la commodité et le plaisir, vous devrez penser à des mesures proxy comme la satisfaction des utilisateurs. Gardez à l’esprit que penser en termes de valeur pour l’utilisateur final ne réduira pas seulement l’écart entre vos utilisateurs et votre produit. Comme effet secondaire bienvenu, cela peut réduire les détails techniques dans vos communications publiques. Cela vous évitera d’inviter accidentellement des concurrents indésirables à la fête.

Enfin, un aspect fondamental de la valeur que vous devez considérer dès le début est la durabilité. Quel est l’impact de votre solution sur la société et l’environnement ? Dans notre exemple, la génération de contenu automatisée ou augmentée peut déplacer et éliminer des charges de travail humaines à grande échelle. Vous ne souhaitez probablement pas être connu comme le futur tueur d'une catégorie d'emploi entière. Après tout, cela soulèverait non seulement des questions éthiques, mais susciterait également de la résistance de la part des utilisateurs dont vous menacez l'emploi. Réfléchissez à la manière dont vous pouvez répondre à ces peurs. Par exemple, vous pouvez expliquer aux utilisateurs comment utiliser efficacement leur nouveau temps libre pour concevoir des stratégies marketing encore plus sophistiquées. Ceux-ci peuvent constituer un fossé défendable même si d’autres concurrents rattrapent leur retard en matière de génération de contenu automatisée.

3. Les données

Pour tout type d'IA et d'apprentissage automatique, vous devez collecter et préparer vos données afin qu'elles reflètent les entrées réelles et fournissent suffisamment de signaux d'apprentissage pour votre modèle. De nos jours, nous observons une tendance vers une IA centrée sur les données – une philosophie d’IA qui s’éloigne des ajustements et de l’optimisation sans fin des modèles et se concentre sur la résolution des nombreux problèmes liés aux données qui alimentent ces modèles. Lorsque vous débutez, il existe différentes manières de mettre la main sur un ensemble de données décent :

  • Vous pouvez  utiliser un ensemble de données existant. Il peut s'agir soit d'un ensemble de données d'apprentissage automatique standard, soit d'un ensemble de données ayant un objectif initial différent que vous adaptez à votre tâche. Il existe quelques classiques des jeux de données, comme le Ensemble de données sur les critiques de films IMDB pour l'analyse des sentiments et le Jeu de données MNIST pour la reconnaissance de caractères manuscrits. Il existe des alternatives plus exotiques et excitantes, comme Attraper la pêche illégale ainsi que les Identification de race de chien, et d'innombrables ensembles de données sélectionnés par les utilisateurs sur des hubs de données comme Kaggle. Les chances que vous trouviez un ensemble de données conçu pour votre tâche spécifique et répondant pleinement à vos exigences sont plutôt faibles et, dans la plupart des cas, vous devrez également utiliser d'autres méthodes pour enrichir vos données.
  • Vous pouvez  annoter ou créer les données manuellement pour créer les bons signaux d’apprentissage. L’annotation manuelle des données – par exemple l’annotation de textes avec des scores de sentiments – était la méthode de prédilection aux débuts de l’apprentissage automatique. Récemment, il a regagné l'attention en tant qu'ingrédient principal de la sauce secrète de ChatGPT. Un énorme effort manuel a été consacré à la création et au classement des réponses du modèle afin de refléter les préférences humaines. Cette technique est également appelée Reinforcement Learning from Human Feedback (RLHF). Si vous disposez des ressources nécessaires, vous pouvez les utiliser pour créer des données de haute qualité pour des tâches plus spécifiques, comme la génération de contenu marketing. L'annotation peut être effectuée soit en interne, soit en utilisant un fournisseur externe ou un service de crowdsourcing tel qu'Amazon Mechanical Turk. Quoi qu’il en soit, la plupart des entreprises ne voudront pas dépenser les énormes ressources nécessaires à la création manuelle de données RLHF et envisageront quelques astuces pour automatiser la création de leurs données.
  • Ainsi, vous pouvez ajouter plus d'exemples à un ensemble de données existant en utilisant augmentation des données. Pour des tâches plus simples comme l'analyse des sentiments, vous pouvez introduire du bruit supplémentaire dans les textes, changer quelques mots, etc. Pour des tâches de génération plus ouvertes, il existe actuellement beaucoup d'enthousiasme quant à l'utilisation de grands modèles (par exemple, des modèles fondamentaux) pour des tâches automatisées. génération de données de formation. Une fois que vous avez identifié la meilleure méthode pour augmenter vos données, vous pouvez facilement les faire évoluer pour atteindre la taille de l'ensemble de données requise.

Lors de la création de vos données, vous êtes confronté à un compromis entre qualité et quantité. Vous pouvez annoter manuellement moins de données avec une qualité élevée, ou consacrer votre budget au développement de hacks et d'astuces pour une augmentation automatisée des données qui introduiront du bruit supplémentaire. Si vous optez pour l'annotation manuelle, vous pouvez le faire en interne et façonner une culture du détail et de la qualité, ou confier le travail à des personnes anonymes. Le crowdsourcing a généralement une qualité inférieure, vous devrez donc peut-être annoter davantage pour compenser le bruit. Comment trouver l’équilibre idéal ? Il n'y a pas de recette toute faite ici : en fin de compte, vous trouverez votre composition de données idéale grâce à un va-et-vient constant entre la formation et l'amélioration de vos données. En général, lors du pré-entraînement d’un modèle, celui-ci doit acquérir des connaissances à partir de zéro, ce qui ne peut se produire qu’avec une plus grande quantité de données. En revanche, si vous souhaitez peaufiner et apporter les dernières touches de spécialisation à un grand modèle existant, vous pourriez privilégier la qualité à la quantité. L'annotation manuelle contrôlée d'un petit ensemble de données à l'aide de directives détaillées pourrait être la solution optimale dans ce cas.

4. Algorithme

Les données sont la matière première à partir de laquelle votre modèle apprendra et, espérons-le, vous pourrez compiler un ensemble de données représentatif et de haute qualité. Désormais, la véritable superpuissance de votre système d’IA – sa capacité à apprendre des données existantes et à généraliser à de nouvelles données – réside dans l’algorithme. En ce qui concerne les modèles d’IA de base, vous pouvez utiliser trois options principales :

  • Invite un modèle existant. Des LLM (Large Language Models) avancés de la famille GPT, tels que ChatGPT et GPT-4, ainsi que d'autres fournisseurs tels qu'Anthropic et AI21 Labs sont disponibles pour l'inférence via l'API. Grâce à l'invite, vous pouvez parler directement à ces modèles, en incluant dans votre invite toutes les informations spécifiques au domaine et à la tâche requises pour une tâche. Cela peut inclure du contenu spécifique à utiliser, des exemples de tâches analogues (invite à quelques tirs) ainsi que des instructions que le modèle doit suivre. Par exemple, si votre utilisateur souhaite générer un article de blog sur une nouvelle fonctionnalité d'un produit, vous pouvez lui demander de fournir des informations de base sur la fonctionnalité, telles que ses avantages et ses cas d'utilisation, comment l'utiliser, la date de lancement, etc. Votre produit remplit ensuite ces informations dans un modèle d'invite soigneusement conçu et demande au LLM de générer le texte. Les invites sont idéales pour prendre une longueur d'avance sur les modèles pré-entraînés. Cependant, le fossé que vous pouvez construire sous la contrainte s’amenuisera rapidement avec le temps : à moyen terme, vous aurez besoin d’une stratégie de modèle plus défendable pour maintenir votre avantage concurrentiel.
  • Affinez un modèle pré-entraîné. Cette approche a rendu l’IA si populaire ces dernières années. À mesure que de plus en plus de modèles pré-entraînés deviennent disponibles et que des portails tels que Huggingface proposent des référentiels de modèles ainsi que du code standard pour travailler avec les modèles, le réglage fin devient la méthode incontournable à essayer et à mettre en œuvre. Lorsque vous travaillez avec un modèle pré-entraîné, vous pouvez bénéficier de l'investissement que quelqu'un a déjà fait dans les données, la formation et l'évaluation du modèle, qui « connaît » déjà beaucoup de choses sur le langage et le monde. Tout ce que vous avez à faire est d'affiner le modèle à l'aide d'un ensemble de données spécifique à une tâche, qui peut être beaucoup plus petit que l'ensemble de données utilisé à l'origine pour la pré-formation. Par exemple, pour la génération de contenu marketing, vous pouvez collecter un ensemble d’articles de blog qui ont donné de bons résultats en termes d’engagement et procéder à une rétro-ingénierie des instructions correspondantes. À partir de ces données, votre modèle découvrira la structure, le flux et le style des articles à succès. Le réglage fin est la voie à suivre lors de l'utilisation de modèles open source, mais les fournisseurs d'API LLM tels qu'OpenAI et Cohere proposent également de plus en plus de fonctionnalités de réglage fin. En particulier pour le volet open source, vous devrez toujours prendre en compte les problèmes de sélection du modèle, les coûts liés à la formation et au déploiement de modèles plus grands, ainsi que les calendriers de maintenance et de mise à jour de votre modèle.
  • Entraînez votre modèle ML à partir de zéro. En général, cette approche fonctionne bien pour des problèmes plus simples mais très spécifiques pour lesquels vous disposez d'un savoir-faire spécifique ou d'ensembles de données décents. La génération de contenu n’entre pas exactement dans cette catégorie : elle nécessite des capacités linguistiques avancées pour vous permettre de décoller, et celles-ci ne peuvent être acquises qu’après une formation sur des quantités de données ridiculement importantes. Des problèmes plus simples tels que l'analyse des sentiments pour un type spécifique de texte peuvent souvent être résolus avec des méthodes d'apprentissage automatique établies telles que la régression logistique, qui sont moins coûteuses en termes de calcul que les méthodes sophistiquées d'apprentissage en profondeur. Bien sûr, il existe également un juste milieu entre des problèmes raisonnablement complexes, tels que l’extraction de concepts pour des domaines spécifiques, pour lesquels vous pourriez envisager de former un réseau neuronal profond à partir de zéro.

Au-delà de la formation, l’évaluation est primordiale pour une utilisation réussie du machine learning. Des mesures et des méthodes d'évaluation appropriées sont non seulement importantes pour un lancement en toute confiance de vos fonctionnalités d'IA, mais serviront également d'objectif clair pour une optimisation ultérieure et de terrain d'entente pour les discussions et décisions internes. Bien que les mesures techniques telles que la précision, le rappel et l’exactitude puissent constituer un bon point de départ, vous souhaiterez en fin de compte rechercher des mesures qui reflètent la valeur réelle que votre IA apporte aux utilisateurs.

5. Expérience utilisateur

L’expérience utilisateur des produits d’IA est un thème captivant : après tout, les utilisateurs ont de grands espoirs, mais aussi des craintes à l’idée de « s’associer » avec une IA capable de suralimenter et potentiellement de déjouer leur intelligence. La conception de ce partenariat humain-IA nécessite un processus de découverte et de conception réfléchi et judicieux. L’une des principales considérations est le degré d’automatisation que vous souhaitez accorder à votre produit – et attention, l’automatisation totale n’est de loin pas toujours la solution idéale. La figure suivante illustre le continuum d'automatisation :

créer des produits d'IA
Figure 2 : Le continuum d'automatisation des systèmes d'IA

Examinons chacun de ces niveaux :

  • Dans un premier temps, les humains effectuent tout le travail et aucune automatisation n’est effectuée. Malgré le battage médiatique autour de l’IA, la plupart des tâches à forte intensité de connaissances dans les entreprises modernes sont toujours réalisées à ce niveau, ce qui présente d’énormes opportunités d’automatisation. Par exemple, le rédacteur de contenu qui résiste aux outils basés sur l’IA et est persuadé que l’écriture est un métier hautement manuel et idiosyncratique travaille ici.
  • Dans la deuxième étape de l’IA assistée, les utilisateurs ont un contrôle total sur l’exécution des tâches et effectuent une grande partie du travail manuellement, mais les outils d’IA les aident à gagner du temps et à compenser leurs points faibles. Par exemple, lorsque vous rédigez un article de blog dans un délai serré, une dernière vérification linguistique avec Grammarly ou un outil similaire peut devenir un gain de temps bienvenu. Il peut éliminer la révision manuelle, qui nécessite une grande partie de votre temps et de votre attention, et qui peut quand même vous laisser avec des erreurs et des oublis – après tout, l’erreur est humaine.
  • Avec l’intelligence augmentée, l’IA est un partenaire qui augmente l’intelligence de l’humain, exploitant ainsi les atouts des deux mondes. Par rapport à l’IA assistée, la machine a beaucoup plus à dire dans votre processus et couvre un ensemble plus large de responsabilités, comme l’idéation, la génération et l’édition de brouillons, ainsi que la vérification linguistique finale. Les utilisateurs doivent toujours participer au travail, prendre des décisions et effectuer certaines parties de la tâche. L'interface utilisateur doit clairement indiquer la répartition du travail entre l'humain et l'IA, mettre en évidence les potentiels d'erreur et assurer la transparence des étapes qu'elle effectue. En bref, l’expérience « augmentée » guide les utilisateurs vers le résultat souhaité via itérations et raffinements.
  • Et enfin, nous disposons d’une automatisation complète – une idée intrigante pour les geeks, les philosophes et les experts de l’IA, mais qui n’est souvent pas le choix optimal pour les produits réels. L'automatisation complète signifie que vous proposez un « gros bouton rouge » qui lance le processus. Une fois l'IA terminée, vos utilisateurs sont confrontés au résultat final et le prennent ou le quittent. Tout ce qui s’est passé entre les deux, ils ne peuvent pas le contrôler. Comme vous pouvez l’imaginer, les options UX ici sont plutôt limitées puisqu’il n’y a pratiquement aucune interactivité. La majeure partie de la responsabilité du succès repose sur les épaules de vos collègues techniques, qui doivent garantir une qualité exceptionnelle des résultats.

Les produits d’IA nécessitent un traitement spécial en matière de conception. Les interfaces graphiques standards sont déterministes et permettent de prévoir tous les chemins possibles que l'utilisateur pourrait emprunter. En revanche, les grands modèles d’IA sont probabilistes et incertains : ils exposent une gamme de capacités étonnantes, mais également des risques tels que des résultats toxiques, erronés et nocifs. De l'extérieur, votre interface IA peut paraître simple car de nombreuses fonctionnalités de votre produit résident directement dans le modèle. Par exemple, un LLM peut interpréter des invites, produire du texte, rechercher des informations, les résumer, adopter un certain style et une certaine terminologie, exécuter des instructions, etc. Même si votre interface utilisateur est une simple interface de discussion ou d'invite, ne laissez pas ce potentiel inaperçu. — pour mener les utilisateurs vers le succès, vous devez être explicite et réaliste. Faites prendre conscience aux utilisateurs des capacités et des limites de vos modèles d'IA, permettez-leur de découvrir et de corriger facilement les erreurs commises par l'IA, et apprenez-leur comment se répéter eux-mêmes pour obtenir des résultats optimaux. En mettant l'accent sur la confiance, la transparence et l'éducation des utilisateurs, vous pouvez inciter vos utilisateurs à collaborer avec l'IA. Bien qu'une plongée approfondie dans la discipline émergente de la conception d'IA sorte du cadre de cet article, je vous encourage fortement à vous inspirer non seulement d'autres sociétés d'IA, mais également d'autres domaines de la conception tels que l'interaction homme-machine. Vous identifierez bientôt une gamme de modèles de conception récurrents, tels que les saisies semi-automatiques, les suggestions d'invite et les notifications d'IA, que vous pourrez intégrer dans votre propre interface pour tirer le meilleur parti de vos données et modèles.

De plus, pour proposer un design vraiment génial, vous devrez peut-être ajouter de nouvelles compétences en conception à votre équipe. Par exemple, si vous créez une application de chat pour affiner le contenu marketing, vous travaillerez avec un concepteur conversationnel qui s'occupe des flux conversationnels et de la « personnalité » de votre chatbot. Si vous créez un produit enrichi riche qui doit éduquer et guider en profondeur vos utilisateurs à travers les options disponibles, un concepteur de contenu peut vous aider à créer le bon type d'architecture d'informations et à ajouter la bonne quantité de conseils et d'invites pour vos utilisateurs.

Et enfin, soyez ouvert aux surprises. La conception de l’IA peut vous amener à repenser vos conceptions originales de l’expérience utilisateur. Par exemple, de nombreux concepteurs UX et chefs de produits ont été formés pour minimiser la latence et les frictions afin de fluidifier l'expérience de l'utilisateur. Eh bien, dans les produits d’IA, vous pouvez suspendre ce combat et utiliser les deux à votre avantage. La latence et les temps d'attente sont parfaits pour éduquer vos utilisateurs, par exemple en expliquant ce que fait actuellement l'IA et en indiquant les prochaines étapes possibles de leur côté. Les pauses, comme les fenêtres contextuelles de dialogue et de notification, peuvent introduire des frictions pour renforcer le partenariat humain-IA et accroître la transparence et le contrôle pour vos utilisateurs.

6. Exigences non fonctionnelles

Au-delà des données, de l'algorithme et de l'UX qui vous permettent d'implémenter une fonctionnalité spécifique, les exigences dites non fonctionnelles (NFR) telles que la précision, la latence, l'évolutivité, la fiabilité et la gouvernance des données garantissent que l'utilisateur obtient effectivement la valeur envisagée. Le concept de NFR est issu du développement logiciel mais n’est pas encore systématiquement pris en compte dans le domaine de l’IA. Souvent, ces exigences sont relevées de manière ponctuelle au fur et à mesure qu’elles surviennent lors de la recherche des utilisateurs, de l’idéation, du développement et de l’exploitation des capacités d’IA.

Vous devriez essayer de comprendre et de définir vos NFR le plus tôt possible, car différents NFR prendront vie à différents moments de votre voyage. Par exemple, la confidentialité doit être prise en compte dès la toute première étape de sélection des données. La précision est plus sensible au stade de la production, lorsque les utilisateurs commencent à utiliser votre système en ligne, ce qui risque de le submerger d'entrées inattendues. L'évolutivité est une considération stratégique qui entre en jeu lorsque votre entreprise augmente le nombre d'utilisateurs et/ou de demandes ou l'éventail de fonctionnalités proposées.

En ce qui concerne les NFR, vous ne pouvez pas tous les avoir. Voici quelques-uns des compromis typiques que vous devrez équilibrer :

  • L’une des premières méthodes pour augmenter la précision consiste à utiliser un modèle plus grand, ce qui affectera la latence.
  • Utiliser les données de production « telles quelles » pour une optimisation plus poussée peut être la meilleure solution pour l'apprentissage, mais peut violer vos règles de confidentialité et d'anonymisation.
  • Les modèles plus évolutifs sont généralistes, ce qui a un impact sur leur précision sur les tâches spécifiques à l'entreprise ou à l'utilisateur.

La manière dont vous prioriserez les différentes exigences dépendra des ressources informatiques disponibles, de votre concept UX, y compris le degré d'automatisation, et de l'impact des décisions prises en charge par l'IA.

Points clés

  1. Commencez avec la fin à l'esprit: Ne présumez pas que la technologie seule fera le travail ; vous avez besoin d'une feuille de route claire pour intégrer votre IA dans le produit destiné aux utilisateurs et pour informer vos utilisateurs sur ses avantages, ses risques et ses limites.
  2. Alignement du marché: Prioriser les opportunités de marché et les besoins des clients pour guider le développement de l'IA. Ne précipitez pas les mises en œuvre de l’IA motivées par le battage médiatique et sans validation du côté du marché.
  3. Valeur utilisateur: Définir, quantifier et communiquer la valeur des produits d'IA en termes d'efficacité, de personnalisation, de commodité et d'autres dimensions de valeur.
  4. Qualité des données: Concentrez-vous sur la qualité et la pertinence des données pour entraîner efficacement les modèles d'IA. Essayez d'utiliser des données petites et de haute qualité pour un réglage précis, et des ensembles de données plus volumineux pour une formation à partir de zéro.
  5. Sélection d'algorithme/modèle: Choisissez le bon niveau de complexité et de défendabilité (incitation, réglage fin, formation à partir de zéro) pour votre cas d'utilisation et évaluez soigneusement ses performances. Au fil du temps, à mesure que vous acquerrez l'expertise et la confiance nécessaires dans votre produit, vous souhaiterez peut-être passer à des stratégies de modèle plus avancées.
  6. Conception centrée sur l'utilisateur: Concevoir des produits d'IA en tenant compte des besoins et des émotions des utilisateurs, en équilibrant l'automatisation et le contrôle de l'utilisateur. Faites attention à « l'imprévisibilité » des modèles d'IA probabilistes et guidez vos utilisateurs pour qu'ils travaillent avec eux et en profitent.
  7. Conception collaborative: En mettant l'accent sur la confiance, la transparence et l'éducation des utilisateurs, vous pouvez faire collaborer vos utilisateurs avec l'IA.
  8. Prérogatives non fonctionnelles: Tenez compte de facteurs tels que la précision, la latence, l'évolutivité et la fiabilité tout au long du développement, et essayez d'évaluer les compromis entre ces éléments dès le début.
  9. Coopération: Favorisez une collaboration étroite entre les experts en IA, les concepteurs, les chefs de produits et les autres membres de l'équipe pour bénéficier d'une intelligence interdisciplinaire et réussir l'intégration de votre IA.

Bibliographie

[1] Thérèse Torres (2021). Habitudes de découverte continue : découvrez des produits qui créent de la valeur client et de la valeur commerciale.

[2] Médias orbitaux (2022). Nouvelles statistiques de blogs : quelles stratégies de contenu fonctionnent en 2022 ? Nous avons demandé à 1016 blogueurs.

[3] Don Norman (2013). La conception des choses du quotidien.

[4] Google, Gartner et Motista (2013). De la promotion à l'émotion : connecter les clients B2B aux marques.

Remarque : toutes les images sont de l'auteur.

Cet article a été publié initialement le Vers la science des données et republié sur TOPBOTS avec la permission de l'auteur.

Vous aimez cet article? Inscrivez-vous pour plus de mises à jour de recherche sur l'IA.

Nous vous informerons lorsque nous publierons d'autres articles résumés comme celui-ci.

Horodatage:

Plus de TOPBOTS