समग्र मानसिक मॉडल के साथ एआई उत्पादों का निर्माण

नोट: यह लेख "डिसेक्टिंग एआई एप्लिकेशन" नामक श्रृंखला में पहला है, जो एआई सिस्टम के लिए एक मानसिक मॉडल पेश करता है। यह मॉडल अंतर-विषयक एआई और उत्पाद टीमों द्वारा एआई उत्पादों की चर्चा, योजना और परिभाषा के साथ-साथ व्यवसाय विभाग के साथ संरेखण के लिए एक उपकरण के रूप में कार्य करता है। इसका उद्देश्य उत्पाद प्रबंधकों, यूएक्स डिजाइनरों, डेटा वैज्ञानिकों, इंजीनियरों और टीम के अन्य सदस्यों के दृष्टिकोण को एक साथ लाना है। इस लेख में, मैं मानसिक मॉडल का परिचय देता हूं, जबकि भविष्य के लेख प्रदर्शित करेंगे कि इसे विशिष्ट एआई उत्पादों और सुविधाओं पर कैसे लागू किया जाए।

अक्सर, कंपनियां यह मान लेती हैं कि उन्हें अपनी पेशकश में एआई को शामिल करने के लिए एआई विशेषज्ञों को नियुक्त करना होगा और उन्हें तकनीकी जादू खेलने देना होगा। यह दृष्टिकोण उन्हें सीधे एकीकरण भ्रम में ले जाता है: भले ही ये विशेषज्ञ और इंजीनियर असाधारण मॉडल और एल्गोरिदम का उत्पादन करते हैं, उनके आउटपुट अक्सर खेल के मैदानों, सैंडबॉक्स और डेमो के स्तर पर अटक जाते हैं, और वास्तव में कभी भी किसी उत्पाद का पूर्ण हिस्सा नहीं बन पाते हैं। पिछले कुछ वर्षों में, मैंने डेटा वैज्ञानिकों और इंजीनियरों से काफी निराशा देखी है, जिनके तकनीकी रूप से उत्कृष्ट एआई कार्यान्वयन को उपयोगकर्ता-सामना वाले उत्पादों में अपना रास्ता नहीं मिला। बल्कि, उनके पास अत्याधुनिक प्रयोगों की सम्मानजनक स्थिति थी जिसने आंतरिक हितधारकों को एआई लहर की सवारी करने का आभास दिया। अब, 2022 में चैटजीपीटी के प्रकाशन के बाद से एआई के सर्वव्यापी प्रसार के साथ, कंपनियां अब अपने तकनीकी कौशल को दिखाने के लिए एआई को "लाइटहाउस" सुविधा के रूप में उपयोग करने का जोखिम नहीं उठा सकती हैं।

AI को एकीकृत करना इतना कठिन क्यों है? वहाँ के लिए बहुत कारण है:

• अक्सर, टीमें एआई सिस्टम के एक ही पहलू पर ध्यान केंद्रित करती हैं। इससे डेटा-केंद्रित, मॉडल-केंद्रित और मानव-केंद्रित एआई जैसे अलग-अलग शिविरों का भी उदय हुआ है। जबकि उनमें से प्रत्येक अनुसंधान के लिए रोमांचक दृष्टिकोण प्रदान करता है, एक वास्तविक जीवन के उत्पाद को डेटा, मॉडल और मानव-मशीन इंटरैक्शन को एक सुसंगत प्रणाली में संयोजित करने की आवश्यकता होती है।
• एआई विकास एक अत्यधिक सहयोगात्मक उद्यम है। पारंपरिक सॉफ़्टवेयर विकास में, आप बैकएंड और फ्रंटएंड घटकों से युक्त अपेक्षाकृत स्पष्ट द्वंद्व के साथ काम करते हैं। एआई में, आपको न केवल अपनी टीम में अधिक विविध भूमिकाएं और कौशल जोड़ने की आवश्यकता होगी बल्कि विभिन्न पक्षों के बीच घनिष्ठ सहयोग भी सुनिश्चित करना होगा। आपके एआई सिस्टम के विभिन्न घटक एक-दूसरे के साथ अंतरंग तरीकों से बातचीत करेंगे। उदाहरण के लिए, यदि आप वर्चुअल असिस्टेंट पर काम कर रहे हैं, तो आपके यूएक्स डिजाइनरों को प्राकृतिक उपयोगकर्ता प्रवाह बनाने के लिए त्वरित इंजीनियरिंग को समझना होगा। आपके डेटा एनोटेटर्स को प्रशिक्षण डेटा बनाने के लिए आपके ब्रांड और आपके आभासी सहायक के "चरित्र लक्षण" के बारे में पता होना चाहिए जो आपकी स्थिति के अनुरूप और संरेखित हो, और आपके उत्पाद प्रबंधक को यह सुनिश्चित करने के लिए डेटा पाइपलाइन की वास्तुकला को समझने और जांचने की आवश्यकता है यह आपके उपयोगकर्ताओं की शासन संबंधी चिंताओं को पूरा करता है।
• एआई का निर्माण करते समय, कंपनियां अक्सर डिजाइन के महत्व को कम आंकती हैं। जबकि एआई बैकएंड में शुरू होता है, उत्पादन में इसे चमकाने के लिए अच्छा डिज़ाइन अपरिहार्य है। एआई डिज़ाइन पारंपरिक यूएक्स की सीमाओं को आगे बढ़ाता है। आपके द्वारा प्रदान की जाने वाली अधिकांश कार्यक्षमता इंटरफ़ेस में दिखाई नहीं देती है, लेकिन मॉडल में "छिपी हुई" है, और आपको इन लाभों को अधिकतम करने के लिए अपने उपयोगकर्ताओं को शिक्षित और मार्गदर्शन करने की आवश्यकता है। इसके अलावा, आधुनिक मूलभूत मॉडल जंगली चीजें हैं जो विषाक्त, गलत और हानिकारक आउटपुट उत्पन्न कर सकते हैं, इसलिए आप इन जोखिमों को कम करने के लिए अतिरिक्त रेलिंग स्थापित करेंगे। इस सब के लिए आपकी टीम को त्वरित इंजीनियरिंग और संवादात्मक डिज़ाइन जैसे नए कौशल की आवश्यकता हो सकती है। कभी-कभी, इसका मतलब उल्टा काम करना भी होता है, जैसे उपयोगकर्ताओं की अपेक्षाओं को प्रबंधित करने के लिए मूल्य को कम आंकना और उन्हें अधिक नियंत्रण और पारदर्शिता देने के लिए घर्षण जोड़ना।
• एआई प्रचार दबाव बनाता है। कई कंपनियां ऐसे कार्यान्वयन में कूदकर गाड़ी को घोड़े से पहले रखती हैं जो ग्राहक और बाजार की जरूरतों के अनुसार मान्य नहीं हैं। कभी-कभार एआई चर्चा में आने से आपको बाजार में मदद मिल सकती है और खुद को एक प्रगतिशील और नवोन्मेषी व्यवसाय के रूप में स्थापित किया जा सकता है, लेकिन लंबी अवधि में, आपको वास्तविक अवसरों के साथ अपनी चर्चा और प्रयोग का समर्थन करने की आवश्यकता होगी। इसे व्यवसाय और प्रौद्योगिकी के बीच कड़े समन्वय के साथ हासिल किया जा सकता है, जो तकनीकी क्षमताओं के लिए बाजार-पक्ष के अवसरों की स्पष्ट मैपिंग पर आधारित है।

इस लेख में, हम एआई सिस्टम के लिए एक मानसिक मॉडल का निर्माण करेंगे जो इन विभिन्न पहलुओं को एकीकृत करता है (सीएफ. चित्र 1)। यह बिल्डरों को समग्र रूप से सोचने, अपने लक्ष्य उत्पाद की स्पष्ट समझ बनाने और रास्ते में नई अंतर्दृष्टि और इनपुट के साथ इसे अपडेट करने के लिए प्रोत्साहित करता है। मॉडल का उपयोग सहयोग को आसान बनाने, एआई टीम के अंदर और बाहर विविध दृष्टिकोणों को संरेखित करने और साझा दृष्टिकोण के आधार पर सफल उत्पादों का निर्माण करने के लिए एक उपकरण के रूप में किया जा सकता है। इसे न केवल नए, एआई-संचालित उत्पादों पर लागू किया जा सकता है, बल्कि मौजूदा उत्पादों में शामिल एआई सुविधाओं पर भी लागू किया जा सकता है।

निम्नलिखित अनुभाग एआई उत्पादों के लिए विशिष्ट भागों पर ध्यान केंद्रित करते हुए प्रत्येक घटक का संक्षेप में वर्णन करेंगे। हम व्यावसायिक परिप्रेक्ष्य - बाजार-पक्ष के अवसर और मूल्य - से शुरुआत करेंगे और फिर यूएक्स और प्रौद्योगिकी में उतरेंगे। मॉडल को स्पष्ट करने के लिए, हम मार्केटिंग सामग्री के निर्माण के लिए एक सह-पायलट के चल रहे उदाहरण का उपयोग करेंगे।

यदि यह गहन शैक्षिक सामग्री आपके लिए उपयोगी है, तो आप कर सकते हैं हमारी AI रिसर्च मेलिंग लिस्ट को सब्सक्राइब करें जब हम नई सामग्री जारी करते हैं तो सतर्क रहें। 

1। अवसर

एआई के साथ अब आप जो भी बेहतरीन चीजें कर सकते हैं, आप अपने हाथों को गंदा करने और निर्माण शुरू करने के लिए अधीर हो सकते हैं। हालाँकि, कुछ ऐसी चीज़ बनाने के लिए जिसकी आपके उपयोगकर्ताओं को ज़रूरत हो और जो उन्हें पसंद हो, आपको बाज़ार के अवसर के साथ अपने विकास का समर्थन करना चाहिए। आदर्श दुनिया में, अवसर हम तक उन ग्राहकों से पहुंचते हैं जो हमें बताते हैं कि उन्हें क्या चाहिए या क्या चाहिए।[1] ये अधूरी ज़रूरतें, दर्द बिंदु या इच्छाएँ हो सकती हैं। आप इस जानकारी को मौजूदा ग्राहक फीडबैक में देख सकते हैं, जैसे उत्पाद समीक्षा और अपनी बिक्री और सफलता टीमों के नोट्स में। इसके अलावा, अपने आप को अपने उत्पाद के संभावित उपयोगकर्ता के रूप में न भूलें - यदि आप किसी ऐसी समस्या को लक्षित कर रहे हैं जिसे आपने स्वयं अनुभव किया है, तो यह सूचना लाभ एक अतिरिक्त बढ़त है। इसके अलावा, आप सर्वेक्षण और साक्षात्कार जैसे टूल का उपयोग करके सक्रिय ग्राहक अनुसंधान भी कर सकते हैं।

उदाहरण के लिए, मुझे स्टार्टअप्स के साथ-साथ बड़ी कंपनियों के लिए भी कंटेंट मार्केटिंग की कठिनाइयों को देखने के लिए बहुत दूर तक देखने की जरूरत नहीं है। मैंने स्वयं इसका अनुभव किया है - जैसे-जैसे प्रतिस्पर्धा बढ़ती है, व्यक्तिगत, नियमित और (!) उच्च गुणवत्ता वाली सामग्री के साथ विचार नेतृत्व विकसित करना भेदभाव के लिए अधिक से अधिक महत्वपूर्ण हो जाता है। इस बीच, एक छोटी और व्यस्त टीम के साथ, मेज पर हमेशा ऐसी चीजें होंगी जो सप्ताह के ब्लॉग पोस्ट लिखने से अधिक महत्वपूर्ण लगती हैं। मैं अक्सर अपने नेटवर्क में ऐसे लोगों से भी मिलता हूं जो एक सतत सामग्री विपणन दिनचर्या स्थापित करने के लिए संघर्ष करते हैं। इन "स्थानीय", संभावित पक्षपाती टिप्पणियों को उन सर्वेक्षणों द्वारा मान्य किया जा सकता है जो किसी के नेटवर्क से परे जाते हैं और समाधान के लिए व्यापक बाजार की पुष्टि करते हैं।

वास्तविक दुनिया थोड़ी धुंधली है, और ग्राहक हमेशा नए, अच्छी तरह से तैयार किए गए अवसर पेश करने के लिए आपके पास नहीं आएंगे। बल्कि, यदि आप अपने एंटीना को फैलाते हैं, तो अवसर कई दिशाओं से आप तक पहुंचेंगे, जैसे:

• बाजार की स्थिति: एआई ट्रेंडी है - स्थापित व्यवसायों के लिए, इसका उपयोग किसी व्यवसाय की छवि को नवीन, उच्च तकनीक, भविष्य-प्रूफ आदि के रूप में सुदृढ़ करने के लिए किया जा सकता है। उदाहरण के लिए, यह एक मौजूदा मार्केटिंग एजेंसी को एआई-संचालित सेवा तक बढ़ा सकता है और इसे प्रतिस्पर्धियों से अलग करें। हालाँकि, AI के लिए AI न करें। पोजिशनिंग ट्रिक को सावधानी के साथ और अन्य अवसरों के संयोजन में लागू किया जाना चाहिए - अन्यथा, आप विश्वसनीयता खोने का जोखिम उठाते हैं।
• प्रतियोगियों: जब आपके प्रतिस्पर्धी कोई कदम उठाते हैं, तो संभावना है कि उन्होंने पहले ही अंतर्निहित शोध और सत्यापन कर लिया है। कुछ समय बाद उन्हें देखें - क्या उनका विकास सफल रहा? इस जानकारी का उपयोग अपने स्वयं के समाधान को अनुकूलित करने, सफल भागों को अपनाने और गलतियों को दूर करने के लिए करें। उदाहरण के लिए, मान लें कि आप एक प्रतिस्पर्धी को देख रहे हैं जो मार्केटिंग सामग्री की पूरी तरह से स्वचालित पीढ़ी के लिए एक सेवा प्रदान कर रहा है। उपयोगकर्ता "बड़े लाल बटन" पर क्लिक करते हैं, और एआई सामग्री लिखने और प्रकाशित करने के लिए आगे बढ़ता है। कुछ शोध के बाद, आपको पता चला कि उपयोगकर्ता इस उत्पाद का उपयोग करने से झिझकते हैं क्योंकि वे प्रक्रिया पर अधिक नियंत्रण बनाए रखना चाहते हैं और लेखन में अपनी विशेषज्ञता और व्यक्तित्व का योगदान देना चाहते हैं। आख़िरकार, लेखन आत्म-अभिव्यक्ति और व्यक्तिगत रचनात्मकता के बारे में भी है। यह आपके लिए एक बहुमुखी टूल के साथ आगे बढ़ने का समय है जो आपकी सामग्री को आकार देने के लिए समृद्ध कार्यक्षमता और कॉन्फ़िगरेशन प्रदान करता है। यह उपयोगकर्ताओं की दक्षता को बढ़ाता है और साथ ही उन्हें जब भी चाहें इस प्रक्रिया में खुद को "इंजेक्ट" करने की अनुमति देता है।
• नियामक: तकनीकी व्यवधान और वैश्वीकरण जैसे मेगाट्रेंड नियामकों को अपनी आवश्यकताओं को सख्त करने के लिए मजबूर करते हैं। विनियम दबाव बनाते हैं और अवसर का बुलेट-प्रूफ स्रोत हैं। उदाहरण के लिए, कल्पना कीजिए कि एक ऐसा विनियमन लागू हो गया है जिसके तहत सभी को एआई-जनरेटेड सामग्री का विज्ञापन करने की सख्त आवश्यकता है। वे कंपनियां जो पहले से ही एआई सामग्री निर्माण के लिए टूल का उपयोग करती हैं, वे आंतरिक चर्चा के लिए गायब हो जाएंगी कि क्या वे ऐसा चाहती हैं। उनमें से बहुत से लोग परहेज करेंगे क्योंकि वे स्पष्ट रूप से एआई-जनरेटेड बॉयलरप्लेट का उत्पादन करने के बजाय वास्तविक विचार नेतृत्व की छवि बनाए रखना चाहते हैं। मान लीजिए कि आप चतुर थे और एक संवर्धित समाधान चुना जो उपयोगकर्ताओं को पर्याप्त नियंत्रण देता है ताकि वे ग्रंथों के आधिकारिक "लेखक" बने रह सकें। जैसे ही नया प्रतिबंध लागू होता है, आप प्रतिरक्षित हो जाते हैं और विनियमन का लाभ उठाने के लिए आगे बढ़ सकते हैं, जबकि पूरी तरह से स्वचालित समाधान वाले आपके प्रतिस्पर्धियों को झटके से उबरने के लिए समय की आवश्यकता होगी।
• सक्षम बनाने वाली तकनीकें: उभरती प्रौद्योगिकियां और मौजूदा प्रौद्योगिकियों में महत्वपूर्ण छलांग, जैसे कि 2022-23 में जेनरेटिव एआई की लहर, काम करने के नए तरीके खोल सकती है, या मौजूदा अनुप्रयोगों को एक नए स्तर पर पहुंचा सकती है। मान लीजिए कि आप पिछले एक दशक से एक पारंपरिक मार्केटिंग एजेंसी चला रहे हैं। अब, आप अपने कर्मचारियों की दक्षता बढ़ाने, मौजूदा संसाधनों के साथ अधिक ग्राहकों को सेवा देने और अपना लाभ बढ़ाने के लिए अपने व्यवसाय में एआई हैक्स और समाधान पेश करना शुरू कर सकते हैं। आप अपनी मौजूदा विशेषज्ञता, प्रतिष्ठा और (उम्मीद है कि अच्छे इरादों वाले) ग्राहक आधार पर निर्माण कर रहे हैं, इसलिए एआई संवर्द्धन शुरू करना एक नवागंतुक की तुलना में बहुत आसान और कम जोखिम भरा हो सकता है।

अंततः, आधुनिक उत्पाद जगत में, अवसर अक्सर कम स्पष्ट और औपचारिक होते हैं और इन्हें प्रयोगों में सीधे मान्य किया जा सकता है, जो आपके विकास को गति देता है। इस प्रकार, उत्पाद-आधारित विकास में, टीम के सदस्य सख्त डेटा-संचालित तर्क के बिना अपनी स्वयं की परिकल्पनाओं के साथ आ सकते हैं। इन परिकल्पनाओं को टुकड़ों में तैयार किया जा सकता है, जैसे किसी प्रॉम्प्ट को संशोधित करना या कुछ यूएक्स तत्वों के स्थानीय लेआउट को बदलना, जिससे उन्हें लागू करना, तैनात करना और परीक्षण करना आसान हो जाता है। प्रदान करने का दबाव हटाकर पूर्वसिद्ध प्रत्येक नए सुझाव के लिए डेटा, यह दृष्टिकोण सुझावों के प्रत्यक्ष सत्यापन को लागू करते हुए टीम के सभी सदस्यों की अंतर्ज्ञान और कल्पना का लाभ उठाता है। मान लीजिए कि आपकी सामग्री पीढ़ी सुचारू रूप से चलती है, लेकिन आप एआई पारदर्शिता और व्याख्या की सामान्य कमी के बारे में अधिक से अधिक शिकायतें सुनते हैं। आप एक अतिरिक्त पारदर्शिता स्तर लागू करने और अपने उपयोगकर्ताओं को वे विशिष्ट दस्तावेज़ दिखाने का निर्णय लेते हैं जिनका उपयोग सामग्री का एक टुकड़ा तैयार करने के लिए किया गया था। आपकी टीम उपयोगकर्ताओं के एक समूह के साथ इस सुविधा का परीक्षण करती है और पाती है कि वे मूल सूचना स्रोतों का पता लगाने के लिए इसका उपयोग करने में प्रसन्न हैं। इस प्रकार, आप उपयोग और संतुष्टि बढ़ाने के लिए इसे मुख्य उत्पाद में स्थापित करने का निर्णय लेते हैं।

2. मूल्य

अपने एआई उत्पाद या सुविधा के मूल्य को समझने और संप्रेषित करने के लिए, आपको सबसे पहले इसे एक उपयोग के मामले में मैप करना होगा - एक विशिष्ट व्यावसायिक समस्या जो इसे हल करेगी - और आरओआई (निवेश पर वापसी) का पता लगाना होगा। यह आपको अपना ध्यान प्रौद्योगिकी से हटाकर समाधान के उपयोगकर्ता-पक्ष लाभों पर ध्यान केंद्रित करने के लिए मजबूर करता है। आरओआई को विभिन्न आयामों के साथ मापा जा सकता है। एआई के लिए, उनमें से कुछ हैं:

• दक्षता में वृद्धि: एआई व्यक्तियों, टीमों और पूरी कंपनियों की उत्पादकता को बढ़ाने वाला हो सकता है। उदाहरण के लिए, सामग्री निर्माण के लिए, आप पा सकते हैं कि ब्लॉग पोस्ट लिखने के लिए आमतौर पर लगने वाले 4-5 घंटों के बजाय [2], अब आप इसे 1-2 घंटों में कर सकते हैं, और जो समय आपने बचाया है उसे अन्य कार्यों में खर्च कर सकते हैं। दक्षता लाभ अक्सर लागत बचत के साथ-साथ चलते हैं, क्योंकि समान मात्रा में कार्य करने के लिए कम मानवीय प्रयास की आवश्यकता होती है। इस प्रकार, व्यावसायिक संदर्भ में, यह लाभ उपयोगकर्ताओं और नेतृत्व दोनों के लिए आकर्षक है।
• एक अधिक वैयक्तिकृत अनुभव: उदाहरण के लिए, आपका कंटेंट जेनरेशन टूल उपयोगकर्ताओं से उनकी कंपनी के पैरामीटर जैसे ब्रांड विशेषताएँ, शब्दावली, उत्पाद लाभ आदि सेट करने के लिए कह सकता है। इसके अतिरिक्त, यह किसी विशिष्ट लेखक द्वारा किए गए संपादनों को ट्रैक कर सकता है, और उसकी पीढ़ियों को अद्वितीय लेखन के लिए अनुकूलित कर सकता है। समय के साथ इस उपयोगकर्ता की शैली.
• मज़ा और आनंद: यहां, हम उत्पाद के उपयोग के भावनात्मक पक्ष पर आते हैं, जिसे डॉन नॉर्मन द्वारा "आंत का" स्तर भी कहा जाता है [3]। बी2सी कैंप में मनोरंजन और मनोरंजन के लिए गेमिंग और ऑगमेंटेड रियलिटी जैसे उत्पादों की पूरी श्रेणियां मौजूद हैं। B2B के बारे में क्या - क्या आप यह नहीं मानेंगे कि B2B उत्पाद एक बाँझ पेशेवर वैक्यूम में मौजूद हैं? वास्तव में, यह श्रेणी बी2सी से भी अधिक मजबूत भावनात्मक प्रतिक्रियाएँ उत्पन्न कर सकती है।[4] उदाहरण के लिए, लेखन को आत्म-अभिव्यक्ति का एक संतोषजनक कार्य माना जा सकता है, या लेखक के अवरोध और अन्य मुद्दों के साथ आंतरिक संघर्ष के रूप में देखा जा सकता है। इस बारे में सोचें कि आपका उत्पाद किसी कार्य के दर्दनाक पहलुओं को कम करने या यहां तक ​​कि बदलने के साथ-साथ उसकी सकारात्मक भावनाओं को कैसे सुदृढ़ कर सकता है।
• सुविधा: AI की जादुई शक्तियों का लाभ उठाने के लिए आपके उपयोगकर्ता को क्या करने की आवश्यकता है? अपने कंटेंट जेनरेशन कोपायलट को एमएस ऑफिस, गूगल डॉक्स और नोशन जैसे लोकप्रिय सहयोग टूल में एकीकृत करने की कल्पना करें। उपयोगकर्ता अपने डिजिटल "घर" को छोड़े बिना आपके उत्पाद की बुद्धिमत्ता और दक्षता तक पहुंच सकेंगे। इस प्रकार, आप उपयोगकर्ताओं को उत्पाद के मूल्य का अनुभव करने और उसका उपयोग जारी रखने के लिए किए जाने वाले प्रयास को कम कर देते हैं, जो बदले में आपके उपयोगकर्ता अधिग्रहण और अपनाने को बढ़ावा देता है।

एआई के कुछ लाभ - उदाहरण के लिए दक्षता - सीधे आरओआई के लिए निर्धारित किए जा सकते हैं। सुविधा और आनंद जैसे कम ठोस लाभ के लिए, आपको उपयोगकर्ता संतुष्टि जैसे प्रॉक्सी मेट्रिक्स के बारे में सोचना होगा। ध्यान रखें कि अंतिम-उपयोगकर्ता मूल्य के संदर्भ में सोचने से न केवल आपके उपयोगकर्ताओं और आपके उत्पाद के बीच का अंतर कम हो जाएगा। एक स्वागत योग्य दुष्प्रभाव के रूप में, यह आपके सार्वजनिक संचार में तकनीकी विवरण को कम कर सकता है। यह आपको गलती से पार्टी में अवांछित प्रतिस्पर्धा को आमंत्रित करने से रोकेगा।

अंत में, मूल्य का एक मूलभूत पहलू जिस पर आपको पहले से विचार करना चाहिए वह है स्थिरता। आपके समाधान का समाज और पर्यावरण पर क्या प्रभाव पड़ता है? हमारे उदाहरण में, स्वचालित या संवर्धित सामग्री निर्माण बड़े पैमाने पर मानव कार्यभार को विस्थापित और समाप्त कर सकता है। आप संभवतः पूरी नौकरी श्रेणी के हत्यारे के रूप में नहीं जाना जाना चाहेंगे - आखिरकार, इससे न केवल नैतिक प्रश्न उठेंगे, बल्कि उन उपयोगकर्ताओं की ओर से प्रतिरोध भी होगा जिनकी नौकरियों को आप खतरे में डाल रहे हैं। इस बारे में सोचें कि आप इन आशंकाओं को कैसे दूर कर सकते हैं। उदाहरण के लिए, आप उपयोगकर्ताओं को इस बारे में शिक्षित कर सकते हैं कि वे और भी अधिक परिष्कृत विपणन रणनीतियों को डिजाइन करने के लिए अपने नए खाली समय का कुशलतापूर्वक उपयोग कैसे कर सकते हैं। ये एक रक्षात्मक खाई प्रदान कर सकते हैं, भले ही अन्य प्रतिस्पर्धी स्वचालित सामग्री निर्माण के साथ आगे बढ़ें।

3। डेटा

किसी भी प्रकार के एआई और मशीन लर्निंग के लिए, आपको अपना डेटा एकत्र करने और तैयार करने की आवश्यकता है ताकि यह वास्तविक जीवन के इनपुट को प्रतिबिंबित कर सके और आपके मॉडल के लिए पर्याप्त शिक्षण संकेत प्रदान कर सके। आजकल, हम डेटा-केंद्रित एआई की ओर एक रुझान देखते हैं - एक एआई दर्शन जो मॉडलों के अंतहीन बदलाव और अनुकूलन से दूर जाता है, और इन मॉडलों में फीड किए गए डेटा में कई मुद्दों को ठीक करने पर ध्यान केंद्रित करता है। जब आप शुरुआत करते हैं, तो एक अच्छा डेटासेट प्राप्त करने के विभिन्न तरीके होते हैं:

• आप ऐसा कर सकते हैं किसी मौजूदा डेटासेट का उपयोग करें. यह या तो एक मानक मशीन लर्निंग डेटासेट या एक अलग प्रारंभिक उद्देश्य वाला डेटासेट हो सकता है जिसे आप अपने कार्य के लिए अनुकूलित करते हैं। कुछ डेटासेट क्लासिक्स हैं, जैसे कि IMDB मूवी समीक्षा डेटासेट भावना विश्लेषण और के लिए एमएनआईएसटी डेटासेट हस्तलिखित चरित्र पहचान के लिए। जैसे और भी अधिक विदेशी और रोमांचक विकल्प हैं अवैध मछली पकड़ना और डॉग ब्रीड की पहचान, और कागल जैसे डेटा हब पर असंख्य उपयोगकर्ता-क्यूरेटेड डेटासेट। संभावना है कि आपको एक डेटासेट मिलेगा जो आपके विशिष्ट कार्य के लिए बनाया गया है और आपकी आवश्यकताओं को पूरी तरह से संतुष्ट करता है, बल्कि कम है, और ज्यादातर मामलों में, आपको अपने डेटा को समृद्ध करने के लिए अन्य तरीकों का भी उपयोग करने की आवश्यकता होगी।
• आप ऐसा कर सकते हैं डेटा को मैन्युअल रूप से एनोटेट करें या बनाएं सही सीखने के संकेत बनाने के लिए। मैन्युअल डेटा एनोटेशन - उदाहरण के लिए, सेंटीमेंट स्कोर के साथ टेक्स्ट का एनोटेशन - मशीन लर्निंग के शुरुआती दिनों में प्रचलित तरीका था। हाल ही में, इसने चैटजीपीटी के गुप्त सॉस में मुख्य घटक के रूप में ध्यान आकर्षित किया है। मानवीय प्राथमिकताओं को प्रतिबिंबित करने के लिए मॉडल की प्रतिक्रियाओं को बनाने और रैंकिंग करने पर एक बड़ा मैन्युअल प्रयास खर्च किया गया था। इस तकनीक को ह्यूमन फीडबैक से रीइन्फोर्समेंट लर्निंग (आरएलएचएफ) भी कहा जाता है। यदि आपके पास आवश्यक संसाधन हैं, तो आप उनका उपयोग विपणन सामग्री तैयार करने जैसे अधिक विशिष्ट कार्यों के लिए उच्च-गुणवत्ता वाला डेटा बनाने के लिए कर सकते हैं। एनोटेशन या तो आंतरिक रूप से या किसी बाहरी प्रदाता या अमेज़ॅन मैकेनिकल तुर्क जैसी क्राउडसोर्सिंग सेवा का उपयोग करके किया जा सकता है। वैसे भी, अधिकांश कंपनियां आरएलएचएफ डेटा के मैन्युअल निर्माण के लिए आवश्यक विशाल संसाधनों को खर्च नहीं करना चाहेंगी और अपने डेटा के निर्माण को स्वचालित करने के लिए कुछ तरकीबों पर विचार करेंगी।
• तो, आप मौजूदा डेटासेट का उपयोग करके और उदाहरण जोड़ सकते हैं डेटा वृद्धि. भावना विश्लेषण जैसे सरल कार्यों के लिए, आप पाठ में कुछ अतिरिक्त शोर जोड़ सकते हैं, कुछ शब्दों को बदल सकते हैं, आदि। अधिक खुली पीढ़ी के कार्यों के लिए, स्वचालित के लिए बड़े मॉडल (उदाहरण के लिए मूलभूत मॉडल) का उपयोग करने के बारे में वर्तमान में बहुत उत्साह है प्रशिक्षण डेटा निर्माण. एक बार जब आप अपने डेटा को बढ़ाने के लिए सबसे अच्छी विधि की पहचान कर लेते हैं, तो आप आवश्यक डेटासेट आकार तक पहुंचने के लिए इसे आसानी से स्केल कर सकते हैं।

अपना डेटा बनाते समय, आपको गुणवत्ता और मात्रा के बीच व्यापार-बंद का सामना करना पड़ता है। आप उच्च गुणवत्ता के साथ कम डेटा को मैन्युअल रूप से एनोटेट कर सकते हैं, या स्वचालित डेटा संवर्द्धन के लिए हैक और ट्रिक्स विकसित करने पर अपना बजट खर्च कर सकते हैं जो अतिरिक्त शोर पेश करेगा। यदि आप मैन्युअल एनोटेशन का विकल्प चुनते हैं, तो आप इसे आंतरिक रूप से कर सकते हैं और विवरण और गुणवत्ता की संस्कृति को आकार दे सकते हैं, या गुमनाम लोगों को काम सौंप सकते हैं। क्राउडसोर्सिंग की गुणवत्ता आमतौर पर कम होती है, इसलिए शोर की भरपाई के लिए आपको अधिक एनोटेशन करने की आवश्यकता हो सकती है। आप आदर्श संतुलन कैसे पाते हैं? यहां कोई तैयार नुस्खा नहीं है - अंततः, आप प्रशिक्षण और अपने डेटा को बढ़ाने के बीच निरंतर आगे-पीछे के माध्यम से अपनी आदर्श डेटा संरचना पाएंगे। सामान्य तौर पर, किसी मॉडल को पूर्व-प्रशिक्षित करते समय, उसे शुरुआत से ही ज्ञान प्राप्त करने की आवश्यकता होती है, जो केवल बड़ी मात्रा में डेटा के साथ ही हो सकता है। दूसरी ओर, यदि आप मौजूदा बड़े मॉडल को परिष्कृत करना और विशेषज्ञता का अंतिम स्पर्श देना चाहते हैं, तो आप मात्रा से अधिक गुणवत्ता को महत्व दे सकते हैं। विस्तृत दिशानिर्देशों का उपयोग करके एक छोटे डेटासेट का नियंत्रित मैनुअल एनोटेशन इस मामले में इष्टतम समाधान हो सकता है।

4। एल्गोरिथ्म

डेटा वह कच्चा माल है जिससे आपका मॉडल सीखेगा, और उम्मीद है, आप एक प्रतिनिधि, उच्च-गुणवत्ता वाला डेटासेट संकलित कर सकते हैं। अब, आपके एआई सिस्टम की वास्तविक महाशक्ति - मौजूदा डेटा से सीखने और नए डेटा को सामान्यीकृत करने की क्षमता - एल्गोरिदम में निहित है। कोर एआई मॉडल के संदर्भ में, तीन मुख्य विकल्प हैं जिनका आप उपयोग कर सकते हैं:

• किसी मौजूदा मॉडल का संकेत दें. जीपीटी परिवार के उन्नत एलएलएम (बड़े भाषा मॉडल), जैसे चैटजीपीटी और जीपीटी-4, साथ ही एंथ्रोपिक और एआई21 लैब्स जैसे अन्य प्रदाता एपीआई के माध्यम से अनुमान के लिए उपलब्ध हैं। प्रॉम्प्टिंग के साथ, आप सीधे इन मॉडलों से बात कर सकते हैं, जिसमें आपके प्रॉम्प्ट में किसी कार्य के लिए आवश्यक सभी डोमेन- और कार्य-विशिष्ट जानकारी शामिल होती है। इसमें उपयोग की जाने वाली विशिष्ट सामग्री, अनुरूप कार्यों के उदाहरण (कुछ-शॉट प्रॉम्प्टिंग) के साथ-साथ मॉडल का पालन करने के लिए निर्देश शामिल हो सकते हैं। उदाहरण के लिए, यदि आपका उपयोगकर्ता किसी नए उत्पाद फीचर के बारे में एक ब्लॉग पोस्ट तैयार करना चाहता है, तो आप उनसे फीचर के बारे में कुछ मुख्य जानकारी प्रदान करने के लिए कह सकते हैं, जैसे कि इसके लाभ और उपयोग के मामले, इसका उपयोग कैसे करें, लॉन्च की तारीख, आदि। फिर आपका उत्पाद इस जानकारी को सावधानीपूर्वक तैयार किए गए प्रॉम्प्ट टेम्पलेट में भरता है और एलएलएम से टेक्स्ट तैयार करने के लिए कहता है। पूर्व-प्रशिक्षित मॉडलों में शुरुआत करने के लिए संकेत देना बहुत अच्छा है। हालाँकि, जो खाई आप संकेत देकर बना सकते हैं वह समय के साथ तेजी से कम हो जाएगी - मध्य अवधि में, आपको अपनी प्रतिस्पर्धात्मक बढ़त को बनाए रखने के लिए एक अधिक रक्षात्मक मॉडल रणनीति की आवश्यकता है।
• पूर्व-प्रशिक्षित मॉडल को फाइन-ट्यून करें। इस दृष्टिकोण ने पिछले वर्षों में AI को इतना लोकप्रिय बना दिया है। जैसे-जैसे अधिक से अधिक पूर्व-प्रशिक्षित मॉडल उपलब्ध होते जा रहे हैं और हगिंगफेस जैसे पोर्टल मॉडल रिपॉजिटरी के साथ-साथ मॉडल के साथ काम करने के लिए मानक कोड की पेशकश करते हैं, फाइन-ट्यूनिंग प्रयास करने और लागू करने का सबसे आसान तरीका बनता जा रहा है। जब आप पूर्व-प्रशिक्षित मॉडल के साथ काम करते हैं, तो आप उस निवेश से लाभ उठा सकते हैं जो किसी ने पहले से ही मॉडल के डेटा, प्रशिक्षण और मूल्यांकन में किया है, जो पहले से ही भाषा और दुनिया के बारे में बहुत सी चीजें "जानता" है। आपको बस कार्य-विशिष्ट डेटासेट का उपयोग करके मॉडल को ठीक करना है, जो मूल रूप से पूर्व-प्रशिक्षण के लिए उपयोग किए गए डेटासेट से बहुत छोटा हो सकता है। उदाहरण के लिए, विपणन सामग्री निर्माण के लिए, आप उन ब्लॉग पोस्टों का एक सेट एकत्र कर सकते हैं जिन्होंने जुड़ाव के मामले में अच्छा प्रदर्शन किया है, और इनके लिए निर्देशों को रिवर्स-इंजीनियर कर सकते हैं। इस डेटा से, आपका मॉडल सफल लेखों की संरचना, प्रवाह और शैली के बारे में सीखेगा। ओपन-सोर्स मॉडल का उपयोग करते समय फाइन-ट्यूनिंग एक रास्ता है, लेकिन ओपनएआई और कोहेयर जैसे एलएलएम एपीआई प्रदाता भी तेजी से फाइन-ट्यूनिंग कार्यक्षमता की पेशकश कर रहे हैं। विशेष रूप से ओपन-सोर्स ट्रैक के लिए, आपको अभी भी मॉडल चयन, प्रशिक्षण की लागत और बड़े मॉडलों को तैनात करने, और अपने मॉडल के रखरखाव और अपडेट शेड्यूल के मुद्दों पर विचार करने की आवश्यकता होगी।
• अपने एमएल मॉडल को शुरुआत से प्रशिक्षित करें। सामान्य तौर पर, यह दृष्टिकोण सरल, लेकिन अत्यधिक विशिष्ट समस्याओं के लिए अच्छा काम करता है जिनके लिए आपके पास विशिष्ट जानकारी या सभ्य डेटासेट हैं। सामग्री का निर्माण वास्तव में इस श्रेणी में नहीं आता है - इसे आपको जमीन पर उतारने के लिए उन्नत भाषाई क्षमताओं की आवश्यकता होती है, और इन्हें केवल बड़ी मात्रा में डेटा पर प्रशिक्षण के बाद ही हासिल किया जा सकता है। एक विशिष्ट प्रकार के पाठ के लिए भावना विश्लेषण जैसी सरल समस्याओं को अक्सर लॉजिस्टिक रिग्रेशन जैसी स्थापित मशीन लर्निंग विधियों से हल किया जा सकता है, जो फैंसी डीप लर्निंग विधियों की तुलना में कम्प्यूटेशनल रूप से कम महंगे हैं। बेशक, विशिष्ट डोमेन के लिए अवधारणा निष्कर्षण जैसी जटिल जटिल समस्याओं का मध्य मार्ग भी है, जिसके लिए आप शुरू से ही एक गहरे तंत्रिका नेटवर्क को प्रशिक्षित करने पर विचार कर सकते हैं।

प्रशिक्षण से परे, मशीन लर्निंग के सफल उपयोग के लिए मूल्यांकन प्राथमिक महत्व का है। उपयुक्त मूल्यांकन मेट्रिक्स और विधियां न केवल आपके एआई सुविधाओं के विश्वसनीय लॉन्च के लिए महत्वपूर्ण हैं, बल्कि आगे के अनुकूलन के लिए एक स्पष्ट लक्ष्य और आंतरिक चर्चाओं और निर्णयों के लिए एक सामान्य आधार के रूप में भी काम करेंगी। जबकि सटीकता, रिकॉल और सटीकता जैसे तकनीकी मेट्रिक्स एक अच्छा प्रारंभिक बिंदु प्रदान कर सकते हैं, अंततः आप ऐसे मेट्रिक्स की तलाश करना चाहेंगे जो वास्तविक जीवन मूल्य को दर्शाते हैं जो आपका एआई उपयोगकर्ताओं को प्रदान कर रहा है।

5. उपयोगकर्ता अनुभव

एआई उत्पादों का उपयोगकर्ता अनुभव एक मनोरम विषय है - आखिरकार, उपयोगकर्ताओं को उच्च उम्मीदें हैं लेकिन एआई के साथ "साझेदारी" के बारे में डर भी है जो सुपरचार्ज कर सकता है और संभावित रूप से उनकी बुद्धि को मात दे सकता है। इस मानव-एआई साझेदारी के डिजाइन के लिए एक विचारशील और समझदार खोज और डिजाइन प्रक्रिया की आवश्यकता है। प्रमुख विचारों में से एक स्वचालन की वह डिग्री है जो आप अपने उत्पाद के साथ देना चाहते हैं - और ध्यान रखें, कुल स्वचालन हमेशा आदर्श समाधान नहीं होता है। निम्नलिखित चित्र स्वचालन सातत्य को दर्शाता है:

आइए इनमें से प्रत्येक स्तर को देखें:

• पहले चरण में, मनुष्य सभी कार्य करते हैं, और कोई स्वचालन नहीं किया जाता है। एआई के इर्द-गिर्द प्रचार के बावजूद, आधुनिक कंपनियों में अधिकांश ज्ञान-गहन कार्य अभी भी इसी स्तर पर किए जाते हैं, जो स्वचालन के लिए बड़े अवसर पेश करते हैं। उदाहरण के लिए, सामग्री लेखक जो एआई-संचालित टूल का विरोध करता है और इस बात से सहमत है कि लेखन यहां एक अत्यधिक मैनुअल और विशिष्ट शिल्प कार्य है।
• सहायता प्राप्त एआई के दूसरे चरण में, उपयोगकर्ताओं के पास कार्य निष्पादन पर पूर्ण नियंत्रण होता है और वे काम का एक बड़ा हिस्सा मैन्युअल रूप से करते हैं, लेकिन एआई उपकरण उन्हें समय बचाने और उनके कमजोर बिंदुओं की भरपाई करने में मदद करते हैं। उदाहरण के लिए, एक सीमित समय सीमा के साथ ब्लॉग पोस्ट लिखते समय, व्याकरण या इसी तरह के टूल के साथ अंतिम भाषाई जांच एक स्वागत योग्य समय बचाने वाला बन सकता है। यह मैन्युअल पुनरीक्षण को समाप्त कर सकता है, जिसके लिए आपके बहुत कम समय और ध्यान की आवश्यकता होती है और फिर भी आपको त्रुटियों और अनदेखी का सामना करना पड़ सकता है - आखिरकार, गलती करना मानवीय है।
• संवर्धित बुद्धि के साथ, एआई एक भागीदार है जो मानव की बुद्धि को बढ़ाता है, इस प्रकार दोनों दुनियाओं की ताकत का लाभ उठाता है। सहायता प्राप्त एआई की तुलना में, मशीन के पास आपकी प्रक्रिया में कहने के लिए बहुत कुछ है और यह जिम्मेदारियों के एक बड़े समूह को कवर करती है, जैसे विचार-विमर्श, सृजन और ड्राफ्ट का संपादन और अंतिम भाषाई जांच। उपयोगकर्ताओं को अभी भी कार्य में भाग लेने, निर्णय लेने और कार्य के कुछ हिस्सों को निष्पादित करने की आवश्यकता है। उपयोगकर्ता इंटरफ़ेस को मानव और एआई के बीच श्रम वितरण को स्पष्ट रूप से इंगित करना चाहिए, त्रुटि संभावनाओं को उजागर करना चाहिए और इसके द्वारा किए जाने वाले चरणों में पारदर्शिता प्रदान करनी चाहिए। संक्षेप में, "संवर्धित" अनुभव उपयोगकर्ताओं को पुनरावृत्ति और परिशोधन के माध्यम से वांछित परिणाम के लिए मार्गदर्शन करता है।
• और अंत में, हमारे पास पूर्ण स्वचालन है - एआई गीक्स, दार्शनिकों और पंडितों के लिए एक दिलचस्प विचार, लेकिन अक्सर वास्तविक जीवन के उत्पादों के लिए इष्टतम विकल्प नहीं। पूर्ण स्वचालन का मतलब है कि आप एक "बड़ा लाल बटन" पेश कर रहे हैं जो प्रक्रिया को शुरू करता है। एक बार AI पूरा हो जाने पर, आपके उपयोगकर्ताओं को अंतिम आउटपुट का सामना करना पड़ता है और या तो इसे ले लेते हैं या छोड़ देते हैं। बीच में जो कुछ भी हुआ, वे उस पर नियंत्रण नहीं कर सकते. जैसा कि आप कल्पना कर सकते हैं, यहां यूएक्स विकल्प सीमित हैं क्योंकि वस्तुतः कोई अन्तरक्रियाशीलता नहीं है। सफलता की अधिकांश ज़िम्मेदारी आपके तकनीकी सहयोगियों के कंधों पर है, जिन्हें आउटपुट की असाधारण उच्च गुणवत्ता सुनिश्चित करने की आवश्यकता है।

जब डिजाइन की बात आती है तो एआई उत्पादों को विशेष उपचार की आवश्यकता होती है। मानक ग्राफ़िकल इंटरफ़ेस नियतात्मक हैं और आपको उपयोगकर्ता द्वारा अपनाए जाने वाले सभी संभावित पथों का पूर्वाभास करने की अनुमति देते हैं। इसके विपरीत, बड़े एआई मॉडल संभाव्य और अनिश्चित हैं - वे अद्भुत क्षमताओं की एक श्रृंखला को उजागर करते हैं, लेकिन विषाक्त, गलत और हानिकारक आउटपुट जैसे जोखिम भी रखते हैं। बाहर से, आपका एआई इंटरफ़ेस सरल लग सकता है क्योंकि आपके उत्पाद की बहुत सारी क्षमताएं सीधे मॉडल में रहती हैं। उदाहरण के लिए, एक एलएलएम संकेतों की व्याख्या कर सकता है, पाठ तैयार कर सकता है, जानकारी खोज सकता है, उसे सारांशित कर सकता है, एक निश्चित शैली और शब्दावली अपना सकता है, निर्देश निष्पादित कर सकता है, आदि। भले ही आपका यूआई एक साधारण चैट या संकेत इंटरफ़ेस है, इस क्षमता को अनदेखा न छोड़ें — उपयोगकर्ताओं को सफलता की ओर ले जाने के लिए, आपको स्पष्ट और यथार्थवादी होना होगा। उपयोगकर्ताओं को अपने एआई मॉडल की क्षमताओं और सीमाओं से अवगत कराएं, उन्हें एआई द्वारा की गई त्रुटियों को आसानी से खोजने और ठीक करने की अनुमति दें, और उन्हें इष्टतम आउटपुट के लिए खुद को पुनरावृत्त करने के तरीके सिखाएं। विश्वास, पारदर्शिता और उपयोगकर्ता शिक्षा पर जोर देकर, आप अपने उपयोगकर्ताओं को एआई के साथ सहयोग करवा सकते हैं। हालांकि एआई डिजाइन के उभरते अनुशासन में गहराई से उतरना इस लेख के दायरे से बाहर है, मैं आपको न केवल अन्य एआई कंपनियों से बल्कि डिजाइन के अन्य क्षेत्रों जैसे मानव-मशीन इंटरैक्शन से भी प्रेरणा लेने के लिए प्रोत्साहित करता हूं। आप जल्द ही आवर्ती डिज़ाइन पैटर्न की एक श्रृंखला की पहचान करेंगे, जैसे स्वत: पूर्ण, त्वरित सुझाव और एआई नोटिस, जिन्हें आप अपने डेटा और मॉडल से अधिकतम लाभ उठाने के लिए अपने स्वयं के इंटरफ़ेस में एकीकृत कर सकते हैं।

इसके अलावा, वास्तव में बेहतरीन डिज़ाइन प्रदान करने के लिए, आपको अपनी टीम में नए डिज़ाइन कौशल जोड़ने की आवश्यकता हो सकती है। उदाहरण के लिए, यदि आप मार्केटिंग सामग्री के परिशोधन के लिए एक चैट एप्लिकेशन बना रहे हैं, तो आप एक वार्तालाप डिजाइनर के साथ काम करेंगे जो वार्तालाप प्रवाह और आपके चैटबॉट के "व्यक्तित्व" का ख्याल रखता है। यदि आप एक समृद्ध संवर्धित उत्पाद का निर्माण कर रहे हैं, जिसमें आपके उपयोगकर्ताओं को उपलब्ध विकल्पों के माध्यम से पूरी तरह से शिक्षित और मार्गदर्शन करने की आवश्यकता है, तो एक सामग्री डिजाइनर आपको सही प्रकार की सूचना वास्तुकला बनाने में मदद कर सकता है, और आपके उपयोगकर्ताओं के लिए सही मात्रा में न्यूडिंग और संकेत जोड़ सकता है।

और अंत में, आश्चर्य के लिए खुले रहें। एआई डिज़ाइन आपको उपयोगकर्ता अनुभव के बारे में अपनी मूल अवधारणाओं पर पुनर्विचार करने पर मजबूर कर सकता है। उदाहरण के लिए, उपयोगकर्ता के अनुभव को सुचारू बनाने के लिए कई यूएक्स डिजाइनरों और उत्पाद प्रबंधकों को विलंबता और घर्षण को कम करने के लिए ड्रिल किया गया था। खैर, एआई उत्पादों में, आप इस लड़ाई को रोक सकते हैं और अपने लाभ के लिए दोनों का उपयोग कर सकते हैं। विलंबता और प्रतीक्षा समय आपके उपयोगकर्ताओं को शिक्षित करने के लिए बहुत अच्छे हैं, उदाहरण के लिए यह समझाना कि एआई वर्तमान में क्या कर रहा है और उनकी ओर से संभावित अगले कदमों का संकेत देना। संवाद और अधिसूचना पॉप-अप जैसे ब्रेक, मानव-एआई साझेदारी को मजबूत करने और आपके उपयोगकर्ताओं के लिए पारदर्शिता और नियंत्रण बढ़ाने के लिए घर्षण पैदा कर सकते हैं।

6. गैर-कार्यात्मक आवश्यकताएँ

डेटा, एल्गोरिदम और यूएक्स से परे जो आपको एक विशिष्ट कार्यक्षमता को लागू करने में सक्षम बनाता है, सटीकता, विलंबता, स्केलेबिलिटी, विश्वसनीयता और डेटा गवर्नेंस जैसी तथाकथित गैर-कार्यात्मक आवश्यकताएं (एनएफआर) सुनिश्चित करती हैं कि उपयोगकर्ता को वास्तव में अनुमानित मूल्य मिलता है। एनएफआर की अवधारणा सॉफ्टवेयर विकास से आती है लेकिन एआई के क्षेत्र में अभी तक इसे व्यवस्थित रूप से शामिल नहीं किया गया है। अक्सर, इन आवश्यकताओं को तदर्थ तरीके से उठाया जाता है क्योंकि वे उपयोगकर्ता अनुसंधान, विचार, विकास और एआई क्षमताओं के संचालन के दौरान सामने आते हैं।

आपको जितनी जल्दी हो सके अपने एनएफआर को समझने और परिभाषित करने का प्रयास करना चाहिए क्योंकि आपकी यात्रा के विभिन्न बिंदुओं पर अलग-अलग एनएफआर जीवन में आएंगे। उदाहरण के लिए, गोपनीयता को डेटा चयन के शुरुआती चरण से ही शुरू करने पर विचार किया जाना चाहिए। उत्पादन चरण में सटीकता सबसे अधिक संवेदनशील होती है जब उपयोगकर्ता आपके सिस्टम का ऑनलाइन उपयोग करना शुरू करते हैं, संभावित रूप से अप्रत्याशित इनपुट के साथ इसे प्रभावित करते हैं। स्केलेबिलिटी एक रणनीतिक विचार है जो तब काम में आता है जब आपका व्यवसाय उपयोगकर्ताओं और/या अनुरोधों की संख्या या प्रस्तावित कार्यक्षमता के स्पेक्ट्रम को मापता है।

जब एनएफआर की बात आती है, तो आपके पास वे सभी नहीं हो सकते। यहां कुछ विशिष्ट ट्रेड-ऑफ़ हैं जिन्हें आपको संतुलित करने की आवश्यकता होगी:

• सटीकता बढ़ाने के पहले तरीकों में से एक बड़े मॉडल का उपयोग करना है, जो विलंबता को प्रभावित करेगा।
• आगे के अनुकूलन के लिए उत्पादन डेटा का "जैसा है" का उपयोग करना सीखने के लिए सर्वोत्तम हो सकता है, लेकिन यह आपकी गोपनीयता और गुमनामीकरण नियमों का उल्लंघन कर सकता है।
• अधिक स्केलेबल मॉडल सामान्यवादी होते हैं, जो कंपनी- या उपयोगकर्ता-विशिष्ट कार्यों पर उनकी सटीकता को प्रभावित करते हैं।

आप विभिन्न आवश्यकताओं को कैसे प्राथमिकता देते हैं यह उपलब्ध कम्प्यूटेशनल संसाधनों, स्वचालन की डिग्री सहित आपकी यूएक्स अवधारणा और एआई द्वारा समर्थित निर्णयों के प्रभाव पर निर्भर करेगा।

चाबी छीन लेना

1. अंत को ध्यान में रखकर शुरुआत करें: यह मत मानिए कि तकनीक अकेले ही काम कर देगी; आपको अपने एआई को उपयोगकर्ता-सामना वाले उत्पाद में एकीकृत करने और अपने उपयोगकर्ताओं को इसके लाभों, जोखिमों और सीमाओं के बारे में शिक्षित करने के लिए एक स्पष्ट रोडमैप की आवश्यकता है।
2. बाज़ार संरेखण: एआई विकास को निर्देशित करने के लिए बाजार के अवसरों और ग्राहकों की जरूरतों को प्राथमिकता दें। प्रचार-प्रसार और बाजार-पक्ष सत्यापन के बिना एआई कार्यान्वयन में जल्दबाजी न करें।
3. उपयोगकर्ता मूल्य: दक्षता, वैयक्तिकरण, सुविधा और मूल्य के अन्य आयामों के संदर्भ में एआई उत्पादों के मूल्य को परिभाषित करें, परिमाणित करें और संप्रेषित करें।
4. आँकड़े की गुणवत्ता: एआई मॉडल को प्रभावी ढंग से प्रशिक्षित करने के लिए डेटा गुणवत्ता और प्रासंगिकता पर ध्यान दें। फाइन-ट्यूनिंग के लिए छोटे, उच्च-गुणवत्ता वाले डेटा और शुरुआत से प्रशिक्षण के लिए बड़े डेटासेट का उपयोग करने का प्रयास करें।
5. एल्गोरिथम/मॉडल चयन: अपने उपयोग के मामले के लिए जटिलता और रक्षात्मकता का सही स्तर चुनें (संकेत देना, फाइन-ट्यूनिंग, स्क्रैच से प्रशिक्षण) और इसके प्रदर्शन का सावधानीपूर्वक मूल्यांकन करें। समय के साथ, जैसे-जैसे आप अपने उत्पाद में आवश्यक विशेषज्ञता और आत्मविश्वास हासिल करते हैं, आप अधिक उन्नत मॉडल रणनीतियों पर स्विच करना चाह सकते हैं।
6. उपयोगकर्ता-केंद्रित डिज़ाइन: उपयोगकर्ता की जरूरतों और भावनाओं को ध्यान में रखते हुए, स्वचालन और उपयोगकर्ता नियंत्रण को संतुलित करते हुए एआई उत्पादों को डिजाइन करें। संभाव्य एआई मॉडल की "अप्रत्याशितता" पर ध्यान दें, और अपने उपयोगकर्ताओं को इसके साथ काम करने और इससे लाभ उठाने के लिए मार्गदर्शन करें।
7. सहयोगात्मक डिज़ाइन: विश्वास, पारदर्शिता और उपयोगकर्ता शिक्षा पर जोर देकर, आप अपने उपयोगकर्ताओं को एआई के साथ सहयोग करवा सकते हैं।
8. गैर-कार्यात्मक आवश्यकताएं: पूरे विकास के दौरान सटीकता, विलंबता, मापनीयता और विश्वसनीयता जैसे कारकों पर विचार करें और शुरुआत में ही इनके बीच के तालमेल का मूल्यांकन करने का प्रयास करें।
9. सहयोग: क्रॉस-डिसिप्लिनरी इंटेलिजेंस से लाभ उठाने और अपने एआई को सफलतापूर्वक एकीकृत करने के लिए एआई विशेषज्ञों, डिजाइनरों, उत्पाद प्रबंधकों और अन्य टीम के सदस्यों के बीच घनिष्ठ सहयोग को बढ़ावा देना।

संदर्भ

[1] टेरेसा टोरेस (2021)। निरंतर खोज की आदतें: ऐसे उत्पादों की खोज करें जो ग्राहक मूल्य और व्यावसायिक मूल्य बनाते हैं।

[2] ऑर्बिट मीडिया (2022)। नए ब्लॉगिंग आँकड़े: 2022 में कौन सी सामग्री रणनीतियाँ काम करेंगी? हमने 1016 ब्लॉगर्स से पूछा.

[3] डॉन नॉर्मन (2013)। रोजमरहा की चीजों के डिज़ाइन।

[4] गूगल, गार्टनर और मोतिस्टा (2013)। प्रमोशन से भावना तक: बी2बी ग्राहकों को ब्रांड से जोड़ना.

नोट: सभी चित्र लेखक द्वारा हैं।

यह आलेख मूलतः पर प्रकाशित हुआ था डेटा साइंस की ओर और लेखक से अनुमति के साथ TOPBOTS में फिर से प्रकाशित।

इस लेख का आनंद लें? अधिक AI अनुसंधान अपडेट के लिए साइन अप करें।

जब हम इस तरह के और अधिक सारांश लेख जारी करते हैं तो हम आपको बताएंगे।

सम्बंधित

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. ऑटोमोटिव/ईवीएस, कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• चार्टप्राइम. चार्टप्राइम के साथ अपने ट्रेडिंग गेम को उन्नत करें। यहां पहुंचें।
• BlockOffsets. पर्यावरणीय ऑफसेट स्वामित्व का आधुनिकीकरण। यहां पहुंचें।
• स्रोत: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/