AI-termékek készítése holisztikus mentális modellel

Megjegyzés: Ez a cikk az első a „Dissecting AI Applications” című sorozatban, amely egy mentális modellt mutat be az AI-rendszerekhez. A modell eszközként szolgál az AI-termékek megvitatásához, tervezéséhez és meghatározásához a több tudományágat átfogó mesterségesintelligencia- és termékcsapatok által, valamint az üzleti osztályhoz való igazodáshoz. Célja, hogy összehozza a termékmenedzserek, UX-tervezők, adatkutatók, mérnökök és más csapattagok szempontjait. Ebben a cikkben bemutatom a mentális modellt, míg a jövőbeli cikkek bemutatják, hogyan lehet alkalmazni bizonyos mesterséges intelligencia-termékekre és -funkciókra.

A vállalatok gyakran azt feltételezik, hogy csupán AI-szakértőket kell felvenniük kínálatukba, és hagyniuk kell őket játszani a technikai varázslatban. Ez a megközelítés egyenesen az integrációs tévedésbe vezeti őket: még ha ezek a szakértők és mérnökök kivételes modelleket és algoritmusokat is készítenek, kimeneteik gyakran megrekednek a játszóterek, homokozók és demók szintjén, és soha nem válnak egy termék teljes értékű részévé. Az évek során rengeteg frusztrációt tapasztaltam az adattudósok és mérnökök részéről, akiknek technikailag kiemelkedő mesterséges intelligencia-megvalósításai nem jutottak el a felhasználók számára készült termékekbe. Inkább a vérszegény kísérletek megtisztelő státuszával rendelkeztek, amelyek azt a benyomást keltették a belső érdekelt felekben, hogy meglovagolják az AI-hullámot. Most, hogy a mesterséges intelligencia mindenütt elterjedt a ChatGPT 2022-es megjelenése óta, a vállalatok már nem engedhetik meg maguknak, hogy az AI-t „világítótoronyként” használják technológiai hozzáértésük bemutatására.

Miért olyan nehéz az AI integrálása? Ennek néhány oka van:

• A csapatok gyakran az AI-rendszer egyetlen aspektusára összpontosítanak. Ez még külön táborok kialakulásához is vezetett, mint például az adatközpontú, a modellközpontú és az emberközpontú AI. Bár mindegyik izgalmas perspektívát kínál a kutatáshoz, egy valós terméknek össze kell kapcsolnia az adatokat, a modellt és az ember-gép interakciót egy koherens rendszerré.
• Az AI-fejlesztés erősen együttműködő vállalkozás. A hagyományos szoftverfejlesztésben viszonylag világos dichotómiával dolgozik, amely a háttérből és a frontend összetevőkből áll. A mesterséges intelligencia területén nem csak változatosabb szerepekkel és készségekkel kell bővítenie csapatát, hanem szorosabb együttműködést kell biztosítania a különböző felek között. Az AI-rendszer különböző összetevői intim módon kölcsönhatásba lépnek egymással. Ha például egy virtuális asszisztensen dolgozik, az UX-tervezőknek meg kell érteniük a gyors tervezést, hogy természetes felhasználói áramlást hozzanak létre. Az adatjegyzőknek tisztában kell lenniük az Ön márkájával és virtuális asszisztense „karaktervonásaival”, hogy konzisztens és az Ön pozicionálásával összhangban lévő képzési adatokat hozzanak létre, a termékmenedzsernek pedig meg kell értenie és alaposan meg kell vizsgálnia az adatfolyam architektúráját, hogy biztosítsa. megfelel a felhasználók irányítási aggályainak.
• A mesterséges intelligencia építésekor a vállalatok gyakran alábecsülik a tervezés fontosságát. Míg a mesterséges intelligencia a háttérben kezdődik, a jó dizájn elengedhetetlen ahhoz, hogy a gyártás során ragyogjon. Az AI-design kitágítja a hagyományos UX határait. Az Ön által kínált funkciók nagy része önmagában nem látható a felületen, hanem „elrejtve” a modellben, és Önnek oktatnia és irányítania kell a felhasználókat ezen előnyök maximalizálása érdekében. Emellett a modern alapmodellek vad dolgok, amelyek mérgező, téves és káros kimeneteket produkálhatnak, ezért további védőkorlátokat kell felállítani, hogy csökkentsék ezeket a kockázatokat. Mindez olyan új készségeket igényelhet a csapattól, mint például a gyors tervezés és a társalgási tervezés. Néha ez azt is jelenti, hogy az intuitív módon ellentétes dolgokat kell végrehajtani, például alábecsülni az értékeket a felhasználók elvárásainak kezelése érdekében, és súrlódások növelését, hogy nagyobb irányítást és átláthatóságot biztosítsanak számukra.
• Az AI hype nyomást kelt. Sok vállalat a szekeret a ló elé helyezi azzal, hogy olyan megvalósításokba ugrál, amelyeket nem igazolnak az ügyfelek és a piaci igények. Alkalmanként a mesterséges intelligencia hívószó bedobása segíthet abban, hogy piacra dobja, és progresszív és innovatív vállalkozásként pozicionálja magát, de hosszú távon támogatnia kell a felhajtást és a valódi lehetőségekkel való kísérletezést. Ez az üzlet és a technológia közötti szoros koordinációval érhető el, amely a piaci oldali lehetőségek és a technológiai lehetőségek explicit feltérképezésén alapul.

Ebben a cikkben egy olyan mentális modellt készítünk az AI-rendszerekhez, amely integrálja ezeket a különböző szempontokat (vö. 1. ábra). Arra ösztönzi az építőket, hogy holisztikusan gondolkodjanak, világosan megértsék célterméküket, és az út során új meglátásokkal és inputokkal frissítsék azt. A modell eszközként használható az együttműködés megkönnyítésére, az AI-csapaton belüli és kívüli nézőpontok összehangolására, valamint a közös jövőkép alapján sikeres termékek felépítésére. Nemcsak új, mesterséges intelligencia-vezérelt termékekre, hanem a meglévő termékekbe beépített AI-funkciókra is alkalmazható.

A következő szakaszok röviden ismertetik az egyes összetevőket, az AI-termékekre jellemző részekre összpontosítva. Kezdjük az üzleti perspektívával – a piaci oldali lehetőséggel és az értékkel –, majd belemerülünk a felhasználói élménybe és a technológiába. A modell szemléltetésére a marketingtartalom generálásához a másodpilóta futó példáját fogjuk használni.

Ha ez a mélyreható oktatási tartalom hasznos az Ön számára, megteheti iratkozzon fel AI kutatási levelezőlistánkra figyelmeztetni kell, ha új anyagot adunk ki. 

1. alkalom

A mesterséges intelligencia segítségével most már elkészíthető nagyszerű dolgokkal türelmetlen lehet, hogy bemocskolja a kezét, és elkezdje az építést. Ahhoz azonban, hogy olyasmit hozzon létre, amelyre a felhasználóknak szüksége van, és amit szeretnek, fejlesztését piaci lehetőséggel kell támogatnia. Az ideális világban a lehetőségek azoktól az ügyfelektől érnek el bennünket, akik elmondják, mire van szükségük vagy mire van szükségük.[1] Ezek lehetnek kielégítetlen szükségletek, fájdalompontok vagy vágyak. Ezt az információt megkeresheti a meglévő vásárlói visszajelzésekben, például a termékismertetőkben és az értékesítési és sikercsapatok megjegyzéseiben. Ezenkívül ne feledkezzünk meg terméke potenciális felhasználójáról sem – ha olyan problémát céloz meg, amelyet Ön is tapasztalt, ez az információs előny további előnyt jelent. Ezen túlmenően proaktív ügyfélkutatást is végezhet olyan eszközök segítségével, mint a felmérések és az interjúk.

Például nem kell messzire néznem, hogy lássam a tartalommarketing nehézségeit a startupoknak, de a nagyobb cégeknek is. Magam is megtapasztaltam – a verseny növekedésével egyre fontosabbá válik a megkülönböztetés szempontjából az egyéni, rendszeres és (!) minőségi tartalommal történő gondolatvezetés fejlesztése. Mindeközben egy kicsi és elfoglalt csapatnál mindig lesznek olyan dolgok az asztalon, amelyek fontosabbnak tűnnek, mint a hét blogbejegyzésének megírása. Gyakran találkozom olyan emberekkel is a hálózatomban, akiknek nehézséget okoz, hogy egységes tartalommarketing-rutint hozzanak létre. Ezeket a „helyi”, potenciálisan elfogult megfigyeléseket olyan felmérések igazolhatják, amelyek túlmutatnak a hálózaton, és megerősítik a megoldás szélesebb piacát.

A való világ kissé homályosabb, és az ügyfelek nem mindig jönnek Önhöz, hogy új, jól megfogalmazott lehetőségeket mutassanak be. Inkább, ha kinyújtod az antennádat, a lehetőségek sok irányból eljutnak hozzád, például:

• Piaci pozicionálás: A mesterséges intelligencia divatos – a bejáratott vállalkozások számára felhasználható az innovatív, csúcstechnológiás, jövőálló stb. vállalkozás imázsának megerősítésére. Például egy meglévő marketingügynökséget mesterségesintelligencia-alapú szolgáltatássá emelhet, és megkülönböztetni a versenytársaktól. Azonban ne az AI kedvéért csináljon mesterséges intelligenciát. A pozicionálási trükköt óvatosan és más lehetőségekkel kombinálva kell alkalmazni – ellenkező esetben a hitelesség elvesztését kockáztatja.
• A versenyzők: Amikor a versenytársak lépést tesznek, valószínű, hogy már elvégezték a mögöttes kutatást és érvényesítést. Nézze meg őket egy idő után – sikeres volt a fejlesztésük? Használja ezt az információt saját megoldásának optimalizálásához, a sikeres részek elfogadásához és a hibák kijavításához. Tegyük fel például, hogy egy versenytársat figyel meg, aki a marketingtartalom teljesen automatizált generálására kínál szolgáltatást. A felhasználók egy „nagy piros gombra” kattintanak, és az AI előrevonul a tartalom megírására és közzétételére. Némi kutatás után megtudja, hogy a felhasználók haboznak használni ezt a terméket, mert szeretnének nagyobb ellenőrzést tartani a folyamat felett, és saját szakértelmükkel és személyiségükkel szeretnének hozzájárulni az íráshoz. Hiszen az írás az önkifejezésről és az egyéni kreativitásról is szól. Itt az ideje, hogy előrelépjen egy sokoldalú eszközzel, amely gazdag funkcionalitást és konfigurációt kínál a tartalom alakításához. Növeli a felhasználók hatékonyságát, miközben lehetővé teszi számukra, hogy bármikor „befecskendezzék” magukat a folyamatba.
• Előírások: az olyan megatrendek, mint a technológiai zavarok és a globalizáció, arra kényszerítik a szabályozó hatóságokat, hogy szigorítsák követelményeiket. A szabályozás nyomást gyakorol, és golyóálló lehetőségeket jelent. Képzeljük el például, hogy egy olyan szabályozás lép életbe, amely szigorúan megköveteli, hogy mindenki a mesterséges intelligencia által generált tartalmat reklámozza. Azok a cégek, amelyek már használnak eszközöket a mesterséges intelligencia tartalom generálására, eltűnnek a belső vitákból, hogy akarják-e ezt. Sokan közülük tartózkodni fognak, mert meg akarják őrizni a valódi gondolatvezetés képét, szemben a láthatóan mesterséges intelligencia által generált kazán létrehozásával. Tegyük fel, hogy okos voltál, és egy kibővített megoldás mellett döntöttél, amely elegendő irányítást biztosít a felhasználóknak ahhoz, hogy továbbra is a szövegek hivatalos „szerzői” maradhassanak. Az új korlátozás bevezetésével Ön immúnis, és előretörhet, hogy hasznot húzzon a szabályozásból, míg a teljesen automatizált megoldásokkal rendelkező versenytársainak időre lesz szükségük, hogy felépüljenek a visszaesésből.
• Engedélyező technológiák: A feltörekvő technológiák és a meglévő technológiák jelentős ugrásai, mint például a generatív mesterséges intelligencia hulláma 2022–23-ban, új utakat nyithatnak meg a dolgoknak, vagy új szintre emelhetik a meglévő alkalmazásokat. Tegyük fel, hogy az elmúlt évtizedben hagyományos marketingügynökséget vezet. Most megkezdheti az AI hackek és megoldások bevezetését a vállalkozásába, hogy növelje alkalmazottai hatékonyságát, több ügyfelet szolgáljon ki a meglévő erőforrásokkal, és növelje nyereségét. Meglévő szakértelmére, hírnevére és (remélhetőleg jó szándékú) ügyfélbázisára épít, így az AI fejlesztések bevezetése sokkal gördülékenyebb és kevésbé kockázatos lehet, mint egy újonc számára.

Végül, a modern termékvilágban a lehetőségek gyakran kevésbé egyértelműek és formálisak, és kísérletekben közvetlenül érvényesíthetők, ami felgyorsítja a fejlődést. Így a termékvezérelt növekedésben a csapattagok szigorú adatvezérelt érv nélkül állíthatják fel saját hipotéziseiket. Ezeket a hipotéziseket részenként lehet megfogalmazni, például módosítani kell egy promptot vagy módosítani egyes UX-elemek helyi elrendezését, ami megkönnyíti azok megvalósítását, üzembe helyezését és tesztelését. Azáltal, hogy megszünteti a nyomást, hogy biztosítsa eleve Ez a megközelítés minden csapattag intuícióit és képzeletét kihasználja, miközben kikényszeríti a javaslatok közvetlen érvényesítését. Tegyük fel, hogy a tartalomgenerálása zökkenőmentesen működik, de egyre több panaszt hallani az AI átláthatóságának és magyarázhatóságának általános hiányáról. Úgy dönt, hogy egy további átláthatósági szintet vezet be, és megmutatja a felhasználóknak azokat a dokumentumokat, amelyeket egy tartalom létrehozásához használtak. Csapata felhasználói csoporttal teszteli a funkciót, és úgy találja, hogy szívesen használják az eredeti információforrások visszakeresésére. Ezért úgy dönt, hogy beépíti az alaptermékbe, hogy növelje a használatot és az elégedettséget.

2. Érték

A mesterséges intelligencia terméke vagy funkciója értékének megértéséhez és kommunikálásához először fel kell térképeznie azt egy használati esethez – egy konkrét üzleti problémához, amelyet megold –, és meg kell találnia a ROI-t (befektetés megtérülését). Ez arra kényszeríti, hogy elterelje gondolatait a technológiáról, és a megoldás felhasználói oldali előnyeire összpontosítson. A ROI különböző dimenziók mentén mérhető. Az AI esetében ezek közül néhány a következő:

• Megnövelt hatékonyság: A mesterséges intelligencia növelheti az egyének, a csapatok és az egész vállalatok termelékenységét. Például a tartalomgenerálásnál azt tapasztalhatja, hogy a blogbejegyzés megírásához általában szükséges 4–5 óra helyett [2] most 1–2 óra alatt megteheti, és a megtakarított időt más feladatokra fordíthatja. A hatékonyságnövekedés gyakran költségmegtakarítással jár, mivel kevesebb emberi erőfeszítés szükséges ugyanannyi munka elvégzéséhez. Így üzleti környezetben ez az előny vonzó mind a felhasználók, mind a vezetők számára.
• Személyre szabottabb élmény: A tartalomgeneráló eszköz például megkérheti a felhasználókat, hogy állítsák be cégük paramétereit, például a márkajellemzőket, terminológiát, termékelőnyöket stb. Ezen túlmenően nyomon tudja követni egy adott író által végzett szerkesztéseket, és a generációkat az egyedi íráshoz igazítja. a felhasználó stílusát az idő múlásával.
• Szórakozás és öröm: Itt eljutunk a termékhasználat érzelmi oldalához, amelyet Don Norman „zsigeri” szintnek is nevez [3]. A szórakozásra és szórakozásra szánt termékek egész kategóriája létezik a B2C táborban, például a játékok és a kiterjesztett valóság. Mi a helyzet a B2B-vel – nem feltételezné, hogy a B2B termékek steril, professzionális vákuumban léteznek? A valóságban ez a kategória még erősebb érzelmi reakciókat is generálhat, mint a B2C.[4] Például az írás felfogható az önkifejezés kielégítő aktusaként, vagy az írói blokkokkal és egyéb problémákkal való belső küzdelemként. Gondolja át, hogyan tudja a terméke megerősíteni a feladat pozitív érzelmeit, miközben enyhíti vagy akár átalakítja annak fájdalmas aspektusait.
• Kényelem: Mit kell tennie a felhasználónak, hogy kiaknázza az AI varázserejét? Képzelje el, hogy a tartalomgeneráló másodpilótát olyan népszerű együttműködési eszközökbe integrálja, mint az MS Office, a Google Docs és a Notion. A felhasználók hozzáférhetnek terméke intelligenciájához és hatékonyságához anélkül, hogy elhagynák digitális „otthonuk” kényelmét. Így minimálisra csökkenti azt az erőfeszítést, amelyet a felhasználóknak meg kell tenniük, hogy megtapasztalják a termék értékét, és továbbra is használhassák azt, ami viszont elősegíti a felhasználók megszerzését és elfogadását.

A mesterséges intelligencia egyes előnyei – például a hatékonyság – közvetlenül számszerűsíthetők a megtérülés szempontjából. A kevésbé kézzelfogható előnyök, például a kényelem és az élvezet érdekében olyan proxymutatókra kell gondolnia, mint a felhasználói elégedettség. Ne feledje, hogy a végfelhasználói értékben való gondolkodás nemcsak megszünteti a szakadékot a felhasználók és a terméke között. Örvendetes mellékhatásként csökkentheti a nyilvános kommunikáció technikai részleteit. Ezzel elkerülheti, hogy véletlenül nem kívánt versenytársakat hívjon meg a buliba.

Végül, az érték egyik alapvető szempontja, amelyet már korán figyelembe kell vennie, a fenntarthatóság. Milyen hatással van megoldása a társadalomra és a környezetre? Példánkban az automatizált vagy kiterjesztett tartalomgenerálás kiszoríthatja és megszüntetheti a nagyszabású emberi munkaterhelést. Valószínűleg nem szeretnél egy egész munkakategória leendő gyilkosaként ismertté válni – elvégre ez nem csak etikai kérdéseket vet fel, hanem ellenállást is vált ki azon felhasználók részéről, akiknek az állását veszélyezteted. Gondolja át, hogyan kezelheti ezeket a félelmeket. Például oktathatja a felhasználókat arról, hogyan használhatják fel hatékonyan új szabadidejüket még kifinomultabb marketingstratégiák kidolgozására. Ezek még akkor is védhető árkot biztosítanak, amikor a többi versenytárs utoléri az automatizált tartalomgenerálást.

3. Adat

Bármilyen mesterséges intelligencia és gépi tanulás esetén össze kell gyűjtenie és elő kell készítenie az adatokat, hogy azok tükrözzék a valós bemeneteket, és elegendő tanulási jelet biztosítsanak a modell számára. Napjainkban az adatközpontú mesterséges intelligencia irányába mutató tendenciát látunk – egy olyan mesterséges intelligencia filozófiát, amely eltávolodik a modellek végtelen finomításától és optimalizálásától, és a modellekbe betáplált adatok számos problémájának megoldására összpontosít. Amikor elkezdi, különböző módokon juthat hozzá egy tisztességes adatkészlethez:

• Tudod meglévő adatkészletet használjon. Ez lehet egy szabványos gépi tanulási adatkészlet vagy egy eltérő kezdeti célú adatkészlet, amelyet a feladatához igazít. Van néhány klasszikus adatkészlet, mint például a IMDB Movie Reviews Dataset a hangulatelemzéshez és a MNIST adatkészlet kézzel írt karakterfelismeréshez. Vannak egzotikusabb és izgalmasabb alternatívák, mint pl Illegális halászat fogása és a A kutyafajta azonosítása, és számtalan, felhasználó által összeállított adatkészlet olyan adatközpontokon, mint a Kaggle. Meglehetősen kicsi az esélye annak, hogy olyan adatkészletet talál, amely az Ön konkrét feladatára készült, és teljesen kielégíti az Ön igényeit, és a legtöbb esetben más módszereket is kell használnia az adatok gazdagításához.
• Tudod megjegyzésekkel vagy manuálisan hozza létre az adatokat a megfelelő tanulási jelek létrehozásához. A kézi adatannotáció – például a szövegek érzelmi pontszámokkal történő megjegyzése – a gépi tanulás korai napjaiban használt módszer volt. A közelmúltban ismét felkeltette a figyelmet, mint a ChatGPT titkos szószának fő összetevője. Hatalmas manuális erőfeszítést fordítottak a modell válaszainak létrehozására és rangsorolására, hogy az tükrözze az emberi preferenciákat. Ezt a technikát RLHF-nek (Reforcement Learning from Human Feedback) is nevezik. Ha rendelkezik a szükséges erőforrásokkal, akkor azokat felhasználhatja minőségi adatok létrehozására specifikusabb feladatokhoz, például marketingtartalom generálásához. Az annotáció történhet belsőleg vagy külső szolgáltató vagy közösségi szolgáltató, például az Amazon Mechanical Turk segítségével. Mindenesetre a legtöbb vállalat nem akarja az RLHF adatok manuális létrehozásához szükséges hatalmas erőforrásokat elkölteni, és megfontol néhány trükköt adatai létrehozásának automatizálására.
• Így további példákat adhat egy meglévő adatkészlethez a használatával adatbővítés. Az egyszerűbb feladatoknál, mint például a hangulatelemzés, további zajt vihet be a szövegekbe, pár szót válthat fel, stb. A nyitottabb generációs feladatoknál jelenleg nagy a lelkesedés a nagy modellek (pl. alapmodellek) automatizáláshoz való használata iránt. képzési adatok generálása. Miután megtalálta a legjobb módszert az adatok bővítésére, könnyen méretezheti azt, hogy elérje a szükséges adatkészlet-méretet.

Az adatok létrehozásakor a minőség és a mennyiség kompromisszumával kell szembenéznie. Manuálisan kevesebb adatot jegyezhet fel jó minőségben, vagy költheti költségvetését olyan automatizált adatbővítési hackekre és trükkökre, amelyek további zajt okoznak. Ha a kézi megjegyzéseket választja, megteheti belsőleg, és kialakíthatja a részletek és a minőség kultúráját, vagy a munkát anonim emberekre bízhatja. A közösségi források minősége általában gyengébb, ezért előfordulhat, hogy több megjegyzést kell írnia a zaj kompenzálásához. Hogyan találja meg az ideális egyensúlyt? Itt nincsenek kész receptek – végső soron megtalálhatja az ideális adatösszetételt azáltal, hogy folyamatosan oda-vissza jár a képzés és az adatok bővítése között. Általánosságban elmondható, hogy egy modell előzetes betanítása során a nulláról kell tudást szereznie, ami csak nagyobb mennyiségű adat esetén történhet meg. Másrészt, ha egy meglévő nagy modellt szeretne finomhangolni és a specializáció utolsó simításait megadni, akkor a minőséget a mennyiség helyett értékelheti. Ebben az esetben az optimális megoldás lehet egy kis adathalmaz ellenőrzött kézi megjegyzése részletes irányelvek alapján.

4. algoritmus

Az adatok az a nyersanyag, amelyből a modell tanulni fog, és remélhetőleg reprezentatív, jó minőségű adatkészletet állíthat össze. Az algoritmusban rejlik a mesterséges intelligencia rendszerének tényleges szuperereje – a meglévő adatokból való tanulás és az új adatokra történő általánosítás képessége. Az AI alapmodelljeit tekintve három fő lehetőség közül választhat:

• Meglévő modell kérése. A GPT-család fejlett LLM-jei (nagy nyelvi modellek), például a ChatGPT és a GPT-4, valamint más szolgáltatóktól, például az Anthropic és az AI21 Labs-tól elérhetők az API-n keresztüli következtetésekhez. A felszólítással közvetlenül beszélhet ezekkel a modellekkel, beleértve a promptban a feladathoz szükséges összes tartomány- és feladatspecifikus információt. Ez tartalmazhat konkrét használandó tartalmat, példákat analóg feladatokra (néhány lépéses felszólítás), valamint a követendő modellre vonatkozó utasításokat. Például, ha felhasználója egy új termékfunkcióról szeretne blogbejegyzést készíteni, megkérheti őket, hogy adjanak meg néhány alapvető információt a funkcióról, például annak előnyeiről és használati eseteiről, a használat módjáról, a bevezetés dátumáról stb. A termék ezután kitölti ezt az információt egy gondosan kialakított prompt sablonba, és megkéri az LLM-et, hogy hozza létre a szöveget. A felszólítás nagyszerű az előre kiképzett modellek beindításához. A felszólítással megépíthető vizesárok azonban idővel gyorsan elvékonyodik – középtávon védhetőbb modellstratégiára van szüksége a versenyelőny fenntartásához.
• Finomhangoljon egy előre betanított modellt. Ez a megközelítés az AI-t olyan népszerűvé tette az elmúlt években. Ahogy egyre több előre betanított modell válik elérhetővé, és az olyan portálok, mint a Huggingface modelltárolókat, valamint szabványos kódot kínálnak a modellekkel való együttműködéshez, a finomhangolás válik a kipróbálandó és megvalósítandó módszerré. Amikor egy előre betanított modellel dolgozik, profitálhat abból a befektetésből, amelyet valaki már befektetett a modell adataiba, betanításába és értékelésébe, amely már sok mindent „tud” a nyelvről és a világról. Mindössze annyit kell tennie, hogy finomhangolnia kell a modellt egy feladatspecifikus adatkészlet segítségével, amely sokkal kisebb lehet, mint az eredetileg az előképzéshez használt adatkészlet. Például marketingtartalom-generáláshoz összegyűjthet olyan blogbejegyzéseket, amelyek jól teljesítettek az elköteleződés szempontjából, és visszafejtheti ezekhez az utasításokat. Ezekből az adatokból a modell megismeri a sikeres cikkek szerkezetét, folyamatát és stílusát. Nyílt forráskódú modellek használatakor a finomhangolás a járható út, de az LLM API-szolgáltatók, például az OpenAI és a Cohere is egyre gyakrabban kínálnak finomhangolási funkciókat. Különösen a nyílt forráskódú pálya esetében továbbra is figyelembe kell vennie a modellválasztás kérdéseit, a képzés és a nagyobb modellek üzembe helyezésének általános költségeit, valamint a modell karbantartási és frissítési ütemezését.
• Tanítsd az ML modelledet a semmiből. Általánosságban elmondható, hogy ez a megközelítés jól működik az egyszerűbb, de nagyon specifikus problémák esetén, amelyekhez speciális know-how vagy megfelelő adatkészletek állnak rendelkezésre. A tartalom generálása nem tartozik pontosan ebbe a kategóriába – fejlett nyelvi képességekre van szükség ahhoz, hogy elinduljon a talajon, és ezeket csak nevetségesen nagy mennyiségű adattal kapcsolatos képzés után lehet megszerezni. Az egyszerűbb problémák, mint például a hangulatelemzés egy adott szövegtípus esetében, gyakran megoldhatók olyan bevált gépi tanulási módszerekkel, mint a logisztikus regresszió, amelyek számításilag olcsóbbak, mint a divatos mély tanulási módszerek. Természetesen ott van az ésszerűen összetett problémák középútja is, mint például a fogalmak kinyerése bizonyos tartományokhoz, amelyek esetében érdemes megfontolni egy mély neurális hálózat kiképzését a semmiből.

A gépi tanulás sikeres használatához a képzésen túl az értékelés is elsődleges fontosságú. A megfelelő értékelési mutatók és módszerek nemcsak az AI-funkciók magabiztos elindításához fontosak, hanem egyértelmű célpontként is szolgálnak a további optimalizáláshoz, valamint közös alapként szolgálnak a belső megbeszélésekhez és döntésekhez. Míg az olyan technikai mutatók, mint a precizitás, a felidézés és a pontosság jó kiindulópontot jelenthetnek, végső soron olyan mutatókat kell keresnie, amelyek tükrözik azt a valós értéket, amelyet a mesterséges intelligencia a felhasználók számára nyújt.

5. Felhasználói élmény

Az AI-termékek felhasználói élménye lebilincselő téma – elvégre a felhasználók nagy reményeket fűznek, de félnek is egy olyan mesterséges intelligenciával való „partnerségtől”, amely túltöltheti és potenciálisan túlszárnyalhatja intelligenciájukat. Ennek az ember-AI partnerségnek a kialakítása átgondolt és ésszerű felfedezést és tervezési folyamatot igényel. Az egyik legfontosabb szempont az automatizálás mértéke, amelyet a termékével biztosítani kíván – és ne feledje, a teljes automatizálás messze nem mindig az ideális megoldás. Az alábbi ábra szemlélteti az automatizálási kontinuumot:

Nézzük meg az egyes szinteket:

• Az első szakaszban az emberek végzik el az összes munkát, és nem történik automatizálás. A mesterséges intelligencia körüli felhajtás ellenére a legtöbb tudásintenzív feladatot a modern vállalatok még mindig ezen a szinten végzik, ami hatalmas lehetőségeket kínál az automatizálásra. Például itt dolgozik az a tartalomíró, aki ellenáll az AI-vezérelt eszközöknek, és meg van győződve arról, hogy az írás erősen manuális és egyedi mesterség.
• Az asszisztált mesterségesintelligencia második szakaszában a felhasználók teljes ellenőrzést gyakorolhatnak a feladatok végrehajtása felett, és a munka nagy részét manuálisan végzik el, de az AI-eszközök segítenek nekik időt takarítani és kompenzálni gyenge pontjaikat. Például, ha szoros határidővel írunk egy blogbejegyzést, egy végső nyelvi ellenőrzés a Grammarly-val vagy egy hasonló eszközzel üdvözlendő időmegtakarítást jelenthet. Kiküszöbölheti a kézi átdolgozást, amely sok szűkös időt és figyelmet igényel, és még mindig hibákat és figyelmen kívül hagyást okozhat – elvégre tévedni emberi dolog.
• A kibővített intelligenciával az AI olyan partner, amely növeli az emberi intelligenciát, és így mindkét világ erősségeit kiaknázza. A támogatott mesterségesintelligencia-technológiához képest a gépnek sokkal több mondanivalója van a folyamatban, és több felelősséget is lefed, mint például a piszkozatok ötletelése, generálása és szerkesztése, valamint a végső nyelvi ellenőrzés. A felhasználóknak továbbra is részt kell venniük a munkában, döntéseket kell hozniuk és végre kell hajtaniuk a feladat egyes részeit. A felhasználói felületnek egyértelműen jeleznie kell az ember és a mesterséges intelligencia közötti munkaerő-eloszlást, ki kell emelnie a hibalehetőségeket, és átláthatóságot kell biztosítania az elvégzett lépésekről. Röviden: a „kibővített” élmény iteráción és finomításon keresztül elvezeti a felhasználókat a kívánt eredményhez.
• Végül pedig teljes automatizálással rendelkezünk – ez egy érdekes ötlet a mesterséges intelligencia geekek, filozófusok és szakértők számára, de gyakran nem az optimális választás a valós termékekhez. A teljes automatizálás azt jelenti, hogy egyetlen „nagy piros gombot” kínál, amely elindítja a folyamatot. A mesterséges intelligencia befejezése után a felhasználók szembesülnek a végső kimenettel, és vagy elveszik, vagy elhagyják. Bármit, ami közben történt, nem tudják ellenőrizni. Ahogy el tudja képzelni, az UX lehetőségek itt meglehetősen korlátozottak, mivel gyakorlatilag nincs interaktivitás. A sikerért vállalt felelősség nagy része az Ön műszaki kollégáinak vállán nyugszik, akiknek gondoskodniuk kell a kiemelkedően magas minőségi teljesítményről.

Az AI termékek különleges bánásmódot igényelnek a tervezés során. A szabványos grafikus felületek determinisztikusak, és lehetővé teszik, hogy előre láthassa a felhasználó összes lehetséges útját. Ezzel szemben a nagy mesterséges intelligencia modellek valószínűségiek és bizonytalanok – egy sor elképesztő képességet, de olyan kockázatokat is feltárnak, mint a mérgező, rossz és káros kimenet. Kívülről a mesterséges intelligencia felülete egyszerűnek tűnhet, mivel a termék sok funkciója közvetlenül a modellben található. Például egy LLM képes értelmezni a felszólításokat, szöveget készíteni, információkat keresni, összefoglalni, bizonyos stílust és terminológiát alkalmazni, utasításokat végrehajtani stb. Még ha a felhasználói felület egy egyszerű csevegési vagy felszólító felület is, ne hagyja figyelmen kívül ezt a lehetőséget. — ahhoz, hogy a felhasználókat sikerre vigye, határozottnak és reálisnak kell lennie. Ismertesse meg a felhasználókkal az AI-modellek képességeit és korlátait, tegye lehetővé számukra, hogy könnyen felfedezzék és kijavítsák a mesterséges intelligencia által okozott hibákat, és tanítsa meg őket az optimális kimenetek megismétlésére. A bizalom, az átláthatóság és a felhasználói oktatás hangsúlyozásával arra késztetheti felhasználóit, hogy együttműködjenek az AI-val. Noha az MI-tervezés feltörekvő tudományának mélyreható elmélyülése nem tartozik ennek a cikknek a körébe, határozottan arra bátorítom, hogy ne csak más mesterségesintelligencia-vállalatoktól, hanem a tervezés más területeitől is keressen ihletet, például az ember-gép interakcióban. Hamarosan azonosítani fog egy sor visszatérő tervezési mintát, például automatikus kiegészítést, prompt javaslatokat és mesterséges intelligencia megjegyzéseket, amelyeket integrálhat saját felületébe, hogy a legtöbbet hozza ki adataiból és modelljeiből.

Ezen túlmenően egy igazán nagyszerű dizájn megvalósításához új tervezési készségekkel kell bővítenie csapatát. Például, ha egy chat-alkalmazást épít a marketingtartalom finomítására, akkor egy társalgási tervezővel fog dolgozni, aki gondoskodik a beszélgetési folyamatokról és a chatbot „személyiségéről”. Ha egy gazdag bővített terméket épít, amelynek alaposan fel kell tanítania és el kell vezetnie a felhasználókat a rendelkezésre álló lehetőségeken, egy tartalomtervező segíthet a megfelelő információs architektúra felépítésében, és a megfelelő mennyiségű bökkenőt és felszólítást adhat a felhasználóknak.

És végül légy nyitott a meglepetésekre. Az AI-tervezés arra késztetheti, hogy újragondolja a felhasználói élményről alkotott eredeti elképzeléseit. Például sok UX-tervező és termékmenedzser arra törekedett, hogy minimálisra csökkentsék a késleltetést és a súrlódást, hogy simábbá tegyék a felhasználói élményt. Nos, az AI-termékekben szüneteltetheti ezt a harcot, és mindkettőt a maga javára fordíthatja. A várakozási idő és a várakozási idő kiválóan alkalmas a felhasználók oktatására, például azáltal, hogy elmagyarázza, mit csinál az AI jelenleg, és jelezze a lehetséges következő lépéseket az oldalukon. A szünetek, mint például a párbeszédpanelek és az értesítési előugró ablakok, súrlódásokat okozhatnak, hogy megerősítsék az ember és a mesterséges intelligencia közötti partnerséget, és növeljék a felhasználók számára az átláthatóságot és az ellenőrzést.

6. Nem funkcionális követelmények

Az adatokon, az algoritmuson és az UX-en túl, amelyek lehetővé teszik egy adott funkcionalitás megvalósítását, úgynevezett nem funkcionális követelmények (NFR-ek), mint például a pontosság, késleltetés, skálázhatóság, megbízhatóság és adatkezelés biztosítják, hogy a felhasználó valóban megkapja az elképzelt értéket. Az NFR-ek koncepciója a szoftverfejlesztésből származik, de még nem veszik szisztematikusan figyelembe a mesterséges intelligencia területén. Ezek a követelmények gyakran ad hoc módon merülnek fel, amikor felmerülnek a felhasználói kutatás, ötletelés, fejlesztés és az AI-képességek működtetése során.

Meg kell próbálnia megérteni és meghatározni az NFR-eit a lehető legkorábban, mivel a különböző NFR-ek életre kelnek az utazás különböző pontjain. Például az adatvédelmet az adatkiválasztás legelső lépésétől kezdve figyelembe kell venni. A pontosság a legérzékenyebb a gyártási szakaszban, amikor a felhasználók elkezdik online használni a rendszert, ami váratlan bevitelekkel terhelheti meg. A skálázhatóság egy stratégiai szempont, amely akkor jön szóba, amikor vállalkozása méretezi a felhasználók és/vagy kérések számát vagy a kínált funkciók spektrumát.

Ami az NFR-eket illeti, nem rendelkezhet mindegyikkel. Íme néhány tipikus kompromisszum, amelyet egyensúlyba kell hoznia:

• Az egyik első módszer a pontosság növelésére egy nagyobb modell használata, ami befolyásolja a késleltetést.
• A termelési adatok „ahogy vannak” felhasználása a további optimalizálás érdekében a legjobb a tanuláshoz, de sértheti az adatvédelmi és anonimizálási szabályokat.
• A jobban skálázható modellek generalisták, ami befolyásolja pontosságukat a vállalat- vagy felhasználó-specifikus feladatoknál.

Az, hogy hogyan rangsorolja a különböző követelményeket, a rendelkezésre álló számítási erőforrásoktól, az Ön UX-koncepciójától, beleértve az automatizálás mértékétől, és az AI által támogatott döntések hatásától függ.

Legfontosabb elvitel

1. Kezdje a végét szem előtt tartva: Ne feltételezze, hogy a technológia önmagában elvégzi a munkát; világos ütemtervre van szüksége a mesterséges intelligencia integrálásához a felhasználóbarát termékbe, valamint a felhasználók oktatásához annak előnyeiről, kockázatairól és korlátairól.
2. Piaci összehangolás: A piaci lehetőségek és az ügyfelek igényeinek prioritása az AI fejlesztésének irányításához. Ne rohanjon el a hype által vezérelt és piaci oldali érvényesítés nélküli AI-megvalósításokkal.
3. Felhasználói érték: Határozza meg, számszerűsítse és kommunikálja az AI-termékek értékét a hatékonyság, a személyre szabottság, a kényelem és más értékdimenziók tekintetében.
4. Adat minőség: Összpontosítson az adatok minőségére és relevanciájára az AI-modellek hatékony képzése érdekében. Próbáljon kicsi, jó minőségű adatokat használni a finomhangoláshoz, és nagyobb adatkészleteket az alapoktól való edzéshez.
5. Algoritmus/modell kiválasztása: Válassza ki a megfelelő komplexitási és védhetőségi szintet (felszólítás, finomhangolás, a semmiből való képzés), és gondosan értékelje a teljesítményét. Idővel, amikor megszerzi a szükséges szakértelmet és magabiztosságot a terméke iránt, érdemes lehet fejlettebb modellstratégiákra váltani.
6. Felhasználó-központú kialakítás: Az AI-termékek tervezése a felhasználói igények és érzelmek figyelembevételével, egyensúlyban tartva az automatizálást és a felhasználói vezérlést. Ügyeljen a valószínűségi mesterséges intelligencia modellek „kiszámíthatatlanságára”, és irányítsa a felhasználókat, hogy dolgozzanak vele, és hasznot húzzanak belőle.
7. Együttműködő tervezés: A bizalom, az átláthatóság és a felhasználói oktatás hangsúlyozásával ráveheti a felhasználókat, hogy együttműködjenek az AI-val.
8. Nem funkcionális követelmények: A fejlesztés során vegye figyelembe az olyan tényezőket, mint a pontosság, késleltetés, méretezhetőség és megbízhatóság, és próbálja meg már korán felmérni az ezek közötti kompromisszumot.
9. Együttműködés: Fokozzon szoros együttműködést az AI-szakértők, tervezők, termékmenedzserek és más csapattagok között, hogy hasznot húzzon a több tudományágat átfogó intelligencia előnyeiből, és sikeresen integrálhassa mesterséges intelligenciáját.

Referenciák

[1] Teresa Torres (2021). Folyamatos felfedezési szokások: Fedezzen fel olyan termékeket, amelyek vásárlói és üzleti értéket teremtenek.

[2] Orbit Media (2022). Új blogstatisztika: milyen tartalomstratégiák működnek 2022-ben? 1016 bloggert kérdeztünk.

[3] Don Norman (2013). A mindennapi dolgok tervezése.

[4] Google, Gartner és Motista (2013). A promóciótól az érzelemig: a B2B ügyfelek összekapcsolása a márkákkal.

Megjegyzés: Minden kép a szerzőtől származik.

Ezt a cikket eredetileg közzétették Az adattudomány felé és a szerző engedélyével újra közzétesszük a TOPBOTS-nál.

Tetszett ez a cikk? Iratkozzon fel további AI-kutatási frissítésekért.

Értesíteni fogunk, ha több ehhez hasonló összefoglaló cikket adunk ki.

Összefüggő

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• ChartPrime. Emelje fel kereskedési játékát a ChartPrime segítségével. Hozzáférés itt.
• BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
• Forrás: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/