Costruire prodotti di intelligenza artificiale con un modello mentale olistico

Nota: questo articolo è il primo di una serie intitolata "Dissezione delle applicazioni AI", che introduce un modello mentale per i sistemi di intelligenza artificiale. Il modello funge da strumento per la discussione, la pianificazione e la definizione di prodotti di intelligenza artificiale da parte di team interdisciplinari di intelligenza artificiale e di prodotto, nonché per l'allineamento con il dipartimento aziendale. Ha lo scopo di riunire le prospettive di product manager, progettisti UX, data scientist, ingegneri e altri membri del team. In questo articolo presenterò il modello mentale, mentre gli articoli futuri dimostreranno come applicarlo a specifici prodotti e funzionalità di intelligenza artificiale.

Spesso le aziende presumono che tutto ciò di cui hanno bisogno per includere l’intelligenza artificiale nella loro offerta sia assumere esperti di intelligenza artificiale e lasciare che siano loro a svolgere la magia tecnica. Questo approccio li porta direttamente all’errore dell’integrazione: anche se questi esperti e ingegneri producono modelli e algoritmi eccezionali, i loro risultati spesso rimangono bloccati al livello di parchi giochi, sandbox e demo, e non diventano mai parti a pieno titolo di un prodotto. Nel corso degli anni, ho riscontrato una grande frustrazione da parte di data scientist e ingegneri le cui implementazioni di intelligenza artificiale tecnicamente eccezionali non sono riuscite a trovare la loro strada nei prodotti rivolti agli utenti. Piuttosto, avevano lo status onorevole di esperimenti all’avanguardia che davano alle parti interessate interne l’impressione di cavalcare l’onda dell’intelligenza artificiale. Ora, con l’onnipresente proliferazione dell’intelligenza artificiale dopo la pubblicazione di ChatGPT nel 2022, le aziende non possono più permettersi di utilizzare l’intelligenza artificiale come “faro” per mostrare il proprio acume tecnologico.

Perché è così difficile integrare l’intelligenza artificiale? Ci sono un paio di ragioni:

• Spesso i team si concentrano su un singolo aspetto di un sistema di intelligenza artificiale. Ciò ha persino portato all’emergere di campi separati, come l’IA incentrata sui dati, incentrata sul modello e incentrata sull’uomo. Sebbene ciascuno di essi offra prospettive entusiasmanti per la ricerca, un prodotto reale deve combinare i dati, il modello e l’interazione uomo-macchina in un sistema coerente.
• Lo sviluppo dell’intelligenza artificiale è un’impresa altamente collaborativa. Nello sviluppo software tradizionale, si lavora con una dicotomia relativamente chiara composta dai componenti backend e frontend. Nell'intelligenza artificiale, non solo dovrai aggiungere ruoli e competenze più diversificati al tuo team, ma anche garantire una più stretta cooperazione tra le diverse parti. I diversi componenti del tuo sistema di intelligenza artificiale interagiranno tra loro in modo intimo. Ad esempio, se stai lavorando su un assistente virtuale, i tuoi progettisti UX dovranno comprendere il prompt engineering per creare un flusso di utenti naturale. I tuoi annotatori di dati devono essere consapevoli del tuo marchio e dei "tratti caratteriali" del tuo assistente virtuale per creare dati di formazione coerenti e allineati con il tuo posizionamento, mentre il tuo product manager deve comprendere ed esaminare l'architettura della pipeline di dati per garantire soddisfa le preoccupazioni di governance dei tuoi utenti.
• Quando costruiscono l’intelligenza artificiale, le aziende spesso sottovalutano l’importanza del design. Mentre l’intelligenza artificiale inizia nel backend, un buon design è indispensabile per farlo brillare nella produzione. La progettazione dell'intelligenza artificiale spinge i confini della UX tradizionale. Molte delle funzionalità che offri non sono di per sé visibili nell'interfaccia, ma "nascoste" nel modello e devi educare e guidare i tuoi utenti a massimizzare questi vantaggi. Inoltre, i modelli fondamentali moderni sono cose assurde che possono produrre risultati tossici, sbagliati e dannosi, quindi verranno creati ulteriori guardrail per ridurre questi rischi. Tutto ciò potrebbe richiedere nuove competenze nel tuo team, come l'ingegneria tempestiva e la progettazione conversazionale. A volte significa anche fare cose controintuitive, come sottovalutare il valore per gestire le aspettative degli utenti e aggiungere attrito per dare loro maggiore controllo e trasparenza.
• L’hype sull’intelligenza artificiale crea pressione. Molte aziende mettono il carro davanti ai buoi lanciandosi in implementazioni che non sono convalidate dalle esigenze del cliente e del mercato. Di tanto in tanto, lanciare la parola d'ordine dell'intelligenza artificiale può aiutarti a commercializzare e posizionarti come un'azienda progressista e innovativa, ma a lungo termine dovrai sostenere il tuo interesse e la sperimentazione di opportunità reali. Ciò può essere raggiunto con uno stretto coordinamento tra business e tecnologia, che si basa su una mappatura esplicita delle opportunità di mercato rispetto ai potenziali tecnologici.

In questo articolo costruiremo un modello mentale per i sistemi di intelligenza artificiale che integri questi diversi aspetti (cfr. figura 1). Incoraggia i costruttori a pensare in modo olistico, a creare una chiara comprensione del loro prodotto target e ad aggiornarlo con nuove intuizioni e input lungo il percorso. Il modello può essere utilizzato come strumento per facilitare la collaborazione, allineare le diverse prospettive all’interno e all’esterno del team AI e creare prodotti di successo basati su una visione condivisa. Può essere applicato non solo a nuovi prodotti basati sull’intelligenza artificiale, ma anche a funzionalità di intelligenza artificiale incorporate in prodotti esistenti.

Le sezioni seguenti descriveranno brevemente ciascuno dei componenti, concentrandosi sulle parti specifiche dei prodotti AI. Inizieremo con la prospettiva di business – l’opportunità sul lato del mercato e il valore – per poi approfondire l’UX e la tecnologia. Per illustrare il modello, utilizzeremo l'esempio corrente di un copilota per la generazione di contenuti di marketing.

Se questo contenuto educativo approfondito è utile per te, puoi farlo iscriviti alla nostra mailing list di ricerca sull'IA per essere avvisato quando rilasciamo nuovo materiale. 

1. Opportunità

Con tutte le cose interessanti che ora puoi fare con l'intelligenza artificiale, potresti essere impaziente di sporcarti le mani e iniziare a costruire. Tuttavia, per creare qualcosa di cui i tuoi utenti hanno bisogno e che amano, dovresti supportare il tuo sviluppo con un'opportunità di mercato. Nel mondo ideale, le opportunità ci arrivano dai clienti che ci dicono di cosa hanno bisogno o cosa desiderano.[1] Questi possono essere bisogni insoddisfatti, punti deboli o desideri. Puoi cercare queste informazioni nei feedback dei clienti esistenti, ad esempio nelle recensioni dei prodotti e nelle note dei team di vendita e di successo. Inoltre, non dimenticare te stesso come potenziale utente del tuo prodotto: se stai affrontando un problema che hai riscontrato tu stesso, questo vantaggio informativo è un ulteriore vantaggio. Oltre a ciò, puoi anche condurre ricerche proattive sui clienti utilizzando strumenti come sondaggi e interviste.

Ad esempio, non ho bisogno di guardare troppo lontano per vedere le difficoltà del content marketing per le startup, ma anche per le aziende più grandi. L'ho sperimentato io stesso: man mano che la concorrenza cresce, sviluppare una leadership di pensiero con contenuti individuali, regolari e (!) di alta qualità diventa sempre più importante per la differenziazione. Nel frattempo, con un team piccolo e impegnato, ci saranno sempre cose sul tavolo che sembreranno più importanti che scrivere il post sul blog della settimana. Inoltre incontro spesso persone nella mia rete che hanno difficoltà a impostare una routine di content marketing coerente. Queste osservazioni “locali”, potenzialmente distorte, possono essere convalidate da sondaggi che vanno oltre la propria rete e confermano un mercato più ampio per una soluzione.

Il mondo reale è leggermente più confuso e non sempre i clienti verranno da te per presentarti opportunità nuove e ben formulate. Piuttosto, se tendi le antenne, le opportunità ti raggiungeranno da molte direzioni, come ad esempio:

• Posizionamento sul mercato: L'intelligenza artificiale è di tendenza: per le aziende affermate, può essere utilizzata per rafforzare l'immagine di un'azienda come innovativa, high-tech, a prova di futuro, ecc. Ad esempio, può elevare un'agenzia di marketing esistente a un servizio basato sull'intelligenza artificiale e differenziarlo dai concorrenti. Tuttavia, non fare intelligenza artificiale per il bene dell'intelligenza artificiale. Il trucco del posizionamento deve essere applicato con cautela e in combinazione con altre opportunità, altrimenti si rischia di perdere credibilità.
• concorrenti: Quando i tuoi concorrenti fanno una mossa, è probabile che abbiano già effettuato la ricerca e la convalida di base. Guardateli dopo un po' di tempo: il loro sviluppo ha avuto successo? Utilizza queste informazioni per ottimizzare la tua soluzione, adottare le parti vincenti e correggere gli errori. Ad esempio, supponiamo che tu stia osservando un concorrente che offre un servizio per la generazione completamente automatizzata di contenuti di marketing. Gli utenti fanno clic su un “grande pulsante rosso” e l’intelligenza artificiale va avanti per scrivere e pubblicare il contenuto. Dopo alcune ricerche, apprendi che gli utenti esitano a utilizzare questo prodotto perché desiderano mantenere un maggiore controllo sul processo e contribuire con la propria esperienza e personalità alla scrittura. Dopotutto, scrivere riguarda anche l’espressione di sé e la creatività individuale. Questo è il momento per te di andare avanti con uno strumento versatile che offre funzionalità e configurazioni avanzate per dare forma ai tuoi contenuti. Aumenta l’efficienza degli utenti consentendo loro di “inserirsi” nel processo ogni volta che lo desiderano.
• normativa: i megatrend come la rivoluzione tecnologica e la globalizzazione costringono le autorità di regolamentazione a inasprire i propri requisiti. Le normative creano pressione e rappresentano una fonte di opportunità a prova di proiettile. Ad esempio, immagina che entri in vigore un regolamento che richieda rigorosamente a tutti di pubblicizzare i contenuti generati dall’intelligenza artificiale come tali. Quelle aziende che già utilizzano strumenti per la generazione di contenuti basati sull’intelligenza artificiale scompariranno per le discussioni interne sull’opportunità o meno di farlo. Molti di loro si asterranno perché vogliono mantenere un’immagine di genuina leadership di pensiero, invece di produrre standard visibilmente generati dall’intelligenza artificiale. Diciamo che sei stato intelligente e hai optato per una soluzione aumentata che dia agli utenti un controllo sufficiente in modo che possano rimanere gli “autori” ufficiali dei testi. Con l’introduzione della nuova restrizione, sei immune e puoi correre avanti per trarre vantaggio dalla regolamentazione, mentre i tuoi concorrenti con soluzioni completamente automatizzate avranno bisogno di tempo per riprendersi dalla battuta d’arresto.
• Tecnologie abilitanti: le tecnologie emergenti e i progressi significativi nelle tecnologie esistenti, come l’ondata di intelligenza artificiale generativa nel 2022-23, possono aprire nuovi modi di fare le cose o catapultare le applicazioni esistenti a un nuovo livello. Supponiamo che tu abbia gestito un'agenzia di marketing tradizionale negli ultimi dieci anni. Ora puoi iniziare a introdurre hack e soluzioni di intelligenza artificiale nella tua azienda per aumentare l'efficienza dei tuoi dipendenti, servire più clienti con le risorse esistenti e aumentare i tuoi profitti. Stai costruendo sulla tua esperienza esistente, reputazione e base di clienti (si spera di buona volontà), quindi introdurre miglioramenti dell'intelligenza artificiale può essere molto più agevole e meno rischioso di quanto lo sarebbe per un nuovo arrivato.

Infine, nel mondo dei prodotti moderni, le opportunità sono spesso meno esplicite e formali e possono essere convalidate direttamente negli esperimenti, il che accelera lo sviluppo. Pertanto, nella crescita guidata dal prodotto, i membri del team possono avanzare le proprie ipotesi senza una rigorosa argomentazione basata sui dati. Queste ipotesi possono essere formulate in modo frammentario, come la modifica di un prompt o il cambiamento del layout locale di alcuni elementi UX, il che le rende facili da implementare, distribuire e testare. Rimuovendo la pressione per fornire a priori dati per ogni nuovo suggerimento, questo approccio sfrutta le intuizioni e l'immaginazione di tutti i membri del team imponendo al contempo una convalida diretta dei suggerimenti. Diciamo che la generazione dei tuoi contenuti funziona senza intoppi, ma senti sempre più lamentele riguardo a una generale mancanza di trasparenza e spiegabilità dell'IA. Decidi di implementare un ulteriore livello di trasparenza e di mostrare ai tuoi utenti i documenti specifici utilizzati per generare un contenuto. Il tuo team mette alla prova la funzionalità con un gruppo di utenti e scopre che sono felici di utilizzarla per risalire alle fonti di informazione originali. Pertanto, decidi di inserirlo nel prodotto principale per aumentare l'utilizzo e la soddisfazione.

2. Valore

Per comprendere e comunicare il valore del tuo prodotto o funzionalità AI, devi prima associarlo a un caso d'uso (un problema aziendale specifico che risolverà) e calcolare il ROI (ritorno sull'investimento). Ciò ti costringe a spostare la mente dalla tecnologia e concentrarti sui vantaggi della soluzione dal lato utente. Il ROI può essere misurato lungo diverse dimensioni. Per l'intelligenza artificiale, alcuni di essi sono:

• Maggiore efficienza: L’intelligenza artificiale può stimolare la produttività di individui, team e intere aziende. Ad esempio, per la generazione di contenuti, potresti scoprire che invece delle 4-5 ore normalmente necessarie per scrivere un post sul blog [2], ora puoi farlo in 1-2 ore e dedicare il tempo risparmiato ad altre attività. I miglioramenti in termini di efficienza spesso vanno di pari passo con il risparmio sui costi, poiché è necessario meno sforzo umano per eseguire la stessa quantità di lavoro. Pertanto, nel contesto aziendale, questo vantaggio è attraente sia per gli utenti che per la leadership.
• Un'esperienza più personalizzata: ad esempio, il tuo strumento di generazione di contenuti può chiedere agli utenti di impostare parametri della loro azienda come attributi del marchio, terminologia, vantaggi del prodotto, ecc. Inoltre, può tenere traccia delle modifiche apportate da uno scrittore specifico e adattare le sue generazioni alla scrittura unica stile di questo utente nel tempo.
• Divertimento e piacere: Qui entriamo nel lato emotivo dell'uso del prodotto, chiamato anche livello “viscerale” da Don Norman [3]. Nel campo B2C esistono intere categorie di prodotti per il divertimento e l'intrattenimento, come i giochi e la realtà aumentata. Che dire del B2B: non daresti per scontato che i prodotti B2B esistano in uno sterile vuoto professionale? In realtà, questa categoria può generare risposte emotive ancora più forti rispetto al B2C.[4] Ad esempio, la scrittura può essere percepita come un atto soddisfacente di autoespressione o come una lotta interiore contro il blocco dello scrittore e altri problemi. Pensa a come il tuo prodotto può rafforzare le emozioni positive di un compito alleviandone o addirittura trasformandone gli aspetti dolorosi.
• Convenienza: Cosa deve fare l'utente per sfruttare i poteri magici dell'intelligenza artificiale? Immagina di integrare il tuo copilota per la generazione di contenuti in strumenti di collaborazione popolari come MS Office, Google Docs e Notion. Gli utenti potranno accedere all’intelligenza e all’efficienza del tuo prodotto senza lasciare la comodità della loro “casa” digitale. In questo modo riduci al minimo lo sforzo che gli utenti devono compiere per sperimentare il valore del prodotto e continuare a utilizzarlo, il che a sua volta aumenta l'acquisizione e l'adozione da parte degli utenti.

Alcuni dei vantaggi dell’intelligenza artificiale, ad esempio l’efficienza, possono essere quantificati direttamente per il ROI. Per vantaggi meno tangibili come comodità e piacere, dovrai pensare a parametri proxy come la soddisfazione dell’utente. Tieni presente che pensare in termini di valore per l'utente finale non solo colmerà il divario tra i tuoi utenti e il tuo prodotto. Come effetto collaterale gradito, può ridurre i dettagli tecnici nelle comunicazioni pubbliche. Ciò ti impedirà di invitare accidentalmente concorrenza indesiderata alla festa.

Infine, un aspetto fondamentale del valore che dovresti considerare fin dall’inizio è la sostenibilità. Che impatto ha la vostra soluzione sulla società e sull’ambiente? Nel nostro esempio, la generazione di contenuti automatizzata o aumentata può sostituire ed eliminare carichi di lavoro umani su larga scala. Probabilmente non vorrai diventare noto come il futuro assassino di un'intera categoria lavorativa: dopo tutto, questo non solo solleverà questioni etiche, ma susciterà anche resistenza da parte degli utenti i cui posti di lavoro stai minacciando. Pensa a come puoi affrontare queste paure. Ad esempio, potresti istruire gli utenti su come utilizzare in modo efficiente il loro nuovo tempo libero per progettare strategie di marketing ancora più sofisticate. Questi possono fornire un fossato difendibile anche se altri concorrenti raggiungono la generazione automatizzata di contenuti.

3. Dati

Per qualsiasi tipo di intelligenza artificiale e apprendimento automatico, è necessario raccogliere e preparare i dati in modo che riflettano gli input della vita reale e forniscano segnali di apprendimento sufficienti per il tuo modello. Al giorno d'oggi, assistiamo a una tendenza verso un'intelligenza artificiale incentrata sui dati, una filosofia di intelligenza artificiale che si allontana dalle infinite modifiche e ottimizzazioni dei modelli e si concentra sulla risoluzione dei numerosi problemi relativi ai dati inseriti in questi modelli. Quando inizi, ci sono diversi modi per mettere le mani su un set di dati decente:

• Puoi utilizzare un set di dati esistente. Può trattarsi di un set di dati standard di machine learning o di un set di dati con uno scopo iniziale diverso da adattare alla tua attività. Esistono alcuni classici dei set di dati, come il Set di dati sulle recensioni di film IMDB per l'analisi del sentiment e il set di dati MNIST per il riconoscimento dei caratteri scritti a mano. Ci sono alternative più esotiche ed eccitanti, come Cattura della pesca illegale ed Identificazione della razza del canee innumerevoli set di dati curati dagli utenti su data hub come Kaggle. Le probabilità che troverai un set di dati creato per il tuo compito specifico e che soddisfi completamente le tue esigenze sono piuttosto basse e, nella maggior parte dei casi, dovrai utilizzare anche altri metodi per arricchire i tuoi dati.
• Puoi annotare o creare i dati manualmente per creare i giusti segnali di apprendimento. L’annotazione manuale dei dati, ad esempio l’annotazione di testi con punteggi di sentiment, era il metodo preferito agli albori del machine learning. Recentemente ha riacquistato l'attenzione come ingrediente principale nella salsa segreta di ChatGPT. È stato impiegato un enorme sforzo manuale per creare e classificare le risposte del modello in modo da riflettere le preferenze umane. Questa tecnica è anche chiamata Apprendimento per Rinforzo dal Feedback Umano (RLHF). Se disponi delle risorse necessarie, puoi utilizzarle per creare dati di alta qualità per attività più specifiche, come la generazione di contenuti di marketing. L'annotazione può essere eseguita internamente o utilizzando un fornitore esterno o un servizio di crowdsourcing come Amazon Mechanical Turk. In ogni caso, la maggior parte delle aziende non vorrà spendere le ingenti risorse necessarie per la creazione manuale dei dati RLHF e prenderà in considerazione alcuni trucchi per automatizzare la creazione dei propri dati.
• Pertanto, puoi aggiungere più esempi a un set di dati esistente utilizzando aumento dei dati. Per compiti più semplici come l'analisi del sentiment, potresti introdurre un po' di rumore aggiuntivo nei testi, cambiare un paio di parole, ecc. Per compiti di generazione più aperta, attualmente c'è molto entusiasmo nell'usare modelli di grandi dimensioni (ad esempio modelli fondazionali) per processi automatizzati. generazione dei dati di addestramento. Una volta identificato il metodo migliore per aumentare i tuoi dati, puoi facilmente ridimensionarli per raggiungere la dimensione del set di dati richiesta.

Quando crei i tuoi dati, devi affrontare un compromesso tra qualità e quantità. Puoi annotare manualmente meno dati con una qualità elevata o spendere il tuo budget per sviluppare hack e trucchi per l'aumento automatizzato dei dati che introdurranno ulteriore rumore. Se opti per l'annotazione manuale, puoi farlo internamente e plasmare una cultura del dettaglio e della qualità, oppure affidare il lavoro a persone anonime in crowdsourcing. Il crowdsourcing in genere ha una qualità inferiore, quindi potrebbe essere necessario aggiungere più annotazioni per compensare il rumore. Come trovare l'equilibrio ideale? Non ci sono ricette già pronte: alla fine troverai la composizione dei dati ideale attraverso un costante avanti e indietro tra l'addestramento e il miglioramento dei tuoi dati. In generale, quando si pre-addestra un modello, è necessario acquisire conoscenza da zero, cosa che può avvenire solo con una maggiore quantità di dati. D’altro canto, se si desidera mettere a punto e dare gli ultimi tocchi di specializzazione a un modello di grandi dimensioni già esistente, si potrebbe privilegiare la qualità rispetto alla quantità. L’annotazione manuale controllata di un piccolo set di dati utilizzando linee guida dettagliate potrebbe essere la soluzione ottimale in questo caso.

4. Algoritmo

I dati sono la materia prima da cui il tuo modello apprenderà e, si spera, potrai compilare un set di dati rappresentativo e di alta qualità. Ora, il vero superpotere del tuo sistema di intelligenza artificiale – la sua capacità di apprendere dai dati esistenti e generalizzare a nuovi dati – risiede nell’algoritmo. In termini di modelli IA principali, ci sono tre opzioni principali che puoi utilizzare:

• Richiedi un modello esistente. Gli LLM avanzati (Large Language Models) della famiglia GPT, come ChatGPT e GPT-4, nonché di altri fornitori come Anthropic e AI21 Labs sono disponibili per l'inferenza tramite API. Con i prompt è possibile parlare direttamente con questi modelli, includendo nel prompt tutte le informazioni specifiche del dominio e dell'attività richieste per un'attività. Ciò può includere contenuti specifici da utilizzare, esempi di attività analoghe (suggerimento di pochi scatti) nonché istruzioni da seguire per il modello. Ad esempio, se il tuo utente desidera generare un post sul blog su una nuova funzionalità del prodotto, potresti chiedergli di fornire alcune informazioni fondamentali sulla funzionalità, come i vantaggi e i casi d'uso, come utilizzarla, la data di lancio, ecc. Il tuo prodotto inserisce quindi queste informazioni in un modello di prompt accuratamente realizzato e chiede a LLM di generare il testo. La richiesta è ottima per ottenere un vantaggio sui modelli preaddestrati. Tuttavia, il fossato che puoi costruire con i suggerimenti si assottiglierà rapidamente nel tempo: nel medio termine, avrai bisogno di un modello di strategia più difendibile per sostenere il tuo vantaggio competitivo.
• Ottimizzare un modello pre-addestrato. Questo approccio ha reso l’intelligenza artificiale così popolare negli ultimi anni. Man mano che diventano disponibili sempre più modelli pre-addestrati e portali come Huggingface offrono repository di modelli e codice standard per lavorare con i modelli, la messa a punto sta diventando il metodo di riferimento per provare a implementarli. Quando lavori con un modello pre-addestrato, puoi trarre vantaggio dall'investimento che qualcuno ha già fatto nei dati, nella formazione e nella valutazione del modello, che già "conosce" molte cose sulla lingua e sul mondo. Tutto quello che devi fare è ottimizzare il modello utilizzando un set di dati specifico per l'attività, che può essere molto più piccolo del set di dati utilizzato originariamente per il pre-addestramento. Ad esempio, per la generazione di contenuti di marketing, puoi raccogliere una serie di post del blog che hanno ottenuto buoni risultati in termini di coinvolgimento e decodificare le relative istruzioni. Da questi dati, il tuo modello apprenderà la struttura, il flusso e lo stile degli articoli di successo. La messa a punto è la strada da percorrere quando si utilizzano modelli open source, ma anche i fornitori di API LLM come OpenAI e Cohere offrono sempre più funzionalità di messa a punto. Soprattutto per il percorso open source, dovrai comunque considerare le questioni relative alla selezione del modello, i costi generali di formazione e distribuzione di modelli più grandi e i programmi di manutenzione e aggiornamento del tuo modello.
• Addestra il tuo modello ML da zero. In generale, questo approccio funziona bene per problemi più semplici, ma altamente specifici per i quali si dispone di un know-how specifico o di set di dati decenti. La generazione di contenuti non rientra esattamente in questa categoria: richiede capacità linguistiche avanzate per decollare e queste possono essere acquisite solo dopo essersi allenati su quantità di dati ridicolmente grandi. Problemi più semplici come l’analisi del sentiment per un tipo specifico di testo possono spesso essere risolti con metodi consolidati di machine learning come la regressione logistica, che sono meno costosi dal punto di vista computazionale rispetto ai fantasiosi metodi di deep learning. Naturalmente, esiste anche la via di mezzo di problemi ragionevolmente complessi come l’estrazione di concetti per domini specifici, per i quali potresti prendere in considerazione l’addestramento di una rete neurale profonda da zero.

Al di là della formazione, la valutazione è di primaria importanza per un utilizzo efficace del machine learning. Metriche e metodi di valutazione adeguati non sono solo importanti per un lancio sicuro delle vostre funzionalità di intelligenza artificiale, ma serviranno anche come obiettivo chiaro per un'ulteriore ottimizzazione e come terreno comune per discussioni e decisioni interne. Sebbene le metriche tecniche come precisione, richiamo e accuratezza possano fornire un buon punto di partenza, alla fine ti consigliamo di cercare metriche che riflettano il valore nella vita reale che la tua IA offre agli utenti.

5. Esperienza dell'utente

L’esperienza utente dei prodotti IA è un tema accattivante: dopo tutto, gli utenti nutrono grandi speranze ma anche timori riguardo alla “collaborazione” con un’IA che può potenziare e potenzialmente superare in astuzia la loro intelligenza. La progettazione di questa partnership uomo-intelligenza artificiale richiede un processo di scoperta e progettazione ponderato e sensato. Una delle considerazioni chiave è il grado di automazione che desideri garantire al tuo prodotto e, attenzione, l’automazione totale non è sempre la soluzione ideale. La figura seguente illustra il continuum dell'automazione:

Diamo un'occhiata a ciascuno di questi livelli:

• Nella prima fase, gli esseri umani svolgono tutto il lavoro e non viene eseguita alcuna automazione. Nonostante il clamore attorno all’intelligenza artificiale, la maggior parte dei compiti ad alta intensità di conoscenza nelle aziende moderne vengono ancora svolti a questo livello, offrendo enormi opportunità di automazione. Ad esempio, lo scrittore di contenuti che resiste agli strumenti basati sull’intelligenza artificiale ed è convinto che la scrittura sia un mestiere altamente manuale e peculiare lavora qui.
• Nella seconda fase dell’intelligenza artificiale assistita, gli utenti hanno il controllo completo sull’esecuzione delle attività e svolgono gran parte del lavoro manualmente, ma gli strumenti di intelligenza artificiale li aiutano a risparmiare tempo e a compensare i loro punti deboli. Ad esempio, quando si scrive un post sul blog con una scadenza ravvicinata, un controllo linguistico finale con Grammarly o uno strumento simile può diventare un gradito risparmio di tempo. Può eliminare la revisione manuale, che richiede molto del tuo tempo e della tua attenzione scarsi e potrebbe comunque lasciarti con errori e sviste: dopo tutto, errare è umano.
• Con l’intelligenza aumentata, l’intelligenza artificiale è un partner che aumenta l’intelligenza umana, sfruttando così i punti di forza di entrambi i mondi. Rispetto all’intelligenza artificiale assistita, la macchina ha molto più da dire nel processo e copre una serie più ampia di responsabilità, come l’ideazione, la generazione e la modifica delle bozze e il controllo linguistico finale. Gli utenti devono comunque partecipare al lavoro, prendere decisioni ed eseguire parti dell'attività. L’interfaccia utente dovrebbe indicare chiaramente la distribuzione del lavoro tra uomo e intelligenza artificiale, evidenziare i potenziali errori e fornire trasparenza nei passaggi eseguiti. In breve, l’esperienza “aumentata” guida gli utenti al risultato desiderato attraverso l’iterazione e il perfezionamento.
• E infine, abbiamo la completa automazione: un’idea intrigante per i fanatici dell’intelligenza artificiale, i filosofi e gli esperti, ma spesso non la scelta ottimale per i prodotti della vita reale. Automazione completa significa che stai offrendo un “grande pulsante rosso” che dà il via al processo. Una volta completata l'intelligenza artificiale, i tuoi utenti affrontano l'output finale e lo prendono o lo lasciano. Qualunque cosa accada nel mezzo non possono controllarla. Come puoi immaginare, le opzioni UX qui sono piuttosto limitate poiché non c'è praticamente alcuna interattività. La maggior parte della responsabilità del successo ricade sulle spalle dei colleghi tecnici, che devono garantire una qualità eccezionalmente elevata dei risultati.

I prodotti IA necessitano di un trattamento speciale in termini di design. Le interfacce grafiche standard sono deterministiche e consentono di prevedere tutti i possibili percorsi che l'utente potrebbe intraprendere. Al contrario, i grandi modelli di intelligenza artificiale sono probabilistici e incerti: espongono una serie di capacità sorprendenti ma anche rischi come risultati tossici, sbagliati e dannosi. Dall'esterno, la tua interfaccia AI potrebbe sembrare semplice perché molte delle funzionalità del tuo prodotto risiedono direttamente nel modello. Ad esempio, un LLM può interpretare prompt, produrre testo, cercare informazioni, riassumerle, adottare un determinato stile e terminologia, eseguire istruzioni, ecc. Anche se la tua interfaccia utente è una semplice chat o un'interfaccia di prompt, non lasciare nascosto questo potenziale — per condurre gli utenti al successo è necessario essere espliciti e realistici. Rendi gli utenti consapevoli delle capacità e dei limiti dei tuoi modelli di intelligenza artificiale, consenti loro di scoprire e correggere facilmente gli errori commessi dall'intelligenza artificiale e insegna loro come ripetere se stessi per ottenere risultati ottimali. Sottolineando la fiducia, la trasparenza e l'educazione degli utenti, puoi far sì che i tuoi utenti collaborino con l'intelligenza artificiale. Sebbene un approfondimento sulla disciplina emergente della progettazione dell'intelligenza artificiale esuli dallo scopo di questo articolo, ti incoraggio vivamente a cercare ispirazione non solo da altre società di intelligenza artificiale ma anche da altre aree del design come l'interazione uomo-macchina. Presto identificherai una serie di modelli di progettazione ricorrenti, come completamenti automatici, suggerimenti rapidi e avvisi AI, che potrai integrare nella tua interfaccia per ottenere il massimo dai tuoi dati e modelli.

Inoltre, per offrire un design davvero eccezionale, potrebbe essere necessario aggiungere nuove competenze di progettazione al tuo team. Ad esempio, se stai creando un'applicazione di chat per il perfezionamento dei contenuti di marketing, lavorerai con un designer conversazionale che si prenderà cura dei flussi di conversazione e della "personalità" del tuo chatbot. Se stai creando un prodotto ricco e potenziato che deve educare e guidare a fondo i tuoi utenti attraverso le opzioni disponibili, un progettista di contenuti può aiutarti a costruire il giusto tipo di architettura dell'informazione e aggiungere la giusta quantità di stimoli e suggerimenti per i tuoi utenti.

E infine, sii aperto alle sorprese. La progettazione dell'intelligenza artificiale può farti riconsiderare le tue concezioni originali sull'esperienza dell'utente. Ad esempio, molti progettisti UX e product manager sono stati addestrati a ridurre al minimo la latenza e l'attrito al fine di rendere più fluida l'esperienza dell'utente. Bene, nei prodotti AI, puoi mettere in pausa questa battaglia e usarli entrambi a tuo vantaggio. La latenza e i tempi di attesa sono ottimi per educare i tuoi utenti, ad esempio spiegando cosa sta facendo attualmente l'intelligenza artificiale e indicando i possibili passi successivi da parte loro. Le interruzioni, come i popup di dialogo e di notifica, possono introdurre attriti per rafforzare la partnership uomo-intelligenza artificiale e aumentare la trasparenza e il controllo per i tuoi utenti.

6. Requisiti non funzionali

Oltre ai dati, all'algoritmo e all'UX che consentono di implementare una funzionalità specifica, i cosiddetti requisiti non funzionali (NFR) come accuratezza, latenza, scalabilità, affidabilità e governance dei dati garantiscono che l'utente ottenga effettivamente il valore previsto. Il concetto di NFR deriva dallo sviluppo del software ma non è ancora preso in considerazione in modo sistematico nel campo dell’intelligenza artificiale. Spesso, questi requisiti vengono raccolti in modo ad hoc man mano che emergono durante la ricerca degli utenti, l'ideazione, lo sviluppo e il funzionamento delle funzionalità di intelligenza artificiale.

Dovresti cercare di comprendere e definire i tuoi NFR il prima possibile poiché diversi NFR prenderanno vita in diversi punti del tuo viaggio. Ad esempio, la privacy deve essere presa in considerazione fin dalla fase iniziale della selezione dei dati. La precisione è più sensibile nella fase di produzione, quando gli utenti iniziano a utilizzare il sistema online, potenzialmente sovraccaricandolo con input inaspettati. La scalabilità è una considerazione strategica che entra in gioco quando la tua azienda aumenta il numero di utenti e/o richieste o lo spettro di funzionalità offerte.

Quando si tratta di NFR, non puoi averli tutti. Ecco alcuni dei tipici compromessi che dovrai bilanciare:

• Uno dei primi metodi per aumentare la precisione è utilizzare un modello più grande, che influirà sulla latenza.
• L'utilizzo dei dati di produzione "così come sono" per un'ulteriore ottimizzazione può essere la soluzione migliore per l'apprendimento, ma può violare le regole sulla privacy e sull'anonimizzazione.
• I modelli più scalabili sono generalisti, il che influisce sulla loro accuratezza nelle attività specifiche dell'azienda o dell'utente.

Il modo in cui stabilirai la priorità tra i diversi requisiti dipenderà dalle risorse computazionali disponibili, dal tuo concetto di UX, compreso il grado di automazione, e dall'impatto delle decisioni supportate dall'intelligenza artificiale.

Principali takeaways

1. Inizia con la fine in mente: Non dare per scontato che la tecnologia da sola possa bastare; hai bisogno di una tabella di marcia chiara per integrare la tua intelligenza artificiale nel prodotto rivolto agli utenti e istruire i tuoi utenti sui suoi vantaggi, rischi e limiti.
2. Allineamento del mercato: dare priorità alle opportunità di mercato e alle esigenze dei clienti per guidare lo sviluppo dell'intelligenza artificiale. Non affrettare le implementazioni dell'intelligenza artificiale guidate dall'hype e senza convalida da parte del mercato.
3. Valore dell'utente: definire, quantificare e comunicare il valore dei prodotti IA in termini di efficienza, personalizzazione, praticità e altre dimensioni di valore.
4. Qualità dei dati: concentrarsi sulla qualità e sulla pertinenza dei dati per addestrare in modo efficace i modelli di intelligenza artificiale. Prova a utilizzare dati piccoli e di alta qualità per la messa a punto e set di dati più grandi per l'addestramento da zero.
5. Selezione dell'algoritmo/modello: scegli il giusto livello di complessità e difendibilità (richiesta, messa a punto, addestramento da zero) per il tuo caso d'uso e valuta attentamente le sue prestazioni. Nel corso del tempo, man mano che acquisisci la necessaria esperienza e fiducia nel tuo prodotto, potresti voler passare a strategie di modello più avanzate.
6. Design incentrato sull'utente: Progetta prodotti IA tenendo conto delle esigenze e delle emozioni degli utenti, bilanciando automazione e controllo dell'utente. Tieni presente l'"imprevedibilità" dei modelli probabilistici di intelligenza artificiale e guida i tuoi utenti a lavorarci e trarne vantaggio.
7. Progettazione collaborativa: sottolineando la fiducia, la trasparenza e l'educazione degli utenti, puoi far sì che i tuoi utenti collaborino con l'intelligenza artificiale.
8. Requisiti non funzionali: considera fattori come l'accuratezza, la latenza, la scalabilità e l'affidabilità durante tutto lo sviluppo e prova a valutare i compromessi tra questi nelle prime fasi.
9. Collaborazione: Promuovi una stretta collaborazione tra esperti di intelligenza artificiale, progettisti, product manager e altri membri del team per trarre vantaggio dall'intelligenza interdisciplinare e integrare con successo la tua intelligenza artificiale.

Riferimenti

[1] Teresa Torres (2021). Abitudini di scoperta continua: scopri prodotti che creano valore per il cliente e valore aziendale.

[2] Orbit Media (2022). Nuove statistiche sui blog: quali strategie di contenuto funzionano nel 2022? Abbiamo chiesto a 1016 blogger.

[3] Don Norman (2013). Il design delle cose quotidiane.

[4] Google, Gartner e Motista (2013). Dalla promozione all'emozione: collegare i clienti B2B ai marchi.

Nota: tutte le immagini sono dell'autore.

Questo articolo è stato pubblicato in origine Verso la scienza dei dati e ripubblicato su TOPBOTS con il permesso dell'autore.

Ti piace questo articolo? Iscriviti per ulteriori aggiornamenti sulla ricerca AI.

Ti faremo sapere quando pubblicheremo altri articoli di riepilogo come questo.

Leggi Anche

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Automobilistico/VE, Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Grafico Prime. Migliora il tuo gioco di trading con ChartPrime. Accedi qui.
• BlockOffset. Modernizzare la proprietà della compensazione ambientale. Accedi qui.
• Fonte: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/