AI-producten bouwen met een holistisch mentaal model

Opmerking: dit artikel is het eerste in een serie met de titel “Het ontleden van AI-toepassingen”, waarin een mentaal model voor AI-systemen wordt geïntroduceerd. Het model dient als hulpmiddel voor de discussie, planning en definitie van AI-producten door interdisciplinaire AI- en productteams, en voor afstemming met de zakelijke afdeling. Het is bedoeld om de perspectieven van productmanagers, UX-ontwerpers, datawetenschappers, ingenieurs en andere teamleden samen te brengen. In dit artikel introduceer ik het mentale model, terwijl toekomstige artikelen zullen laten zien hoe je het kunt toepassen op specifieke AI-producten en -functies.

Vaak gaan bedrijven ervan uit dat het enige wat ze nodig hebben om AI in hun aanbod op te nemen, het inhuren van AI-experts is en hen de technische magie laat spelen. Deze aanpak leidt hen rechtstreeks naar de integratiemisvatting: zelfs als deze experts en ingenieurs uitzonderlijke modellen en algoritmen produceren, blijft hun output vaak hangen op het niveau van speeltuinen, sandboxes en demo's, en worden ze nooit echt volwaardige onderdelen van een product. Door de jaren heen heb ik veel frustratie gezien bij datawetenschappers en ingenieurs wier technisch uitmuntende AI-implementaties hun weg niet vonden naar gebruikersgerichte producten. In plaats daarvan hadden ze de eervolle status van baanbrekende experimenten die interne belanghebbenden de indruk gaven mee te liften op de AI-golf. Nu, met de alomtegenwoordige proliferatie van AI sinds de publicatie van ChatGPT in 2022, kunnen bedrijven het zich niet langer veroorloven om AI te gebruiken als een ‘vuurtoren’-functie om te pronken met hun technologische inzicht.

Waarom is het zo moeilijk om AI te integreren? Er zijn een aantal redenen:

• Vaak concentreren teams zich op één aspect van een AI-systeem. Dit heeft zelfs geleid tot het ontstaan ​​van afzonderlijke kampen, zoals datacentrische, modelgerichte en mensgerichte AI. Hoewel elk ervan opwindende perspectieven voor onderzoek biedt, moet een realistisch product de gegevens, het model en de mens-machine-interactie combineren tot een samenhangend systeem.
• AI-ontwikkeling is een zeer collaboratieve onderneming. Bij traditionele softwareontwikkeling werk je met een relatief duidelijke tweedeling bestaande uit de backend- en de frontend-componenten. Bij AI zul je niet alleen meer diverse rollen en vaardigheden aan je team moeten toevoegen, maar ook moeten zorgen voor een nauwere samenwerking tussen de verschillende partijen. De verschillende componenten van uw AI-systeem zullen op intieme manieren met elkaar interacteren. Als u bijvoorbeeld aan een virtuele assistent werkt, zullen uw UX-ontwerpers snelle engineering moeten begrijpen om een ​​natuurlijke gebruikersstroom te creëren. Uw dataannotators moeten op de hoogte zijn van uw merk en de ‘karaktereigenschappen’ van uw virtuele assistent om trainingsgegevens te creëren die consistent zijn en afgestemd zijn op uw positionering, en uw productmanager moet de architectuur van de datapijplijn begrijpen en nauwkeurig onderzoeken om ervoor te zorgen dat het voldoet aan de governance-zorgen van uw gebruikers.
• Bij het bouwen van AI onderschatten bedrijven vaak het belang van design. Hoewel AI in de backend begint, is een goed ontwerp onmisbaar om het in de productie te laten schitteren. AI-ontwerp verlegt de grenzen van traditionele UX. Veel van de functionaliteit die u aanbiedt, is niet per se zichtbaar in de interface, maar ‘verborgen’ in het model, en u moet uw gebruikers opleiden en begeleiden om deze voordelen te maximaliseren. Bovendien zijn moderne fundamentele modellen wilde dingen die giftige, verkeerde en schadelijke resultaten kunnen opleveren, dus je zult extra vangrails opzetten om deze risico's te verminderen. Dit alles vereist mogelijk nieuwe vaardigheden in uw team, zoals snelle engineering en conversatieontwerp. Soms betekent het ook dat je contra-intuïtieve dingen moet doen, zoals het onderschatten van de waarde om de verwachtingen van gebruikers te beheersen en het toevoegen van frictie om hen meer controle en transparantie te geven.
• De AI-hype zorgt voor druk. Veel bedrijven spannen het paard achter de wagen door in implementaties te springen die niet gevalideerd zijn door de behoeften van de klant en de markt. Af en toe het AI-modewoord erbij gebruiken, kan je helpen jezelf op de markt te brengen en te positioneren als een vooruitstrevend en innovatief bedrijf, maar op de lange termijn zul je je buzz moeten ondersteunen en moeten experimenteren met echte kansen. Dit kan worden bereikt door een nauwe coördinatie tussen het bedrijfsleven en de technologie, die gebaseerd is op het expliciet in kaart brengen van de kansen op de markt en de technologische mogelijkheden.

In dit artikel zullen we een mentaal model voor AI-systemen construeren dat deze verschillende aspecten integreert (zie figuur 1). Het moedigt bouwers aan om holistisch te denken, een duidelijk begrip van hun doelproduct te creëren en dit gaandeweg bij te werken met nieuwe inzichten en input. Het model kan worden gebruikt als hulpmiddel om de samenwerking te vergemakkelijken, de diverse perspectieven binnen en buiten het AI-team op één lijn te brengen en succesvolle producten te bouwen op basis van een gedeelde visie. Het kan niet alleen worden toegepast op nieuwe, AI-gestuurde producten, maar ook op AI-functies die in bestaande producten zijn geïntegreerd.

In de volgende secties wordt elk van de componenten kort beschreven, waarbij de nadruk ligt op onderdelen die specifiek zijn voor AI-producten. We beginnen met het zakelijke perspectief – de kansen aan de marktzijde en de waarde – en duiken vervolgens in UX en technologie. Om het model te illustreren gebruiken we het lopende voorbeeld van een copiloot voor het genereren van marketingcontent.

Als deze diepgaande educatieve inhoud nuttig voor je is, kan dat abonneer u op onze AI-research mailinglijst om gewaarschuwd te worden wanneer we nieuw materiaal uitbrengen. 

1. kans

Met alle coole dingen die je nu met AI kunt doen, sta je misschien te popelen om je handen vuil te maken en te beginnen met bouwen. Als u echter iets wilt bouwen waar uw gebruikers behoefte aan hebben en van houden, moet u uw ontwikkeling ondersteunen met een marktkans. In de ideale wereld bereiken we kansen van klanten die ons vertellen wat ze nodig hebben of willen.[1] Dit kunnen onvervulde behoeften, pijnpunten of verlangens zijn. U kunt deze informatie zoeken in bestaande klantfeedback, zoals in productrecensies en aantekeningen van uw verkoop- en succesteams. Vergeet ook uzelf als potentiële gebruiker van uw product niet. Als u zich richt op een probleem dat u zelf heeft ondervonden, is dit informatievoordeel een extra voordeel. Daarnaast kunt u ook proactief klantonderzoek uitvoeren met behulp van tools zoals enquêtes en interviews.

Ik hoef bijvoorbeeld niet ver te zoeken om de pijn van contentmarketing voor startups, maar ook voor grotere bedrijven, te zien. Ik heb het zelf ervaren: naarmate de concurrentie toeneemt, wordt het ontwikkelen van thought leadership met individuele, reguliere en (!) hoogwaardige inhoud steeds belangrijker voor differentiatie. Ondertussen zullen er, met een klein en druk team, altijd dingen op tafel liggen die belangrijker lijken dan het schrijven van de blogpost van de week. Ook ontmoet ik vaak mensen in mijn netwerk die moeite hebben met het opzetten van een consistente contentmarketingroutine. Deze “lokale”, potentieel vertekende observaties kunnen worden gevalideerd door onderzoeken die verder gaan dan het eigen netwerk en een bredere markt voor een oplossing bevestigen.

De echte wereld is iets vager en klanten zullen niet altijd naar je toe komen om nieuwe, goed geformuleerde kansen te presenteren. Als je je antennes uitstrekt, zullen er kansen je vanuit vele richtingen bereiken, zoals:

• Markt positionering: AI is trendy – voor gevestigde bedrijven kan het worden gebruikt om het imago van een bedrijf als innovatief, hightech, toekomstbestendig, enz. te versterken. Het kan bijvoorbeeld een bestaand marketingbureau verheffen tot een door AI aangedreven dienst en onderscheiden van concurrenten. Doe echter niet aan AI omwille van de AI. De positioneringstruc moet met de nodige voorzichtigheid worden toegepast en in combinatie met andere mogelijkheden. Anders loop je het risico de geloofwaardigheid te verliezen.
• concurrenten: Wanneer uw concurrenten een stap zetten, is het waarschijnlijk dat zij het onderliggende onderzoek en de validatie al hebben gedaan. Kijk er na een tijdje eens naar: was hun ontwikkeling succesvol? Gebruik deze informatie om uw eigen oplossing te optimaliseren, de succesvolle onderdelen over te nemen en de fouten glad te strijken. Stel dat u bijvoorbeeld een concurrent observeert die een dienst aanbiedt voor het volledig geautomatiseerd genereren van marketinginhoud. Gebruikers klikken op een “grote rode knop” en de AI marcheert vooruit om de inhoud te schrijven en publiceren. Na wat onderzoek kom je erachter dat gebruikers aarzelen om dit product te gebruiken omdat ze meer controle over het proces willen behouden en hun eigen expertise en persoonlijkheid willen bijdragen aan het schrijven. Schrijven gaat immers ook over zelfexpressie en individuele creativiteit. Dit is het moment om verder te gaan met een veelzijdige tool die rijke functionaliteit en configuratie biedt voor het vormgeven van uw inhoud. Het verhoogt de efficiëntie van gebruikers en stelt hen in staat zichzelf in het proces te ‘injecteren’ wanneer ze maar willen.
• reglement: megatrends zoals technologische ontwrichting en mondialisering dwingen toezichthouders hun eisen aan te scherpen. Regelgeving creëert druk en is een onfeilbare bron van kansen. Stel je bijvoorbeeld voor dat er een regelgeving van kracht wordt die iedereen strikt verplicht om door AI gegenereerde inhoud als zodanig te adverteren. De bedrijven die al tools gebruiken voor het genereren van AI-content zullen verdwijnen voor interne discussies over de vraag of ze dit willen. Velen van hen zullen hiervan afzien omdat ze een imago van echt thought leadership willen behouden, in plaats van het produceren van zichtbaar door AI gegenereerde standaardteksten. Stel dat u slim bent geweest en hebt gekozen voor een uitgebreide oplossing die gebruikers voldoende controle geeft, zodat zij de officiële 'auteurs' van de teksten kunnen blijven. Nu de nieuwe beperking wordt ingevoerd, bent u immuun en kunt u vooruit rennen om te profiteren van de regelgeving, terwijl uw concurrenten met volledig geautomatiseerde oplossingen tijd nodig hebben om van de tegenslag te herstellen.
• Technologieën die dingen mogelijk maken: Opkomende technologieën en aanzienlijke sprongen in bestaande technologieën, zoals de golf van generatieve AI in 2022-23, kunnen nieuwe manieren openen om dingen te doen, of bestaande toepassingen naar een nieuw niveau katapulteren. Stel dat u de afgelopen tien jaar een traditioneel marketingbureau heeft geleid. Nu kunt u beginnen met het introduceren van AI-hacks en -oplossingen in uw bedrijf om de efficiëntie van uw werknemers te vergroten, meer klanten te bedienen met de bestaande middelen en uw winst te vergroten. U bouwt voort op uw bestaande expertise, reputatie en (hopelijk goedwillende) klantenbasis, dus het introduceren van AI-verbeteringen kan veel soepeler en minder riskant zijn dan voor een nieuwkomer.

Ten slotte zijn kansen in de moderne productwereld vaak minder expliciet en formeel en kunnen ze direct worden gevalideerd in experimenten, wat uw ontwikkeling versnelt. Bij productgestuurde groei kunnen teamleden dus met hun eigen hypothesen komen zonder een strikt datagedreven argument. Deze hypothesen kunnen stukje bij beetje worden geformuleerd, zoals het aanpassen van een prompt of het wijzigen van de lokale lay-out van sommige UX-elementen, waardoor ze eenvoudig te implementeren, implementeren en testen zijn. Door de druk om te bieden weg te nemen a priori Voor elke nieuwe suggestie maakt deze aanpak gebruik van de intuïties en verbeeldingskracht van alle teamleden, terwijl een directe validatie van de suggesties wordt afgedwongen. Laten we zeggen dat uw contentgeneratie soepel verloopt, maar u hoort steeds meer klachten over een algemeen gebrek aan AI-transparantie en verklaarbaarheid. U besluit een extra transparantieniveau te implementeren en uw gebruikers de specifieke documenten te laten zien die zijn gebruikt om een ​​stukje inhoud te genereren. Uw team test de functie met een groep gebruikers en ontdekt dat zij deze graag gebruiken om de oorspronkelijke informatiebronnen te herleiden. U besluit dus om het in het kernproduct te integreren om het gebruik en de tevredenheid te vergroten.

2. Waarde

Om de waarde van uw AI-product of -functie te begrijpen en te communiceren, moet u het eerst toewijzen aan een use case (een specifiek bedrijfsprobleem dat het zal oplossen) en de ROI (return on investment) bepalen. Dit dwingt je om je gedachten af ​​te leiden van de technologie en je te concentreren op de voordelen aan de gebruikerszijde van de oplossing. ROI kan langs verschillende dimensies worden gemeten. Voor AI zijn er enkele:

• Verhoogde efficiëntie: AI kan een booster zijn voor de productiviteit van individuen, teams en hele bedrijven. Voor het genereren van inhoud zou je bijvoorbeeld kunnen ontdekken dat je in plaats van de vier tot vijf uur die normaal gesproken nodig zijn om een ​​blogpost te schrijven [4], dit nu in één tot twee uur kunt doen, en de tijd die je hebt bespaard aan andere taken kunt besteden. Efficiëntiewinst gaat vaak hand in hand met kostenbesparingen, omdat er minder menselijke inspanning nodig is om dezelfde hoeveelheid werk te verrichten. In de zakelijke context is dit voordeel dus aantrekkelijk voor zowel gebruikers als leiderschap.
• Een meer persoonlijke ervaring: Uw tool voor het genereren van inhoud kan gebruikers bijvoorbeeld vragen om parameters van hun bedrijf in te stellen, zoals de merkkenmerken, terminologie, productvoordelen, enz. Bovendien kan het de bewerkingen van een specifieke schrijver volgen en zijn generaties aanpassen aan het unieke schrijfwerk. stijl van deze gebruiker in de loop van de tijd.
• Plezier en plezier: Hier komen we in op de emotionele kant van productgebruik, ook wel het ‘viscerale’ niveau genoemd door Don Norman [3]. In het B2C-kamp bestaan ​​hele categorieën producten voor plezier en entertainment, zoals gaming en Augmented Reality. Hoe zit het met B2B? Zou u niet aannemen dat B2B-producten in een steriel professioneel vacuüm bestaan? In werkelijkheid kan deze categorie zelfs sterkere emotionele reacties genereren dan B2C.[4] Schrijven kan bijvoorbeeld worden gezien als een bevredigende daad van zelfexpressie, of als een innerlijke strijd met writer's block en andere problemen. Bedenk hoe uw product de positieve emoties van een taak kan versterken en tegelijkertijd de pijnlijke aspecten ervan kan verlichten of zelfs transformeren.
• Gemak: Wat moet uw gebruiker doen om de magische krachten van AI te benutten? Stel u voor dat u uw copiloot voor het genereren van inhoud integreert in populaire samenwerkingstools zoals MS Office, Google Docs en Notion. Gebruikers hebben toegang tot de intelligentie en efficiëntie van uw product zonder het comfort van hun digitale ‘huis’ te verlaten. Zo minimaliseert u de moeite die gebruikers moeten doen om de waarde van het product te ervaren en het te blijven gebruiken, wat op zijn beurt uw gebruikersacquisitie en acceptatie stimuleert.

Sommige AI-voordelen – bijvoorbeeld efficiëntie – kunnen direct worden gekwantificeerd voor de ROI. Voor minder tastbare voordelen zoals gemak en plezier moet u denken aan proxystatistieken zoals gebruikerstevredenheid. Houd er rekening mee dat denken in termen van eindgebruikerswaarde niet alleen de kloof tussen uw gebruikers en uw product zal dichten. Als welkom neveneffect kan het de technische details in uw openbare communicatie verminderen. Dit voorkomt dat u per ongeluk ongewenste concurrentie op het feest uitnodigt.

Ten slotte is duurzaamheid een fundamenteel aspect van waarde waar u al vroeg rekening mee moet houden. Welke impact heeft uw oplossing op de maatschappij en het milieu? In ons voorbeeld kan het geautomatiseerd of aangevuld genereren van inhoud grootschalige menselijke werklasten verdringen en elimineren. U wilt waarschijnlijk niet bekend worden als de aanstaande moordenaar van een hele functiecategorie; dit zal immers niet alleen ethische vragen oproepen, maar ook weerstand oproepen bij de gebruikers wier banen u bedreigt. Denk na over hoe u deze angsten kunt aanpakken. U kunt gebruikers bijvoorbeeld leren hoe zij hun nieuwe vrije tijd efficiënt kunnen gebruiken om nog geavanceerdere marketingstrategieën te ontwerpen. Deze kunnen voor een verdedigbare slotgracht zorgen, zelfs als andere concurrenten de geautomatiseerde contentgeneratie inhalen.

3. Gegevens

Voor elke vorm van AI en machinaal leren moet u uw gegevens verzamelen en voorbereiden, zodat deze de input uit de praktijk weerspiegelen en voldoende leersignalen voor uw model opleveren. Tegenwoordig zien we een trend naar data-centrische AI ​​– een AI-filosofie die afstapt van het eindeloze tweaken en optimaliseren van modellen, en zich richt op het oplossen van de talrijke problemen in de data die in deze modellen worden ingevoerd. Als je begint, zijn er verschillende manieren om aan een fatsoenlijke dataset te komen:

• Je kunt gebruik een bestaande dataset. Dit kan een standaard machine learning-dataset zijn of een dataset met een ander oorspronkelijk doel die u voor uw taak aanpast. Er zijn enkele datasetklassiekers, zoals de IMDB-gegevensset voor filmrecensies voor sentimentanalyse en de MNIST-gegevensset voor handgeschreven tekenherkenning. Er zijn meer exotische en opwindende alternatieven, zoals Illegale visserij vangen en Identificatie van hondenrassenen talloze door gebruikers beheerde datasets op datahubs zoals Kaggle. De kans dat u een dataset vindt die voor uw specifieke taak is gemaakt en volledig aan uw eisen voldoet, is vrij klein en in de meeste gevallen zult u ook andere methoden moeten gebruiken om uw data te verrijken.
• Je kunt annoteer of creëer de gegevens handmatig om de juiste leersignalen te creëren. Handmatige gegevensannotatie – bijvoorbeeld de annotatie van teksten met sentimentscores – was de meest gebruikte methode in de begindagen van machine learning. Onlangs heeft het weer aandacht gekregen als het belangrijkste ingrediënt in de geheime saus van ChatGPT. Er is een enorme handmatige inspanning besteed aan het creëren en rangschikken van de reacties van het model om de menselijke voorkeuren weer te geven. Deze techniek wordt ook wel Reinforcement Learning from Human Feedback (RLHF) genoemd. Als u over de benodigde middelen beschikt, kunt u deze gebruiken om gegevens van hoge kwaliteit te creëren voor meer specifieke taken, zoals het genereren van marketinginhoud. Annotatie kan intern worden gedaan of via een externe provider of een crowdsourcing-service zoals Amazon Mechanical Turk. Hoe dan ook, de meeste bedrijven zullen de enorme middelen die nodig zijn voor het handmatig aanmaken van RLHF-gegevens niet willen uitgeven en zullen enkele trucjes overwegen om de aanmaak van hun gegevens te automatiseren.
• U kunt dus meer voorbeelden toevoegen aan een bestaande gegevensset met behulp van gegevensvergroting. Voor eenvoudigere taken, zoals sentimentanalyse, zou je wat extra ruis in de teksten kunnen introduceren, een paar woorden kunnen veranderen, enz. Voor taken met een meer open generatie bestaat er momenteel veel enthousiasme over het gebruik van grote modellen (bijvoorbeeld fundamentele modellen) voor geautomatiseerde taken. het genereren van trainingsgegevens. Zodra u de beste methode heeft geïdentificeerd om uw gegevens uit te breiden, kunt u deze eenvoudig schalen om de vereiste gegevenssetgrootte te bereiken.

Bij het creëren van uw gegevens wordt u geconfronteerd met een afweging tussen kwaliteit en kwantiteit. U kunt handmatig minder gegevens met een hoge kwaliteit annoteren, of uw budget besteden aan het ontwikkelen van hacks en trucs voor geautomatiseerde gegevensvergroting die extra ruis veroorzaken. Als je voor handmatige annotatie kiest, kun je dat intern doen en een cultuur van detail en kwaliteit vormgeven, of het werk crowdsourcen naar anonieme mensen. Crowdsourcing heeft doorgaans een lagere kwaliteit, dus het kan zijn dat je meer aantekeningen moet maken om de ruis te compenseren. Hoe vind je de ideale balans? Er bestaan ​​hier geen kant-en-klare recepten. Uiteindelijk zul je de ideale datasamenstelling vinden door voortdurend heen en weer te schakelen tussen training en het verbeteren van je data. Over het algemeen moet een model bij het voortrainen van een model vanaf het begin kennis verwerven, wat alleen kan gebeuren met een grotere hoeveelheid gegevens. Aan de andere kant, als u een bestaand groot model wilt verfijnen en de laatste specialisatie wilt geven, kunt u kwaliteit boven kwantiteit stellen. De gecontroleerde handmatige annotatie van een kleine dataset met behulp van gedetailleerde richtlijnen zou in dit geval de optimale oplossing kunnen zijn.

4. Algoritme

Gegevens zijn de grondstof waarvan uw model zal leren, en hopelijk kunt u een representatieve dataset van hoge kwaliteit samenstellen. De werkelijke superkracht van uw AI-systeem – het vermogen om van bestaande gegevens te leren en deze te generaliseren naar nieuwe gegevens – ligt in het algoritme. Wat de kern-AI-modellen betreft, zijn er drie hoofdopties die u kunt gebruiken:

• Vraag een bestaand model aan. Geavanceerde LLM's (Large Language Models) van de GPT-familie, zoals ChatGPT en GPT-4, maar ook van andere providers zoals Anthropic en AI21 Labs, zijn beschikbaar voor gevolgtrekking via API. Met prompts kunt u rechtstreeks met deze modellen praten, inclusief in uw prompt alle domein- en taakspecifieke informatie die voor een taak nodig is. Dit kan specifieke inhoud omvatten die moet worden gebruikt, voorbeelden van analoge taken (prompts met enkele shots) en instructies die het model moet volgen. Als uw gebruiker bijvoorbeeld een blogpost over een nieuwe productfunctie wil genereren, kunt u hem/haar vragen om kerninformatie over de functie te verstrekken, zoals de voordelen en gebruiksscenario's, hoe deze te gebruiken, de lanceringsdatum, enzovoort. Uw product vult deze informatie vervolgens in een zorgvuldig vervaardigd promptsjabloon en vraagt ​​de LLM om de tekst te genereren. Prompting is geweldig om een ​​voorsprong te krijgen op vooraf getrainde modellen. De gracht die u op verzoek kunt opbouwen, zal in de loop van de tijd echter snel dunner worden. Op de middellange termijn heeft u een beter verdedigbare modelstrategie nodig om uw concurrentievoordeel te behouden.
• Verfijn een vooraf getraind model. Deze aanpak heeft AI de afgelopen jaren zo populair gemaakt. Nu er steeds meer vooraf getrainde modellen beschikbaar komen en portalen zoals Huggingface zowel modelrepository's als standaardcode bieden om met de modellen te werken, wordt verfijning de beste methode om te proberen te implementeren. Wanneer u met een vooraf getraind model werkt, kunt u profiteren van de investering die iemand al heeft gedaan in de gegevens, training en evaluatie van het model, dat al veel dingen ‘weet’ over taal en de wereld. Het enige dat u hoeft te doen, is het model verfijnen met behulp van een taakspecifieke dataset, die veel kleiner kan zijn dan de dataset die oorspronkelijk voor de pre-training werd gebruikt. Voor het genereren van marketinginhoud kunt u bijvoorbeeld een reeks blogposts verzamelen die goed presteren op het gebied van betrokkenheid, en de instructies hiervoor reverse-engineeren. Op basis van deze gegevens leert uw model over de structuur, stroom en stijl van succesvolle artikelen. Fine-tuning is de beste keuze bij het gebruik van open source-modellen, maar LLM API-providers zoals OpenAI en Cohere bieden ook steeds vaker fine-tuning-functionaliteit. Vooral voor het open-sourcetraject moet u nog steeds rekening houden met de kwesties van modelselectie, de kostenoverhead van training en implementatie van grotere modellen, en de onderhouds- en updateschema's van uw model.
• Train uw ML-model helemaal opnieuw. Over het algemeen werkt deze aanpak goed voor eenvoudigere, maar zeer specifieke problemen waarvoor u specifieke kennis of goede datasets heeft. Het genereren van inhoud valt niet bepaald in deze categorie; het vereist geavanceerde taalkundige vaardigheden om je van de grond te krijgen, en deze kunnen alleen worden verworven na training in belachelijk grote hoeveelheden gegevens. Eenvoudigere problemen, zoals sentimentanalyse voor een specifiek type tekst, kunnen vaak worden opgelost met gevestigde machine learning-methoden zoals logistische regressie, die computationeel goedkoper zijn dan luxe deep learning-methoden. Natuurlijk is er ook een middenweg tussen redelijk complexe problemen, zoals conceptextractie voor specifieke domeinen, waarvoor je zou kunnen overwegen om een ​​diep neuraal netwerk helemaal opnieuw te trainen.

Naast de training is evaluatie van primair belang voor het succesvolle gebruik van machine learning. Geschikte evaluatiestatistieken en -methoden zijn niet alleen belangrijk voor een zelfverzekerde lancering van uw AI-functies, maar zullen ook dienen als een duidelijk doelwit voor verdere optimalisatie en als een gemeenschappelijke basis voor interne discussies en beslissingen. Hoewel technische statistieken zoals precisie, herinnering en nauwkeurigheid een goed startpunt kunnen bieden, zult u uiteindelijk op zoek moeten gaan naar statistieken die de werkelijke waarde weerspiegelen die uw AI aan gebruikers levert.

5. Gebruikerservaring

De gebruikerservaring van AI-producten is een boeiend thema. Gebruikers hebben immers hoge verwachtingen, maar ook angsten over een ‘partnerschap’ met een AI die hun intelligentie een boost kan geven en mogelijk te slim af kan zijn. Het ontwerp van dit mens-AI-partnerschap vereist een doordacht en verstandig ontdekkings- en ontwerpproces. Een van de belangrijkste overwegingen is de mate van automatisering die u met uw product wilt bewerkstelligen. En let wel: totale automatisering is lang niet altijd de ideale oplossing. De volgende afbeelding illustreert het automatiseringscontinuüm:

Laten we naar elk van deze niveaus kijken:

• In de eerste fase doen mensen al het werk en vindt er geen automatisering plaats. Ondanks de hype rond AI worden de meeste kennisintensieve taken in moderne bedrijven nog steeds op dit niveau uitgevoerd, wat enorme mogelijkheden voor automatisering biedt. Hier werkt bijvoorbeeld de contentschrijver die zich verzet tegen AI-gestuurde tools en ervan overtuigd is dat schrijven een zeer handmatig en eigenzinnig ambacht is.
• In de tweede fase van geassisteerde AI hebben gebruikers volledige controle over de taakuitvoering en doen ze een groot deel van het werk handmatig, maar AI-tools helpen hen tijd te besparen en hun zwakke punten te compenseren. Bij het schrijven van een blogpost met een strakke deadline kan een laatste taalkundige controle met Grammarly of een soortgelijke tool bijvoorbeeld een welkome tijdsbesparing opleveren. Het kan handmatige revisie elimineren, wat veel van uw schaarse tijd en aandacht vergt en u nog steeds met fouten en over het hoofd kan laten, fouten maken is immers menselijk.
• Met augmented intelligence is AI een partner die de intelligentie van de mens vergroot en zo de sterke punten van beide werelden benut. Vergeleken met geassisteerde AI heeft de machine veel meer te zeggen in uw proces en omvat hij een groter aantal verantwoordelijkheden, zoals het bedenken, genereren en bewerken van concepten, en de laatste taalkundige controle. Gebruikers moeten nog steeds deelnemen aan het werk, beslissingen nemen en delen van de taak uitvoeren. De gebruikersinterface moet duidelijk de arbeidsverdeling tussen mens en AI aangeven, mogelijke fouten benadrukken en transparantie bieden over de stappen die de interface uitvoert. Kortom, de ‘augmented’ ervaring leidt gebruikers via iteratie en verfijning naar het gewenste resultaat.
• En tot slot hebben we volledige automatisering: een intrigerend idee voor AI-geeks, filosofen en experts, maar vaak niet de optimale keuze voor echte producten. Volledige automatisering betekent dat u één ‘grote rode knop’ aanbiedt waarmee het proces wordt gestart. Zodra de AI klaar is, worden uw gebruikers geconfronteerd met de uiteindelijke output en kunnen ze deze nemen of laten. Alles wat daartussen gebeurde, hebben ze niet in de hand. Zoals je je kunt voorstellen, zijn de UX-opties hier vrij beperkt, omdat er vrijwel geen interactiviteit is. Het grootste deel van de verantwoordelijkheid voor succes rust op de schouders van uw technische collega's, die moeten zorgen voor een uitzonderlijk hoge kwaliteit van de resultaten.

AI-producten hebben een speciale behandeling nodig als het om design gaat. Standaard grafische interfaces zijn deterministisch en stellen u in staat alle mogelijke paden te voorzien die de gebruiker kan volgen. Grote AI-modellen zijn daarentegen probabilistisch en onzeker: ze leggen een reeks verbazingwekkende mogelijkheden bloot, maar ook risico's zoals toxische, verkeerde en schadelijke resultaten. Van buitenaf ziet uw AI-interface er misschien eenvoudig uit, omdat veel van de mogelijkheden van uw product rechtstreeks in het model zitten. Een LLM kan bijvoorbeeld aanwijzingen interpreteren, tekst produceren, naar informatie zoeken, deze samenvatten, een bepaalde stijl en terminologie aannemen, instructies uitvoeren, enz. Zelfs als uw gebruikersinterface een eenvoudige chat- of promptinterface is, mag u dit potentieel niet ongezien laten. — om gebruikers naar succes te leiden, moet je expliciet en realistisch zijn. Maak gebruikers bewust van de mogelijkheden en beperkingen van uw AI-modellen, zorg ervoor dat ze gemakkelijk fouten van de AI kunnen ontdekken en oplossen, en leer ze manieren om zichzelf te herhalen tot optimale resultaten. Door de nadruk te leggen op vertrouwen, transparantie en gebruikerseducatie kunt u uw gebruikers laten samenwerken met de AI. Hoewel een diepe duik in de opkomende discipline van AI-ontwerp buiten het bestek van dit artikel valt, moedig ik u sterk aan om niet alleen inspiratie te zoeken bij andere AI-bedrijven, maar ook in andere ontwerpgebieden, zoals mens-machine-interactie. U zult snel een reeks terugkerende ontwerppatronen identificeren, zoals automatisch aanvullen, promptsuggesties en AI-meldingen, die u in uw eigen interface kunt integreren om het meeste uit uw gegevens en modellen te halen.

Om een ​​echt geweldig ontwerp af te leveren, moet u bovendien mogelijk nieuwe ontwerpvaardigheden aan uw team toevoegen. Als u bijvoorbeeld een chatapplicatie bouwt voor het verfijnen van marketingcontent, werkt u samen met een conversational designer die zorgt voor de gespreksstromen en de ‘persoonlijkheid’ van uw chatbot. Als u een rijk uitgebreid product bouwt dat uw gebruikers grondig moet voorlichten en door de beschikbare opties moet leiden, kan een inhoudontwerper u helpen de juiste soort informatiearchitectuur op te bouwen en uw gebruikers de juiste hoeveelheid duwtjes en aanwijzingen te geven.

En ten slotte: sta open voor verrassingen. AI-ontwerp kan ervoor zorgen dat u uw oorspronkelijke opvattingen over gebruikerservaring heroverweegt. Veel UX-ontwerpers en productmanagers zijn bijvoorbeeld geoefend om latentie en wrijving te minimaliseren om de ervaring van de gebruiker te verzachten. Welnu, in AI-producten kun je dit gevecht pauzeren en beide in je voordeel gebruiken. Latentie en wachttijden zijn geweldig om uw gebruikers te informeren, bijvoorbeeld door uit te leggen wat de AI momenteel doet en mogelijke volgende stappen van hun kant aan te geven. Pauzes, zoals dialoog- en meldingspop-ups, kunnen wrijving veroorzaken om de samenwerking tussen mens en AI te versterken en de transparantie en controle voor uw gebruikers te vergroten.

6. Niet-functionele vereisten

Naast de data, het algoritme en de UX waarmee je een specifieke functionaliteit kunt implementeren, zorgen zogenaamde niet-functionele vereisten (NFR’s) zoals nauwkeurigheid, latentie, schaalbaarheid, betrouwbaarheid en data governance ervoor dat de gebruiker inderdaad de beoogde waarde krijgt. Het concept van NFR’s komt voort uit de softwareontwikkeling, maar wordt nog niet systematisch in aanmerking genomen in het domein van AI. Vaak worden deze vereisten ad hoc opgepikt als ze naar voren komen tijdens gebruikersonderzoek, ideevorming, ontwikkeling en werking van AI-mogelijkheden.

Je moet proberen je NFR's zo vroeg mogelijk te begrijpen en te definiëren, aangezien verschillende NFR's op verschillende punten tijdens je reis tot leven zullen komen. Privacy moet bijvoorbeeld al vanaf de allereerste stap van de gegevensselectie in overweging worden genomen. Nauwkeurigheid is het gevoeligst in de productiefase, wanneer gebruikers uw systeem online gaan gebruiken en het mogelijk overweldigen met onverwachte invoer. Schaalbaarheid is een strategische overweging die een rol speelt wanneer uw bedrijf het aantal gebruikers en/of verzoeken of het spectrum van aangeboden functionaliteit schaalt.

Als het om NFR's gaat, kun je ze niet allemaal hebben. Hier zijn enkele van de typische afwegingen die u in evenwicht moet brengen:

• Een van de eerste methoden om de nauwkeurigheid te vergroten is het gebruik van een groter model, wat de latentie zal beïnvloeden.
• Het gebruik van productiegegevens “zoals ze zijn” voor verdere optimalisatie kan het beste zijn om te leren, maar kan in strijd zijn met uw privacy- en anonimiseringsregels.
• Meer schaalbare modellen zijn generalisten, wat invloed heeft op hun nauwkeurigheid bij bedrijfs- of gebruikersspecifieke taken.

Hoe u de verschillende vereisten prioriteert, hangt af van de beschikbare computerbronnen, uw UX-concept inclusief de mate van automatisering en de impact van de beslissingen die door de AI worden ondersteund.

Key afhaalrestaurants

1. Begin met het einde in gedachten: Ga er niet van uit dat technologie alleen het werk zal doen; u heeft een duidelijk stappenplan nodig om uw AI te integreren in het gebruikersgerichte product en uw gebruikers voor te lichten over de voordelen, risico’s en beperkingen ervan.
2. Afstemming van de markt: Prioriteit geven aan marktkansen en klantbehoeften om de AI-ontwikkeling te begeleiden. Ga niet overhaast te werk met AI-implementaties die worden aangedreven door een hype en zonder validatie door de markt.
3. Gebruikerswaarde: De waarde van AI-producten definiëren, kwantificeren en communiceren in termen van efficiëntie, personalisatie, gemak en andere waardedimensies.
4. Data kwaliteit: Focus op datakwaliteit en relevantie om AI-modellen effectief te trainen. Probeer kleine data van hoge kwaliteit te gebruiken voor het verfijnen, en grotere datasets voor helemaal opnieuw trainen.
5. Keuze van algoritme/model: Kies het juiste niveau van complexiteit en verdedigbaarheid (prompting, fine-tuning, training from scratch) voor uw gebruiksscenario en evalueer zorgvuldig de prestaties ervan. Naarmate u na verloop van tijd de nodige expertise en vertrouwen in uw product verwerft, wilt u wellicht overstappen op meer geavanceerde modelstrategieën.
6. Gebruikersgericht ontwerp: Ontwerp AI-producten met de behoeften en emoties van de gebruiker in gedachten, waarbij automatisering en gebruikerscontrole in evenwicht worden gebracht. Houd rekening met de ‘onvoorspelbaarheid’ van probabilistische AI-modellen en begeleid uw gebruikers om ermee te werken en ervan te profiteren.
7. Samen ontwerpen: Door de nadruk te leggen op vertrouwen, transparantie en gebruikerseducatie kunt u uw gebruikers laten samenwerken met de AI.
8. Niet-functionele eisen: Houd rekening met factoren als nauwkeurigheid, latentie, schaalbaarheid en betrouwbaarheid tijdens de ontwikkeling, en probeer de afwegingen hiertussen al in een vroeg stadium te evalueren.
9. Samenwerking: Bevorder een nauwe samenwerking tussen AI-experts, ontwerpers, productmanagers en andere teamleden om te profiteren van interdisciplinaire intelligentie en uw AI met succes te integreren.

Referenties

[1] Teresa Torres (2021). Continue ontdekkingsgewoonten: ontdek producten die klantwaarde en bedrijfswaarde creëren.

[2] Orbit-media (2022). Nieuwe blogstatistieken: welke contentstrategieën werken in 2022? We vroegen het aan 1016 bloggers.

[3] Don Norman (2013). Het ontwerp van alledaagse dingen.

[4] Google, Gartner en Motista (2013). Van promotie tot emotie: B2B-klanten verbinden met merken.

Let op: Alle afbeeldingen zijn van de auteur.

Dit artikel is oorspronkelijk gepubliceerd op Op weg naar data science en opnieuw gepubliceerd naar TOPBOTS met toestemming van de auteur.

Geniet van dit artikel? Meld u aan voor meer AI-onderzoeksupdates.

We laten het u weten wanneer we meer samenvattende artikelen zoals deze vrijgeven.

Verwant

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• ChartPrime. Verhoog uw handelsspel met ChartPrime. Toegang hier.
• BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
• Bron: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/