Tworzenie produktów AI za pomocą holistycznego modelu mentalnego

Uwaga: ten artykuł jest pierwszym z serii zatytułowanej „Analiza aplikacji AI”, która przedstawia model mentalny systemów AI. Model służy jako narzędzie do dyskusji, planowania i definiowania produktów AI przez interdyscyplinarne zespoły ds. sztucznej inteligencji i produktów, a także do koordynacji z działem biznesowym. Ma na celu połączenie perspektyw menedżerów produktu, projektantów UX, analityków danych, inżynierów i innych członków zespołu. W tym artykule przedstawiam model mentalny, a przyszłe artykuły pokażą, jak zastosować go do konkretnych produktów i funkcji AI.

Często firmy zakładają, że jedyne, czego potrzebują, aby włączyć sztuczną inteligencję do swojej oferty, to zatrudnić ekspertów AI i pozwolić im pobawić się techniczną magią. Takie podejście prowadzi ich prosto do błędu integracji: nawet jeśli ci eksperci i inżynierowie tworzą wyjątkowe modele i algorytmy, ich wyniki często utkną na poziomie placów zabaw, piaskownic i wersji demonstracyjnych i nigdy tak naprawdę nie staną się pełnoprawnymi częściami produktu. Na przestrzeni lat byłem świadkiem ogromnej frustracji analityków i inżynierów zajmujących się danymi, których technicznie doskonałe wdrożenia sztucznej inteligencji nie znalazły zastosowania w produktach przeznaczonych dla użytkowników. Miały raczej zaszczytny status najnowocześniejszych eksperymentów, które sprawiały, że wewnętrzni interesariusze mieli wrażenie, że płyną na fali sztucznej inteligencji. Obecnie, wraz z wszechobecnym rozprzestrzenianiem się sztucznej inteligencji od czasu publikacji ChatGPT w 2022 r., firmy nie mogą już sobie pozwolić na wykorzystywanie sztucznej inteligencji jako funkcji „latarni morskiej” służącej do pochwalenia się swoją przenikliwością technologiczną.

Dlaczego tak trudno jest zintegrować sztuczną inteligencję? Jest kilka powodów:

• Często zespoły skupiają się na jednym aspekcie systemu AI. Doprowadziło to nawet do powstania odrębnych obozów, takich jak sztuczna inteligencja skoncentrowana na danych, oparta na modelach i sztuczna inteligencja skoncentrowana na człowieku. Chociaż każdy z nich oferuje ekscytujące perspektywy badawcze, rzeczywisty produkt musi łączyć dane, model i interakcję człowiek-maszyna w spójny system.
• Rozwój sztucznej inteligencji to przedsięwzięcie wymagające dużej współpracy. W tradycyjnym tworzeniu oprogramowania pracujesz ze stosunkowo jasną dychotomią obejmującą komponenty backendu i frontendu. W AI będziesz musiał nie tylko dodać do swojego zespołu bardziej zróżnicowane role i umiejętności, ale także zapewnić bliższą współpracę między różnymi stronami. Różne komponenty Twojego systemu AI będą ze sobą współdziałać w intymny sposób. Na przykład, jeśli pracujesz nad wirtualnym asystentem, projektanci UX będą musieli zrozumieć szybką inżynierię, aby stworzyć naturalny przepływ użytkowników. Adnotatorzy danych muszą być świadomi Twojej marki i „cech charakteru” Twojego wirtualnego asystenta, aby tworzyć dane szkoleniowe, które są spójne i dopasowane do Twojego pozycjonowania, a Twój menedżer produktu musi uchwycić i przeanalizować architekturę potoku danych, aby zapewnić spełnia obawy użytkowników dotyczące zarządzania.
• Budując sztuczną inteligencję, firmy często nie doceniają znaczenia projektu. Podczas gdy sztuczna inteligencja zaczyna się w backendzie, dobry projekt jest niezbędny, aby zabłysnąć w produkcji. Projektowanie AI przesuwa granice tradycyjnego UX. Wiele oferowanych przez Ciebie funkcjonalności nie jest per se widocznych w interfejsie, ale „ukrytych” w modelu, dlatego musisz edukować i kierować użytkowników, aby zmaksymalizować te korzyści. Poza tym nowoczesne modele podstawowe to dzikie rzeczy, które mogą wytwarzać toksyczne, błędne i szkodliwe wyniki, dlatego ustaw dodatkowe poręcze zabezpieczające, aby zmniejszyć to ryzyko. Wszystko to może wymagać od Twojego zespołu nowych umiejętności, takich jak szybka inżynieria i projektowanie konwersacyjne. Czasami oznacza to również robienie rzeczy sprzecznych z intuicją, takich jak zaniżanie wartości w celu zarządzania oczekiwaniami użytkowników i dodawanie tarć, aby zapewnić im większą kontrolę i przejrzystość.
• Szum na sztuczną inteligencję tworzy presję. Wiele firm stawia wózek przed końmi, rzucając się na wdrożenia, które nie są poparte potrzebami klientów i rynku. Czasami dorzucenie modnego hasła związanego ze sztuczną inteligencją może pomóc Ci w promowaniu i pozycjonowaniu się jako postępowej i innowacyjnej firmy, ale w dłuższej perspektywie będziesz musiał poprzeć swój szum i eksperymenty prawdziwymi możliwościami. Można to osiągnąć poprzez ścisłą koordynację pomiędzy biznesem a technologią, która opiera się na wyraźnym mapowaniu możliwości rynkowych do potencjałów technologicznych.

W tym artykule skonstruujemy model mentalny systemów AI, który integruje te różne aspekty (por. rysunek 1). Zachęca konstruktorów do holistycznego myślenia, jasnego zrozumienia docelowego produktu i aktualizowania go o nowe spostrzeżenia i dane wejściowe. Model może służyć jako narzędzie ułatwiające współpracę, harmonizujące różnorodne perspektywy wewnątrz i na zewnątrz zespołu AI oraz budujące udane produkty w oparciu o wspólną wizję. Można go zastosować nie tylko do nowych produktów opartych na sztucznej inteligencji, ale także do funkcji sztucznej inteligencji wbudowanych w istniejące produkty.

W poniższych sekcjach krótko opisano każdy z komponentów, koncentrując się na częściach specyficznych dla produktów AI. Zaczniemy od perspektywy biznesowej – możliwości rynkowych i wartości – a następnie zagłębimy się w UX i technologię. Aby zilustrować model, posłużymy się działającym przykładem drugiego pilota do generowania treści marketingowych.

Jeśli te dogłębne treści edukacyjne są dla Ciebie przydatne, możesz zapisz się na naszą listę dyskusyjną AI zostać powiadomionym, gdy wydamy nowy materiał. 

1. okazja

Biorąc pod uwagę wszystkie fajne rzeczy, które możesz teraz zrobić za pomocą sztucznej inteligencji, możesz niecierpliwie czekać, aby ubrudzić sobie ręce i zacząć budować. Aby jednak zbudować coś, czego użytkownicy potrzebują i pokochają, powinieneś wesprzeć swój rozwój szansą rynkową. W idealnym świecie możliwości docierają do nas od klientów, którzy mówią nam, czego potrzebują lub chcą.[1] Mogą to być niezaspokojone potrzeby, bolesne punkty lub pragnienia. Możesz szukać tych informacji w istniejących opiniach klientów, na przykład w recenzjach produktów i notatkach od zespołów sprzedaży i sukcesu. Nie zapominaj także o sobie jako o potencjalnym użytkowniku swojego produktu — jeśli skupiasz się na problemie, którego sam doświadczyłeś, ta przewaga informacyjna stanowi dodatkową przewagę. Poza tym możesz także prowadzić proaktywne badania klientów, korzystając z narzędzi takich jak ankiety i wywiady.

Nie muszę na przykład szukać zbyt daleko, aby dostrzec trudy content marketingu dla startupów, ale także większych firm. Sam tego doświadczyłem — wraz ze wzrostem konkurencji rozwijanie przemyślanego przywództwa za pomocą indywidualnych, regularnych i (!) wysokiej jakości treści staje się coraz ważniejsze dla różnicowania się. Tymczasem, mając mały i zajęty zespół, zawsze będą na stole sprawy, które wydają się ważniejsze niż napisanie wpisu tygodnia na blogu. Często spotykam też w mojej sieci osoby, które mają trudności z ustaleniem spójnej rutyny marketingu treści. Te „lokalne”, potencjalnie stronnicze obserwacje można potwierdzić za pomocą ankiet wykraczających poza sieć danej osoby i potwierdzających szerszy rynek dla rozwiązania.

Rzeczywisty świat jest nieco bardziej niejasny, a klienci nie zawsze będą przychodzić do Ciebie, aby zaprezentować nowe, dobrze sformułowane możliwości. Przeciwnie, jeśli wyciągniesz czułki, możliwości dotrą do ciebie z wielu stron, takich jak:

• Pozycjonowanie rynku: Sztuczna inteligencja jest modna — w przypadku istniejących firm można ją wykorzystać do wzmocnienia wizerunku firmy jako innowacyjnej, zaawansowanej technologicznie, przyszłościowej itp. Może na przykład podnieść istniejącą agencję marketingową do rangi usługi opartej na sztucznej inteligencji i wyróżnić ją na tle konkurencji. Nie rób jednak sztucznej inteligencji dla samej sztucznej inteligencji. Trick pozycjonowania należy stosować ostrożnie i w połączeniu z innymi możliwościami – w przeciwnym razie ryzykujesz utratę wiarygodności.
• KONKURENCI: Kiedy Twoi konkurenci wykonują ruch, jest prawdopodobne, że przeprowadzili już podstawowe badania i weryfikację. Przyjrzyj się im po pewnym czasie – czy ich rozwój był udany? Skorzystaj z tych informacji, aby zoptymalizować własne rozwiązanie, zastosować udane części i wyeliminować błędy. Załóżmy na przykład, że obserwujesz konkurenta oferującego usługę w pełni zautomatyzowanego generowania treści marketingowych. Użytkownicy klikają „duży czerwony przycisk”, a sztuczna inteligencja maszeruje dalej, aby napisać i opublikować treść. Po kilku badaniach okazuje się, że użytkownicy wahają się przed użyciem tego produktu, ponieważ chcą zachować większą kontrolę nad procesem i wnieść do pisania swoją własną wiedzę i osobowość. W końcu pisanie to także wyrażanie siebie i indywidualna kreatywność. Nadszedł czas, aby ruszyć dalej z wszechstronnym narzędziem oferującym bogatą funkcjonalność i konfigurację do kształtowania treści. Zwiększa efektywność użytkowników, jednocześnie umożliwiając im „włączenie się” w proces, kiedy tylko chcą.
• Regulamin: megatrendy, takie jak zakłócenia technologiczne i globalizacja, zmuszają organy regulacyjne do zaostrzenia swoich wymagań. Przepisy wywierają presję i są kuloodpornym źródłem możliwości. Wyobraźmy sobie na przykład, że wchodzi w życie rozporządzenie, które rygorystycznie nakłada na wszystkich obowiązek reklamowania treści generowanych przez sztuczną inteligencję jako takich. Te firmy, które już korzystają z narzędzi do generowania treści AI, znikną z wewnętrznych dyskusji na temat tego, czy tego chcą. Wielu z nich się powstrzyma, ponieważ chcą zachować wizerunek prawdziwego przemyślanego przywództwa, zamiast tworzyć szablony w sposób widoczny generowane przez sztuczną inteligencję. Załóżmy, że byłeś mądry i zdecydowałeś się na rozszerzone rozwiązanie, które daje użytkownikom wystarczającą kontrolę, aby mogli pozostać oficjalnymi „autorami” tekstów. Po wprowadzeniu nowego ograniczenia Ty będziesz odporny i będziesz mógł spieszyć się, aby wykorzystać rozporządzenie, podczas gdy Twoi konkurenci dysponujący w pełni zautomatyzowanymi rozwiązaniami będą potrzebować czasu, aby podnieść się po niepowodzeniu.
• Technologii wspomagających: Pojawiające się technologie i znaczący postęp w istniejących technologiach, taki jak fala generatywnej sztucznej inteligencji w latach 2022–23, mogą otworzyć nowe sposoby działania lub wynieść istniejące zastosowania na nowy poziom. Załóżmy, że przez ostatnią dekadę prowadziłeś tradycyjną agencję marketingową. Teraz możesz zacząć wprowadzać hacki i rozwiązania AI do swojej firmy, aby zwiększyć efektywność swoich pracowników, obsługiwać więcej klientów przy istniejących zasobach i zwiększyć swoje zyski. Opierasz się na swojej istniejącej wiedzy specjalistycznej, reputacji i (miejmy nadzieję) dobrej woli) bazie klientów, więc wprowadzenie ulepszeń AI może przebiegać znacznie płynniej i mniej ryzykownie niż w przypadku nowicjusza.

Wreszcie, we współczesnym świecie produktów możliwości są często mniej wyraźne i formalne i można je bezpośrednio zweryfikować w eksperymentach, co przyspiesza rozwój. Zatem w przypadku rozwoju opartego na produkcie członkowie zespołu mogą formułować własne hipotezy bez konieczności opierania się na ścisłych argumentach opartych na danych. Hipotezy te można formułować fragmentarycznie, na przykład modyfikując monit lub zmieniając lokalny układ niektórych elementów UX, co ułatwia ich wdrażanie, wdrażanie i testowanie. Usuwając presję, aby zapewnić apriorycznie danych dla każdej nowej sugestii, podejście to wykorzystuje intuicję i wyobraźnię wszystkich członków zespołu, jednocześnie wymuszając bezpośrednią weryfikację sugestii. Załóżmy, że generowanie treści przebiega sprawnie, ale słyszysz coraz więcej skarg na ogólny brak przejrzystości i wyjaśnialności sztucznej inteligencji. Decydujesz się na wdrożenie dodatkowego poziomu przejrzystości i pokazujesz użytkownikom konkretne dokumenty, które posłużyły do ​​wygenerowania treści. Twój zespół testuje tę funkcję na grupie użytkowników i stwierdza, że ​​chętnie jej używają do śledzenia oryginalnych źródeł informacji. Dlatego decydujesz się na umieszczenie go w produkcie podstawowym, aby zwiększyć wykorzystanie i satysfakcję.

2. Wartość

Aby zrozumieć i przekazać wartość produktu lub funkcji AI, musisz najpierw zmapować ją na przypadek użycia – konkretny problem biznesowy, który rozwiąże – i obliczyć ROI (zwrot z inwestycji). Zmusza to do odwrócenia uwagi od technologii i skupienia się na korzyściach rozwiązania dla użytkownika. ROI można mierzyć w różnych wymiarach. W przypadku sztucznej inteligencji niektóre z nich to:

• Zwiększona wydajność: Sztuczna inteligencja może zwiększyć produktywność jednostek, zespołów i całych firm. Na przykład w przypadku tworzenia treści może się okazać, że zamiast 4–5 godzin zwykle potrzebnych na napisanie wpisu na blogu [2], możesz teraz zrobić to w 1–2 godziny, a zaoszczędzony czas przeznaczyć na inne zadania. Wzrost wydajności często idzie w parze z oszczędnościami, ponieważ do wykonania tej samej ilości pracy potrzeba mniej wysiłku ludzkiego. Zatem w kontekście biznesowym korzyść ta jest atrakcyjna zarówno dla użytkowników, jak i dla przywództwa.
• Bardziej spersonalizowane doświadczenie: Na przykład narzędzie do generowania treści może poprosić użytkowników o ustawienie parametrów ich firmy, takich jak atrybuty marki, terminologia, zalety produktu itp. Ponadto może śledzić zmiany wprowadzone przez konkretnego autora i dostosowywać jego generacje do unikalnego stylu pisania styl tego użytkownika na przestrzeni czasu.
• Zabawa i przyjemność: Tutaj dochodzimy do emocjonalnej strony używania produktu, zwanej także przez Dona Normana poziomem „trzewnym” [3]. W obozie B2C istnieją całe kategorie produktów służących rozrywce i rozrywce, takie jak gry i rzeczywistość rozszerzona. A co z B2B — czy nie założyłbyś, że produkty B2B istnieją w sterylnej, profesjonalnej próżni? W rzeczywistości kategoria ta może generować jeszcze silniejsze reakcje emocjonalne niż B2C.[4] Na przykład pisanie może być postrzegane jako satysfakcjonujący akt wyrażania siebie lub jako wewnętrzna walka z blokadą pisarską i innymi problemami. Zastanów się, jak Twój produkt może wzmocnić pozytywne emocje związane z zadaniem, jednocześnie łagodząc lub nawet przekształcając jego bolesne aspekty.
• Wygoda: Co musi zrobić użytkownik, aby wykorzystać magiczne moce sztucznej inteligencji? Wyobraź sobie integrację drugiego pilota generowania treści z popularnymi narzędziami do współpracy, takimi jak MS Office, Dokumenty Google i Notion. Użytkownicy będą mogli uzyskać dostęp do inteligencji i wydajności Twojego produktu bez konieczności opuszczania komfortu swojego cyfrowego „domu”. W ten sposób minimalizujesz wysiłek, jaki użytkownicy muszą włożyć, aby doświadczyć wartości produktu i nadal z niego korzystać, co z kolei zwiększa pozyskiwanie i adaptację użytkowników.

Niektóre korzyści związane ze sztuczną inteligencją – na przykład wydajność – można bezpośrednio określić ilościowo pod względem zwrotu z inwestycji. Aby uzyskać mniej namacalne korzyści, takie jak wygoda i przyjemność, będziesz musiał pomyśleć o wskaźnikach zastępczych, takich jak satysfakcja użytkownika. Pamiętaj, że myślenie w kategoriach wartości dla użytkownika końcowego nie tylko zamknie przepaść pomiędzy Twoimi użytkownikami a Twoim produktem. Miłym efektem ubocznym może być ograniczenie szczegółów technicznych w komunikacji publicznej. Zapobiegnie to przypadkowemu zaproszeniu na imprezę niechcianej konkurencji.

Wreszcie, podstawowym aspektem wartości, który należy wziąć pod uwagę na wczesnym etapie, jest zrównoważony rozwój. Jak Twoje rozwiązanie wpływa na społeczeństwo i środowisko? W naszym przykładzie zautomatyzowane lub rozszerzone generowanie treści może zastąpić i wyeliminować obciążenie pracą człowieka na dużą skalę. Prawdopodobnie nie chcesz być znany jako przyszły zabójca w całej kategorii zawodów — w końcu nie tylko wywoła to pytania etyczne, ale także wywoła opór ze strony użytkowników, którym zagrażasz. Zastanów się, jak możesz poradzić sobie z tymi obawami. Można na przykład edukować użytkowników, w jaki sposób mogą efektywnie wykorzystać swój nowy czas wolny do projektowania jeszcze bardziej wyrafinowanych strategii marketingowych. Mogą one zapewnić możliwą do obrony fosę, nawet gdy inni konkurenci nadążają za automatycznym generowaniem treści.

3. Dane

W przypadku każdego rodzaju sztucznej inteligencji i uczenia maszynowego należy gromadzić i przygotowywać dane w taki sposób, aby odzwierciedlały rzeczywiste dane wejściowe i zapewniały wystarczające sygnały uczenia się dla Twojego modelu. Obecnie widzimy trend w kierunku sztucznej inteligencji skoncentrowanej na danych — filozofii sztucznej inteligencji, która odchodzi od niekończącego się ulepszania i optymalizacji modeli i koncentruje się na naprawianiu licznych problemów w danych wprowadzanych do tych modeli. Na początku istnieją różne sposoby zdobycia przyzwoitego zbioru danych:

• Możesz użyj istniejącego zbioru danych. Może to być standardowy zestaw danych uczenia maszynowego lub zestaw danych o innym celu początkowym, który dostosowujesz do swojego zadania. Istnieje kilka klasycznych zbiorów danych, takich jak Zbiór danych recenzji filmów IMDB do analizy nastrojów i Zbiór danych MNIST do rozpoznawania znaków pisanych odręcznie. Istnieją bardziej egzotyczne i ekscytujące alternatywy, np Łapanie nielegalnych połowów i Identyfikacja rasy psóworaz niezliczone zbiory danych wybrane przez użytkowników w centrach danych takich jak Kaggle. Szanse, że znajdziesz zbiór danych stworzony dla Twojego konkretnego zadania i całkowicie spełniający Twoje wymagania, są raczej niskie i w większości przypadków będziesz musiał skorzystać również z innych metod wzbogacenia swoich danych.
• Możesz dodawać adnotacje lub tworzyć dane ręcznie aby stworzyć właściwe sygnały uczenia się. Ręczne dodawanie adnotacji do danych — na przykład dopisywanie tekstów z oceną nastrojów — było metodą stosowaną w początkach uczenia maszynowego. Ostatnio odzyskał uwagę jako główny składnik tajnego sosu ChatGPT. Ogromny wysiłek włożono w stworzenie i uszeregowanie odpowiedzi modelu tak, aby odzwierciedlały ludzkie preferencje. Technika ta nazywana jest także uczeniem się przez wzmacnianie na podstawie informacji zwrotnej od człowieka (RLHF). Jeśli dysponujesz niezbędnymi zasobami, możesz je wykorzystać do tworzenia wysokiej jakości danych do bardziej konkretnych zadań, np. generowania treści marketingowych. Adnotacji można dokonać wewnętrznie lub za pośrednictwem zewnętrznego dostawcy lub usługi crowdsourcingowej, takiej jak Amazon Mechanical Turk. Tak czy inaczej, większość firm nie będzie chciała wydawać ogromnych zasobów potrzebnych do ręcznego tworzenia danych RLHF i rozważy kilka trików automatyzujących tworzenie swoich danych.
• Możesz więc dodać więcej przykładów do istniejącego zbioru danych, używając powiększanie danych. W przypadku prostszych zadań, takich jak analiza nastrojów, można wprowadzić do tekstu trochę dodatkowego szumu, zamienić kilka słów itp. W przypadku zadań bardziej otwartego generowania obecnie panuje duży entuzjazm w zakresie używania dużych modeli (np. modeli podstawowych) do automatyzacji generowanie danych szkoleniowych. Po zidentyfikowaniu najlepszej metody powiększania danych można ją łatwo skalować, aby osiągnąć wymagany rozmiar zbioru danych.

Tworząc dane, stajesz przed wyborem jakości i ilości. Możesz ręcznie dodawać adnotacje do mniejszej ilości danych o wysokiej jakości lub wydać swój budżet na opracowywanie hacków i sztuczek do automatycznego powiększania danych, które wprowadzą dodatkowy szum. Jeśli zdecydujesz się na ręczne adnotacje, możesz to zrobić wewnętrznie i kształtować kulturę szczegółowości i jakości lub zlecić pracę anonimowym osobom. Crowdsourcing ma zazwyczaj niższą jakość, więc może być konieczne dodanie większej liczby adnotacji, aby zrekompensować hałas. Jak znaleźć idealną równowagę? Nie ma tutaj gotowych recept — ostatecznie znajdziesz idealną kompozycję danych poprzez ciągłe powtarzanie między szkoleniem a ulepszaniem danych. Ogólnie rzecz biorąc, przygotowując model do szkolenia, należy zdobyć wiedzę od podstaw, co może nastąpić tylko przy większej ilości danych. Z drugiej strony, jeśli chcesz dopracować i nadać ostatni akcent specjalizacji istniejącemu dużemu modelowi, możesz przedłożyć jakość nad ilość. Kontrolowana ręczna adnotacja małego zbioru danych przy użyciu szczegółowych wytycznych może być w tym przypadku optymalnym rozwiązaniem.

4. algorytm

Dane to surowiec, z którego będzie się uczyć Twój model i, miejmy nadzieję, uda Ci się skompilować reprezentatywny zbiór danych wysokiej jakości. Teraz rzeczywista supermoc Twojego systemu AI – jego zdolność do uczenia się na podstawie istniejących danych i generalizowania na nowe dane – kryje się w algorytmie. Jeśli chodzi o podstawowe modele sztucznej inteligencji, istnieją trzy główne opcje, z których możesz skorzystać:

• Zapytaj istniejący model. Zaawansowane modele LLM (modele dużego języka) z rodziny GPT, takie jak ChatGPT i GPT-4, a także od innych dostawców, takich jak Anthropic i AI21 Labs, są dostępne do wnioskowania za pośrednictwem interfejsu API. Dzięki podpowiedziom możesz bezpośrednio komunikować się z tymi modelami, umieszczając w podpowiedzi wszystkie informacje specyficzne dla domeny i zadania wymagane do wykonania zadania. Może to obejmować konkretną treść, którą należy zastosować, przykłady analogicznych zadań (podpowiadanie o kilku strzałach), a także instrukcje dotyczące modelu, którego należy przestrzegać. Na przykład, jeśli Twój użytkownik chce wygenerować post na blogu na temat nowej funkcji produktu, możesz poprosić go o podanie podstawowych informacji na temat tej funkcji, takich jak zalety i przypadki użycia, sposób korzystania z niej, data wprowadzenia na rynek itp. Następnie produkt wypełnia te informacje w starannie przygotowanym szablonie podpowiedzi i prosi LLM o wygenerowanie tekstu. Podpowiadanie świetnie nadaje się do uzyskania przewagi nad wstępnie wyszkolonymi modelami. Jednak fosa, którą możesz zbudować za pomocą podpowiedzi, z czasem szybko się przerzedzi — w perspektywie średnioterminowej potrzebujesz strategii modelowej, którą można lepiej obronić, aby utrzymać swoją przewagę konkurencyjną.
• Dostosuj wstępnie wytrenowany model. Dzięki temu podejściu sztuczna inteligencja stała się w ostatnich latach tak popularna. Ponieważ dostępnych jest coraz więcej wstępnie wytrenowanych modeli, a portale takie jak Huggingface oferują repozytoria modeli, a także standardowy kod do pracy z modelami, dostrajanie staje się metodą, którą warto wypróbować i wdrożyć. Kiedy pracujesz z wstępnie wytrenowanym modelem, możesz skorzystać z inwestycji, którą ktoś już poczynił w dane, szkolenie i ocenę modelu, który już „wie” wiele rzeczy o języku i świecie. Wszystko, co musisz zrobić, to dostroić model, korzystając ze zbioru danych specyficznego dla zadania, który może być znacznie mniejszy niż zbiór danych używany pierwotnie do treningu przedtreningowego. Na przykład w celu generowania treści marketingowych możesz zebrać zestaw postów na blogu, które osiągnęły dobre wyniki pod względem zaangażowania, i zastosować inżynierię wsteczną instrukcji dla nich. Na podstawie tych danych Twój model dowie się o strukturze, przepływie i stylu udanych artykułów. Dostrajanie jest najlepszym rozwiązaniem w przypadku korzystania z modeli typu open source, ale dostawcy API LLM, tacy jak OpenAI i Cohere, również coraz częściej oferują funkcje dostrajania. Zwłaszcza w przypadku ścieżki open source nadal będziesz musiał wziąć pod uwagę kwestie wyboru modelu, koszty ogólne szkolenia i wdrażania większych modeli oraz harmonogramy konserwacji i aktualizacji modelu.
• Trenuj swój model ML od podstaw. Ogólnie rzecz biorąc, to podejście sprawdza się w przypadku prostszych, ale bardzo specyficznych problemów, dla których masz konkretną wiedzę lub przyzwoite zbiory danych. Generowanie treści nie należy do tej kategorii — wymaga zaawansowanych zdolności językowych, aby ruszyć z miejsca, a te można nabyć dopiero po przeszkoleniu na absurdalnie dużych ilościach danych. Prostsze problemy, takie jak analiza nastrojów dla określonego typu tekstu, często można rozwiązać za pomocą ustalonych metod uczenia maszynowego, takich jak regresja logistyczna, które są mniej kosztowne obliczeniowo niż fantazyjne metody głębokiego uczenia się. Oczywiście istnieje również środek dla dość złożonych problemów, takich jak ekstrakcja koncepcji dla określonych domen, w przypadku których można rozważyć przeszkolenie od podstaw głębokiej sieci neuronowej.

Oprócz szkolenia, ocena ma podstawowe znaczenie dla skutecznego wykorzystania uczenia maszynowego. Odpowiednie wskaźniki i metody oceny są ważne nie tylko dla pewnego uruchomienia funkcji sztucznej inteligencji, ale będą również służyć jako wyraźny cel dalszej optymalizacji oraz jako wspólna podstawa dla wewnętrznych dyskusji i decyzji. Chociaż wskaźniki techniczne, takie jak precyzja, zapamiętywanie i dokładność, mogą stanowić dobry punkt wyjścia, ostatecznie będziesz chciał szukać wskaźników, które odzwierciedlają rzeczywistą wartość, jaką sztuczna inteligencja zapewnia użytkownikom.

5. Doświadczenie użytkownika

Doświadczenia użytkownika związane z produktami AI to fascynujący temat — w końcu użytkownicy pokładają duże nadzieje, ale jednocześnie obawiają się „współpracy” z sztuczną inteligencją, która może doładować i potencjalnie przechytrzyć ich inteligencję. Projekt tego partnerstwa człowiek-AI wymaga przemyślanego i rozsądnego procesu odkrywania i projektowania. Jednym z kluczowych czynników jest stopień automatyzacji, jaki chcesz zapewnić swojemu produktowi — i pamiętaj, całkowita automatyzacja zdecydowanie nie zawsze jest idealnym rozwiązaniem. Poniższy rysunek ilustruje kontinuum automatyzacji:

Przyjrzyjmy się każdemu z tych poziomów:

• W pierwszym etapie całą pracę wykonują ludzie, bez automatyzacji. Pomimo szumu wokół sztucznej inteligencji, większość zadań wymagających dużej wiedzy we współczesnych firmach nadal jest wykonywana na tym poziomie, co stwarza ogromne możliwości automatyzacji. Na przykład pracuje tutaj autor treści, który opiera się narzędziom opartym na sztucznej inteligencji i jest przekonany, że pisanie jest rzemiosłem wysoce ręcznym i specyficznym.
• W drugim etapie wspomaganej sztucznej inteligencji użytkownicy mają pełną kontrolę nad realizacją zadań i dużą część pracy wykonują ręcznie, ale narzędzia AI pomagają im zaoszczędzić czas i kompensować słabe punkty. Na przykład, gdy piszesz post na blogu z napiętym terminem, końcowa weryfikacja językowa za pomocą Gramatyki lub podobnego narzędzia może okazać się mile widzianą oszczędnością czasu. Może wyeliminować ręczną korektę, która wymaga dużej ilości czasu i uwagi, a mimo to może narazić Cię na błędy i przeoczenia — w końcu błądzenie jest rzeczą ludzką.
• Dzięki rozszerzonej inteligencji sztuczna inteligencja jest partnerem, który zwiększa inteligencję człowieka, wykorzystując w ten sposób mocne strony obu światów. W porównaniu ze wspomaganą sztuczną inteligencją maszyna ma znacznie więcej do powiedzenia w procesie i obejmuje większy zestaw obowiązków, takich jak tworzenie pomysłów, generowanie i edytowanie wersji roboczych oraz końcowa kontrola językowa. Użytkownicy nadal muszą uczestniczyć w pracy, podejmować decyzje i wykonywać części zadania. Interfejs użytkownika powinien wyraźnie wskazywać podział pracy między człowiekiem a sztuczną inteligencją, podkreślać potencjalne błędy i zapewniać przejrzystość wykonywanych kroków. Krótko mówiąc, „rozszerzone” doświadczenie prowadzi użytkowników do pożądanego rezultatu poprzez iterację i udoskonalanie.
• I wreszcie mamy pełną automatyzację — intrygujący pomysł dla maniaków AI, filozofów i ekspertów, ale często nie jest optymalnym wyborem w przypadku rzeczywistych produktów. Pełna automatyzacja oznacza, że ​​oferujesz jeden „duży czerwony przycisk”, który rozpoczyna proces. Po zakończeniu sztucznej inteligencji użytkownicy stają przed ostatecznym wynikiem i albo go przyjmują, albo zostawiają. Wszystko, co wydarzyło się pomiędzy, nie jest w stanie kontrolować. Jak możesz sobie wyobrazić, opcje UX są tutaj raczej ograniczone, ponieważ praktycznie nie ma interaktywności. Większość odpowiedzialności za sukces spoczywa na barkach Twoich kolegów technicznych, którzy muszą zapewnić wyjątkowo wysoką jakość wyników.

Produkty AI wymagają specjalnego traktowania pod względem projektowania. Standardowe interfejsy graficzne są deterministyczne i pozwalają przewidzieć wszystkie możliwe ścieżki, którymi może podążać użytkownik. Z kolei duże modele sztucznej inteligencji są probabilistyczne i niepewne — ujawniają szereg niesamowitych możliwości, ale także ryzyko, takie jak toksyczne, błędne i szkodliwe wyniki. Z zewnątrz interfejs AI może wyglądać prosto, ponieważ wiele możliwości produktu tkwi bezpośrednio w modelu. Na przykład LLM może interpretować podpowiedzi, tworzyć tekst, wyszukiwać informacje, podsumowywać je, przyjmować określony styl i terminologię, wykonywać instrukcje itp. Nawet jeśli Twój interfejs użytkownika to prosty interfejs czatu lub podpowiedzi, nie pozostawiaj tego potencjału niezauważonego — aby poprowadzić użytkowników do sukcesu, musisz być jednoznaczny i realistyczny. Uświadamiaj użytkownikom możliwości i ograniczenia modeli sztucznej inteligencji, pozwól im łatwo wykrywać i naprawiać błędy popełniane przez sztuczną inteligencję oraz naucz ich, jak samodzielnie iterować w celu uzyskania optymalnych wyników. Kładąc nacisk na zaufanie, przejrzystość i edukację użytkowników, możesz sprawić, że Twoi użytkownicy będą współpracować z sztuczną inteligencją. Chociaż głębokie zanurzenie się w powstającą dyscyplinę projektowania sztucznej inteligencji wykracza poza zakres tego artykułu, gorąco zachęcam do szukania inspiracji nie tylko w innych firmach zajmujących się sztuczną inteligencją, ale także w innych obszarach projektowania, takich jak interakcja człowiek-maszyna. Wkrótce zidentyfikujesz szereg powtarzających się wzorców projektowych, takich jak autouzupełnianie, podpowiedzi i powiadomienia AI, które możesz zintegrować z własnym interfejsem, aby w pełni wykorzystać swoje dane i modele.

Co więcej, aby stworzyć naprawdę świetny projekt, być może będziesz musiał dodać do swojego zespołu nowe umiejętności projektowe. Na przykład, jeśli budujesz aplikację do czatowania w celu udoskonalenia treści marketingowych, będziesz współpracować z projektantem konwersacji, który zadba o przepływ konwersacji i „osobowość” Twojego chatbota. Jeśli tworzysz bogaty, udoskonalony produkt, który wymaga dokładnej edukacji i poprowadzenia użytkowników przez dostępne opcje, projektant treści może pomóc w zbudowaniu odpowiedniego rodzaju architektury informacji oraz dodać odpowiednią ilość zachęt i podpowiedzi dla użytkowników.

I wreszcie bądź otwarty na niespodzianki. Projektowanie AI może skłonić Cię do ponownego przemyślenia oryginalnych koncepcji dotyczących doświadczenia użytkownika. Na przykład wielu projektantów UX i menedżerów produktu starało się zminimalizować opóźnienia i tarcia, aby zapewnić użytkownikowi wygodę. Cóż, w produktach AI możesz zatrzymać tę walkę i wykorzystać obie na swoją korzyść. Opóźnienia i czasy oczekiwania świetnie nadają się do edukacji użytkowników, np. poprzez wyjaśnienie, co aktualnie robi sztuczna inteligencja i wskazanie możliwych kolejnych kroków z ich strony. Przerwy, takie jak wyskakujące okna dialogowe i powiadomienia, mogą powodować tarcia, wzmacniając partnerstwo człowieka i sztucznej inteligencji oraz zwiększając przejrzystość i kontrolę dla użytkowników.

6. Wymagania niefunkcjonalne

Oprócz danych, algorytmów i UX, które umożliwiają wdrożenie określonej funkcjonalności, tak zwane wymagania niefunkcjonalne (NFR), takie jak dokładność, opóźnienie, skalowalność, niezawodność i zarządzanie danymi, zapewniają, że użytkownik rzeczywiście otrzyma przewidywaną wartość. Koncepcja NFR wywodzi się z rozwoju oprogramowania, ale nie jest jeszcze systematycznie uwzględniana w dziedzinie sztucznej inteligencji. Często wymagania te są wykrywane ad hoc, gdy pojawiają się podczas badań użytkowników, tworzenia pomysłów, rozwoju i działania możliwości sztucznej inteligencji.

Powinieneś spróbować zrozumieć i zdefiniować swoje NFR tak wcześnie, jak to możliwe, ponieważ różne NFR będą pojawiać się w różnych momentach Twojej podróży. Na przykład kwestię prywatności należy rozważyć już na pierwszym etapie selekcji danych. Dokładność jest najbardziej wrażliwa na etapie produkcji, kiedy użytkownicy zaczynają korzystać z systemu online, co może spowodować przytłoczenie go nieoczekiwanymi danymi wejściowymi. Skalowalność to kwestia strategiczna, która ma znaczenie, gdy Twoja firma skaluje liczbę użytkowników i/lub żądań lub spektrum oferowanej funkcjonalności.

Jeśli chodzi o NFR, nie można mieć ich wszystkich. Oto niektóre typowe kompromisy, które trzeba będzie zrównoważyć:

• Jedną z pierwszych metod zwiększenia dokładności jest użycie większego modelu, co wpłynie na opóźnienia.
• Używanie danych produkcyjnych „takich, jakie są” do dalszej optymalizacji może być najlepszym sposobem na naukę, ale może naruszać zasady prywatności i anonimizacji.
• Bardziej skalowalne modele są modelami generalizującymi, co wpływa na ich dokładność w przypadku zadań specyficznych dla firmy lub użytkownika.

Sposób ustalania priorytetów dla różnych wymagań będzie zależał od dostępnych zasobów obliczeniowych, koncepcji UX, w tym stopnia automatyzacji, oraz wpływu decyzji wspieranych przez sztuczną inteligencję.

Kluczowe dania na wynos

1. Zacznij z wizją końca: Nie zakładaj, że sama technologia wykona zadanie; potrzebujesz jasnego planu działania dotyczącego zintegrowania sztucznej inteligencji z produktem skierowanym do użytkownika i edukowania użytkowników na temat korzyści, zagrożeń i ograniczeń.
2. Wyrównanie rynku: Nadaj priorytet możliwościom rynkowym i potrzebom klientów, aby kierować rozwojem sztucznej inteligencji. Nie spiesz się z wdrożeniami sztucznej inteligencji pod wpływem szumu i braku weryfikacji na rynku.
3. Wartość użytkownika: Zdefiniuj, określ ilościowo i przekaż wartość produktów AI pod względem wydajności, personalizacji, wygody i innych wymiarów wartości.
4. Jakość danych: Skoncentruj się na jakości i przydatności danych, aby skutecznie szkolić modele sztucznej inteligencji. Spróbuj użyć małych, wysokiej jakości danych do dostrajania, a większych zbiorów danych do szkolenia od zera.
5. Wybór algorytmu/modelu: Wybierz odpowiedni poziom złożoności i możliwości obrony (podpowiadanie, dostrajanie, szkolenie od podstaw) dla swojego przypadku użycia i dokładnie oceń jego wydajność. Z biegiem czasu, gdy zdobędziesz niezbędną wiedzę i zaufanie do swojego produktu, możesz chcieć przejść na bardziej zaawansowane strategie modelowe.
6. Projekt zorientowany na użytkownika: Projektuj produkty AI, mając na uwadze potrzeby i emocje użytkowników, równoważąc automatyzację i kontrolę użytkownika. Zwróć uwagę na „nieprzewidywalność” probabilistycznych modeli sztucznej inteligencji i poinstruuj użytkowników, aby z nimi pracowali i czerpali z nich korzyści.
7. Wspólny projekt: kładąc nacisk na zaufanie, przejrzystość i edukację użytkowników, możesz sprawić, że Twoi użytkownicy będą współpracować z sztuczną inteligencją.
8. Wymagania niefunkcjonalne: Weź pod uwagę takie czynniki, jak dokładność, opóźnienie, skalowalność i niezawodność podczas całego procesu programowania i spróbuj na wczesnym etapie ocenić kompromisy między nimi.
9. Współpraca: Wspieraj ścisłą współpracę między ekspertami AI, projektantami, menedżerami produktów i innymi członkami zespołu, aby móc korzystać z interdyscyplinarnej inteligencji i skutecznie integrować sztuczną inteligencję.

Referencje

[1] Teresa Torres (2021). Nawyki ciągłego odkrywania: odkrywaj produkty, które tworzą wartość dla klienta i wartość biznesową.

[2] Media orbitalne (2022). Nowe statystyki blogowania: jakie strategie dotyczące treści sprawdzają się w 2022 r.? Zapytaliśmy 1016 Blogerów.

[3] Don Norman (2013). Projektowanie rzeczy codziennego użytku.

[4] Google, Gartner i Motista (2013). Od promocji do emocji: łączenie klientów B2B z markami.

Uwaga: wszystkie zdjęcia są autorstwa autora.

Ten artykuł został pierwotnie opublikowany w W kierunku nauki o danych i ponownie opublikowane w TOPBOTS za zgodą autora.

Podoba ci się ten artykuł? Zarejestruj się, aby otrzymywać więcej aktualizacji badań AI.

Damy Ci znać, gdy wydamy więcej artykułów podsumowujących takich jak ten.

Związane z

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• ChartPrime. Podnieś poziom swojej gry handlowej dzięki ChartPrime. Dostęp tutaj.
• Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
• Źródło: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/