Construirea de produse AI cu un model mental holistic

Notă: Acest articol este primul dintr-o serie numită „Disecare aplicații AI”, care introduce un model mental pentru sistemele AI. Modelul servește ca instrument pentru discuția, planificarea și definirea produselor AI de către echipele interdisciplinare de AI și de produse, precum și pentru alinierea cu departamentul de afaceri. Acesta își propune să reunească perspectivele managerilor de produs, designerilor UX, cercetătorilor de date, inginerilor și altor membri ai echipei. În acest articol, introduc modelul mental, în timp ce articolele viitoare vor demonstra cum să-l aplici la anumite produse și caracteristici AI.

Adesea, companiile presupun că tot ce au nevoie pentru a include AI în oferta lor este să angajeze experți AI și să-i lase să joace magia tehnică. Această abordare îi conduce direct în eroarea integrării: chiar dacă acești experți și ingineri produc modele și algoritmi excepționali, rezultatele lor se blochează adesea la nivelul locurilor de joacă, sandbox-urilor și demonstrațiilor și nu devin niciodată părți cu drepturi depline ale unui produs. De-a lungul anilor, am văzut o mare frustrare din partea cercetătorilor de date și a inginerilor ale căror implementări AI remarcabile din punct de vedere tehnic nu și-au găsit drumul în produsele destinate utilizatorilor. Mai degrabă, ei au avut statutul onorabil de experimente de ultimă oră care le-au dat părților interesate interne impresia că călătoresc pe valul AI. Acum, odată cu proliferarea omniprezentă a AI de la publicarea ChatGPT în 2022, companiile nu își mai permit să folosească AI ca o caracteristică „far” pentru a-și arăta perspicacitatea tehnologică.

De ce este atât de dificil să integrezi AI? Există câteva motive:

• Adesea, echipele se concentrează pe un singur aspect al unui sistem AI. Acest lucru a condus chiar la apariția unor tabere separate, cum ar fi IA centrată pe date, centrată pe model și centrată pe om. În timp ce fiecare dintre ele oferă perspective interesante pentru cercetare, un produs din viața reală trebuie să combine datele, modelul și interacțiunea om-mașină într-un sistem coerent.
• Dezvoltarea AI este o întreprindere extrem de colaborativă. În dezvoltarea de software tradițională, lucrați cu o dihotomie relativ clară constând din componentele backend și frontend. În AI, nu numai că va trebui să adăugați mai multe roluri și abilități diverse echipei dvs., ci și să asigurați o cooperare mai strânsă între diferitele părți. Diferitele componente ale sistemului dumneavoastră AI vor interacționa între ele în moduri intime. De exemplu, dacă lucrați la un asistent virtual, designerii dvs. UX vor trebui să înțeleagă inginerie promptă pentru a crea un flux natural de utilizatori. Adnotatorii dvs. de date trebuie să fie conștienți de marca dvs. și de „trăsăturile de caracter” ale asistentului dvs. virtual pentru a crea date de instruire care sunt consecvente și aliniate cu poziționarea dvs., iar managerul dvs. de produs trebuie să înțeleagă și să examineze arhitectura conductei de date pentru a se asigura răspunde preocupărilor de guvernare ale utilizatorilor dvs.
• Atunci când construiesc AI, companiile subestimează adesea importanța designului. În timp ce AI începe în backend, un design bun este indispensabil pentru a-l face să strălucească în producție. Designul AI depășește limitele UX tradiționale. O mare parte din funcționalitățile pe care le oferiți nu sunt vizibile în sine în interfață, ci „ascunse” în model și trebuie să vă educați și să vă ghidați utilizatorii pentru a maximiza aceste beneficii. În plus, modelele de bază moderne sunt lucruri sălbatice care pot produce rezultate toxice, greșite și dăunătoare, așa că veți instala balustrade suplimentare pentru a reduce aceste riscuri. Toate acestea ar putea necesita noi abilități în echipa dvs., cum ar fi inginerie promptă și design conversațional. Uneori, înseamnă, de asemenea, să faci lucruri contraintuitive, cum ar fi subestimarea valorii pentru a gestiona așteptările utilizatorilor și adăugarea de fricțiuni pentru a le oferi mai mult control și transparență.
• Exagerarea AI creează presiune. Multe companii pun căruța înaintea calului, sărind în implementări care nu sunt validate de nevoile clienților și ale pieței. Ocazional, introducerea cuvântului la modă AI vă poate ajuta să vă puneți pe piață și să vă poziționați ca o afacere progresivă și inovatoare, dar pe termen lung, va trebui să vă susțineți entuziasmul și experimentarea cu oportunități reale. Acest lucru poate fi realizat printr-o coordonare strânsă între afaceri și tehnologie, care se bazează pe o mapare explicită a oportunităților de pe piață și potențialelor tehnologice.

În acest articol, vom construi un model mental pentru sistemele AI care integrează aceste aspecte diferite (cf. figura 1). Îi încurajează pe constructori să gândească holistic, să creeze o înțelegere clară a produsului țintă și să-l actualizeze cu noi perspective și intrări pe parcurs. Modelul poate fi folosit ca instrument pentru a facilita colaborarea, a alinia diversele perspective în interiorul și în afara echipei de AI și pentru a construi produse de succes bazate pe o viziune comună. Poate fi aplicat nu numai produselor noi, bazate pe inteligență artificială, ci și funcțiilor de inteligență artificială care sunt încorporate în produsele existente.

Următoarele secțiuni vor descrie pe scurt fiecare dintre componente, concentrându-se pe părțile care sunt specifice produselor AI. Vom începe cu perspectiva afacerii - oportunitatea pieței și valoarea - și apoi vom aborda UX și tehnologie. Pentru a ilustra modelul, vom folosi exemplul de rulare al unui copilot pentru generarea de conținut de marketing.

Dacă acest conținut educațional aprofundat vă este util, puteți abonați-vă la lista noastră de corespondență pentru cercetare AI pentru a fi avertizați atunci când lansăm material nou. 

1. Oportunitatea

Cu toate lucrurile interesante pe care le poți face acum cu AI, s-ar putea să fii nerăbdător să-ți murdărești mâinile și să începi să construiești. Cu toate acestea, pentru a construi ceva de care utilizatorii dvs. au nevoie și le place, ar trebui să vă susțineți dezvoltarea cu o oportunitate de piață. În lumea ideală, ne ajung oportunități de la clienți care ne spun ce au nevoie sau ce își doresc.[1] Acestea pot fi nevoi nesatisfăcute, puncte dureroase sau dorințe. Puteți căuta aceste informații în feedback-ul clienților existenți, cum ar fi recenziile de produse și note de la echipele dvs. de vânzări și succes. De asemenea, nu vă uitați ca un potențial utilizator al produsului dvs. - dacă vizați o problemă pe care ați experimentat-o ​​chiar dvs., acest avantaj de informare este un avantaj suplimentar. Dincolo de aceasta, puteți, de asemenea, să efectuați cercetări proactive asupra clienților folosind instrumente precum sondaje și interviuri.

De exemplu, nu trebuie să caut prea departe pentru a vedea durerile marketingului de conținut pentru startup-uri, dar și companii mai mari. Am experimentat-o ​​și eu — pe măsură ce concurența crește, dezvoltarea unui lider de gândire cu conținut individual, regulat și (!) de înaltă calitate devine din ce în ce mai importantă pentru diferențiere. Între timp, cu o echipă mică și ocupată, vor fi mereu lucruri pe masă care par mai importante decât scrierea postării săptămânii pe blog. De asemenea, întâlnesc adesea oameni în rețeaua mea care se luptă să stabilească o rutină consecventă de marketing de conținut. Aceste observații „locale”, potențial părtinitoare, pot fi validate prin sondaje care depășesc rețeaua cuiva și confirmă o piață mai largă pentru o soluție.

Lumea reală este puțin mai neclară, iar clienții nu vor veni întotdeauna la dvs. pentru a vă prezenta oportunități noi, bine formulate. Mai degrabă, dacă vă întindeți antenele, oportunitățile vă vor ajunge din mai multe direcții, cum ar fi:

• Poziționarea pe piață: AI este la modă — pentru companiile consacrate, poate fi folosită pentru a consolida imaginea unei afaceri ca fiind inovatoare, high-tech, pregătită pentru viitor etc. De exemplu, poate ridica o agenție de marketing existentă la un serviciu bazat pe inteligență artificială și diferențiați-l de concurenți. Cu toate acestea, nu faceți AI de dragul AI. Trucul de poziționare trebuie aplicat cu prudență și în combinație cu alte oportunități - altfel, riscați să pierdeți credibilitatea.
• concurenţii: Când concurenții tăi fac o mișcare, este probabil să fi făcut deja cercetarea și validarea de bază. Uită-te la ei după ceva timp - a avut succes dezvoltarea lor? Folosiți aceste informații pentru a vă optimiza propria soluție, pentru a adopta piesele de succes și pentru a elimina greșelile. De exemplu, să presupunem că observați un concurent care oferă un serviciu pentru generarea complet automatizată de conținut de marketing. Utilizatorii dau clic pe un „buton roșu mare”, iar AI merge înainte pentru a scrie și a publica conținutul. După câteva cercetări, aflați că utilizatorii ezită să folosească acest produs deoarece doresc să păstreze mai mult control asupra procesului și să contribuie cu propria lor expertiză și personalitate la scriere. La urma urmei, scrisul este și despre autoexprimare și creativitate individuală. Acesta este momentul să mergeți mai departe cu un instrument versatil care oferă funcționalități și configurații bogate pentru modelarea conținutului dvs. Mărește eficiența utilizatorilor, permițându-le în același timp să se „injecteze” în proces oricând doresc.
• Reguli: megatendințele precum perturbarea tehnologică și globalizarea obligă autoritățile de reglementare să își înăsprească cerințele. Reglementările creează presiune și sunt o sursă de oportunitate fără glonț. De exemplu, imaginați-vă că intră în vigoare un regulament care impune strict tuturor să facă publicitate conținutului generat de AI ca atare. Acele companii care folosesc deja instrumente pentru generarea de conținut AI vor dispărea pentru discuții interne despre dacă își doresc acest lucru. Mulți dintre ei se vor abține pentru că doresc să mențină o imagine de lider de gândire autentic, spre deosebire de producerea unui plan general generat de inteligență artificială. Să presupunem că ai fost inteligent și ai optat pentru o soluție augmentată care oferă utilizatorilor suficient control pentru ca aceștia să poată rămâne „autorii” oficiali ai textelor. Pe măsură ce noua restricție este introdusă, sunteți imun și puteți avansa pentru a valorifica regulamentul, în timp ce concurenții dvs. cu soluții complet automatizate vor avea nevoie de timp pentru a-și reveni din eșec.
• Tehnologii activatoare: Tehnologiile emergente și salturile semnificative în tehnologiile existente, cum ar fi valul de IA generativă din 2022-23, pot deschide noi moduri de a face lucrurile sau pot catapulta aplicațiile existente la un nou nivel. Să presupunem că ați condus o agenție de marketing tradițională în ultimul deceniu. Acum, puteți începe să introduceți hack-uri și soluții AI în afacerea dvs. pentru a crește eficiența angajaților dvs., a servi mai mulți clienți cu resursele existente și a vă crește profitul. Vă construiți pe baza experienței, a reputației și a bazei de clienți (sperăm de bunăvoință) existente, așa că introducerea îmbunătățirilor AI poate fi mult mai simplă și mai puțin riscantă decât ar fi pentru un nou venit.

În cele din urmă, în lumea modernă a produselor, oportunitățile sunt adesea mai puțin explicite și formale și pot fi validate direct prin experimente, ceea ce vă accelerează dezvoltarea. Astfel, în creșterea condusă de produse, membrii echipei pot veni cu propriile ipoteze fără un argument strict bazat pe date. Aceste ipoteze pot fi formulate fragmentat, cum ar fi modificarea unui prompt sau modificarea aspectului local al unor elemente UX, ceea ce le face ușor de implementat, implementat și testat. Prin eliminarea presiunii de a furniza a priori date pentru fiecare sugestie nouă, această abordare valorifică intuițiile și imaginația tuturor membrilor echipei, impunând în același timp o validare directă a sugestiilor. Să presupunem că generarea de conținut funcționează fără probleme, dar auziți din ce în ce mai multe plângeri despre o lipsă generală de transparență și explicabilitate a AI. Decizi să implementezi un nivel suplimentar de transparență și să arăți utilizatorilor documentele specifice care au fost folosite pentru a genera un conținut. Echipa ta testează funcția cu o cohortă de utilizatori și constată că sunt bucuroși să o folosească pentru a urmări sursele de informații originale. Astfel, decideți să îl stabiliți în produsul de bază pentru a crește gradul de utilizare și satisfacție.

2. Valoare

Pentru a înțelege și a comunica valoarea produsului sau a caracteristicii dvs. AI, trebuie mai întâi să îl mapați la un caz de utilizare - o problemă de afaceri specifică pe care o va rezolva - și să aflați rentabilitatea investiției (rentabilitatea investiției). Acest lucru vă obligă să vă îndepărtați de tehnologie și să vă concentrați pe beneficiile soluției pentru utilizator. ROI poate fi măsurat pe diferite dimensiuni. Pentru AI, unele dintre ele sunt:

• Eficiență crescută: AI poate fi un stimulent pentru productivitatea indivizilor, echipelor și companiilor întregi. De exemplu, pentru generarea de conținut, s-ar putea să descoperiți că, în loc de cele 4-5 ore necesare în mod normal pentru a scrie o postare pe blog [2], puteți acum să o faceți în 1-2 ore și să petreceți timpul pe care l-ați salvat pentru alte sarcini. Câștigurile de eficiență merg adesea mână în mână cu economii de costuri, deoarece este necesar un efort uman mai mic pentru a efectua aceeași cantitate de muncă. Astfel, în contextul afacerilor, acest beneficiu este atractiv atât pentru utilizatori, cât și pentru conducere.
• O experiență mai personalizată: De exemplu, instrumentul dvs. de generare de conținut poate cere utilizatorilor să stabilească parametri ai companiei lor, cum ar fi atributele mărcii, terminologia, beneficiile produsului etc. În plus, poate urmări editările făcute de un anumit scriitor și poate adapta generațiile sale la scrierea unică. stilul acestui utilizator de-a lungul timpului.
• Distracție și plăcere: Aici, intrăm în latura emoțională a utilizării produsului, numită și nivelul „visceral” de Don Norman [3]. Categorii întregi de produse pentru distracție și divertisment există în tabăra B2C, cum ar fi jocurile și Realitatea Augmentată. Dar B2B – nu ați presupune că produsele B2B există într-un vid profesional steril? În realitate, această categorie poate genera răspunsuri emoționale și mai puternice decât B2C.[4] De exemplu, scrisul poate fi perceput ca un act satisfăcător de auto-exprimare sau ca o luptă interioară cu blocajul scriitorului și alte probleme. Gândiți-vă la modul în care produsul dvs. poate întări emoțiile pozitive ale unei sarcini în timp ce atenuează sau chiar transformă aspectele sale dureroase.
• confort: Ce trebuie să facă utilizatorul dvs. pentru a valorifica puterile magice ale AI? Imaginați-vă că vă integrați copilotul de generare de conținut în instrumente de colaborare populare precum MS Office, Google Docs și Notion. Utilizatorii vor putea accesa inteligența și eficiența produsului dvs. fără a părăsi confortul „acasă” lor digitală. Astfel, minimizați efortul pe care utilizatorii trebuie să-l depună pentru a experimenta valoarea produsului și a-l folosi în continuare, ceea ce, la rândul său, stimulează achiziția și adoptarea utilizatorilor.

Unele dintre beneficiile AI - de exemplu eficiența - pot fi cuantificate direct pentru rentabilitatea investiției. Pentru câștiguri mai puțin tangibile, cum ar fi comoditatea și plăcerea, va trebui să vă gândiți la valori proxy, cum ar fi satisfacția utilizatorilor. Rețineți că gândirea în termeni de valoare pentru utilizatorul final nu va reduce doar decalajul dintre utilizatori și produsul dvs. Ca efect secundar binevenit, poate reduce detaliile tehnice din comunicările publice. Acest lucru vă va împiedica să invitați accidental competiții nedorite la petrecere.

În cele din urmă, un aspect fundamental al valorii pe care ar trebui să-l luați în considerare devreme este sustenabilitatea. Cum impactează soluția dumneavoastră societatea și mediul? În exemplul nostru, generarea de conținut automatizată sau augmentată poate înlocui și elimina sarcinile umane la scară largă. Probabil că nu doriți să fiți cunoscut ca ucigașul unei întregi categorii de locuri de muncă - la urma urmei, acest lucru nu numai că va ridica întrebări etice, ci va provoca și rezistență din partea utilizatorilor ale căror locuri de muncă le amenințați. Gândiți-vă cum vă puteți adresa acestor temeri. De exemplu, puteți educa utilizatorii despre modul în care își pot folosi eficient noul timp liber pentru a concepe strategii de marketing și mai sofisticate. Acestea pot oferi un șanț de apărat, chiar dacă alți concurenți ajung din urmă cu generarea automată de conținut.

3. Date

Pentru orice tip de AI și învățare automată, trebuie să colectați și să vă pregătiți datele astfel încât să reflecte intrările din viața reală și să ofere suficiente semnale de învățare pentru modelul dvs. În zilele noastre, vedem o tendință către IA centrată pe date - o filozofie AI care se îndepărtează de la modificarea și optimizarea nesfârșite a modelelor și se concentrează pe remedierea numeroaselor probleme din datele care sunt introduse în aceste modele. Când începeți, există diferite moduri de a pune mâna pe un set de date decent:

• Poti utilizați un set de date existent. Acesta poate fi fie un set de date standard de învățare automată, fie un set de date cu un scop inițial diferit, pe care îl adaptați pentru sarcina dvs. Există câteva clasice seturi de date, cum ar fi Setul de date pentru recenzii de filme IMDB pentru analiza sentimentelor și Setul de date MNIST pentru recunoașterea caracterelor scrise de mână. Există alternative mai exotice și interesante, cum ar fi Prinderea pescuitului ilegal și Identificarea rasei de câineși nenumărate seturi de date selectate de utilizatori în hub-uri de date precum Kaggle. Șansele ca să găsiți un set de date care este creat pentru sarcina dvs. specifică și care vă satisface complet cerințele sunt destul de scăzute și, în cele mai multe cazuri, va trebui să utilizați și alte metode pentru a vă îmbogăți datele.
• Poti adnotă sau creează datele manual pentru a crea semnalele de învățare potrivite. Adnotarea manuală a datelor - de exemplu, adnotarea textelor cu scoruri de sentiment - a fost metoda de bază în primele zile ale învățării automate. Recent, a recăpătat atenția ca ingredient principal în sosul secret al ChatGPT. S-a depus un efort manual imens pentru crearea și clasarea răspunsurilor modelului pentru a reflecta preferințele umane. Această tehnică se mai numește și învățare prin consolidare din feedback uman (RLHF). Dacă aveți resursele necesare, le puteți folosi pentru a crea date de înaltă calitate pentru sarcini mai specifice, cum ar fi generarea de conținut de marketing. Adnotarea se poate face fie intern, fie folosind un furnizor extern sau un serviciu de crowdsourcing, cum ar fi Amazon Mechanical Turk. Oricum, majoritatea companiilor nu vor dori să cheltuiască resursele uriașe necesare pentru crearea manuală a datelor RLHF și vor lua în considerare câteva trucuri pentru a automatiza crearea datelor lor.
• Deci, puteți adăuga mai multe exemple la un set de date existent folosind marirea datelor. Pentru sarcini mai simple, cum ar fi analiza sentimentelor, puteți introduce ceva zgomot suplimentar în texte, puteți schimba câteva cuvinte etc. Pentru sarcini de generare mai deschise, există în prezent mult entuziasm cu privire la utilizarea modelelor mari (de exemplu, modele fundamentale) pentru automate. generarea datelor de antrenament. Odată ce ați identificat cea mai bună metodă de a vă mări datele, o puteți scala cu ușurință pentru a ajunge la dimensiunea necesară a setului de date.

Când vă creați datele, vă confruntați cu un compromis între calitate și cantitate. Puteți adnota manual mai puține date cu o calitate înaltă sau puteți cheltui bugetul pentru dezvoltarea de hack-uri și trucuri pentru creșterea automată a datelor care va introduce zgomot suplimentar. Dacă alegeți adnotarea manuală, puteți face acest lucru în interior și puteți modela o cultură a detaliilor și a calității, sau puteți trimite munca unor persoane anonime. Crowdsourcing-ul are de obicei o calitate mai scăzută, așa că ar putea fi necesar să adnotați mai multe pentru a compensa zgomotul. Cum găsești echilibrul ideal? Nu există rețete gata aici - în cele din urmă, veți găsi compoziția ideală a datelor printr-un dus și înapoi constant între antrenament și îmbunătățirea datelor. În general, atunci când pre-antrenează un model, acesta trebuie să dobândească cunoștințe de la zero, ceea ce se poate întâmpla doar cu o cantitate mai mare de date. Pe de altă parte, dacă vrei să perfecționezi și să dai ultimele tușe de specializare unui model mare existent, s-ar putea să prețuiești calitatea în detrimentul cantității. Adnotarea manuală controlată a unui set de date mic folosind ghiduri detaliate ar putea fi soluția optimă în acest caz.

4. Algoritmul

Datele sunt materia primă din care modelul dvs. va învăța și, sperăm, puteți compila un set de date reprezentativ, de înaltă calitate. Acum, superputerea reală a sistemului dumneavoastră AI – capacitatea sa de a învăța din datele existente și de a generaliza la date noi – rezidă în algoritm. În ceea ce privește modelele de bază AI, există trei opțiuni principale pe care le puteți utiliza:

• Solicitați un model existent. LLM-urile avansate (Large Language Models) ale familiei GPT, cum ar fi ChatGPT și GPT-4, precum și de la alți furnizori, cum ar fi Anthropic și AI21 Labs, sunt disponibile pentru inferență prin API. Cu solicitări, puteți vorbi direct cu aceste modele, incluzând în prompt toate informațiile specifice domeniului și sarcinii necesare pentru o sarcină. Aceasta poate include conținut specific care trebuie utilizat, exemple de sarcini analoge (alertare cu câteva lovituri), precum și instrucțiuni pentru model de urmat. De exemplu, dacă utilizatorul dvs. dorește să genereze o postare pe blog despre o nouă caracteristică a produsului, îi puteți cere să furnizeze câteva informații de bază despre această funcție, cum ar fi beneficiile și cazurile de utilizare ale acesteia, cum să o folosească, data lansării etc. Produsul dvs. completează apoi aceste informații într-un șablon de prompt creat cu atenție și îi cere LLM să genereze textul. Îndemnul este grozav pentru a obține un avans în modelele pre-antrenate. Cu toate acestea, șanțul pe care îl puteți construi cu îndemnuri se va diminua rapid în timp - pe termen mediu, aveți nevoie de o strategie de model mai susținută pentru a vă susține avantajul competitiv.
• Reglați fin un model pre-antrenat. Această abordare a făcut AI atât de populară în ultimii ani. Pe măsură ce din ce în ce mai multe modele pre-instruite devin disponibile și portaluri precum Huggingface oferă depozite de modele, precum și cod standard pentru a lucra cu modelele, reglarea fină devine metoda de bază pentru a încerca și a implementa. Când lucrați cu un model pre-instruit, puteți beneficia de investiția pe care cineva a făcut-o deja în datele, instruirea și evaluarea modelului, care deja „știe” multe lucruri despre limbă și lume. Tot ce trebuie să faceți este să reglați modelul folosind un set de date specific sarcinii, care poate fi mult mai mic decât setul de date utilizat inițial pentru pre-instruire. De exemplu, pentru generarea de conținut de marketing, puteți colecta un set de postări de blog care au avut rezultate bune în ceea ce privește implicarea și puteți face inginerie inversă a instrucțiunilor pentru acestea. Din aceste date, modelul dvs. va afla despre structura, fluxul și stilul articolelor de succes. Reglarea fină este calea de urmat atunci când se utilizează modele open-source, dar furnizorii de API LLM precum OpenAI și Cohere oferă, de asemenea, din ce în ce mai mult funcționalități de reglare fină. În special pentru pista cu sursă deschisă, va trebui în continuare să iei în considerare problemele de selecție a modelului, costul general al instruirii și implementarea modelelor mai mari și programul de întreținere și actualizare a modelului tău.
• Antrenează-ți modelul ML de la zero. În general, această abordare funcționează bine pentru probleme mai simple, dar foarte specifice pentru care aveți un know-how specific sau seturi de date decente. Generarea de conținut nu se încadrează tocmai în această categorie - necesită capacități lingvistice avansate pentru a vă pune la îndemână, iar acestea pot fi dobândite doar după antrenament pe cantități ridicol de mari de date. Probleme mai simple, cum ar fi analiza sentimentelor pentru un anumit tip de text, pot fi adesea rezolvate cu metode de învățare automată consacrate, cum ar fi regresia logistică, care sunt mai puțin costisitoare din punct de vedere computațional decât metodele fanteziste de învățare profundă. Desigur, există și calea de mijloc a unor probleme destul de complexe, cum ar fi extragerea de concepte pentru domenii specifice, pentru care ați putea lua în considerare formarea unei rețele neuronale profunde de la zero.

Dincolo de instruire, evaluarea este de o importanță primordială pentru utilizarea cu succes a învățării automate. Valorile și metodele adecvate de evaluare nu sunt importante doar pentru o lansare sigură a caracteristicilor tale AI, ci vor servi și ca o țintă clară pentru optimizarea ulterioară și ca un teren comun pentru discuții și decizii interne. În timp ce valorile tehnice, cum ar fi precizia, reamintirea și acuratețea, pot oferi un bun punct de plecare, în cele din urmă veți dori să căutați valori care reflectă valoarea reală pe care AI-ul dvs. o oferă utilizatorilor.

5. Experiența utilizatorului

Experiența utilizatorului a produselor AI este o temă captivantă – la urma urmei, utilizatorii au mari speranțe, dar și temeri cu privire la „parteneriat” cu un AI care le poate supraalimenta și poate depăși inteligența lor. Proiectarea acestui parteneriat om-AI necesită un proces de descoperire și proiectare atent și sensibil. Unul dintre considerentele cheie este gradul de automatizare pe care doriți să-l acordați produsului dvs. - și rețineți că automatizarea totală nu este de departe soluția ideală. Următoarea figură ilustrează continuumul automatizării:

Să ne uităm la fiecare dintre aceste niveluri:

• În prima etapă, oamenii fac toată munca și nu se realizează nicio automatizare. În ciuda hype-ului din jurul AI, majoritatea sarcinilor intensive în cunoștințe din companiile moderne sunt încă efectuate la acest nivel, prezentând oportunități uriașe de automatizare. De exemplu, scriitorul de conținut care se opune instrumentelor bazate pe inteligență artificială și este convins că scrisul este o meșteșugire extrem de manuală și idiosincratică lucrează aici.
• În a doua etapă a AI asistată, utilizatorii au control complet asupra execuției sarcinilor și fac o mare parte a muncii manual, dar instrumentele AI îi ajută să economisească timp și să-și compenseze punctele slabe. De exemplu, atunci când scrieți o postare pe blog cu un termen limită strâns, o verificare lingvistică finală cu Grammarly sau un instrument similar poate deveni o economie de timp binevenită. Poate elimina revizuirea manuală, care necesită mult timp și atenție limitată și s-ar putea să vă lase în continuare cu erori și neglijeri - la urma urmei, a greși este uman.
• Cu inteligența augmentată, AI este un partener care mărește inteligența omului, valorificând astfel punctele forte ale ambelor lumi. În comparație cu IA asistată, aparatul are mult mai multe de spus în procesul dumneavoastră și acoperă un set mai larg de responsabilități, cum ar fi ideea, generarea și editarea schițelor și verificarea lingvistică finală. Utilizatorii mai trebuie să participe la lucru, să ia decizii și să îndeplinească părți ale sarcinii. Interfața cu utilizatorul ar trebui să indice în mod clar distribuția forței de muncă între om și AI, să evidențieze potențialele de eroare și să ofere transparență în pașii pe care îi efectuează. Pe scurt, experiența „amplificată” ghidează utilizatorii către rezultatul dorit prin iterare și rafinare.
• Și, în sfârșit, avem o automatizare completă - o idee intrigantă pentru tociștii, filozofii și expertii AI, dar adesea nu este alegerea optimă pentru produsele din viața reală. Automatizarea completă înseamnă că oferiți un „buton mare roșu” care demarează procesul. Odată ce AI este finalizată, utilizatorii tăi se confruntă cu rezultatul final și fie o iau, fie o părăsesc. Orice s-a întâmplat între ele nu pot controla. După cum vă puteți imagina, opțiunile UX de aici sunt destul de limitate, deoarece practic nu există interactivitate. Cea mai mare parte a responsabilității pentru succes revine colegilor tăi tehnici, care trebuie să asigure o calitate excepțional de înaltă a rezultatelor.

Produsele AI au nevoie de un tratament special când vine vorba de design. Interfețele grafice standard sunt deterministe și vă permit să prevedeți toate căile posibile pe care le-ar putea lua utilizatorul. În schimb, modelele mari de inteligență artificială sunt probabiliste și incerte - ele expun o serie de capacități uimitoare, dar și riscuri, cum ar fi rezultate toxice, greșite și dăunătoare. Din exterior, interfața dvs. AI ar putea părea simplă, deoarece multe dintre capabilitățile produsului dvs. rezidă direct în model. De exemplu, un LLM poate interpreta solicitări, produce text, căuta informații, le poate rezuma, adopta un anumit stil și terminologie, poate executa instrucțiuni etc. Chiar dacă interfața dvs. de utilizare este o interfață simplă de chat sau de promptare, nu lăsați acest potențial nevăzut. — pentru a conduce utilizatorii spre succes, trebuie să fii explicit și realist. Faceți utilizatorii conștienți de capacitățile și limitările modelelor dvs. AI, permiteți-le să descopere și să remedieze cu ușurință erorile făcute de AI și învățați-i modalități de a se itera la rezultate optime. Punând accent pe încredere, transparență și educația utilizatorilor, puteți face utilizatorii să colaboreze cu AI. În timp ce o scufundare profundă în disciplina emergentă a designului AI nu intră în domeniul de aplicare al acestui articol, vă încurajez cu tărie să căutați inspirație nu numai de la alte companii de AI, ci și din alte domenii ale designului, cum ar fi interacțiunea om-mașină. În curând, veți identifica o serie de modele de design recurente, cum ar fi completările automate, sugestiile prompte și notificările AI, pe care le puteți integra în propria interfață pentru a profita la maximum de datele și modelele dvs.

În plus, pentru a oferi un design cu adevărat grozav, ar putea fi necesar să adăugați noi abilități de design echipei dvs. De exemplu, dacă construiești o aplicație de chat pentru rafinarea conținutului de marketing, vei lucra cu un designer conversațional care se ocupă de fluxurile conversaționale și de „personalitatea” chatbot-ului tău. Dacă construiți un produs augmentat bogat care trebuie să vă educă și să vă ghideze în detaliu utilizatorii prin opțiunile disponibile, un designer de conținut vă poate ajuta să construiți tipul potrivit de arhitectură a informațiilor și să adăugați cantitatea potrivită de îndemnuri și sugestii pentru utilizatori.

Și, în sfârșit, fii deschis la surprize. Designul AI vă poate face să vă regândiți concepțiile originale despre experiența utilizatorului. De exemplu, mulți designeri UX și manageri de produs au fost instruiți pentru a minimiza latența și frecarea pentru a netezi experiența utilizatorului. Ei bine, în produsele AI, poți întrerupe această luptă și le poți folosi pe ambele în avantajul tău. Latența și timpii de așteptare sunt excelente pentru a vă educa utilizatorii, de exemplu, explicând ce face AI în prezent și indicând posibilii pași următori din partea lor. Pauzele, cum ar fi ferestrele pop-up de dialog și notificare, pot introduce fricțiuni pentru a consolida parteneriatul om-AI și pentru a crește transparența și controlul pentru utilizatorii dvs.

6. Cerințe nefuncționale

Dincolo de date, algoritmul și UX care vă permit să implementați o funcționalitate specifică, așa-numitele cerințe non-funcționale (NFR) cum ar fi acuratețea, latența, scalabilitatea, fiabilitatea și guvernarea datelor asigură că utilizatorul obține într-adevăr valoarea preconizată. Conceptul de NFR provine din dezvoltarea de software, dar nu este încă contabilizat sistematic în domeniul AI. Adesea, aceste cerințe sunt preluate într-un mod ad-hoc, pe măsură ce apar în timpul cercetării utilizatorilor, al ideii, al dezvoltării și al funcționării capabilităților AI.

Ar trebui să încercați să înțelegeți și să definiți NFR-urile dvs. cât mai devreme posibil, deoarece diferite NFR-uri vor lua viață în diferite momente ale călătoriei dvs. De exemplu, confidențialitatea trebuie luată în considerare începând cu pasul inițial al selecției datelor. Precizia este cea mai sensibilă în etapa de producție, când utilizatorii încep să vă folosească sistemul online, potențial copleșindu-l cu intrări neașteptate. Scalabilitatea este o considerație strategică care intră în joc atunci când afacerea dvs. mărește numărul de utilizatori și/sau solicitări sau spectrul de funcționalități oferite.

Când vine vorba de NFR, nu le poți avea pe toate. Iată câteva dintre compromisurile tipice pe care va trebui să le echilibrați:

• Una dintre primele metode de a crește acuratețea este utilizarea unui model mai mare, care va afecta latența.
• Utilizarea datelor de producție „ca atare” pentru o optimizare ulterioară poate fi cea mai bună pentru învățare, dar poate încălca regulile de confidențialitate și anonimizare.
• Modelele mai scalabile sunt generaliste, ceea ce afectează acuratețea lor asupra sarcinilor specifice companiei sau utilizatorului.

Modul în care prioritizați diferitele cerințe va depinde de resursele de calcul disponibile, de conceptul dvs. UX, inclusiv de gradul de automatizare și de impactul deciziilor susținute de AI.

Cheltuieli cheie

1. Începeți cu sfârșitul în minte: Nu presupuneți că tehnologia singură va face treaba; aveți nevoie de o foaie de parcurs clară pentru integrarea AI în produsul destinat utilizatorului și educarea utilizatorilor despre beneficiile, riscurile și limitările acestuia.
2. Alinierea pieței: prioritizează oportunitățile de piață și nevoile clienților pentru a ghida dezvoltarea AI. Nu vă grăbiți implementările AI conduse de hype și fără validarea pieței.
3. Valoarea utilizatorului: Definiți, cuantificați și comunicați valoarea produselor AI în termeni de eficiență, personalizare, confort și alte dimensiuni ale valorii.
4. Calitatea datelor: Concentrați-vă pe calitatea și relevanța datelor pentru a instrui modelele AI în mod eficient. Încercați să utilizați date mici, de înaltă calitate pentru reglare fină și seturi de date mai mari pentru antrenament de la zero.
5. Selectarea algoritmului/modelului: Alegeți nivelul potrivit de complexitate și defensibilitate (promptare, reglare fină, antrenament de la zero) pentru cazul dvs. de utilizare și evaluați cu atenție performanța acestuia. În timp, pe măsură ce dobândiți expertiza și încrederea necesare în produsul dvs., este posibil să doriți să treceți la strategii de model mai avansate.
6. Design centrat pe utilizator: Proiectați produse AI având în vedere nevoile și emoțiile utilizatorilor, echilibrând automatizarea și controlul utilizatorului. Luați în considerare „impredictibilitatea” modelelor probabilistice AI și ghidați-vă utilizatorii să lucreze cu el și să beneficieze de el.
7. Design colaborativ: Subliniind încrederea, transparența și educația utilizatorilor, îi puteți determina pe utilizatori să colaboreze cu AI.
8. Cerințe nefuncționale: Luați în considerare factori precum acuratețea, latența, scalabilitatea și fiabilitatea pe parcursul dezvoltării și încercați să evaluați de la început compromisurile dintre aceștia.
9. Colaborare: Încurajează o colaborare strânsă între experții AI, designeri, managerii de produs și alți membri ai echipei pentru a beneficia de inteligența interdisciplinară și pentru a integra cu succes AI.

Referinte

[1] Teresa Torres (2021). Obiceiuri de descoperire continuă: Descoperiți produse care creează valoare pentru clienți și valoare pentru afaceri.

[2] Orbit Media (2022). Noi statistici de blogging: ce strategii de conținut funcționează în 2022? Am întrebat 1016 bloggeri.

[3] Don Norman (2013). Designul lucrurilor de zi cu zi.

[4] Google, Gartner și Motista (2013). De la promovare la emoție: conectarea clienților B2B la mărci.

Notă: Toate imaginile sunt ale autorului.

Acest articol a fost publicat inițial Spre știința datelor și re-publicat în TOPBOTS cu permisiunea autorului.

Bucurați-vă de acest articol? Înscrieți-vă pentru mai multe actualizări ale cercetării AI.

Vă vom anunța când vom lansa mai multe articole sumare ca acesta.

Legate de

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. Automobile/VE-uri, carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• ChartPrime. Crește-ți jocul de tranzacționare cu ChartPrime. Accesați Aici.
• BlockOffsets. Modernizarea proprietății de compensare a mediului. Accesați Aici.
• Sursa: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/