Gradnja izdelkov AI s celostnim miselnim modelom

Opomba: Ta članek je prvi v nizu z naslovom »Razčlenjevanje aplikacij AI«, ki predstavlja miselni model za sisteme AI. Model služi kot orodje za razpravo, načrtovanje in opredelitev izdelkov umetne inteligence s strani meddisciplinarnih skupin za umetno inteligenco in izdelkov ter za usklajevanje s poslovnim oddelkom. Njegov namen je združiti perspektive produktnih vodij, oblikovalcev UX, podatkovnih znanstvenikov, inženirjev in drugih članov ekipe. V tem članku predstavljam miselni model, medtem ko bodo prihodnji članki pokazali, kako ga uporabiti za določene izdelke in funkcije AI.

Podjetja pogosto domnevajo, da morajo za vključitev umetne inteligence v svojo ponudbo le najeti strokovnjake za umetno inteligenco in jim dovoliti, da igrajo tehnično magijo. Ta pristop jih vodi naravnost v integracijsko zmoto: tudi če ti strokovnjaki in inženirji izdelajo izjemne modele in algoritme, se njihovi rezultati pogosto zataknejo na ravni igrišč, peskovnikov in predstavitev in nikoli zares ne postanejo polnopravni deli izdelka. V preteklih letih sem videl veliko frustracij podatkovnih znanstvenikov in inženirjev, katerih tehnično izjemne implementacije umetne inteligence niso našle poti v izdelke, namenjene uporabnikom. Namesto tega so imeli časten status vrhunskih eksperimentov, ki so notranjim deležnikom dajali vtis, da jezdijo na valu umetne inteligence. Zdaj, z vseprisotnim širjenjem umetne inteligence od objave ChatGPT leta 2022, si podjetja ne morejo več privoščiti uporabe umetne inteligence kot funkcije »svetilnika« za razkazovanje svoje tehnološke bistrosti.

Zakaj je tako težko integrirati AI? Obstaja nekaj razlogov:

• Pogosto se ekipe osredotočajo na en sam vidik sistema AI. To je privedlo celo do nastanka ločenih taborov, kot so AI, osredotočen na podatke, na modele in na človeka. Medtem ko vsak od njih ponuja vznemirljive perspektive za raziskovanje, mora izdelek v resničnem življenju združiti podatke, model in interakcijo med človekom in strojem v skladen sistem.
• Razvoj umetne inteligence je zelo sodelovalno podjetje. Pri tradicionalnem razvoju programske opreme delate z razmeroma jasno dihotomijo, ki jo sestavljajo zaledne in sprednje komponente. V AI svoji ekipi ne boste morali samo dodati več raznolikih vlog in veščin, ampak zagotoviti tudi tesnejše sodelovanje med različnimi stranmi. Različne komponente vašega sistema umetne inteligence bodo delovale med seboj na intimen način. Na primer, če delate na virtualnem pomočniku, bodo morali vaši oblikovalci UX razumeti takojšen inženiring, da ustvarijo naraven tok uporabnikov. Vaši označevalci podatkov se morajo zavedati vaše blagovne znamke in »značajskih lastnosti« vašega virtualnega pomočnika, da ustvarijo podatke o usposabljanju, ki so skladni in usklajeni z vašim položajem, vaš produktni vodja pa mora razumeti in natančno preučiti arhitekturo podatkovnega cevovoda, da zagotovi izpolnjuje pomisleke vaših uporabnikov glede upravljanja.
• Pri gradnji AI podjetja pogosto podcenjujejo pomen oblikovanja. Medtem ko se umetna inteligenca začne v ozadju, je dober dizajn nepogrešljiv, da zasije v proizvodnji. Dizajn AI premika meje tradicionalnega UX. Veliko funkcionalnosti, ki jih ponujate, same po sebi niso vidne v vmesniku, ampak so »skrite« v modelu, zato morate svoje uporabnike izobraževati in usmerjati, da bodo te prednosti čim bolj izkoristili. Poleg tega so sodobni osnovni modeli divje stvari, ki lahko povzročijo strupene, napačne in škodljive rezultate, zato boste za zmanjšanje teh tveganj postavili dodatne zaščitne ograje. Vse to lahko zahteva nove veščine vaše ekipe, kot sta hitro inženirstvo in pogovorno oblikovanje. Včasih to pomeni tudi početje kontraintuitivnih stvari, kot je podcenjevanje vrednosti za obvladovanje pričakovanj uporabnikov in dodajanje trenja, da se jim zagotovi večji nadzor in preglednost.
• Pomp umetne inteligence ustvarja pritisk. Številna podjetja postavijo voz pred konja tako, da skočijo k implementacijam, ki niso potrjene s potrebami strank in trga. Občasno dodajanje modne besede AI vam lahko pomaga pri trženju in se pozicionirate kot napredno in inovativno podjetje, toda dolgoročno boste morali svoje zanimanje in eksperimentiranje podpreti z resničnimi priložnostmi. To je mogoče doseči s tesnim usklajevanjem med podjetji in tehnologijo, ki temelji na eksplicitnem preslikavi tržnih priložnosti v tehnološke potenciale.

V tem članku bomo izdelali mentalni model za sisteme AI, ki združuje te različne vidike (prim. sliko 1). Graditelje spodbuja k holističnemu razmišljanju, ustvarjanju jasnega razumevanja svojega ciljnega izdelka in ga sproti posodabljajo z novimi spoznanji in vložki. Model se lahko uporablja kot orodje za olajšanje sodelovanja, usklajevanje različnih perspektiv znotraj in zunaj ekipe AI ter ustvarjanje uspešnih izdelkov na podlagi skupne vizije. Uporablja se lahko ne samo za nove izdelke, ki jih poganja AI, ampak tudi za funkcije AI, ki so vključene v obstoječe izdelke.

Naslednji razdelki bodo na kratko opisali vsako komponento, s poudarkom na delih, ki so specifični za izdelke AI. Začeli bomo s poslovnim vidikom – tržno priložnostjo in vrednostjo – nato pa se bomo poglobili v UX in tehnologijo. Za ponazoritev modela bomo uporabili tekoči primer kopilota za generiranje marketinških vsebin.

Če je ta poglobljena izobraževalna vsebina za vas koristna, lahko se naročite na naš seznam raziskav AI za raziskave na katerega bomo opozorili, ko bomo izdali novo gradivo. 

1. priložnost

Z vsemi kul stvarmi, ki jih zdaj lahko počnete z AI, boste morda nestrpni, da si umažete roke in začnete graditi. Če želite ustvariti nekaj, kar vaši uporabniki potrebujejo in imajo radi, morate svoj razvoj podpreti s tržno priložnostjo. V idealnem svetu priložnosti pridejo do nas od strank, ki nam povedo, kaj potrebujejo ali želijo.[1] To so lahko neizpolnjene potrebe, bolečine ali želje. Te informacije lahko poiščete v obstoječih povratnih informacijah strank, na primer v ocenah izdelkov in zapiskih vaših prodajnih in uspešnih skupin. Ne pozabite tudi nase kot potencialnega uporabnika vašega izdelka – če ciljate na težavo, ki ste jo sami izkusili, je ta informacijska prednost dodatna prednost. Poleg tega lahko izvedete proaktivno raziskavo strank z orodji, kot so ankete in intervjuji.

Na primer, ni mi treba iskati predaleč, da vidim težave vsebinskega trženja za startupe, pa tudi za večja podjetja. Sam sem to izkusil — z naraščajočo konkurenco postaja razvoj miselnega vodenja z individualnimi, rednimi in (!) kakovostnimi vsebinami čedalje pomembnejši za diferenciacijo. Medtem pa bodo z majhno in zaposleno ekipo vedno na mizi stvari, ki se zdijo pomembnejše od pisanja objave v spletnem dnevniku tedna. Prav tako pogosto srečam ljudi v svojem omrežju, ki se trudijo vzpostaviti dosledno rutino trženja vsebine. Ta »lokalna«, potencialno pristranska opažanja je mogoče potrditi z raziskavami, ki presegajo posameznikovo omrežje in potrjujejo širši trg za rešitev.

Realni svet je nekoliko bolj mehak in kupci ne bodo vedno prišli k vam, da bi vam predstavili nove, dobro oblikovane priložnosti. Namesto tega, če raztegnete svoje antene, vas bodo priložnosti dosegle iz več smeri, kot so:

• Tržno pozicioniranje: AI je v trendu – za uveljavljena podjetja se lahko uporablja za krepitev podobe podjetja kot inovativnega, visokotehnološkega, pripravljenega na prihodnost itd. Lahko na primer povzdigne obstoječo marketinško agencijo v storitev, ki temelji na AI in ga ločiti od konkurentov. Vendar ne delajte AI zaradi AI. Trik pozicioniranja je treba uporabljati previdno in v kombinaciji z drugimi priložnostmi – sicer tvegate izgubo verodostojnosti.
• Tekmovalci: Ko vaši konkurenti naredijo korak, je verjetno, da so že opravili osnovno raziskavo in validacijo. Poglejte jih čez nekaj časa - je bil njihov razvoj uspešen? Uporabite te informacije, da optimizirate lastno rešitev, sprejmete uspešne dele in odpravite napake. Recimo, da opazujete konkurenco, ki ponuja storitev za popolnoma avtomatizirano generiranje marketinških vsebin. Uporabniki kliknejo »velik rdeči gumb« in AI koraka naprej, da napiše in objavi vsebino. Po nekaj raziskavah ugotovite, da uporabniki oklevajo pri uporabi tega izdelka, ker želijo ohraniti več nadzora nad postopkom in prispevati svoje strokovno znanje in osebnost k pisanju. Navsezadnje gre pri pisanju tudi za samoizražanje in individualno ustvarjalnost. To je čas, da greste naprej z vsestranskim orodjem, ki ponuja bogato funkcionalnost in konfiguracijo za oblikovanje vaše vsebine. Povečuje učinkovitost uporabnikov, hkrati pa jim omogoča, da se »vbrizgajo« v proces, kadar koli želijo.
• Predpisi: megatrendi, kot sta tehnološka motnja in globalizacija, prisilijo regulatorje, da poostrijo svoje zahteve. Predpisi ustvarjajo pritisk in so neprebojen vir priložnosti. Na primer, predstavljajte si, da pride v poštev predpis, ki strogo zahteva, da vsi oglašujejo vsebino, ki jo ustvari umetna inteligenca kot tako. Tista podjetja, ki že uporabljajo orodja za ustvarjanje vsebine z umetno inteligenco, bodo izginila za notranje razprave o tem, ali to želijo. Mnogi od njih se bodo vzdržali, ker želijo ohraniti podobo pristnega miselnega vodstva, v nasprotju z ustvarjanjem vidno umetne inteligence. Recimo, da ste bili pametni in ste se odločili za razširjeno rešitev, ki uporabnikom omogoča dovolj nadzora, da lahko ostanejo uradni “avtorji” besedil. Ko je uvedena nova omejitev, ste imuni in lahko hitite naprej, da izkoristite uredbo, medtem ko bodo vaši konkurenti s popolnoma avtomatiziranimi rešitvami potrebovali čas, da si opomorejo od nazadovanja.
• Omogočanje tehnologij: Nastajajoče tehnologije in pomembni preskoki v obstoječih tehnologijah, kot je val generativne umetne inteligence v letih 2022–23, lahko odprejo nove načine delovanja ali dvignejo obstoječe aplikacije na novo raven. Recimo, da ste zadnje desetletje vodili tradicionalno marketinško agencijo. Zdaj lahko začnete uvajati vdore in rešitve AI v svoje podjetje, da povečate učinkovitost svojih zaposlenih, z obstoječimi sredstvi postrežete več strankam in povečate svoj dobiček. Gradite na svojem obstoječem strokovnem znanju, ugledu in (upajmo, da so dobre volje) bazi strank, zato je lahko uvedba izboljšav AI veliko bolj gladka in manj tvegana, kot bi bila za novinca.

Nazadnje, v sodobnem svetu izdelkov so priložnosti pogosto manj eksplicitne in formalne in jih je mogoče neposredno potrditi v poskusih, kar pospeši vaš razvoj. Tako lahko pri rasti, ki jo vodi produkt, člani skupine pripravijo lastne hipoteze brez strogega argumenta, ki temelji na podatkih. Te hipoteze je mogoče oblikovati po delih, kot je spreminjanje poziva ali spreminjanje lokalne postavitve nekaterih elementov UX, zaradi česar jih je enostavno implementirati, uvesti in preizkusiti. Z odstranitvijo pritiska za zagotavljanje a priori podatkov za vsak nov predlog, ta pristop izkorišča intuicijo in domišljijo vseh članov ekipe, hkrati pa uveljavlja neposredno potrditev predlogov. Recimo, da vaše ustvarjanje vsebine poteka gladko, vendar slišite vse več pritožb o splošnem pomanjkanju preglednosti in razložljivosti AI. Odločite se, da boste implementirali dodatno raven preglednosti in svojim uporabnikom pokazali določene dokumente, ki so bili uporabljeni za ustvarjanje dela vsebine. Vaša ekipa preizkusi funkcijo s kohorto uporabnikov in ugotovi, da jo z veseljem uporabljajo za sledenje izvirnim virom informacij. Tako se odločite, da ga boste vključili v osnovni izdelek, da povečate uporabo in zadovoljstvo.

2. Vrednost

Če želite razumeti in sporočiti vrednost vašega izdelka ali funkcije AI, ga morate najprej preslikati na primer uporabe – določeno poslovno težavo, ki jo bo rešil – in ugotoviti ROI (donosnost naložbe). To vas prisili, da preusmerite misli stran od tehnologije in se osredotočite na prednosti rešitve na strani uporabnika. ROI je mogoče meriti po različnih dimenzijah. Za AI so nekateri od njih:

• Povečana učinkovitost: AI je lahko spodbujevalec produktivnosti posameznikov, skupin in celotnih podjetij. Na primer, pri ustvarjanju vsebine boste morda ugotovili, da namesto 4–5 ur, ki so običajno potrebne za pisanje objave v spletnem dnevniku [2], lahko zdaj to storite v 1–2 urah in čas, ki ste ga prihranili, porabite za druga opravila. Povečanje učinkovitosti gre pogosto z roko v roki s prihranki stroškov, saj je za opravljanje enake količine dela potrebno manj človeškega truda. Tako je v poslovnem kontekstu ta ugodnost privlačna tako za uporabnike kot za vodstvo.
• Bolj prilagojena izkušnja: Na primer, vaše orodje za ustvarjanje vsebine lahko od uporabnikov zahteva, da nastavijo parametre svojega podjetja, kot so atributi blagovne znamke, terminologija, prednosti izdelka itd. Poleg tega lahko sledi popravkom določenega pisca in prilagodi svoje generacije edinstvenemu pisanju slog tega uporabnika skozi čas.
• Zabava in užitek: Tukaj pridemo do čustvene plati uporabe izdelka, ki jo Don Norman [3] imenuje tudi "visceralna" raven. V taboru B2C obstajajo cele kategorije izdelkov za zabavo in razvedrilo, kot sta igranje iger in obogatena resničnost. Kaj pa B2B – ali ne bi domnevali, da izdelki B2B obstajajo v sterilnem profesionalnem vakuumu? V resnici lahko ta kategorija ustvari celo močnejše čustvene odzive kot B2C.[4] Pisanje lahko na primer dojemamo kot zadovoljujoče dejanje samoizražanja ali kot notranji boj s pisateljsko blokado in drugimi težavami. Pomislite, kako lahko vaš izdelek okrepi pozitivna čustva ob nalogi, hkrati pa ublaži ali celo preoblikuje njene boleče vidike.
• Udobje: Kaj mora vaš uporabnik narediti, da izkoristi čarobne moči umetne inteligence? Predstavljajte si, da svojega kopilota za ustvarjanje vsebine vključite v priljubljena orodja za sodelovanje, kot so MS Office, Google Docs in Notion. Uporabniki bodo lahko dostopali do inteligence in učinkovitosti vašega izdelka, ne da bi zapustili udobje svojega digitalnega »doma«. Tako zmanjšate trud, ki ga morajo uporabniki vložiti, da izkusijo vrednost izdelka in ga še naprej uporabljajo, kar posledično poveča vaše pridobivanje in sprejemanje uporabnikov.

Nekatere prednosti umetne inteligence – na primer učinkovitost – je mogoče neposredno kvantificirati za donosnost naložbe. Za manj oprijemljive pridobitve, kot sta udobje in užitek, boste morali razmišljati o nadomestnih meritvah, kot je zadovoljstvo uporabnikov. Ne pozabite, da razmišljanje v smislu vrednosti za končnega uporabnika ne bo le zapolnilo vrzeli med vašimi uporabniki in vašim izdelkom. Kot dobrodošel stranski učinek lahko zmanjša tehnične podrobnosti v vaših javnih komunikacijah. Tako boste preprečili, da bi na zabavo pomotoma povabili neželeno konkurenco.

Nazadnje, temeljni vidik vrednosti, ki bi ga morali upoštevati že zgodaj, je trajnost. Kako vaša rešitev vpliva na družbo in okolje? V našem primeru lahko avtomatizirano ali razširjeno ustvarjanje vsebine nadomesti in odpravi obsežne človeške delovne obremenitve. Verjetno ne želite, da postanete znani kot bodoči morilec celotne kategorije delovnih mest – navsezadnje to ne bo samo sprožilo etičnih vprašanj, ampak tudi povzročilo odpor uporabnikov, katerih delovna mesta ogrožate. Razmislite, kako lahko odpravite te strahove. Uporabnike bi lahko na primer poučili o tem, kako lahko učinkovito izkoristijo svoj nov prosti čas za oblikovanje še bolj izpopolnjenih tržnih strategij. Ti lahko zagotovijo ubranljiv jarek, tudi ko drugi konkurenti dohitijo avtomatsko ustvarjanje vsebine.

3. Podatki

Za kakršno koli umetno inteligenco in strojno učenje morate zbrati in pripraviti svoje podatke, tako da odražajo vnose iz resničnega življenja in zagotavljajo zadostne učne signale za vaš model. Dandanes opažamo trend k umetni inteligenci, osredotočeni na podatke – filozofiji umetne inteligence, ki se odmika od neskončnega prilagajanja in optimizacije modelov ter se osredotoča na odpravljanje številnih težav v podatkih, ki so vneseni v te modele. Ko začnete, obstaja več načinov, kako pridobiti spodoben nabor podatkov:

• Ti lahko uporabite obstoječ nabor podatkov. To je lahko standardni nabor podatkov strojnega učenja ali nabor podatkov z drugačnim začetnim namenom, ki ga prilagodite svoji nalogi. Obstaja nekaj klasičnih naborov podatkov, kot je Nabor podatkov o filmskih ocenah IMDB za analizo razpoloženja in Nabor podatkov MNIST za prepoznavanje ročno napisanih znakov. Obstajajo bolj eksotične in vznemirljive alternative, npr Ulov nezakonitega ribolova in Identifikacija pasme psov, in nešteto naborov podatkov, ki jih pripravijo uporabniki, v podatkovnih središčih, kot je Kaggle. Možnosti, da boste našli nabor podatkov, ki je narejen za vašo specifično nalogo in popolnoma zadovoljuje vaše zahteve, so precej nizke in v večini primerov boste morali uporabiti tudi druge metode za obogatitev podatkov.
• Ti lahko ročno označite ali ustvarite podatke ustvariti prave učne signale. Ročno označevanje podatkov – na primer označevanje besedil z ocenami razpoloženja – je bila v zgodnjih dneh strojnega učenja najbolj priljubljena metoda. Pred kratkim je ponovno pritegnil pozornost kot glavna sestavina skrivne omake ChatGPT. Ogromno ročnega truda je bilo vloženega v ustvarjanje in razvrščanje odzivov modela, da bi odražali človeške želje. Ta tehnika se imenuje tudi okrepitveno učenje iz človeških povratnih informacij (RLHF). Če imate potrebne vire, jih lahko uporabite za ustvarjanje visokokakovostnih podatkov za bolj specifične naloge, kot je ustvarjanje marketinške vsebine. Opombo lahko naredite interno ali z uporabo zunanjega ponudnika ali storitve množičnega izvajanja, kot je Amazon Mechanical Turk. Kakor koli že, večina podjetij ne bo želela porabiti ogromnih sredstev, potrebnih za ročno ustvarjanje podatkov RLHF, in bo razmislila o nekaterih trikih za avtomatizacijo ustvarjanja svojih podatkov.
• Tako lahko obstoječemu naboru podatkov dodate več primerov z uporabo povečanje podatkov. Za enostavnejše naloge, kot je analiza razpoloženja, bi lahko v besedila vnesli nekaj dodatnega hrupa, preklopili nekaj besed itd. Za naloge bolj odprte generacije je trenutno veliko navdušenja nad uporabo velikih modelov (npr. temeljnih modelov) za avtomatizirano ustvarjanje podatkov o usposabljanju. Ko določite najboljšo metodo za povečanje podatkov, jih lahko preprosto prilagodite, da dosežete zahtevano velikost nabora podatkov.

Pri ustvarjanju podatkov se soočate s kompromisom med kakovostjo in količino. Ročno lahko označite manj podatkov z visoko kakovostjo ali pa svoj proračun porabite za razvoj vdorov in trikov za samodejno povečevanje podatkov, ki bodo vnesli dodaten šum. Če se odločite za ročno opombo, lahko to storite interno in oblikujete kulturo podrobnosti in kakovosti ali pa delo zaupate anonimnim ljudem. Crowdsourcing ima običajno nižjo kakovost, zato boste morda morali dodati več opomb, da boste nadomestili hrup. Kako najti idealno ravnovesje? Tukaj ni pripravljenih receptov – navsezadnje boste svojo idealno sestavo podatkov našli s stalnim premikanjem naprej in nazaj med usposabljanjem in izboljšanjem podatkov. Na splošno velja, da mora model pri predhodnem usposabljanju pridobiti znanje iz nič, kar se lahko zgodi le z večjo količino podatkov. Po drugi strani pa, če želite obstoječemu velikemu modelu do potankosti prilagoditi in dati še zadnje dodatke specializacije, boste morda bolj cenili kakovost kot količino. Nadzorovano ročno označevanje majhnega nabora podatkov z uporabo podrobnih smernic je lahko v tem primeru optimalna rešitev.

4. algoritem

Podatki so surovina, iz katere se bo vaš model učil, in upajmo, da lahko sestavite reprezentativen, visokokakovosten nabor podatkov. Zdaj je dejanska supermoč vašega sistema AI – njegova sposobnost učenja iz obstoječih podatkov in posploševanja na nove podatke – v algoritmu. Kar zadeva osnovne modele umetne inteligence, lahko uporabite tri glavne možnosti:

• Poziv za obstoječi model. Napredni LLM (veliki jezikovni modeli) družine GPT, kot sta ChatGPT in GPT-4, ter drugih ponudnikov, kot sta Anthropic in AI21 Labs, so na voljo za sklepanje prek API-ja. S pozivom se lahko neposredno pogovarjate s temi modeli, pri čemer v poziv vključite vse informacije o domeni in nalogi, ki so potrebne za opravilo. To lahko vključuje specifično vsebino, ki jo je treba uporabiti, primere podobnih nalog (nekajkratni pozivi) kot tudi navodila za model, ki mu je treba slediti. Na primer, če vaš uporabnik želi ustvariti objavo v spletnem dnevniku o novi funkciji izdelka, ga lahko prosite, da zagotovi nekaj osnovnih informacij o funkciji, kot so njene prednosti in primeri uporabe, kako jo uporabljati, datum lansiranja itd. Vaš izdelek nato te informacije vnese v skrbno oblikovano predlogo poziva in od LLM zahteva, da ustvari besedilo. Pozivi so odlični za začetek vnaprej usposobljenih modelov. Vendar pa se bo jarek, ki ga lahko zgradite s pozivom, sčasoma hitro zmanjšal – srednjeročno potrebujete bolj obrambno strategijo modela, da ohranite svojo konkurenčno prednost.
• Natančno prilagodite vnaprej usposobljen model. Zaradi tega pristopa je umetna inteligenca v zadnjih letih tako priljubljena. Ker postaja na voljo vse več vnaprej pripravljenih modelov in portali, kot je Huggingface, ponujajo repozitorije modelov ter standardno kodo za delo z modeli, postaja fina nastavitev metoda, ki jo je treba preizkusiti in implementirati. Ko delate z vnaprej usposobljenim modelom, lahko izkoristite naložbo, ki jo je nekdo že naredil v podatke, usposabljanje in vrednotenje modela, ki že "ve" veliko stvari o jeziku in svetu. Vse, kar morate storiti, je natančno prilagoditi model z uporabo nabora podatkov, specifičnega za nalogo, ki je lahko veliko manjši od nabora podatkov, prvotno uporabljenega za predhodno usposabljanje. Na primer, za ustvarjanje marketinške vsebine lahko zberete nabor objav v spletnem dnevniku, ki so se dobro obnesle v smislu angažiranosti, in izvedete obratni inženiring navodil zanje. Iz teh podatkov se bo vaš model naučil o strukturi, toku in slogu uspešnih člankov. Pri uporabi odprtokodnih modelov je pravilna natančna nastavitev, vendar ponudniki API-jev za LLM, kot sta OpenAI in Cohere, vse pogosteje ponujajo tudi funkcionalnost natančne nastavitev. Zlasti za odprtokodno skladbo boste še vedno morali upoštevati vprašanja izbire modela, režijske stroške usposabljanja in uvajanja večjih modelov ter urnike vzdrževanja in posodabljanja vašega modela.
• Naučite svoj model ML od začetka. Na splošno ta pristop dobro deluje pri enostavnejših, a zelo specifičnih težavah, za katere imate posebno znanje ali izkušnje ali primerne nabore podatkov. Ustvarjanje vsebine ne sodi ravno v to kategorijo - zahteva napredne jezikovne sposobnosti, da vas spravijo s tal, in te je mogoče pridobiti šele po treningu na smešno velikih količinah podatkov. Enostavnejše težave, kot je analiza razpoloženja za določeno vrsto besedila, je pogosto mogoče rešiti z uveljavljenimi metodami strojnega učenja, kot je logistična regresija, ki so računsko cenejše od modnih metod globokega učenja. Seveda obstaja tudi srednja pot razumno zapletenih problemov, kot je pridobivanje konceptov za določene domene, za katere bi lahko razmislili o usposabljanju globoke nevronske mreže iz nič.

Poleg usposabljanja je vrednotenje bistvenega pomena za uspešno uporabo strojnega učenja. Ustrezne metrike in metode vrednotenja niso pomembne samo za samozavesten zagon vaših funkcij AI, ampak bodo služile tudi kot jasen cilj za nadaljnjo optimizacijo in kot skupna podlaga za notranje razprave in odločitve. Tehnične meritve, kot so natančnost, priklic in natančnost, lahko zagotovijo dobro izhodišče, vendar boste na koncu želeli poiskati meritve, ki odražajo dejansko vrednost, ki jo vaš AI zagotavlja uporabnikom.

5. Uporabniška izkušnja

Uporabniška izkušnja izdelkov umetne inteligence je privlačna tema – navsezadnje imajo uporabniki veliko upov, a tudi strahove glede »partnerstva« z umetno inteligenco, ki lahko napolni in potencialno prelisiči njihovo inteligenco. Zasnova tega partnerstva človek-AI zahteva premišljen in razumen proces odkrivanja in oblikovanja. Eden od ključnih premislekov je stopnja avtomatizacije, ki jo želite zagotoviti s svojim izdelkom - in ne pozabite, popolna avtomatizacija še zdaleč ni vedno idealna rešitev. Naslednja slika prikazuje kontinuum avtomatizacije:

Oglejmo si vsako od teh stopenj:

• V prvi fazi vse delo opravijo ljudje in ni avtomatizacije. Kljub hrupu okoli umetne inteligence se večina nalog, ki zahtevajo veliko znanja, v sodobnih podjetjih še vedno izvaja na tej ravni, kar predstavlja ogromne možnosti za avtomatizacijo. Tukaj na primer dela pisec vsebine, ki se upira orodjem, ki jih poganja umetna inteligenca, in je prepričan, da je pisanje zelo ročna in samosvoja obrt.
• V drugi fazi podprte umetne inteligence imajo uporabniki popoln nadzor nad izvajanjem nalog in velik del dela opravijo ročno, vendar jim orodja umetne inteligence pomagajo prihraniti čas in kompenzirajo njihove šibke točke. Na primer, ko pišete objavo v blogu s kratkim rokom, lahko končno jezikovno preverjanje z Grammarly ali podobnim orodjem postane dobrodošel prihranek časa. Odpravi lahko ročne popravke, ki zahtevajo veliko vašega redkega časa in pozornosti in vam lahko še vedno pustijo napake in spreglede - navsezadnje je človeško delati napake.
• Z razširjeno inteligenco je AI partner, ki povečuje človeško inteligenco in tako izkorišča prednosti obeh svetov. V primerjavi s podprto umetno inteligenco ima stroj veliko več za povedati v vašem procesu in pokriva večji nabor odgovornosti, kot so zamisel, ustvarjanje in urejanje osnutkov ter končno jezikovno preverjanje. Uporabniki morajo še vedno sodelovati pri delu, sprejemati odločitve in izvajati dele nalog. Uporabniški vmesnik mora jasno nakazovati porazdelitev dela med človekom in umetno inteligenco, poudarjati potencialne napake in zagotavljati preglednost korakov, ki jih izvaja. Skratka, »razširjena« izkušnja vodi uporabnike do želenega rezultata s ponavljanjem in izpopolnjevanjem.
• In končno, imamo popolno avtomatizacijo – zanimiva ideja za geeke z umetno inteligenco, filozofe in strokovnjake, vendar pogosto ni optimalna izbira za izdelke v resničnem življenju. Popolna avtomatizacija pomeni, da ponujate en "velik rdeči gumb", ki sproži postopek. Ko je umetna inteligenca končana, se vaši uporabniki soočijo s končnim rezultatom in ga sprejmejo ali zapustijo. Vsega, kar se je zgodilo vmes, ne morejo nadzorovati. Kot si lahko predstavljate, so možnosti UX tukaj precej omejene, saj praktično ni interaktivnosti. Največji del odgovornosti za uspeh nosijo vaši tehnični sodelavci, ki morajo zagotoviti izjemno visoko kakovost izhodov.

Izdelki AI potrebujejo posebno obravnavo, ko gre za oblikovanje. Standardni grafični vmesniki so deterministični in vam omogočajo, da predvidite vse možne poti, ki jih lahko ubere uporabnik. Nasprotno pa so veliki modeli umetne inteligence verjetnostni in negotovi – izpostavljajo vrsto neverjetnih zmogljivosti, a tudi tveganja, kot so strupeni, napačni in škodljivi rezultati. Od zunaj je morda vaš vmesnik AI videti preprost, ker je veliko zmogljivosti vašega izdelka neposredno v modelu. LLM lahko na primer razlaga pozive, ustvarja besedilo, išče informacije, jih povzema, sprejme določen slog in terminologijo, izvaja navodila itd. Tudi če je vaš uporabniški vmesnik preprost klepet ali vmesnik za pozive, tega potenciala ne pustite neopaženega — če želite uporabnike pripeljati do uspeha, morate biti jasni in realistični. Uporabnike seznanite z zmožnostmi in omejitvami vaših modelov AI, omogočite jim, da enostavno odkrijejo in popravijo napake, ki jih naredi AI, in jih naučite načinov, kako se sami ponavljati do optimalnih rezultatov. S poudarjanjem zaupanja, preglednosti in izobraževanja uporabnikov lahko poskrbite, da bodo vaši uporabniki sodelovali z umetno inteligenco. Medtem ko globok potop v nastajajočo disciplino oblikovanja umetne inteligence ne spada v področje uporabe tega članka, vam močno priporočam, da iščete navdih ne le pri drugih podjetjih z umetno inteligenco, ampak tudi na drugih področjih oblikovanja, kot je interakcija človek-stroj. Kmalu boste prepoznali vrsto ponavljajočih se vzorcev oblikovanja, kot so samodokončanja, hitri predlogi in obvestila AI, ki jih lahko integrirate v svoj vmesnik, da kar najbolje izkoristite svoje podatke in modele.

Nadalje, če želite zagotoviti resnično odličen dizajn, boste morda morali svoji ekipi dodati nova oblikovalska znanja. Na primer, če gradite aplikacijo za klepet za izboljšanje marketinške vsebine, boste sodelovali z oblikovalcem pogovorov, ki skrbi za tokove pogovorov in »osebnost« vašega klepetalnika. Če gradite bogat razširjen izdelek, ki mora vaše uporabnike temeljito izobraževati in voditi skozi razpoložljive možnosti, vam lahko oblikovalec vsebine pomaga zgraditi pravo vrsto informacijske arhitekture in doda pravo količino spodbujanja in nagovarjanja za vaše uporabnike.

In končno, bodite odprti za presenečenja. Oblikovanje AI vas lahko spodbudi k ponovnemu premisleku o vaših prvotnih predstavah o uporabniški izkušnji. Številni oblikovalci UX in produktni menedžerji so bili na primer pripravljeni zmanjšati zakasnitev in trenje, da bi olajšali izkušnjo uporabnika. No, v izdelkih AI lahko ta boj začasno ustavite in oboje uporabite v svojo korist. Zakasnitev in čakalni časi so odlični za izobraževanje vaših uporabnikov, npr. z razlago, kaj AI trenutno počne, in navedbo možnih naslednjih korakov na njihovi strani. Premori, kot so dialogi in pojavna okna z obvestili, lahko povzročijo trenja za okrepitev partnerstva med človekom in umetno inteligenco ter povečajo preglednost in nadzor za vaše uporabnike.

6. Nefunkcionalne zahteve

Poleg podatkov, algoritmov in uporabniške izkušnje, ki vam omogočajo implementacijo določene funkcionalnosti, tako imenovane nefunkcionalne zahteve (NFR), kot so natančnost, zakasnitev, razširljivost, zanesljivost in upravljanje podatkov, zagotavljajo, da uporabnik dejansko dobi predvideno vrednost. Koncept NFR izvira iz razvoja programske opreme, vendar še ni sistematično upoštevan v domeni umetne inteligence. Pogosto se te zahteve izberejo ad-hoc, ko se pojavijo med uporabniškim raziskovanjem, zamislijo, razvojem in delovanjem zmogljivosti AI.

Poskusite razumeti in opredeliti svoje NFR čim prej, saj bodo različni NFR zaživeli na različnih točkah vašega potovanja. Na primer, zasebnost je treba obravnavati že na samem začetnem koraku izbire podatkov. Natančnost je najbolj občutljiva v proizvodni fazi, ko uporabniki začnejo uporabljati vaš sistem na spletu in ga lahko preobremenijo z nepričakovanimi vnosi. Razširljivost je strateški vidik, ki pride v poštev, ko vaše podjetje poveča število uporabnikov in/ali zahtev ali spekter ponujenih funkcij.

Ko gre za NFR, ne morete imeti vseh. Tukaj je nekaj tipičnih kompromisov, ki jih boste morali uravnotežiti:

• Ena od prvih metod za povečanje natančnosti je uporaba večjega modela, ki bo vplival na zakasnitev.
• Uporaba proizvodnih podatkov »takšnih, kot so« za nadaljnjo optimizacijo je lahko najboljša za učenje, vendar lahko krši vaša pravila o zasebnosti in anonimizaciji.
• Bolj razširljivi modeli so splošni, kar vpliva na njihovo natančnost pri opravilih, specifičnih za podjetje ali uporabnika.

Kako boste dali prednost različnim zahtevam, bo odvisno od razpoložljivih računalniških virov, vašega koncepta UX, vključno s stopnjo avtomatizacije, in vpliva odločitev, ki jih podpira AI.

Ključni odvzemi

1. Začnite s koncem v mislih: Ne domnevajte, da bo samo tehnologija opravila delo; potrebujete jasen načrt za integracijo vaše umetne inteligence v izdelek, namenjen uporabniku, in izobraževanje vaših uporabnikov o njegovih prednostih, tveganjih in omejitvah.
2. Usklajevanje trga: Dajte prednost tržnim priložnostim in potrebam strank za usmerjanje razvoja umetne inteligence. Ne hitite z implementacijami umetne inteligence, ki jih poganja hype in brez preverjanja na strani trga.
3. Uporabniška vrednost: Določite, količinsko opredelite in sporočite vrednost izdelkov AI v smislu učinkovitosti, personalizacije, priročnosti in drugih razsežnosti vrednosti.
4. Kakovost podatkov: Osredotočite se na kakovost in ustreznost podatkov za učinkovito usposabljanje modelov AI. Poskusite uporabiti majhne visokokakovostne podatke za natančno nastavitev in večje nabore podatkov za usposabljanje od začetka.
5. Izbira algoritma/modela: Izberite pravo raven kompleksnosti in obrambe (pozivi, natančne nastavitve, usposabljanje iz nič) za vaš primer uporabe in skrbno ocenite njegovo delovanje. Sčasoma, ko boste pridobili potrebno strokovno znanje in izkušnje ter zaupali v svoj izdelek, boste morda želeli preklopiti na naprednejše strategije modelov.
6. Na uporabnika osredotočeno oblikovanje: Oblikujte izdelke umetne inteligence z upoštevanjem potreb in čustev uporabnika ter uravnotežite avtomatizacijo in nadzor uporabnika. Upoštevajte »nepredvidljivost« verjetnostnih modelov umetne inteligence in usmerjajte svoje uporabnike k delu z njim in izkoristite njegovo korist.
7. Sodelovalno oblikovanje: S poudarjanjem zaupanja, preglednosti in izobraževanja uporabnikov lahko poskrbite, da bodo vaši uporabniki sodelovali z umetno inteligenco.
8. Nefunkcionalne zahteve: Upoštevajte dejavnike, kot so natančnost, zakasnitev, razširljivost in zanesljivost med razvojem, in poskusite zgodaj oceniti kompromise med temi.
9. sodelovanje: Spodbujajte tesno sodelovanje med strokovnjaki za umetno inteligenco, oblikovalci, produktnimi vodji in drugimi člani ekipe, da izkoristite meddisciplinarne inteligence in uspešno integrirate svojo umetno inteligenco.

Reference

[1] Teresa Torres (2021). Navade stalnega odkrivanja: odkrijte izdelke, ki ustvarjajo vrednost za stranke in poslovno vrednost.

[2] Orbit Media (2022). Nova statistika bloganja: Katere vsebinske strategije bodo delovale leta 2022? Vprašali smo 1016 blogerjev.

[3] Don Norman (2013). Oblikovanje vsakdanjih stvari.

[4] Google, Gartner in Motista (2013). Od promocije do čustev: povezovanje strank B2B z blagovnimi znamkami.

Opomba: Vse slike so avtorske.

Ta članek je bil prvotno objavljen na Proti znanosti o podatkih in z dovoljenjem avtorja ponovno objavljen v TOPBOTS.

Uživate v tem članku? Prijavite se za več posodobitev raziskav AI.

Obvestili vas bomo, ko bomo objavili več povzetkov, kot je ta.

Podobni

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• ChartPrime. Izboljšajte svojo igro trgovanja s ChartPrime. Dostopite tukaj.
• BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
• vir: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/