Bygga AI-produkter med en holistisk mental modell

Obs: Den här artikeln är den första i en serie som kallas "Dissecting AI applications", som introducerar en mental modell för AI-system. Modellen fungerar som ett verktyg för diskussion, planering och definition av AI-produkter av tvärvetenskapliga AI- och produktteam, såväl som för anpassning till affärsavdelningen. Det syftar till att sammanföra perspektiven från produktchefer, UX-designers, datavetare, ingenjörer och andra teammedlemmar. I den här artikeln introducerar jag den mentala modellen, medan framtida artiklar kommer att visa hur man applicerar den på specifika AI-produkter och funktioner.

Ofta antar företag att allt de behöver för att inkludera AI i sitt erbjudande är att anlita AI-experter och låta dem spela den tekniska magin. Det här tillvägagångssättet leder dem rakt in i integrationsfelet: även om dessa experter och ingenjörer producerar exceptionella modeller och algoritmer, fastnar deras utdata ofta på nivån med lekplatser, sandlådor och demos, och blir aldrig riktigt fullfjädrade delar av en produkt. Under åren har jag sett en hel del frustration från datavetare och ingenjörer vars tekniskt enastående AI-implementeringar inte hittat vägen till användarvänliga produkter. Snarare hade de den hedervärda statusen av experiment med blödande kant som gav interna intressenter intrycket av att rida på AI-vågen. Nu, med den allestädes närvarande spridningen av AI sedan publiceringen av ChatGPT 2022, har företag inte längre råd att använda AI som en "fyr"-funktion för att visa upp sin tekniska skarpsinne.

Varför är det så svårt att integrera AI? Det finns ett par anledningar:

• Ofta fokuserar team på en enda aspekt av ett AI-system. Detta har till och med lett till uppkomsten av separata läger, såsom datacentrerad, modellcentrerad och mänsklig centrerad AI. Medan var och en av dem erbjuder spännande perspektiv för forskning, måste en verklig produkt kombinera data, modellen och interaktionen mellan människa och maskin till ett sammanhängande system.
• AI-utveckling är ett mycket samarbetande företag. Inom traditionell mjukvaruutveckling arbetar man med en relativt tydlig dikotomi bestående av backend- och frontendkomponenterna. Inom AI behöver du inte bara lägga till fler olika roller och färdigheter till ditt team utan också säkerställa ett närmare samarbete mellan de olika parterna. De olika komponenterna i ditt AI-system kommer att interagera med varandra på intima sätt. Om du till exempel arbetar med en virtuell assistent måste dina UX-designers förstå snabb teknik för att skapa ett naturligt användarflöde. Dina dataannotatorer måste vara medvetna om ditt varumärke och "karaktärsdragen" hos din virtuella assistent för att skapa träningsdata som är konsekventa och anpassade till din positionering, och din produktchef måste förstå och granska arkitekturen i datapipeline för att säkerställa det möter dina användares styrningsproblem.
• När man bygger AI underskattar företag ofta vikten av design. Medan AI börjar i backend, är bra design oumbärlig för att få den att lysa i produktionen. AI-design tänjer på gränserna för traditionell UX. Mycket av den funktionalitet du erbjuder är inte i sig synlig i gränssnittet, utan "dold" i modellen, och du behöver utbilda och vägleda dina användare för att maximera dessa fördelar. Dessutom är moderna grundmodeller vilda saker som kan producera giftiga, felaktiga och skadliga effekter, så du kommer att sätta upp ytterligare skyddsräcken för att minska dessa risker. Allt detta kan kräva nya färdigheter i ditt team, såsom snabb ingenjörskonst och konversationsdesign. Ibland innebär det också att göra kontraintuitiva saker, som att underskatta värdet för att hantera användarnas förväntningar och lägga till friktion för att ge dem mer kontroll och transparens.
• AI-hypen skapar tryck. Många företag sätter vagnen före hästen genom att hoppa in i implementeringar som inte valideras av kundernas och marknadens behov. Att emellanåt slänga in AI-buzzword kan hjälpa dig att marknadsföra och positionera dig själv som ett progressivt och innovativt företag, men på lång sikt kommer du att behöva backa upp din buzz och experimentera med verkliga möjligheter. Detta kan uppnås med en nära samordning mellan verksamhet och teknik, som bygger på en explicit kartläggning av marknadsmöjligheter till tekniska potentialer.

I den här artikeln kommer vi att konstruera en mental modell för AI-system som integrerar dessa olika aspekter (jfr figur 1). Det uppmuntrar byggare att tänka holistiskt, skapa en tydlig förståelse för sin målprodukt och uppdatera den med nya insikter och input längs vägen. Modellen kan användas som ett verktyg för att underlätta samarbete, anpassa de olika perspektiven inom och utanför AI-teamet och bygga framgångsrika produkter baserade på en gemensam vision. Det kan tillämpas inte bara på nya, AI-drivna produkter utan också på AI-funktioner som är inbyggda i befintliga produkter.

Följande avsnitt kommer kortfattat att beskriva var och en av komponenterna, med fokus på delar som är specifika för AI-produkter. Vi kommer att börja med affärsperspektivet – möjligheten och värdet på marknaden – och sedan dyka in i UX och teknik. För att illustrera modellen kommer vi att använda det löpande exemplet på en copilot för generering av marknadsföringsinnehåll.

Om detta fördjupade utbildningsinnehåll är användbart för dig kan du prenumerera på vår AI-forskningsmaillista att bli varnade när vi släpper nytt material. 

1. möjlighet

Med alla häftiga grejer du nu kan göra med AI, kan du vara otålig att smutsa ner händerna och börja bygga. Men för att bygga något som dina användare behöver och älskar bör du stödja din utveckling med en marknadsmöjlighet. I den ideala världen når möjligheter oss från kunder som berättar vad de behöver eller vill ha.[1] Dessa kan vara ouppfyllda behov, smärtpunkter eller önskningar. Du kan leta efter denna information i befintlig kundfeedback, till exempel i produktrecensioner och anteckningar från dina sälj- och framgångsteam. Glöm inte heller bort dig själv som potentiell användare av din produkt – om du riktar in dig på ett problem som du själv har upplevt är denna informationsfördel en extra fördel. Utöver detta kan du också göra proaktiv kundundersökning med hjälp av verktyg som undersökningar och intervjuer.

Jag behöver till exempel inte titta för långt för att se smärtorna med innehållsmarknadsföring för startups, men även större företag. Jag har själv upplevt det — i takt med att konkurrensen växer, blir utvecklingen av tankeledarskap med individuellt, regelbundet och (!) högkvalitativt innehåll allt viktigare för differentiering. Samtidigt, med ett litet och upptaget team, kommer det alltid att finnas saker på bordet som verkar viktigare än att skriva veckans blogginlägg. Jag träffar också ofta människor i mitt nätverk som kämpar för att skapa en konsekvent innehållsmarknadsföringsrutin. Dessa "lokala", potentiellt partiska observationer kan valideras av undersökningar som går utanför ens nätverk och bekräftar en bredare marknad för en lösning.

Den verkliga världen är något suddigare och kunder kommer inte alltid till dig för att presentera nya, välformulerade möjligheter. Snarare, om du sträcker ut dina antenner kommer möjligheter att nå dig från många håll, till exempel:

• Marknadspositionering: AI är trendigt — för etablerade företag kan det användas för att förstärka bilden av ett företag som innovativt, högteknologiskt, framtidssäkert, etc. Det kan till exempel lyfta en befintlig marknadsföringsbyrå till en AI-driven tjänst och skilja den från konkurrenterna. Men gör inte AI för AI:s skull. Positioneringstricket ska tillämpas med försiktighet och i kombination med andra möjligheter – annars riskerar du att förlora trovärdighet.
• konkurrenter: När dina konkurrenter gör ett drag är det troligt att de redan har gjort den underliggande forskningen och valideringen. Titta på dem efter en tid — var deras utveckling framgångsrik? Använd denna information för att optimera din egen lösning, ta till sig de framgångsrika delarna och reda ut misstagen. Låt oss till exempel säga att du observerar en konkurrent som erbjuder en tjänst för helautomatisk generering av marknadsföringsinnehåll. Användare klickar på en "stor röd knapp" och AI:n går framåt för att skriva och publicera innehållet. Efter lite efterforskningar lär du dig att användare tvekar att använda den här produkten eftersom de vill behålla mer kontroll över processen och bidra med sin egen expertis och personlighet till skrivandet. Skrivandet handlar trots allt också om självuttryck och individuell kreativitet. Det här är dags för dig att gå vidare med ett mångsidigt verktyg som erbjuder rik funktionalitet och konfiguration för att forma ditt innehåll. Det ökar användarnas effektivitet samtidigt som de kan "injicera" sig själva i processen när de vill.
• förordningar: megatrender som tekniska störningar och globalisering tvingar tillsynsmyndigheter att skärpa sina krav. Regelverk skapar press och är en skottsäker källa till möjligheter. Tänk dig till exempel att en förordning kommer på plats som strikt kräver att alla annonserar AI-genererat innehåll som sådant. De företag som redan använder verktyg för AI-innehållsgenerering kommer att försvinna för interna diskussioner om de vill ha detta. Många av dem kommer att avstå för att de vill behålla en bild av genuint tankeledarskap, i motsats till att producera synligt AI-genererad boilerplate. Låt oss säga att du var smart och valde en utökad lösning som ger användarna tillräckligt med kontroll så att de kan förbli de officiella "författarna" till texterna. När den nya begränsningen införs är du immun och kan rusa framåt för att dra nytta av regleringen, medan dina konkurrenter med helautomatiska lösningar kommer att behöva tid för att återhämta sig från bakslaget.
• Möjliggörande teknologier: Framväxande teknologier och betydande språng inom befintlig teknik, såsom vågen av generativ AI 2022–23, kan öppna upp nya sätt att göra saker på, eller katapultera befintliga applikationer till en ny nivå. Låt oss säga att du har drivit en traditionell marknadsföringsbyrå under det senaste decenniet. Nu kan du börja introducera AI-hack och lösningar i ditt företag för att öka effektiviteten för dina anställda, betjäna fler kunder med befintliga resurser och öka din vinst. Du bygger på din befintliga expertis, rykte och (förhoppningsvis godvilja) kundbas, så att införa AI-förbättringar kan vara mycket smidigare och mindre riskabelt än det skulle vara för en nykomling.

Slutligen, i den moderna produktvärlden är möjligheter ofta mindre explicita och formella och kan valideras direkt i experiment, vilket påskyndar din utveckling. Således, i produktledd tillväxt, kan teammedlemmar komma med sina egna hypoteser utan ett strikt datadrivet argument. Dessa hypoteser kan formuleras på ett bitvis sätt, som att ändra en prompt eller ändra den lokala layouten för vissa UX-element, vilket gör dem enkla att implementera, distribuera och testa. Genom att ta bort trycket att ge a priori data för varje nytt förslag, detta tillvägagångssätt utnyttjar intuitionerna och fantasin hos alla teammedlemmar samtidigt som den tvingar fram en direkt validering av förslagen. Låt oss säga att din innehållsgenerering går smidigt, men du hör fler och fler klagomål om en allmän brist på AI-transparens och förklaringsmöjligheter. Du bestämmer dig för att implementera en extra transparensnivå och visa dina användare de specifika dokument som användes för att generera ett innehåll. Ditt team testar funktionen med en grupp användare och upptäcker att de gärna använder den för att spåra tillbaka till de ursprungliga informationskällorna. Därför bestämmer du dig för att etablera den i kärnprodukten för att öka användningen och tillfredsställelsen.

2. Värde

För att förstå och kommunicera värdet av din AI-produkt eller funktion måste du först mappa den till ett användningsfall – ett specifikt affärsproblem som det kommer att lösa – och ta reda på ROI (avkastning på investeringen). Detta tvingar dig att flytta tankarna bort från tekniken och fokusera på fördelarna med lösningen på användarsidan. ROI kan mätas längs olika dimensioner. För AI är några av dem:

• Ökad effektivitet: AI kan vara en booster för produktiviteten hos individer, team och hela företag. För innehållsgenerering kan du till exempel upptäcka att istället för de 4–5 timmar som normalt behövs för att skriva ett blogginlägg [2], kan du nu göra det på 1–2 timmar och spendera den tid du sparat på andra uppgifter. Effektivitetsvinster går ofta hand i hand med kostnadsbesparingar, eftersom det krävs mindre mänsklig ansträngning för att utföra samma mängd arbete. I affärssammanhang är alltså denna förmån attraktiv både för användare och för ledarskap.
• En mer personlig upplevelse: Till exempel kan ditt innehållsgenereringsverktyg be användarna att ställa in parametrar för deras företag som varumärkesattribut, terminologi, produktfördelar, etc. Dessutom kan det spåra redigeringar som gjorts av en specifik författare och anpassa dess generationer till den unika skriften användarens stil över tid.
• Kul och nöje: Här kommer vi in ​​på den känslomässiga sidan av produktanvändning, även kallad den "viscerala" nivån av Don Norman [3]. Hela kategorier av produkter för nöje och underhållning finns i B2C-lägret, som spel och Augmented Reality. Hur är det med B2B — skulle du inte anta att B2B-produkter existerar i ett sterilt professionellt vakuum? I verkligheten kan denna kategori generera ännu starkare känslomässiga reaktioner än B2C.[4] Skrivandet kan till exempel uppfattas som en tillfredsställande handling av självuttryck, eller som en inre kamp med författarblockering och andra frågor. Tänk på hur din produkt kan förstärka de positiva känslorna i en uppgift samtidigt som den lindra eller till och med förändra dess smärtsamma aspekter.
• Convenience: Vad behöver din användare göra för att utnyttja AI:s magiska krafter? Föreställ dig att integrera din innehållsgenereringscopilot i populära samarbetsverktyg som MS Office, Google Docs och Notion. Användare kommer att kunna få tillgång till intelligensen och effektiviteten hos din produkt utan att lämna bekvämligheten i sitt digitala "hem". På så sätt minimerar du ansträngningen som användarna behöver göra för att uppleva värdet av produkten och fortsätta använda den, vilket i sin tur ökar ditt användarförvärv och antagande.

Vissa av AI-fördelarna – till exempel effektivitet – kan kvantifieras direkt för ROI. För mindre påtagliga vinster som bekvämlighet och nöje måste du tänka på proxymått som användarnöjdhet. Tänk på att att tänka i termer av slutanvändarvärde inte bara kommer att minska klyftan mellan dina användare och din produkt. Som en välkommen bieffekt kan det minska tekniska detaljer i din offentliga kommunikation. Detta kommer att förhindra att du av misstag bjuder in oönskad konkurrens till festen.

Slutligen, en grundläggande aspekt av värde som du bör tänka på tidigt är hållbarhet. Hur påverkar din lösning samhället och miljön? I vårt exempel kan automatiserad eller utökad innehållsgenerering förskjuta och eliminera storskaliga mänskliga arbetsbelastningar. Du vill antagligen inte bli känd som den blivande mördaren av en hel jobbkategori – detta kommer trots allt inte bara att väcka etiska frågor utan också kalla motstånd från användare vars jobb du hotar. Fundera på hur du kan hantera dessa rädslor. Du kan till exempel utbilda användare om hur de effektivt kan använda sin nya lediga tid för att utforma ännu mer sofistikerade marknadsföringsstrategier. Dessa kan ge en försvarbar vallgrav även när andra konkurrenter kommer ikapp med automatiserad innehållsgenerering.

3. Data

För alla typer av AI och maskininlärning måste du samla in och förbereda din data så att den återspeglar verkliga indata och ger tillräckliga inlärningssignaler för din modell. Nuförtiden ser vi en trend mot datacentrerad AI – en AI-filosofi som går bort från ändlös justering och optimering av modeller och fokuserar på att åtgärda de många problemen i data som matas in i dessa modeller. När du börjar finns det olika sätt att få tag på en anständig datauppsättning:

• Du kan använda en befintlig datauppsättning. Detta kan antingen vara en standarddatauppsättning för maskininlärning eller en datauppsättning med ett annat initialt syfte som du anpassar för din uppgift. Det finns vissa datauppsättningsklassiker, till exempel IMDB Filmrecensioner Dataset för sentimentanalys och MNIST-datauppsättning för handskriven teckenigenkänning. Det finns mer exotiska och spännande alternativ, som Fånga illegalt fiske och Identifiering av hundras, och otaliga användarkurerade datamängder på datahubbar som Kaggle. Chansen att du hittar en datauppsättning som är gjord för din specifika uppgift och helt uppfyller dina krav är ganska låg, och i de flesta fall måste du också använda andra metoder för att berika din data.
• Du kan annotera eller skapa data manuellt att skapa rätt inlärningssignaler. Manuell datakommentar – till exempel annotering av texter med sentimentpoäng – var den vanligaste metoden under de första dagarna av maskininlärning. Nyligen har det återfått uppmärksamhet som huvudingrediensen i ChatGPT:s hemliga sås. En enorm manuell ansträngning lades ner på att skapa och rangordna modellens svar för att återspegla mänskliga preferenser. Denna teknik kallas även Reinforcement Learning from Human Feedback (RLHF). Om du har de nödvändiga resurserna kan du använda dem för att skapa högkvalitativ data för mer specifika uppgifter, som generering av marknadsföringsinnehåll. Anteckningar kan göras antingen internt eller med hjälp av en extern leverantör eller en crowdsourcingtjänst som Amazon Mechanical Turk. Hur som helst, de flesta företag kommer inte att vilja spendera de enorma resurser som krävs för att manuellt skapa RLHF-data och kommer att överväga några knep för att automatisera skapandet av deras data.
• Så du kan lägga till fler exempel till en befintlig datauppsättning med hjälp av dataförstärkning. För enklare uppgifter som sentimentanalys kan du introducera lite extra brus i texterna, byta upp ett par ord, etc. För mer öppna generationsuppgifter finns det för närvarande stor entusiasm över att använda stora modeller (t.ex. grundmodeller) för automatiserade generering av träningsdata. När du väl har identifierat den bästa metoden för att utöka din data kan du enkelt skala den för att nå önskad datauppsättningsstorlek.

När du skapar din data står du inför en avvägning mellan kvalitet och kvantitet. Du kan manuellt kommentera mindre data med hög kvalitet, eller spendera din budget på att utveckla hacks och tricks för automatiserad dataförstärkning som kommer att introducera ytterligare brus. Om du väljer manuell anteckning kan du göra det internt och forma en kultur av detaljer och kvalitet, eller crowdsourca arbetet till anonyma personer. Crowdsourcing har vanligtvis en lägre kvalitet, så du kan behöva kommentera mer för att kompensera för bruset. Hur hittar du den perfekta balansen? Det finns inga färdiga recept här – i slutändan kommer du att hitta din idealiska datasammansättning genom ett konstant fram- och tillbaka mellan träning och förbättring av din data. I allmänhet, när man förtränar en modell, måste den skaffa sig kunskap från grunden, vilket bara kan hända med en större mängd data. Å andra sidan, om du vill finjustera och ge de sista toucherna av specialisering till en befintlig stor modell, kanske du värderar kvalitet framför kvantitet. Den kontrollerade manuella anteckningen av en liten datamängd med hjälp av detaljerade riktlinjer kan vara den optimala lösningen i detta fall.

4. algoritm

Data är råmaterialet som din modell kommer att lära sig av, och förhoppningsvis kan du sammanställa en representativ datauppsättning av hög kvalitet. Nu ligger den faktiska superkraften i ditt AI-system – dess förmåga att lära av befintliga data och generalisera till nya data – i algoritmen. När det gäller AI-kärnmodellerna finns det tre huvudalternativ som du kan använda:

• Fråga en befintlig modell. Avancerade LLMs (Large Language Models) i GPT-familjen, som ChatGPT och GPT-4, samt från andra leverantörer som Anthropic och AI21 Labs är tillgängliga för slutledning via API. Med uppmaning kan du direkt prata med dessa modeller, inklusive i din prompt all domän- och uppgiftsspecifik information som krävs för en uppgift. Detta kan inkludera specifikt innehåll som ska användas, exempel på analoga uppgifter (få skott) samt instruktioner för modellen att följa. Om din användare till exempel vill skapa ett blogginlägg om en ny produktfunktion, kan du be dem att tillhandahålla lite kärninformation om funktionen, såsom dess fördelar och användningsfall, hur man använder den, lanseringsdatum, etc. Din produkt fyller sedan i denna information i en noggrant utformad promptmall och ber LLM att generera texten. Uppmaning är bra för att få ett försprång i förtränade modeller. Men vallgraven du kan bygga med uppmaning kommer snabbt att tunnas ut med tiden - på medellång sikt behöver du en mer försvarbar modellstrategi för att upprätthålla din konkurrensfördel.
• Finjustera en förtränad modell. Detta tillvägagångssätt har gjort AI så populärt de senaste åren. I takt med att fler och fler förutbildade modeller blir tillgängliga och portaler som Huggingface erbjuder modellförråd samt standardkod för att arbeta med modellerna, blir finjustering den bästa metoden för att försöka implementera. När du arbetar med en förtränad modell kan du dra nytta av den investering som någon redan har gjort i data, utbildning och utvärdering av modellen, som redan "vet" mycket om språket och världen. Allt du behöver göra är att finjustera modellen med hjälp av en uppgiftsspecifik datauppsättning, som kan vara mycket mindre än den datauppsättning som ursprungligen användes för förträning. Till exempel, för generering av marknadsföringsinnehåll, kan du samla en uppsättning blogginlägg som presterade bra när det gäller engagemang och omvända instruktionerna för dessa. Från dessa data kommer din modell att lära sig om strukturen, flödet och stilen för framgångsrika artiklar. Finjustering är vägen att gå när man använder modeller med öppen källkod, men LLM API-leverantörer som OpenAI och Cohere erbjuder också alltmer finjusteringsfunktioner. Speciellt för spåret med öppen källkod kommer du fortfarande att behöva överväga frågorna om modellval, kostnaderna för utbildning och driftsättning av större modeller och underhålls- och uppdateringsscheman för din modell.
• Träna din ML-modell från grunden. I allmänhet fungerar detta tillvägagångssätt bra för enklare, men mycket specifika problem för vilka du har specifik kunskap eller anständiga datamängder. Genereringen av innehåll faller inte precis i den här kategorin – det kräver avancerade språkliga förmågor för att få dig igång, och dessa kan bara förvärvas efter träning på löjligt stora mängder data. Enklare problem som sentimentanalys för en specifik typ av text kan ofta lösas med etablerade maskininlärningsmetoder som logistisk regression, som är beräkningsmässigt billigare än fancy metoder för djupinlärning. Naturligtvis finns det också medelvägen för ganska komplexa problem som konceptextraktion för specifika domäner, för vilka du kan överväga att träna ett djupt neuralt nätverk från grunden.

Utöver utbildningen är utvärdering av primär betydelse för framgångsrik användning av maskininlärning. Lämpliga utvärderingsmått och metoder är inte bara viktiga för en säker lansering av dina AI-funktioner, utan kommer också att fungera som ett tydligt mål för ytterligare optimering och som en gemensam grund för interna diskussioner och beslut. Även om tekniska mätvärden som precision, återkallelse och noggrannhet kan ge en bra utgångspunkt, kommer du i slutändan att vilja leta efter mätvärden som återspeglar det verkliga värdet som din AI levererar till användarna.

5. Användarupplevelse

Användarupplevelsen av AI-produkter är ett fängslande tema - trots allt har användare höga förhoppningar men också rädslor för att "samarbeta" med en AI som kan överdriva och potentiellt överlista deras intelligens. Utformningen av detta partnerskap mellan människa och AI kräver en genomtänkt och förnuftig upptäckts- och designprocess. En av de viktigaste övervägandena är graden av automatisering du vill ge din produkt – och kom ihåg att total automatisering inte alltid är den idealiska lösningen. Följande figur illustrerar automatiseringskontinuumet:

Låt oss titta på var och en av dessa nivåer:

• I det första skedet gör människor allt arbete, och ingen automatisering utförs. Trots hypen kring AI utförs de flesta kunskapsintensiva uppgifterna i moderna företag fortfarande på denna nivå, vilket ger enorma möjligheter till automatisering. Här fungerar till exempel innehållsskribenten som står emot AI-drivna verktyg och är övertygad om att skrivandet är ett mycket manuellt och egenartat hantverk.
• I det andra steget av assisterad AI har användare fullständig kontroll över uppgiftsexekveringen och gör en stor del av arbetet manuellt, men AI-verktyg hjälper dem att spara tid och kompensera för sina svaga punkter. Till exempel, när du skriver ett blogginlägg med en snäv deadline kan en sista språkkontroll med Grammarly eller ett liknande verktyg bli en välkommen tidsbesparare. Det kan eliminera manuell revision, som kräver mycket av din knappa tid och uppmärksamhet och fortfarande kan lämna dig med fel och förbiser - trots allt, att fela är mänskligt.
• Med utökad intelligens är AI en partner som förstärker människans intelligens och på så sätt dra nytta av båda världarnas styrkor. Jämfört med assisterad AI har maskinen mycket mer att säga i din process och täcker en större uppsättning ansvarsområden, som idéskapande, generering och redigering av utkast, och den sista språkliga kontrollen. Användarna behöver fortfarande delta i arbetet, fatta beslut och utföra delar av uppgiften. Användargränssnittet bör tydligt indikera arbetsfördelningen mellan människa och AI, lyfta fram felpotentialer och ge insyn i de steg som den utför. Kort sagt, den "förstärkta" upplevelsen guidar användarna till det önskade resultatet via iteration och förfining.
• Och slutligen har vi full automatisering – en spännande idé för AI-nördar, filosofer och förståsigpåare, men ofta inte det optimala valet för verkliga produkter. Full automatisering innebär att du erbjuder en "stor röd knapp" som sätter igång processen. När AI är klar står dina användare inför den slutliga utgången och antingen ta den eller lämna den. Allt som hände däremellan kan de inte kontrollera. Som du kan föreställa dig är UX-alternativen här ganska begränsade eftersom det praktiskt taget inte finns någon interaktivitet. Huvuddelen av ansvaret för framgång vilar på dina tekniska kollegors axlar, som måste säkerställa en exceptionellt hög kvalitet på resultatet.

AI-produkter behöver specialbehandling när det kommer till design. Grafiska standardgränssnitt är deterministiska och låter dig förutse alla möjliga vägar som användaren kan ta. Däremot är stora AI-modeller probabilistiska och osäkra – de exponerar en rad fantastiska möjligheter men också risker som giftiga, felaktiga och skadliga effekter. Från utsidan kan ditt AI-gränssnitt se enkelt ut eftersom många av funktionerna i din produkt finns direkt i modellen. Till exempel kan en LLM tolka uppmaningar, producera text, söka efter information, sammanfatta den, anta en viss stil och terminologi, utföra instruktioner, etc. Även om ditt användargränssnitt är ett enkelt chatt- eller promptgränssnitt, lämna inte denna potential osedd — För att leda användare till framgång måste du vara tydlig och realistisk. Gör användarna medvetna om kapaciteten och begränsningarna hos dina AI-modeller, låt dem enkelt upptäcka och åtgärda fel som AI:n gör och lär dem hur de kan iterera sig själva till optimala resultat. Genom att betona förtroende, transparens och användarutbildning kan du få dina användare att samarbeta med AI. Även om en djupdykning i den framväxande disciplinen AI-design inte omfattas av denna artikel, uppmuntrar jag dig starkt att leta efter inspiration inte bara från andra AI-företag utan också från andra designområden som interaktion mellan människa och maskin. Du kommer snart att identifiera en rad återkommande designmönster, såsom autokompletteringar, promptförslag och AI-meddelanden, som du kan integrera i ditt eget gränssnitt för att få ut det mesta av dina data och modeller.

För att kunna leverera en riktigt bra design kan du behöva lägga till nya designkunskaper till ditt team. Om du till exempel bygger en chattapplikation för förfining av marknadsföringsinnehåll, kommer du att arbeta med en konversationsdesigner som tar hand om samtalsflödena och "personligheten" hos din chatbot. Om du bygger en rik utökad produkt som måste utbilda och vägleda dina användare genom de tillgängliga alternativen, kan en innehållsdesigner hjälpa dig att bygga rätt typ av informationsarkitektur och lägga till rätt mängd nudging och uppmaningar för dina användare.

Och slutligen, var öppen för överraskningar. AI-design kan få dig att tänka om dina ursprungliga uppfattningar om användarupplevelse. Till exempel har många UX-designers och produktchefer borrats för att minimera latens och friktion för att jämna ut användarens upplevelse. Tja, i AI-produkter kan du pausa den här kampen och använda båda till din fördel. Latens och väntetider är bra för att utbilda dina användare, t.ex. genom att förklara vad AI gör för närvarande och ange möjliga nästa steg på deras sida. Avbrott, som dialog- och meddelandepopups, kan introducera friktion för att förstärka partnerskapet mellan människa och AI och öka transparensen och kontrollen för dina användare.

6. Icke-funktionella krav

Utöver data, algoritm och UX som gör att du kan implementera en specifik funktionalitet, säkerställer så kallade icke-funktionella krav (NFR) såsom noggrannhet, latens, skalbarhet, tillförlitlighet och datastyrning att användaren verkligen får det tänkta värdet. Begreppet NFR kommer från mjukvaruutveckling men har ännu inte systematiskt redovisats inom AI-domänen. Ofta tas dessa krav upp på ett ad hoc-sätt när de dyker upp under användarforskning, idéer, utveckling och drift av AI-kapacitet.

Du bör försöka förstå och definiera dina NFR så tidigt som möjligt eftersom olika NFR kommer att komma till liv vid olika punkter under din resa. Till exempel måste integritet övervägas från det allra första steget av dataurvalet. Noggrannheten är mest känslig i produktionsstadiet när användare börjar använda ditt system online, vilket potentiellt överväldigar det med oväntade input. Skalbarhet är ett strategiskt övervägande som spelar in när ditt företag skalar antalet användare och/eller förfrågningar eller spektrumet av erbjuden funktionalitet.

När det gäller NFR:er kan du inte ha alla. Här är några av de typiska avvägningar som du behöver balansera:

• En av de första metoderna för att öka noggrannheten är att använda en större modell, vilket kommer att påverka latensen.
• Att använda produktionsdata "i befintligt skick" för ytterligare optimering kan vara bäst för lärande, men kan bryta mot dina integritets- och anonymiseringsregler.
• Mer skalbara modeller är generalister, vilket påverkar deras noggrannhet på företags- eller användarspecifika uppgifter.

Hur du prioriterar de olika kraven kommer att bero på tillgängliga beräkningsresurser, ditt UX-koncept inklusive graden av automatisering och effekten av de beslut som stöds av AI.

Viktiga takeaways

1. Börja med slutet i åtanke: Anta inte att tekniken ensam kommer att göra jobbet; du behöver en tydlig färdplan för att integrera din AI i den användarinriktade produkten och utbilda dina användare om dess fördelar, risker och begränsningar.
2. Marknadsanpassning: Prioritera marknadsmöjligheter och kundbehov för att vägleda AI-utveckling. Ha inte bråttom med AI-implementeringar som drivs av hype och utan validering på marknaden.
3. Användarvärde: Definiera, kvantifiera och kommunicera värdet av AI-produkter i termer av effektivitet, personalisering, bekvämlighet och andra värdedimensioner.
4. Datakvalitet: Fokusera på datakvalitet och relevans för att träna AI-modeller effektivt. Försök att använda små, högkvalitativa data för finjustering och större datauppsättningar för träning från grunden.
5. Val av algoritm/modell: Välj rätt nivå av komplexitet och försvarbarhet (uppmaning, finjustering, träning från början) för ditt användningsfall och utvärdera noggrant dess prestanda. Med tiden, när du skaffar dig nödvändig expertis och förtroende för din produkt, kanske du vill byta till mer avancerade modellstrategier.
6. Användarcentrerad design: Designa AI-produkter med användarens behov och känslor i åtanke, balansera automatisering och användarkontroll. Tänk på "oförutsägbarheten" hos probabilistiska AI-modeller och vägled dina användare att arbeta med det och dra nytta av det.
7. Samarbetande design: Genom att betona förtroende, transparens och användarutbildning kan du få dina användare att samarbeta med AI.
8. Icke-funktionella krav: Tänk på faktorer som noggrannhet, latens, skalbarhet och tillförlitlighet under hela utvecklingen och försök att utvärdera avvägningarna mellan dessa tidigt.
9. Samarbete: Främja ett nära samarbete mellan AI-experter, designers, produktchefer och andra teammedlemmar för att dra nytta av tvärvetenskaplig intelligens och framgångsrikt integrera din AI.

Referensprojekt

[1] Teresa Torres (2021). Kontinuerliga upptäcktsvanor: Upptäck produkter som skapar kundvärde och affärsvärde.

[2] Orbit Media (2022). Ny bloggstatistik: Vilka innehållsstrategier fungerar 2022? Vi frågade 1016 bloggare.

[3] Don Norman (2013). Designen av vardagliga saker.

[4] Google, Gartner och Motista (2013). Från marknadsföring till känsla: Koppla samman B2B-kunder till varumärken.

Obs: Alla bilder är av författaren.

Den här artikeln publicerades ursprungligen den Mot datavetenskap och publiceras på nytt till TOPBOTS med tillstånd från författaren.

Tycker du om den här artikeln? Registrera dig för fler AI-forskningsuppdateringar.

Vi meddelar dig när vi släpper fler sammanfattande artiklar som den här.

Relaterad

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Fordon / elbilar, Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• ChartPrime. Höj ditt handelsspel med ChartPrime. Tillgång här.
• BlockOffsets. Modernisera miljökompensation ägande. Tillgång här.
• Källa: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/