Створення продуктів ШІ за допомогою цілісної ментальної моделі

Примітка. Ця стаття є першою в серії під назвою «Розбір додатків штучного інтелекту», яка представляє розумову модель систем штучного інтелекту. Модель служить інструментом для обговорення, планування та визначення продуктів штучного інтелекту міждисциплінарними командами штучного інтелекту та продуктів, а також для узгодження з бізнес-відділом. Він має на меті об’єднати точки зору менеджерів із продуктів, дизайнерів UX, спеціалістів із обробки даних, інженерів та інших членів команди. У цій статті я представляю ментальну модель, а в наступних статтях буде показано, як застосувати її до конкретних продуктів і функцій ШІ.

Часто компанії припускають, що все, що їм потрібно, щоб включити штучний інтелект у свої пропозиції, це найняти експертів зі штучного інтелекту та дозволити їм грати в технічну магію. Такий підхід веде їх прямо до помилки інтеграції: навіть якщо ці експерти та інженери створюють виняткові моделі та алгоритми, їхні результати часто застрягають на рівні ігрових майданчиків, пісочниць і демонстрацій і ніколи не стають повноцінними частинами продукту. Протягом багатьох років я бачив велике розчарування від дослідників даних та інженерів, чиї технічно видатні реалізації штучного інтелекту не знайшли свого шляху до продуктів, орієнтованих на користувачів. Швидше, вони мали почесний статус передових експериментів, які створювали у внутрішніх зацікавлених сторін враження, ніби вони осідлали хвилю ШІ. Зараз, з повсюдним поширенням ШІ після публікації ChatGPT у 2022 році, компанії більше не можуть дозволити собі використовувати ШІ як функцію «маяка», щоб продемонструвати свою технологічну кмітливість.

Чому так важко інтегрувати ШІ? Є кілька причин:

• Часто команди зосереджуються на одному аспекті системи ШІ. Це навіть призвело до появи окремих таборів, таких як штучний інтелект, орієнтований на дані, орієнтований на моделі та орієнтований на людину. Хоча кожен із них пропонує захоплюючі перспективи для дослідження, реальний продукт має поєднувати дані, модель і взаємодію людини й машини в узгоджену систему.
• Розробка штучного інтелекту – це дуже спільна компанія. У традиційній розробці програмного забезпечення ви працюєте з відносно чіткою дихотомією, що складається з компонентів серверної частини та зовнішньої частини. У AI вам потрібно буде не тільки додати більше різноманітних ролей і навичок до вашої команди, але й забезпечити тіснішу співпрацю між різними сторонами. Різні компоненти вашої системи штучного інтелекту тісно взаємодіятимуть один з одним. Наприклад, якщо ви працюєте над віртуальним помічником, ваші дизайнери UX повинні розуміти оперативне проектування, щоб створити природний потік користувачів. Ваші анотатори даних повинні знати про ваш бренд і «риси характеру» вашого віртуального помічника, щоб створювати навчальні дані, узгоджені та узгоджені з вашим позиціонуванням, а ваш менеджер із продукту має зрозуміти та ретельно вивчити архітектуру конвеєра даних, щоб переконатися, що це відповідає потребам ваших користувачів щодо управління.
• Створюючи ШІ, компанії часто недооцінюють важливість дизайну. Хоча штучний інтелект починається з серверної частини, хороший дизайн є незамінним, щоб він сяяв у виробництві. ШІ-дизайн розширює межі традиційного UX. Багато функцій, які ви пропонуєте, самі по собі не видимі в інтерфейсі, а «приховані» в моделі, і вам потрібно навчати та направляти своїх користувачів, щоб отримати максимальні переваги. Крім того, сучасні фундаментальні моделі — це дикі речі, які можуть давати токсичні, неправильні та шкідливі результати, тож ви встановите додаткові огорожі, щоб зменшити ці ризики. Усе це може вимагати від вашої команди нових навичок, таких як оперативне проектування та розмовний дизайн. Іноді це також означає робити нерозумні речі, як-от занижувати цінність для керування очікуваннями користувачів і додавати тертя, щоб надати їм більше контролю та прозорості.
• Ажіотаж ШІ створює тиск. Багато компаній ставлять візок перед конем, кинувшись до впровадження, яке не підтверджено потребами клієнтів і ринку. Час від часу використання модного слова штучного інтелекту може допомогти вам вийти на ринок і позиціонувати себе як прогресивну та інноваційну компанію, але в довгостроковій перспективі вам потрібно буде підтримувати свій шум і експерименти реальними можливостями. Цього можна досягти за допомогою тісної координації між бізнесом і технологіями, яка базується на чіткому відображенні ринкових можливостей і технологічного потенціалу.

У цій статті ми побудуємо розумову модель систем штучного інтелекту, яка об’єднує ці різні аспекти (див. рис. 1). Це заохочує будівельників мислити цілісно, ​​створювати чітке розуміння свого цільового продукту та оновлювати його новими ідеями та вхідними даними. Цю модель можна використовувати як інструмент для полегшення співпраці, узгодження різноманітних точок зору всередині та поза командою ШІ та створення успішних продуктів на основі спільного бачення. Його можна застосовувати не лише до нових продуктів, керованих штучним інтелектом, але й до функцій штучного інтелекту, які включені в існуючі продукти.

У наступних розділах буде коротко описано кожен із компонентів, зосереджуючись на частинах, які є специфічними для продуктів ШІ. Ми почнемо з точки зору бізнесу — ринкових можливостей і цінності — а потім зануримося в UX і технології. Щоб проілюструвати модель, ми використаємо запущений приклад другого пілота для генерації маркетингового контенту.

Якщо цей поглиблений навчальний контент стане для вас корисним, ви можете підпишіться на наш список розсилки досліджень ШІ щоб отримати попередження, коли ми випускаємо новий матеріал. 

1. можливість

З усіма цікавими речами, які тепер можна робити за допомогою штучного інтелекту, вам може не терпітися забруднити руки та почати будувати. Однак, щоб створити те, що потрібно і що подобається вашим користувачам, вам слід підтримати свою розробку ринковими можливостями. В ідеальному світі ми отримуємо можливості від клієнтів, які говорять нам, що їм потрібно або чого вони хочуть.[1] Це можуть бути незадоволені потреби, больові точки або бажання. Ви можете шукати цю інформацію в наявних відгуках клієнтів, наприклад в оглядах продукту та примітках ваших відділів продажів і успіху. Крім того, не забувайте про себе як потенційного користувача вашого продукту — якщо ви націлені на проблему, з якою самі зіткнулися, ця інформаційна перевага є додатковою перевагою. Окрім цього, ви також можете проводити проактивне дослідження клієнтів за допомогою таких інструментів, як опитування та інтерв’ю.

Наприклад, мені не потрібно дивитися надто далеко, щоб побачити проблеми контент-маркетингу для стартапів, а також для великих компаній. Я це відчув на собі — із зростанням конкуренції розвиток інтелектуального лідерства за допомогою індивідуального, регулярного та (!) високоякісного контенту стає все більш важливим для диференціації. Тим часом, з невеликою та зайнятою командою завжди знайдуться речі, які здаються важливішими, ніж написання публікації в блозі тижня. Я також часто зустрічаю людей у ​​своїй мережі, яким важко налагодити послідовну процедуру контент-маркетингу. Ці «місцеві», потенційно упереджені спостереження можуть бути підтверджені опитуваннями, які виходять за межі мережі та підтверджують ширший ринок для рішення.

Реальний світ дещо розмитіший, і клієнти не завжди прийдуть до вас, щоб представити нові, добре сформульовані можливості. Швидше, якщо розтягнути свої антени, можливості досягнуть вас з багатьох напрямків, наприклад:

• Ринкове позиціонування: штучний інтелект є модним — для відомих компаній його можна використовувати для посилення іміджу бізнесу як інноваційного, високотехнологічного, перспективного тощо. Наприклад, він може підняти існуючу маркетингову агенцію до служби на основі ШІ та відрізняти його від конкурентів. Однак не робіть ШІ заради ШІ. Прийом позиціонування слід застосовувати з обережністю та в поєднанні з іншими можливостями — інакше ви ризикуєте втратити довіру.
• Конкуренти: Коли ваші конкуренти роблять крок, цілком імовірно, що вони вже провели основне дослідження та перевірку. Подивіться на них через деякий час — чи вдалося їх розвиток? Використовуйте цю інформацію, щоб оптимізувати власне рішення, прийняти успішні частини та виправити помилки. Наприклад, скажімо, ви спостерігаєте за конкурентом, який пропонує послугу з повністю автоматизованого створення маркетингового контенту. Користувачі натискають «велику червону кнопку», і ШІ йде вперед, щоб написати та опублікувати вміст. Після деяких досліджень ви дізнаєтеся, що користувачі вагаються використовувати цей продукт, тому що хочуть зберегти більше контролю над процесом і внести свій власний досвід і особистість у написання. Зрештою, письменництво – це також самовираження та індивідуальна творчість. Настав час для вас, щоб рухатися вперед з універсальним інструментом, який пропонує багату функціональність і конфігурацію для формування вашого вмісту. Це підвищує ефективність користувачів, водночас дозволяючи їм «вводитися» в процес, коли забажають.
• Правила: такі мегатренди, як технологічний зрив і глобалізація, змушують регулятори посилювати свої вимоги. Регулювання створює тиск і є надійним джерелом можливостей. Наприклад, уявіть, що з’являється нормативний акт, який суворо вимагає від усіх рекламувати контент, створений штучним інтелектом, як такий. Ті компанії, які вже використовують інструменти для створення контенту ШІ, зникнуть для внутрішніх дискусій щодо того, чи хочуть вони цього. Багато з них утримаються, тому що хочуть зберегти імідж справжнього ідейного лідера, а не створювати шаблонні шаблони, створені штучним інтелектом. Припустімо, ви були кмітливі та вибрали доповнене рішення, яке дає користувачам достатньо контролю, щоб вони могли залишатися офіційними «авторами» текстів. Після введення нового обмеження ви маєте імунітет і можете кинутися вперед, щоб отримати вигоду з регулювання, тоді як вашим конкурентам із повністю автоматизованими рішеннями знадобиться час, щоб оговтатися від невдачі.
• Допоміжні технології: нові технології та значні стрибки в існуючих технологіях, такі як хвиля генеративного штучного інтелекту у 2022–23 роках, можуть відкрити нові способи виконання завдань або вивести існуючі програми на новий рівень. Припустімо, ви керуєте традиційним маркетинговим агентством протягом останнього десятиліття. Тепер ви можете почати впроваджувати хаки та рішення ШІ у свій бізнес, щоб підвищити ефективність ваших співробітників, обслуговувати більше клієнтів за допомогою наявних ресурсів і збільшити свій прибуток. Ви спираєтеся на наявний досвід, репутацію та (сподіваємось, доброзичливу) клієнтську базу, тому запровадження вдосконалень штучного інтелекту може бути набагато плавнішим і менш ризикованим, ніж це було б для новачка.

Нарешті, у сучасному світі продуктів можливості часто менш явні та формальні, їх можна безпосередньо підтвердити в експериментах, що пришвидшує ваш розвиток. Таким чином, у зростанні продукту члени команди можуть висувати власні гіпотези без суворих аргументів на основі даних. Ці гіпотези можуть бути сформульовані по частинах, як-от модифікація підказки або зміна локального макета деяких елементів UX, що полегшує їх впровадження, розгортання та тестування. Усуваючи тиск на надання апріорний даних для кожної нової пропозиції, цей підхід використовує інтуїцію та уяву всіх членів команди, забезпечуючи пряму перевірку пропозицій. Припустімо, що ваше створення контенту працює гладко, але ви чуєте все більше скарг на загальну відсутність прозорості та пояснюваності ШІ. Ви вирішуєте запровадити додатковий рівень прозорості та показати своїм користувачам конкретні документи, які використовувалися для створення частини вмісту. Ваша команда тестує цю функцію з когортою користувачів і виявляє, що вони із задоволенням використовують її для відстеження вихідних джерел інформації. Таким чином, ви вирішили встановити його в основному продукті, щоб збільшити використання та задоволення.

2. Значення

Щоб зрозуміти та передати цінність вашого продукту чи функції штучного інтелекту, вам спочатку потрібно зіставити його з варіантом використання — конкретною бізнес-проблемою, яку він вирішуватиме — і визначити ROI (повернення інвестицій). Це змушує вас відійти від технології та зосередитися на перевагах рішення для користувача. ROI можна виміряти за різними параметрами. Для ШІ деякі з них:

• Підвищення ефективності: штучний інтелект може підвищити продуктивність окремих людей, команд і цілих компаній. Наприклад, для створення вмісту ви можете виявити, що замість 4–5 годин, які зазвичай потрібні для написання публікації в блозі [2], тепер ви можете зробити це за 1–2 години та витратити час, який ви заощадили, на інші завдання. Підвищення ефективності часто йде рука об руку з економією коштів, оскільки для виконання того самого обсягу роботи потрібно менше людських зусиль. Таким чином, у бізнес-контексті ця перевага є привабливою як для користувачів, так і для керівництва.
• Більш персоналізований досвід: наприклад, ваш інструмент створення вмісту може просити користувачів встановити параметри своєї компанії, як-от атрибути бренду, термінологію, переваги продукту тощо. Крім того, він може відстежувати правки, внесені певним автором, і адаптувати його покоління до унікального тексту стиль цього користувача з часом.
• Веселощі і задоволення: Тут ми переходимо до емоційної сторони використання продукту, яку Дон Норман також називає «вісцеральним» рівнем [3]. У таборі B2C існують цілі категорії продуктів для веселощів і розваг, як-от ігри та доповнена реальність. А як щодо B2B — ви б не припустили, що продукти B2B існують у стерильному професійному вакуумі? Насправді ця категорія може викликати навіть сильніші емоційні реакції, ніж B2C.[4] Наприклад, писання можна сприймати як акт самовираження, який приносить задоволення, або як внутрішню боротьбу з письменницьким блоком та іншими проблемами. Подумайте про те, як ваш продукт може підсилити позитивні емоції від завдання, одночасно пом’якшуючи або навіть трансформуючи його болючі аспекти.
• Зручність: Що потрібно зробити вашому користувачеві, щоб скористатися магічною силою ШІ? Уявіть собі, що ви інтегруєте свій копілот для створення вмісту в такі популярні інструменти для співпраці, як MS Office, Google Docs і Notion. Користувачі матимуть доступ до інтелекту та ефективності вашого продукту, не виходячи з комфорту свого цифрового «дому». Таким чином, ви зводите до мінімуму зусилля, які потрібно докладати користувачам, щоб відчути цінність продукту та продовжувати ним користуватися, що, у свою чергу, сприяє залученню та прийняттю ваших користувачів.

Деякі переваги штучного інтелекту — наприклад, ефективність — можна безпосередньо кількісно визначити для рентабельності інвестицій. Для менш відчутних переваг, таких як зручність і задоволення, вам потрібно буде подумати про проксі-метрики, як-от задоволеність користувачів. Майте на увазі, що мислення з точки зору цінності для кінцевого користувача не лише усуне розрив між вашими користувачами та вашим продуктом. Як бажаний побічний ефект, це може зменшити технічні деталі у ваших публічних комунікаціях. Це дозволить вам випадково не запросити на вечірку небажаних конкурентів.

Нарешті, фундаментальним аспектом цінності, який ви повинні розглянути на ранній стадії, є сталість. Як ваше рішення впливає на суспільство та довкілля? У нашому прикладі автоматизована або доповнена генерація вмісту може витіснити та усунути масштабне робоче навантаження людини. Ймовірно, ви не хочете стати відомим як майбутній вбивця цілої категорії вакансій — зрештою, це викличе не лише етичні запитання, але й спротив з боку користувачів, чиїм роботам ви загрожуєте. Подумайте, як ви можете подолати ці страхи. Наприклад, ви можете навчити користувачів, як вони можуть ефективно використовувати свій новий вільний час, щоб розробити ще більш витончені маркетингові стратегії. Вони можуть створити захисний рів, навіть якщо інші конкуренти наздоганяють автоматичне створення вмісту.

3. Дані

Для будь-якого виду штучного інтелекту та машинного навчання вам потрібно зібрати та підготувати дані, щоб вони відображали вхідні дані з реального життя та надавали достатні сигнали навчання для вашої моделі. Сьогодні ми бачимо тенденцію до штучного інтелекту, орієнтованого на дані — філософії штучного інтелекту, яка відходить від нескінченного налаштування та оптимізації моделей і зосереджується на виправленні численних проблем у даних, які вводяться в ці моделі. Коли ви починаєте, є різні способи отримати пристойний набір даних:

• Ти можеш використовувати існуючий набір даних. Це може бути або стандартний набір даних машинного навчання, або набір даних з іншим початковим призначенням, який ви адаптуєте для свого завдання. Є деякі класичні набори даних, наприклад Набір даних оглядів фільмів IMDB для аналізу настроїв і Набір даних MNIST для розпізнавання рукописних символів. Є більш екзотичні та захоплюючі альтернативи, наприклад Вилов незаконного рибальства та  Ідентифікація породи собак, а також незліченні підібрані користувачами набори даних у центрах даних, таких як Kaggle. Шанси на те, що ви знайдете набір даних, створений для вашого конкретного завдання і повністю задовольняє ваші вимоги, досить низькі, і в більшості випадків вам доведеться також використовувати інші методи для збагачення ваших даних.
• Ти можеш анотувати або створювати дані вручну створювати правильні навчальні сигнали. Анотація даних вручну — наприклад, анотація текстів з балами настрою — була популярним методом на початку машинного навчання. Нещодавно він знову привернув увагу як основний інгредієнт секретного соусу ChatGPT. Було витрачено величезні ручні зусилля на створення та ранжування відповідей моделі для відображення людських уподобань. Ця техніка також називається підкріплюючим навчанням із зворотного зв’язку людини (RLHF). Якщо у вас є необхідні ресурси, ви можете використовувати їх для створення високоякісних даних для більш конкретних завдань, наприклад створення маркетингового контенту. Анотацію можна зробити як всередині країни, так і за допомогою зовнішнього постачальника чи краудсорсингу, наприклад Amazon Mechanical Turk. У будь-якому разі більшість компаній не захочуть витрачати величезні ресурси, необхідні для ручного створення даних RLHF, і розглянуть деякі хитрощі для автоматизації створення своїх даних.
• Отже, ви можете додати більше прикладів до існуючого набору даних за допомогою збільшення даних. Для більш простих завдань, таких як аналіз настроїв, ви можете ввести додатковий шум у тексти, змінити пару слів тощо. Для більш відкритих завдань генерації наразі існує багато ентузіазму щодо використання великих моделей (наприклад, основних моделей) для автоматизованих генерація навчальних даних. Після того, як ви визначили найкращий метод збільшення своїх даних, ви можете легко масштабувати їх, щоб досягти необхідного розміру набору даних.

Створюючи дані, ви стикаєтеся з компромісом між якістю та кількістю. Ви можете вручну анотувати менше даних із високою якістю або витратити свій бюджет на розробку хаків і трюків для автоматичного збільшення даних, які створять додатковий шум. Якщо ви вибираєте анотацію вручну, ви можете зробити це всередині себе та сформувати культуру деталізації та якості або передати роботу анонімним людям. Краудсорсинг зазвичай має нижчу якість, тому вам може знадобитися більше анотацій, щоб компенсувати шум. Як знайти ідеальний баланс? Тут немає готових рецептів — зрештою, ви знайдете свій ідеальний склад даних через постійні пересування між навчанням і вдосконаленням ваших даних. Загалом, при попередньому навчанні моделі, їй потрібно отримати знання з нуля, що може статися лише з більшою кількістю даних. З іншого боку, якщо ви хочете налаштувати та надати останні штрихи спеціалізації наявній великій моделі, ви можете цінувати якість над кількістю. Оптимальним рішенням у цьому випадку може бути контрольована ручна анотація невеликого набору даних із використанням детальних інструкцій.

4. алгоритм

Дані — це вихідний матеріал, з якого навчатиметься ваша модель, і, сподіваємось, ви зможете зібрати репрезентативний високоякісний набір даних. Тепер справжня суперсила вашої системи штучного інтелекту — її здатність навчатися на основі існуючих даних і узагальнювати нові дані — полягає в алгоритмі. Що стосується основних моделей AI, ви можете використовувати три основні варіанти:

• Підкажіть існуючу модель. Розширені LLM (великі мовні моделі) сімейства GPT, такі як ChatGPT і GPT-4, а також від інших постачальників, таких як Anthropic і AI21 Labs, доступні для висновків через API. За допомогою підказок ви можете безпосередньо спілкуватися з цими моделями, включаючи в підказку всю інформацію про домен і завдання, необхідну для завдання. Це може включати конкретний вміст, який потрібно використовувати, приклади аналогічних завдань (кілька підказок), а також інструкції для моделі, яких слід дотримуватися. Наприклад, якщо ваш користувач хоче створити допис у блозі про нову функцію продукту, ви можете попросити його надати деяку основну інформацію про цю функцію, наприклад її переваги та випадки використання, як нею користуватися, дату запуску тощо. Потім ваш продукт заповнює цю інформацію в ретельно розроблений шаблон підказки та просить LLM створити текст. Підказки чудові, щоб отримати перевагу в попередньо навчених моделях. Однак рів, який ви можете побудувати за допомогою підказок, з часом швидко розрідиться — у середньостроковій перспективі вам потрібна більш обґрунтована модель стратегії, щоб зберегти свою конкурентну перевагу.
• Тонка настройка попередньо навченої моделі. Цей підхід зробив ШІ таким популярним в останні роки. У міру того, як стає доступним все більше і більше попередньо навчених моделей, а такі портали, як Huggingface, пропонують репозиторії моделей, а також стандартний код для роботи з моделями, точне налаштування стає популярним методом, який потрібно спробувати та реалізувати. Коли ви працюєте з попередньо навченою моделлю, ви можете отримати користь від інвестицій, які хтось уже зробив у дані, навчання та оцінку моделі, яка вже «знає» багато речей про мову та світ. Все, що вам потрібно зробити, це точно налаштувати модель за допомогою набору даних для конкретного завдання, який може бути набагато меншим, ніж набір даних, який спочатку використовувався для попереднього навчання. Наприклад, для генерації маркетингового контенту ви можете зібрати набір публікацій у блозі, які показали хороші результати з точки зору залучення, і переробити інструкції для них. З цих даних ваша модель дізнається про структуру, потік і стиль успішних статей. Під час використання моделей з відкритим вихідним кодом слід використовувати точне налаштування, але постачальники LLM API, такі як OpenAI і Cohere, також дедалі частіше пропонують функції тонкого налаштування. Особливо для версії з відкритим вихідним кодом вам все одно потрібно буде розглянути питання вибору моделі, накладні витрати на навчання та розгортання більших моделей, а також графіки обслуговування та оновлення вашої моделі.
• Навчіть свою модель ML з нуля. Загалом, цей підхід добре працює для більш простих, але дуже специфічних проблем, для вирішення яких у вас є спеціальні ноу-хау або пристойні набори даних. Генерація вмісту не зовсім підпадає під цю категорію — для того, щоб зрушити з місця, потрібні розширені лінгвістичні здібності, а їх можна отримати лише після навчання на смішно великих обсягах даних. Простіші проблеми, як-от аналіз настрою для певного типу тексту, часто можна вирішити за допомогою усталених методів машинного навчання, як-от логістична регресія, які з точки зору обчислень дешевші, ніж модні методи глибокого навчання. Звичайно, існує також середина досить складних проблем, таких як вилучення концептів для певних доменів, для яких ви можете розглянути можливість навчання глибокої нейронної мережі з нуля.

Окрім навчання, оцінка має першочергове значення для успішного використання машинного навчання. Відповідні показники та методи оцінки важливі не лише для впевненого запуску ваших функцій штучного інтелекту, але й слугуватимуть чіткою ціллю для подальшої оптимізації та спільною основою для внутрішніх обговорень і рішень. Хоча технічні показники, такі як точність, запам’ятовування та точність, можуть стати гарною відправною точкою, зрештою ви захочете шукати показники, які відображають реальну цінність, яку ваш ШІ надає користувачам.

5. Досвід користувача

Взаємодія з продуктами штучного інтелекту є захоплюючою темою — зрештою, користувачі покладають великі надії, але водночас і побоюються щодо «партнерства» з штучним інтелектом, який може посилити та потенційно перехитрити їхній інтелект. Розробка цього партнерства між людиною та штучним інтелектом вимагає продуманого та розумного процесу відкриття та проектування. Одним із ключових міркувань є ступінь автоматизації, який ви хочете забезпечити своїм продуктом, і зауважте, що повна автоматизація далеко не завжди є ідеальним рішенням. Наступний малюнок ілюструє континуум автоматизації:

Давайте розглянемо кожен із цих рівнів:

• На першому етапі всю роботу виконують люди, а автоматизація не виконується. Незважаючи на ажіотаж навколо ШІ, більшість наукомістких завдань у сучасних компаніях все ще виконуються на цьому рівні, відкриваючи величезні можливості для автоматизації. Наприклад, тут працює автор контенту, який чинить опір інструментам, керованим штучним інтелектом, і переконаний, що написання — це дуже ручне й ідіосинкратичне ремесло.
• На другому етапі допоміжного штучного інтелекту користувачі мають повний контроль над виконанням завдань і виконують значну частину роботи вручну, але інструменти штучного інтелекту допомагають їм економити час і компенсувати слабкі сторони. Наприклад, під час написання публікації в блозі зі стислим терміном остаточна лінгвістична перевірка за допомогою Grammarly або подібного інструменту може заощадити час. Це може усунути редагування вручну, яке потребує багато вашого дефіцитного часу та уваги та все ще може залишити вас із помилками та недоглядами — зрештою, людині властиво помилятися.
• Завдяки розширеному інтелекту штучний інтелект є партнером, який збільшує інтелект людини, таким чином використовуючи сильні сторони обох світів. Порівняно з допоміжним штучним інтелектом, машина може набагато більше сказати у вашому процесі та покриває більший набір обов’язків, як-от створення ідей, створення та редагування чернеток, а також остаточна лінгвістична перевірка. Користувачам все ще потрібно брати участь у роботі, приймати рішення та виконувати частини завдання. Інтерфейс користувача має чітко вказувати розподіл праці між людиною та штучним інтелектом, підкреслювати потенційні помилки та забезпечувати прозорість кроків, які він виконує. Коротше кажучи, «доповнений» досвід спрямовує користувачів до бажаного результату шляхом ітерації та вдосконалення.
• І, нарешті, у нас є повна автоматизація — інтригуюча ідея для фанатів ШІ, філософів і експертів, але часто не оптимальний вибір для реальних продуктів. Повна автоматизація означає, що ви пропонуєте одну «велику червону кнопку», яка запускає процес. Коли штучний інтелект завершиться, ваші користувачі стикаються з кінцевим виходом і або приймають його, або залишають його. Все, що сталося між ними, вони не можуть контролювати. Як ви можете собі уявити, варіанти UX тут досить обмежені, оскільки інтерактивності практично немає. Основна частина відповідальності за успіх лежить на плечах ваших колег-техніків, які мають забезпечити виключно високу якість результатів.

Продукти штучного інтелекту потребують особливого ставлення до дизайну. Стандартні графічні інтерфейси є детермінованими і дозволяють передбачити всі можливі шляхи, якими може скористатися користувач. Навпаки, великі моделі штучного інтелекту є ймовірнісними та невизначеними — вони демонструють низку дивовижних можливостей, а також ризики, такі як токсичні, неправильні та шкідливі результати. Ззовні ваш інтерфейс AI може виглядати простим, оскільки багато можливостей вашого продукту містяться безпосередньо в моделі. Наприклад, LLM може інтерпретувати підказки, створювати текст, шукати інформацію, узагальнювати її, приймати певний стиль і термінологію, виконувати інструкції тощо. Навіть якщо ваш інтерфейс користувача є простим чатом або інтерфейсом підказок, не залишайте цей потенціал непоміченим — щоб привести користувачів до успіху, ви повинні бути чіткими та реалістичними. Повідомте користувачам про можливості та обмеження ваших моделей штучного інтелекту, дозвольте їм легко виявляти та виправляти помилки, зроблені штучним інтелектом, і навчіть їх способам ітерації для отримання оптимальних результатів. Підкреслюючи довіру, прозорість і навчання користувачів, ви можете змусити своїх користувачів співпрацювати з ШІ. Хоча глибоке занурення в нову дисципліну проектування штучного інтелекту виходить за рамки цієї статті, я наполегливо рекомендую вам шукати натхнення не лише в інших компаніях штучного інтелекту, але й в інших сферах дизайну, таких як взаємодія людини і машини. Незабаром ви визначите низку повторюваних шаблонів проектування, таких як автозавершення, підказки та сповіщення штучного інтелекту, які ви можете інтегрувати у свій власний інтерфейс, щоб отримати максимальну віддачу від своїх даних і моделей.

Крім того, щоб створити справді чудовий дизайн, вам може знадобитися додати нові дизайнерські навички вашій команді. Наприклад, якщо ви створюєте програму чату для вдосконалення маркетингового контенту, ви працюватимете з розмовним дизайнером, який піклується про потоки розмов і «особистість» вашого чат-бота. Якщо ви створюєте багатий доповнений продукт, який має ретельно навчати та направляти ваших користувачів через доступні параметри, дизайнер вмісту може допомогти вам побудувати правильну інформаційну архітектуру та додати правильну кількість підказок і підказок для ваших користувачів.

І, нарешті, будьте відкритими до сюрпризів. ШІ-дизайн може змусити вас переглянути свої початкові уявлення про досвід користувача. Наприклад, багато UX-дизайнери та менеджери з продуктів були навчені мінімізувати затримку та тертя, щоб згладити досвід користувача. Що ж, у продуктах штучного інтелекту ви можете призупинити цю боротьбу та використовувати обидва на свою користь. Затримка та час очікування чудово підходять для навчання ваших користувачів, наприклад, пояснюючи, що зараз робить ШІ, і вказуючи можливі наступні кроки з їхнього боку. Перерви, як-от діалоги та спливаючі вікна сповіщень, можуть спричинити тертя, щоб зміцнити партнерство між людиною та ШІ та підвищити прозорість і контроль для ваших користувачів.

6. Нефункціональні вимоги

Окрім даних, алгоритму та UX, які дозволяють реалізувати певну функціональність, так звані нефункціональні вимоги (NFR), такі як точність, затримка, масштабованість, надійність і керування даними, гарантують, що користувач справді отримує очікувану цінність. Концепція NFR походить від розробки програмного забезпечення, але ще не систематично враховується в області ШІ. Часто ці вимоги підбираються випадково, оскільки вони виникають під час дослідження користувачами, розробки ідей, розробки та експлуатації можливостей ШІ.

Ви повинні спробувати зрозуміти та визначити свої NFR якомога раніше, оскільки різні NFR оживатимуть у різних точках вашої подорожі. Наприклад, конфіденційність потрібно враховувати, починаючи з самого початкового етапу відбору даних. Точність є найбільш чутливою на стадії виробництва, коли користувачі починають використовувати вашу систему онлайн, потенційно перевантажуючи її несподіваними вхідними даними. Масштабованість — це стратегічне міркування, яке враховується, коли ваш бізнес масштабує кількість користувачів і/або запитів або спектр пропонованих функцій.

Що стосується NFR, ви не можете мати їх усіх. Ось деякі з типових компромісів, які вам потрібно збалансувати:

• Одним із перших методів підвищення точності є використання більшої моделі, яка вплине на затримку.
• Використання робочих даних «як є» для подальшої оптимізації може бути найкращим для навчання, але може порушити ваші правила конфіденційності та анонімізації.
• Більш масштабовані моделі є загальними, що впливає на їхню точність при виконанні завдань компанії чи користувача.

Те, як ви розставляєте пріоритети для різних вимог, залежатиме від доступних обчислювальних ресурсів, вашої концепції UX, включаючи ступінь автоматизації, і впливу рішень, які підтримує штучний інтелект.

Ключові вивезення

1. Почніть з кінця: не думайте, що лише технологія зробить цю роботу; вам потрібна чітка дорожня карта для інтеграції вашого штучного інтелекту в продукт, орієнтований на користувача, і навчання ваших користувачів про його переваги, ризики та обмеження.
2. Вирівнювання ринку: визначте пріоритети ринкових можливостей і потреб клієнтів, щоб керувати розробкою ШІ. Не поспішайте впроваджувати штучний інтелект через ажіотаж і без перевірки на ринку.
3. Цінність користувача: Визначайте, кількісно оцінюйте та повідомляйте про цінність продуктів ШІ з точки зору ефективності, персоналізації, зручності та інших вимірів цінності.
4. Якість даних: Зосередьтеся на якості та актуальності даних для ефективного навчання моделей ШІ. Спробуйте використовувати невеликі високоякісні дані для тонкого налаштування та більші набори даних для навчання з нуля.
5. Вибір алгоритму/моделі: Виберіть правильний рівень складності та захисту (підказка, тонке налаштування, навчання з нуля) для вашого випадку використання та ретельно оцініть його ефективність. З часом, коли ви придбаєте необхідний досвід і впевненість у своєму продукті, ви можете переключитися на більш просунуті стратегії моделювання.
6. Дизайн, орієнтований на користувача: розробляйте продукти штучного інтелекту, враховуючи потреби та емоції користувача, збалансовуючи автоматизацію та контроль користувача. Пам’ятайте про «непередбачуваність» імовірнісних моделей штучного інтелекту та наставляйте своїх користувачів працювати з ними та отримувати від них користь.
7. Спільний дизайн: підкреслюючи довіру, прозорість і навчання користувачів, ви можете змусити своїх користувачів співпрацювати з ШІ.
8. Нефункціональні вимоги: враховуйте такі фактори, як точність, затримка, масштабованість і надійність під час розробки, і спробуйте оцінити компроміси між ними на ранній стадії.
9. Співпраця: сприяйте тісній співпраці між експертами зі штучного інтелекту, дизайнерами, менеджерами з продуктів та іншими членами команди, щоб отримати вигоду від міждисциплінарного інтелекту та успішно інтегрувати ваш штучний інтелект.

посилання

[1] Тереза ​​Торрес (2021). Звички постійного пошуку: знаходьте продукти, які створюють цінність для клієнтів і бізнес.

[2] Orbit Media (2022). Нова статистика блогів: які контент-стратегії спрацюють у 2022 році? Ми запитали 1016 блогерів.

[3] Дон Норман (2013). Дизайн повсякденних речей.

[4] Google, Gartner і Motista (2013). Від просування до емоцій: підключення клієнтів B2B до брендів.

Примітка: всі зображення належать автору.

Ця стаття була спочатку опублікована на Назустріч науці про дані та повторно опубліковано в TOPBOTS з дозволу автора.

Вам подобається ця стаття? Підпишіться на отримання нових оновлень щодо досліджень ШІ.

Ми повідомимо вас, коли випустимо більше таких підсумкових статей, як ця.

споріднений

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. Автомобільні / електромобілі, вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• ChartPrime. Розвивайте свою торгову гру за допомогою ChartPrime. Доступ тут.
• BlockOffsets. Модернізація екологічної компенсаційної власності. Доступ тут.
• джерело: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/