Δημιουργία προϊόντων τεχνητής νοημοσύνης με ολιστικό νοητικό μοντέλο

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

κατασκευή προϊόντων AI

Σημείωση: Αυτό το άρθρο είναι το πρώτο σε μια σειρά που ονομάζεται "Dissecting AI applications", το οποίο εισάγει ένα νοητικό μοντέλο για συστήματα AI. Το μοντέλο χρησιμεύει ως εργαλείο για τη συζήτηση, τον σχεδιασμό και τον ορισμό προϊόντων τεχνητής νοημοσύνης από διεπιστημονικές ομάδες τεχνητής νοημοσύνης και προϊόντων, καθώς και για ευθυγράμμιση με το επιχειρηματικό τμήμα. Στόχος του είναι να συγκεντρώσει τις προοπτικές των διαχειριστών προϊόντων, των σχεδιαστών UX, των επιστημόνων δεδομένων, των μηχανικών και άλλων μελών της ομάδας. Σε αυτό το άρθρο, παρουσιάζω το νοητικό μοντέλο, ενώ μελλοντικά άρθρα θα δείξουν πώς να το εφαρμόσετε σε συγκεκριμένα προϊόντα και χαρακτηριστικά τεχνητής νοημοσύνης.

Συχνά, οι εταιρείες υποθέτουν ότι το μόνο που χρειάζονται για να συμπεριλάβουν την τεχνητή νοημοσύνη στην προσφορά τους είναι να προσλάβουν ειδικούς τεχνητής νοημοσύνης και να τους αφήσουν να παίξουν την τεχνική μαγεία. Αυτή η προσέγγιση τους οδηγεί κατευθείαν στην πλάνη της ολοκλήρωσης: ακόμα κι αν αυτοί οι ειδικοί και οι μηχανικοί παράγουν εξαιρετικά μοντέλα και αλγόριθμους, τα αποτελέσματα τους συχνά κολλάνε στο επίπεδο παιδικών χαρών, sandbox και επιδείξεων και δεν γίνονται ποτέ πραγματικά ολοκληρωμένα μέρη ενός προϊόντος. Με τα χρόνια, έχω δει μεγάλη απογοήτευση από επιστήμονες δεδομένων και μηχανικούς των οποίων οι τεχνικά εξαιρετικές υλοποιήσεις τεχνητής νοημοσύνης δεν βρήκαν τον δρόμο τους σε προϊόντα που αντιμετωπίζουν οι χρήστες. Αντίθετα, είχαν την τιμητική θέση των πειραμάτων αιχμής που έδωσαν στους εσωτερικούς ενδιαφερόμενους την εντύπωση ότι οδηγούν το κύμα AI. Τώρα, με την πανταχού παρούσα διάδοση της τεχνητής νοημοσύνης από τη δημοσίευση του ChatGPT το 2022, οι εταιρείες δεν έχουν πλέον την πολυτέλεια να χρησιμοποιούν την τεχνητή νοημοσύνη ως χαρακτηριστικό «φάρο» για να επιδείξουν την τεχνολογική τους οξυδέρκεια.

Γιατί είναι τόσο δύσκολη η ενσωμάτωση της τεχνητής νοημοσύνης; Υπάρχουν δύο λόγοι:

Συχνά, οι ομάδες επικεντρώνονται σε μία μόνο πτυχή ενός συστήματος AI. Αυτό οδήγησε ακόμη και στην εμφάνιση χωριστών στρατοπέδων, όπως η τεχνητή νοημοσύνη με επίκεντρο τα δεδομένα, το μοντέλο με επίκεντρο και την ανθρωποκεντρική τεχνητή νοημοσύνη. Ενώ καθένα από αυτά προσφέρει συναρπαστικές προοπτικές για έρευνα, ένα προϊόν πραγματικής ζωής πρέπει να συνδυάζει τα δεδομένα, το μοντέλο και την αλληλεπίδραση ανθρώπου-μηχανής σε ένα συνεκτικό σύστημα.
Η ανάπτυξη AI είναι μια άκρως συνεργατική επιχείρηση. Στην παραδοσιακή ανάπτυξη λογισμικού, εργάζεστε με μια σχετικά σαφή διχοτόμηση που αποτελείται από τα στοιχεία του backend και του frontend. Στο AI, όχι μόνο θα χρειαστεί να προσθέσετε περισσότερους διαφορετικούς ρόλους και δεξιότητες στην ομάδα σας, αλλά και να εξασφαλίσετε στενότερη συνεργασία μεταξύ των διαφορετικών μερών. Τα διαφορετικά στοιχεία του συστήματος AI σας θα αλληλεπιδρούν μεταξύ τους με οικείους τρόπους. Για παράδειγμα, εάν εργάζεστε σε έναν εικονικό βοηθό, οι σχεδιαστές UX σας θα πρέπει να κατανοήσουν την άμεση μηχανική για τη δημιουργία μιας φυσικής ροής χρηστών. Οι σχολιαστές δεδομένων σας πρέπει να γνωρίζουν την επωνυμία σας και τα "χαρακτηριστικά" του εικονικού βοηθού σας για να δημιουργήσουν δεδομένα εκπαίδευσης που να είναι συνεπή και ευθυγραμμισμένα με την τοποθέτησή σας, και ο διευθυντής προϊόντων σας πρέπει να κατανοήσει και να εξετάσει προσεκτικά την αρχιτεκτονική του αγωγού δεδομένων για να διασφαλίσει ανταποκρίνεται στις ανησυχίες διακυβέρνησης των χρηστών σας.
Κατά την κατασκευή AI, οι εταιρείες συχνά υποτιμούν τη σημασία του σχεδιασμού. Ενώ η τεχνητή νοημοσύνη ξεκινά από το backend, ο καλός σχεδιασμός είναι απαραίτητος για να λάμψει στην παραγωγή. Ο σχεδιασμός AI ωθεί τα όρια του παραδοσιακού UX. Πολλές από τις λειτουργίες που προσφέρετε δεν είναι καθαυτές ορατές στη διεπαφή, αλλά «κρυμμένες» στο μοντέλο και πρέπει να εκπαιδεύσετε και να καθοδηγήσετε τους χρήστες σας για να μεγιστοποιήσετε αυτά τα οφέλη. Εξάλλου, τα σύγχρονα βασικά μοντέλα είναι άγρια πράγματα που μπορούν να παράγουν τοξικά, λανθασμένα και επιβλαβή αποτελέσματα, επομένως θα εγκαταστήσετε πρόσθετα προστατευτικά κιγκλιδώματα για να μειώσετε αυτούς τους κινδύνους. Όλα αυτά μπορεί να απαιτούν νέες δεξιότητες στην ομάδα σας, όπως άμεση μηχανική και σχεδιασμός συνομιλίας. Μερικές φορές, σημαίνει επίσης να κάνετε αντιδιαισθητικά πράγματα, όπως η υποτίμηση της αξίας για τη διαχείριση των προσδοκιών των χρηστών και η προσθήκη τριβής για να τους δώσετε περισσότερο έλεγχο και διαφάνεια.
Η διαφημιστική εκστρατεία AI δημιουργεί πίεση. Πολλές εταιρείες βάζουν το καλάθι πριν από το άλογο, πηδώντας σε υλοποιήσεις που δεν επικυρώνονται από τις ανάγκες των πελατών και της αγοράς. Περιστασιακά, η χρήση του τσιτάτου της τεχνητής νοημοσύνης μπορεί να σας βοηθήσει να προωθήσετε και να τοποθετήσετε τον εαυτό σας ως μια προοδευτική και καινοτόμο επιχείρηση, αλλά μακροπρόθεσμα, θα χρειαστεί να στηρίξετε το buzz και τον πειραματισμό σας με πραγματικές ευκαιρίες. Αυτό μπορεί να επιτευχθεί με στενό συντονισμό μεταξύ επιχειρήσεων και τεχνολογίας, ο οποίος βασίζεται σε μια ρητή χαρτογράφηση των ευκαιριών από την πλευρά της αγοράς με τις τεχνολογικές δυνατότητες.

Σε αυτό το άρθρο, θα κατασκευάσουμε ένα νοητικό μοντέλο για συστήματα τεχνητής νοημοσύνης που ενσωματώνει αυτές τις διαφορετικές πτυχές (βλ. σχήμα 1). Ενθαρρύνει τους κατασκευαστές να σκέφτονται ολιστικά, να δημιουργούν μια σαφή κατανόηση του προϊόντος-στόχου τους και να το ενημερώνουν με νέες ιδέες και εισροές στην πορεία. Το μοντέλο μπορεί να χρησιμοποιηθεί ως εργαλείο για τη διευκόλυνση της συνεργασίας, την ευθυγράμμιση των διαφορετικών προοπτικών εντός και εκτός της ομάδας τεχνητής νοημοσύνης και τη δημιουργία επιτυχημένων προϊόντων με βάση ένα κοινό όραμα. Μπορεί να εφαρμοστεί όχι μόνο σε νέα προϊόντα που βασίζονται σε τεχνητή νοημοσύνη αλλά και σε χαρακτηριστικά τεχνητής νοημοσύνης που ενσωματώνονται σε υπάρχοντα προϊόντα.

κατασκευή προϊόντων AI — Εικόνα 1: Το νοητικό μοντέλο ενός συστήματος AI

Οι ακόλουθες ενότητες θα περιγράψουν συνοπτικά καθένα από τα στοιχεία, εστιάζοντας σε μέρη που είναι ειδικά για προϊόντα τεχνητής νοημοσύνης. Θα ξεκινήσουμε με την επιχειρηματική προοπτική - την ευκαιρία και την αξία από την πλευρά της αγοράς - και στη συνέχεια θα ασχοληθούμε με το UX και την τεχνολογία. Για να επεξηγήσουμε το μοντέλο, θα χρησιμοποιήσουμε το τρέχον παράδειγμα ενός copilot για τη δημιουργία περιεχομένου μάρκετινγκ.

Εάν αυτό το σε βάθος εκπαιδευτικό περιεχόμενο είναι χρήσιμο για εσάς, μπορείτε εγγραφείτε στη λίστα αλληλογραφίας της AI μας να ειδοποιούμε όταν κυκλοφορούμε νέο υλικό.

1. ευκαιρία

Με όλα τα ωραία πράγματα που μπορείτε να κάνετε τώρα με την τεχνητή νοημοσύνη, μπορεί να είστε ανυπόμονοι να λερώσετε τα χέρια σας και να αρχίσετε να χτίζετε. Ωστόσο, για να δημιουργήσετε κάτι που χρειάζονται και αγαπούν οι χρήστες σας, θα πρέπει να στηρίξετε την ανάπτυξή σας με μια ευκαιρία αγοράς. Στον ιδανικό κόσμο, μας φτάνουν ευκαιρίες από πελάτες που μας λένε τι χρειάζονται ή θέλουν.[1] Αυτά μπορεί να είναι ανεκπλήρωτες ανάγκες, σημεία πόνου ή επιθυμίες. Μπορείτε να αναζητήσετε αυτές τις πληροφορίες στα υπάρχοντα σχόλια πελατών, όπως σε κριτικές προϊόντων και σημειώσεις από τις ομάδες πωλήσεων και επιτυχίας. Επίσης, μην ξεχνάτε τον εαυτό σας ως δυνητικό χρήστη του προϊόντος σας — εάν στοχεύετε ένα πρόβλημα που έχετε αντιμετωπίσει μόνοι σας, αυτό το πλεονέκτημα πληροφοριών είναι ένα επιπλέον πλεονέκτημα. Πέρα από αυτό, μπορείτε επίσης να διεξάγετε προληπτική έρευνα πελατών χρησιμοποιώντας εργαλεία όπως έρευνες και συνεντεύξεις.

Για παράδειγμα, δεν χρειάζεται να ψάξω πολύ μακριά για να δω τους πόνους του μάρκετινγκ περιεχομένου για startups, αλλά και μεγαλύτερες εταιρείες. Το έχω βιώσει ο ίδιος — καθώς ο ανταγωνισμός μεγαλώνει, η ανάπτυξη ηγετικής σκέψης με ατομικό, τακτικό και (!) περιεχόμενο υψηλής ποιότητας γίνεται όλο και πιο σημαντική για τη διαφοροποίηση. Εν τω μεταξύ, με μια μικρή και πολυάσχολη ομάδα, θα υπάρχουν πάντα πράγματα στο τραπέζι που φαίνονται πιο σημαντικά από τη σύνταξη της ανάρτησης ιστολογίου της εβδομάδας. Επίσης, συναντώ συχνά άτομα στο δίκτυό μου που αγωνίζονται να δημιουργήσουν μια συνεπή ρουτίνα μάρκετινγκ περιεχομένου. Αυτές οι «τοπικές», δυνητικά μεροληπτικές παρατηρήσεις μπορούν να επικυρωθούν με έρευνες που υπερβαίνουν το δίκτυο κάποιου και επιβεβαιώνουν μια ευρύτερη αγορά για λύση.

Ο πραγματικός κόσμος είναι ελαφρώς πιο ασαφής και οι πελάτες δεν θα έρχονται πάντα σε εσάς για να παρουσιάσουν νέες, καλά διατυπωμένες ευκαιρίες. Αντίθετα, αν απλώσετε τις κεραίες σας, οι ευκαιρίες θα σας φτάσουν από πολλές κατευθύνσεις, όπως:

Θέση της αγοράς: Η τεχνητή νοημοσύνη είναι μοντέρνα — για καθιερωμένες επιχειρήσεις, μπορεί να χρησιμοποιηθεί για να ενισχύσει την εικόνα μιας επιχείρησης ως καινοτόμου, υψηλής τεχνολογίας, απροσδόκητη για το μέλλον, κ.λπ. να το διαφοροποιήσουν από τους ανταγωνιστές. Ωστόσο, μην κάνετε AI για χάρη της AI. Το κόλπο τοποθέτησης πρέπει να εφαρμόζεται με προσοχή και σε συνδυασμό με άλλες ευκαιρίες — διαφορετικά, κινδυνεύετε να χάσετε την αξιοπιστία σας.
Συναγωνιστές: Όταν οι ανταγωνιστές σας κάνουν μια κίνηση, είναι πιθανό να έχουν ήδη κάνει την υποκείμενη έρευνα και επικύρωση. Κοιτάξτε τους μετά από κάποιο χρονικό διάστημα - ήταν επιτυχής η ανάπτυξή τους; Χρησιμοποιήστε αυτές τις πληροφορίες για να βελτιστοποιήσετε τη δική σας λύση, να υιοθετήσετε τα επιτυχημένα εξαρτήματα και να διορθώσετε τα λάθη. Για παράδειγμα, ας υποθέσουμε ότι παρατηρείτε έναν ανταγωνιστή που προσφέρει μια υπηρεσία για πλήρως αυτοματοποιημένη παραγωγή περιεχομένου μάρκετινγκ. Οι χρήστες κάνουν κλικ σε ένα «μεγάλο κόκκινο κουμπί» και η τεχνητή νοημοσύνη προχωρά για να γράψει και να δημοσιεύσει το περιεχόμενο. Μετά από λίγη έρευνα, μαθαίνετε ότι οι χρήστες διστάζουν να χρησιμοποιήσουν αυτό το προϊόν επειδή θέλουν να διατηρήσουν περισσότερο έλεγχο στη διαδικασία και να συνεισφέρουν τη δική τους εμπειρία και προσωπικότητα στη συγγραφή. Άλλωστε, το γράψιμο αφορά και την αυτοέκφραση και την ατομική δημιουργικότητα. Αυτή είναι η στιγμή για να προχωρήσετε με ένα ευέλικτο εργαλείο που προσφέρει πλούσια λειτουργικότητα και διαμόρφωση για τη διαμόρφωση του περιεχομένου σας. Ενισχύει την αποτελεσματικότητα των χρηστών, ενώ τους επιτρέπει να «εμπνέονται» στη διαδικασία όποτε θέλουν.
Κανονισμοι: μεγάλες τάσεις όπως η τεχνολογική διαταραχή και η παγκοσμιοποίηση αναγκάζουν τις ρυθμιστικές αρχές να αυστηροποιήσουν τις απαιτήσεις τους. Οι κανονισμοί δημιουργούν πίεση και αποτελούν αλεξίσφαιρη πηγή ευκαιρίας. Για παράδειγμα, φανταστείτε ότι τίθεται σε ισχύ ένας κανονισμός που απαιτεί αυστηρά από όλους να διαφημίζουν περιεχόμενο που δημιουργείται από AI ως τέτοιο. Οι εταιρείες που χρησιμοποιούν ήδη εργαλεία για τη δημιουργία περιεχομένου AI θα εξαφανιστούν για εσωτερικές συζητήσεις σχετικά με το αν το θέλουν αυτό. Πολλοί από αυτούς θα απόσχουν επειδή θέλουν να διατηρήσουν μια εικόνα γνήσιας ηγεσίας σκέψης, σε αντίθεση με την παραγωγή λέβητα που δημιουργείται με εμφανή τεχνητή νοημοσύνη. Ας υποθέσουμε ότι ήσασταν έξυπνοι και επιλέξατε μια επαυξημένη λύση που παρέχει στους χρήστες αρκετό έλεγχο, ώστε να μπορούν να παραμείνουν οι επίσημοι «συγγραφείς» των κειμένων. Καθώς εισάγεται ο νέος περιορισμός, έχετε ανοσία και μπορείτε να προχωρήσετε για να επωφεληθείτε από τον κανονισμό, ενώ οι ανταγωνιστές σας με πλήρως αυτοματοποιημένες λύσεις θα χρειαστούν χρόνο για να ανακάμψουν από την οπισθοδρόμηση.
Τεχνολογίες ενεργοποίησης: Οι αναδυόμενες τεχνολογίες και τα σημαντικά άλματα στις υπάρχουσες τεχνολογίες, όπως το κύμα της γενετικής τεχνητής νοημοσύνης το 2022–23, μπορούν να ανοίξουν νέους τρόπους για να γίνουν πράγματα ή να εκτοξεύσουν τις υπάρχουσες εφαρμογές σε ένα νέο επίπεδο. Ας υποθέσουμε ότι διευθύνετε μια παραδοσιακή εταιρεία μάρκετινγκ την τελευταία δεκαετία. Τώρα, μπορείτε να αρχίσετε να εισάγετε hacks και λύσεις AI στην επιχείρησή σας για να αυξήσετε την αποτελεσματικότητα των υπαλλήλων σας, να εξυπηρετήσετε περισσότερους πελάτες με τους υπάρχοντες πόρους και να αυξήσετε το κέρδος σας. Αξιοποιείτε την υπάρχουσα τεχνογνωσία, τη φήμη και την (ελπίζουμε με καλή θέληση) βάση πελατών, επομένως η εισαγωγή βελτιώσεων τεχνητής νοημοσύνης μπορεί να είναι πολύ πιο ομαλή και λιγότερο επικίνδυνη από ό,τι για έναν νεοφερμένο.

Τέλος, στον σύγχρονο κόσμο προϊόντων, οι ευκαιρίες είναι συχνά λιγότερο σαφείς και επίσημες και μπορούν να επικυρωθούν άμεσα σε πειράματα, γεγονός που επιταχύνει την ανάπτυξή σας. Έτσι, στην ανάπτυξη που καθοδηγείται από προϊόντα, τα μέλη της ομάδας μπορούν να κάνουν τις δικές τους υποθέσεις χωρίς ένα αυστηρό επιχείρημα βάσει δεδομένων. Αυτές οι υποθέσεις μπορούν να διατυπωθούν με αποσπασματικό τρόπο, όπως η τροποποίηση μιας προτροπής ή η αλλαγή της τοπικής διάταξης ορισμένων στοιχείων UX, γεγονός που καθιστά εύκολη την εφαρμογή, την ανάπτυξη και τη δοκιμή τους. Με την άρση της πίεσης για παροχή a priori δεδομένα για κάθε νέα πρόταση, αυτή η προσέγγιση αξιοποιεί τη διαίσθηση και τη φαντασία όλων των μελών της ομάδας ενώ επιβάλλει μια άμεση επικύρωση των προτάσεων. Ας υποθέσουμε ότι η παραγωγή περιεχομένου σας λειτουργεί ομαλά, αλλά ακούτε όλο και περισσότερα παράπονα για μια γενική έλλειψη διαφάνειας και επεξήγησης της τεχνητής νοημοσύνης. Αποφασίζετε να εφαρμόσετε ένα πρόσθετο επίπεδο διαφάνειας και να δείξετε στους χρήστες σας τα συγκεκριμένα έγγραφα που χρησιμοποιήθηκαν για τη δημιουργία ενός τμήματος περιεχομένου. Η ομάδα σας θέτει τη λειτουργία σε δοκιμή με μια ομάδα χρηστών και διαπιστώνει ότι είναι πρόθυμοι να τη χρησιμοποιήσουν για την ανίχνευση στις αρχικές πηγές πληροφοριών. Έτσι, αποφασίζετε να το καθιερώσετε στο βασικό προϊόν για να αυξήσετε τη χρήση και την ικανοποίηση.

2. Αξία

Για να κατανοήσετε και να επικοινωνήσετε την αξία του προϊόντος ή της δυνατότητας τεχνητής νοημοσύνης σας, πρέπει πρώτα να το αντιστοιχίσετε σε μια περίπτωση χρήσης — ένα συγκεκριμένο επιχειρηματικό πρόβλημα που θα λύσει — και να υπολογίσετε την απόδοση επένδυσης (ROI) (απόδοση επένδυσης). Αυτό σας αναγκάζει να απομακρύνετε το μυαλό σας από την τεχνολογία και να εστιάσετε στα οφέλη της λύσης από την πλευρά του χρήστη. Το ROI μπορεί να μετρηθεί σε διαφορετικές διαστάσεις. Για την τεχνητή νοημοσύνη, μερικά από αυτά είναι:

Αυξημένη αποτελεσματικότητα: Η τεχνητή νοημοσύνη μπορεί να ενισχύσει την παραγωγικότητα ατόμων, ομάδων και ολόκληρων εταιρειών. Για παράδειγμα, για τη δημιουργία περιεχομένου, μπορεί να διαπιστώσετε ότι αντί για τις 4–5 ώρες που απαιτούνται συνήθως για τη σύνταξη μιας ανάρτησης ιστολογίου [2], μπορείτε τώρα να το κάνετε σε 1–2 ώρες και να ξοδέψετε τον χρόνο που εξοικονομήσατε για άλλες εργασίες. Τα κέρδη αποδοτικότητας συχνά συμβαδίζουν με την εξοικονόμηση κόστους, καθώς απαιτείται λιγότερη ανθρώπινη προσπάθεια για την εκτέλεση του ίδιου όγκου εργασίας. Έτσι, στο επιχειρηματικό πλαίσιο, αυτό το όφελος είναι ελκυστικό τόσο για τους χρήστες όσο και για την ηγεσία.
Μια πιο εξατομικευμένη εμπειρία: Για παράδειγμα, το εργαλείο δημιουργίας περιεχομένου μπορεί να ζητήσει από τους χρήστες να ορίσουν παραμέτρους της εταιρείας τους, όπως χαρακτηριστικά επωνυμίας, ορολογία, πλεονεκτήματα προϊόντος κ.λπ. Επιπλέον, μπορεί να παρακολουθεί τις αλλαγές που έγιναν από έναν συγκεκριμένο συγγραφέα και να προσαρμόσει τις γενιές του στη μοναδική γραφή στυλ αυτού του χρήστη με την πάροδο του χρόνου.
Διασκέδαση και ευχαρίστηση: Εδώ, μπαίνουμε στη συναισθηματική πλευρά της χρήσης του προϊόντος, που ονομάζεται επίσης «σπλαχνικό» επίπεδο από τον Don Norman [3]. Ολόκληρες κατηγορίες προϊόντων για διασκέδαση και ψυχαγωγία υπάρχουν στο στρατόπεδο B2C, όπως το gaming και η επαυξημένη πραγματικότητα. Τι γίνεται με το B2B — δεν θα υποθέτετε ότι τα προϊόντα B2B υπάρχουν σε ένα αποστειρωμένο επαγγελματικό κενό; Στην πραγματικότητα, αυτή η κατηγορία μπορεί να δημιουργήσει ακόμη πιο ισχυρές συναισθηματικές αντιδράσεις από το B2C.[4] Για παράδειγμα, η γραφή μπορεί να εκληφθεί ως μια ικανοποιητική πράξη αυτοέκφρασης ή ως μια εσωτερική πάλη με το μπλοκ του συγγραφέα και άλλα ζητήματα. Σκεφτείτε πώς το προϊόν σας μπορεί να ενισχύσει τα θετικά συναισθήματα μιας εργασίας ενώ ανακουφίζει ή ακόμα και μεταμορφώνει τις οδυνηρές πτυχές της.
Ευκολία: Τι χρειάζεται να κάνει ο χρήστης σας για να αξιοποιήσει τις μαγικές δυνάμεις του AI; Φανταστείτε να ενσωματώνετε το copilot δημιουργίας περιεχομένου σας σε δημοφιλή εργαλεία συνεργασίας όπως το MS Office, τα Έγγραφα Google και το Notion. Οι χρήστες θα μπορούν να έχουν πρόσβαση στην ευφυΐα και την αποτελεσματικότητα του προϊόντος σας χωρίς να αφήνουν την άνεση του ψηφιακού «σπιτιού» τους. Έτσι, ελαχιστοποιείτε την προσπάθεια που πρέπει να καταβάλουν οι χρήστες για να βιώσουν την αξία του προϊόντος και να συνεχίσουν να το χρησιμοποιούν, κάτι που με τη σειρά του ενισχύει την απόκτηση και την υιοθέτηση των χρηστών.

Μερικά από τα οφέλη της τεχνητής νοημοσύνης — για παράδειγμα αποτελεσματικότητα — μπορούν να ποσοτικοποιηθούν άμεσα για την απόδοση επένδυσης (ROI). Για λιγότερο απτά κέρδη, όπως η ευκολία και η ευχαρίστηση, θα χρειαστεί να σκεφτείτε μετρήσεις διακομιστή μεσολάβησης όπως η ικανοποίηση των χρηστών. Λάβετε υπόψη ότι η σκέψη με όρους αξίας για τον τελικό χρήστη δεν θα κλείσει μόνο το χάσμα μεταξύ των χρηστών και του προϊόντος σας. Ως ευπρόσδεκτη παρενέργεια, μπορεί να μειώσει τις τεχνικές λεπτομέρειες στις δημόσιες επικοινωνίες σας. Αυτό θα σας αποτρέψει από το να προσκαλέσετε κατά λάθος ανεπιθύμητο ανταγωνισμό στο πάρτι.

Τέλος, μια θεμελιώδης πτυχή της αξίας που πρέπει να λάβετε υπόψη από νωρίς είναι η βιωσιμότητα. Πώς η λύση σας επηρεάζει την κοινωνία και το περιβάλλον; Στο παράδειγμά μας, η αυτοματοποιημένη ή επαυξημένη παραγωγή περιεχομένου μπορεί να εκτοπίσει και να εξαλείψει τον ανθρώπινο φόρτο εργασίας μεγάλης κλίμακας. Πιθανότατα δεν θέλετε να γίνετε γνωστός ως ο μελλοντικός δολοφόνος μιας ολόκληρης κατηγορίας θέσεων εργασίας — σε τελική ανάλυση, αυτό όχι μόνο θα δημιουργήσει ηθικά ερωτήματα αλλά και θα προκαλέσει αντίσταση από την πλευρά των χρηστών των οποίων τις θέσεις εργασίας απειλείτε. Σκεφτείτε πώς μπορείτε να αντιμετωπίσετε αυτούς τους φόβους. Για παράδειγμα, θα μπορούσατε να εκπαιδεύσετε τους χρήστες σχετικά με το πώς μπορούν να χρησιμοποιήσουν αποτελεσματικά τον νέο ελεύθερο χρόνο τους για να σχεδιάσουν ακόμη πιο εξελιγμένες στρατηγικές μάρκετινγκ. Αυτά μπορούν να παρέχουν μια υπερασπίσιμη τάφρο, ακόμη και όταν άλλοι ανταγωνιστές προλάβουν την αυτοματοποιημένη παραγωγή περιεχομένου.

3. Δεδομένα

Για κάθε είδους τεχνητή νοημοσύνη και μηχανική μάθηση, πρέπει να συλλέγετε και να προετοιμάζετε τα δεδομένα σας, ώστε να αντικατοπτρίζουν τις εισροές της πραγματικής ζωής και να παρέχουν επαρκή σήματα εκμάθησης για το μοντέλο σας. Σήμερα, βλέπουμε μια τάση προς την τεχνητή νοημοσύνη με επίκεντρο τα δεδομένα — μια φιλοσοφία τεχνητής νοημοσύνης που απομακρύνεται από την ατελείωτη προσαρμογή και βελτιστοποίηση των μοντέλων και εστιάζει στην επίλυση των πολυάριθμων προβλημάτων στα δεδομένα που τροφοδοτούνται σε αυτά τα μοντέλα. Όταν ξεκινάτε, υπάρχουν διάφοροι τρόποι για να αποκτήσετε ένα αξιοπρεπές σύνολο δεδομένων:

Μπορείς να χρησιμοποιήστε ένα υπάρχον σύνολο δεδομένων. Αυτό μπορεί να είναι είτε ένα τυπικό σύνολο δεδομένων μηχανικής εκμάθησης είτε ένα σύνολο δεδομένων με διαφορετικό αρχικό σκοπό που προσαρμόζετε για την εργασία σας. Υπάρχουν μερικά κλασικά δεδομένα, όπως το Σύνολο δεδομένων κριτικών ταινιών IMDB για την ανάλυση συναισθήματος και το Δεδομένα MNIST για χειρόγραφη αναγνώριση χαρακτήρων. Υπάρχουν πιο εξωτικές και συναρπαστικές εναλλακτικές, όπως Αλίευση παράνομου ψαρέματος και Αναγνώριση φυλής σκύλου, και αναρίθμητα σύνολα δεδομένων που επιμελούνται οι χρήστες σε κόμβους δεδομένων όπως το Kaggle. Οι πιθανότητες να βρείτε ένα σύνολο δεδομένων που έχει δημιουργηθεί για τη συγκεκριμένη εργασία σας και ικανοποιεί πλήρως τις απαιτήσεις σας είναι μάλλον χαμηλές και στις περισσότερες περιπτώσεις θα χρειαστεί να χρησιμοποιήσετε και άλλες μεθόδους για να εμπλουτίσετε τα δεδομένα σας.
Μπορείς να σχολιάστε ή δημιουργήστε τα δεδομένα με μη αυτόματο τρόπο για να δημιουργήσετε τα σωστά σήματα μάθησης. Ο χειροκίνητος σχολιασμός δεδομένων — για παράδειγμα, ο σχολιασμός κειμένων με βαθμολογίες συναισθήματος — ήταν η μέθοδος που χρησιμοποιήθηκε στις πρώτες μέρες της μηχανικής μάθησης. Πρόσφατα, έχει ξανακερδίσει την προσοχή ως το κύριο συστατικό στη μυστική σάλτσα του ChatGPT. Μια τεράστια χειρωνακτική προσπάθεια δαπανήθηκε για τη δημιουργία και την κατάταξη των απαντήσεων του μοντέλου ώστε να αντικατοπτρίζουν τις ανθρώπινες προτιμήσεις. Αυτή η τεχνική ονομάζεται επίσης Ενισχυτική μάθηση από την ανθρώπινη ανατροφοδότηση (RLHF). Εάν διαθέτετε τους απαραίτητους πόρους, μπορείτε να τους χρησιμοποιήσετε για να δημιουργήσετε δεδομένα υψηλής ποιότητας για πιο συγκεκριμένες εργασίες, όπως τη δημιουργία περιεχομένου μάρκετινγκ. Ο σχολιασμός μπορεί να γίνει είτε εσωτερικά είτε χρησιμοποιώντας έναν εξωτερικό πάροχο ή μια υπηρεσία crowdsourcing όπως το Amazon Mechanical Turk. Ούτως ή άλλως, οι περισσότερες εταιρείες δεν θα θέλουν να ξοδέψουν τους τεράστιους πόρους που απαιτούνται για τη μη αυτόματη δημιουργία δεδομένων RLHF και θα εξετάσουν ορισμένα κόλπα για να αυτοματοποιήσουν τη δημιουργία των δεδομένων τους.
Έτσι, μπορείτε να προσθέσετε περισσότερα παραδείγματα σε ένα υπάρχον σύνολο δεδομένων χρησιμοποιώντας αύξηση δεδομένων. Για απλούστερες εργασίες, όπως η ανάλυση συναισθήματος, θα μπορούσατε να εισάγετε κάποιο πρόσθετο θόρυβο στα κείμενα, να αλλάξετε μερικές λέξεις, κ.λπ. δημιουργία δεδομένων εκπαίδευσης. Αφού προσδιορίσετε την καλύτερη μέθοδο για να αυξήσετε τα δεδομένα σας, μπορείτε εύκολα να την κλιμακώσετε ώστε να φτάσετε στο απαιτούμενο μέγεθος δεδομένων.

Όταν δημιουργείτε τα δεδομένα σας, αντιμετωπίζετε μια αντιστάθμιση μεταξύ ποιότητας και ποσότητας. Μπορείτε να σχολιάσετε χειροκίνητα λιγότερα δεδομένα με υψηλή ποιότητα ή να ξοδέψετε τον προϋπολογισμό σας για την ανάπτυξη hacks και κόλπα για αυτοματοποιημένη αύξηση δεδομένων που θα εισάγουν πρόσθετο θόρυβο. Εάν επιλέγετε μη αυτόματο σχολιασμό, μπορείτε να το κάνετε εσωτερικά και να διαμορφώσετε μια κουλτούρα λεπτομέρειας και ποιότητας ή να παραχωρήσετε το έργο σε ανώνυμους ανθρώπους. Το crowdsourcing έχει συνήθως χαμηλότερη ποιότητα, επομένως ίσως χρειαστεί να προσθέσετε περισσότερους σχολιασμούς για να αντισταθμίσετε τον θόρυβο. Πώς βρίσκεις την ιδανική ισορροπία; Δεν υπάρχουν έτοιμες συνταγές εδώ — τελικά, θα βρείτε την ιδανική σύνθεση δεδομένων σας μέσα από μια συνεχή εναλλαγή μεταξύ της εκπαίδευσης και της ενίσχυσης των δεδομένων σας. Γενικά, κατά την προεκπαίδευση ενός μοντέλου, χρειάζεται να αποκτήσει γνώση από την αρχή, κάτι που μπορεί να συμβεί μόνο με μεγαλύτερη ποσότητα δεδομένων. Από την άλλη πλευρά, εάν θέλετε να τελειοποιήσετε και να δώσετε τις τελευταίες πινελιές εξειδίκευσης σε ένα υπάρχον μεγάλο μοντέλο, μπορεί να εκτιμήσετε την ποιότητα σε σχέση με την ποσότητα. Ο ελεγχόμενος μη αυτόματος σχολιασμός ενός μικρού συνόλου δεδομένων χρησιμοποιώντας λεπτομερείς οδηγίες μπορεί να είναι η βέλτιστη λύση σε αυτήν την περίπτωση.

4. Αλγόριθμος

Τα δεδομένα είναι η πρώτη ύλη από την οποία θα μάθει το μοντέλο σας και ελπίζουμε ότι μπορείτε να συντάξετε ένα αντιπροσωπευτικό σύνολο δεδομένων υψηλής ποιότητας. Τώρα, η πραγματική υπερδύναμη του συστήματος AI σας - η ικανότητά του να μαθαίνει από τα υπάρχοντα δεδομένα και να γενικεύει σε νέα δεδομένα - βρίσκεται στον αλγόριθμο. Όσον αφορά τα βασικά μοντέλα AI, υπάρχουν τρεις κύριες επιλογές που μπορείτε να χρησιμοποιήσετε:

Προτροπή ενός υπάρχοντος μοντέλου. Προηγμένα μοντέλα LLM (Μοντέλα Μεγάλων Γλωσσών) της οικογένειας GPT, όπως το ChatGPT και το GPT-4, καθώς και από άλλους παρόχους όπως τα Anthropic και AI21 Labs είναι διαθέσιμα για συμπέρασμα μέσω API. Με την προτροπή, μπορείτε να μιλήσετε απευθείας με αυτά τα μοντέλα, συμπεριλαμβανομένης της προτροπής σας όλες τις πληροφορίες που αφορούν τον τομέα και την εργασία που απαιτούνται για μια εργασία. Αυτό μπορεί να περιλαμβάνει συγκεκριμένο περιεχόμενο που θα χρησιμοποιηθεί, παραδείγματα ανάλογων εργασιών (προτροπή λίγων λήψεων) καθώς και οδηγίες για το μοντέλο που πρέπει να ακολουθήσει. Για παράδειγμα, εάν ο χρήστης σας θέλει να δημιουργήσει μια ανάρτηση ιστολογίου σχετικά με μια νέα δυνατότητα προϊόντος, μπορείτε να του ζητήσετε να παράσχει ορισμένες βασικές πληροφορίες σχετικά με τη λειτουργία, όπως τα οφέλη και τις περιπτώσεις χρήσης, τον τρόπο χρήσης, την ημερομηνία κυκλοφορίας κ.λπ. Στη συνέχεια, το προϊόν σας συμπληρώνει αυτές τις πληροφορίες σε ένα προσεκτικά κατασκευασμένο πρότυπο προτροπής και ζητά από το LLM να δημιουργήσει το κείμενο. Η προτροπή είναι εξαιρετική για να ξεκινήσετε με τα προεκπαιδευμένα μοντέλα. Ωστόσο, η τάφρο που μπορείτε να κατασκευάσετε με την προτροπή θα λεπτύνει γρήγορα με την πάροδο του χρόνου — μεσοπρόθεσμα, χρειάζεστε μια πιο υπερασπιστή στρατηγική μοντέλου για να διατηρήσετε το ανταγωνιστικό σας πλεονέκτημα.
Βελτιστοποιήστε ένα προεκπαιδευμένο μοντέλο. Αυτή η προσέγγιση έχει κάνει την τεχνητή νοημοσύνη τόσο δημοφιλή τα τελευταία χρόνια. Καθώς όλο και περισσότερα προεκπαιδευμένα μοντέλα γίνονται διαθέσιμα και πύλες όπως το Huggingface προσφέρουν αποθετήρια μοντέλων καθώς και τυπικό κώδικα για εργασία με τα μοντέλα, η λεπτομέρεια γίνεται η πιο δημοφιλής μέθοδος για δοκιμή και εφαρμογή. Όταν εργάζεστε με ένα προεκπαιδευμένο μοντέλο, μπορείτε να επωφεληθείτε από την επένδυση που έχει ήδη κάνει κάποιος στα δεδομένα, την εκπαίδευση και την αξιολόγηση του μοντέλου, το οποίο ήδη «γνωρίζει» πολλά πράγματα για τη γλώσσα και τον κόσμο. Το μόνο που χρειάζεται να κάνετε είναι να ρυθμίσετε με ακρίβεια το μοντέλο χρησιμοποιώντας ένα σύνολο δεδομένων για συγκεκριμένη εργασία, το οποίο μπορεί να είναι πολύ μικρότερο από το σύνολο δεδομένων που χρησιμοποιήθηκε αρχικά για την προεκπαίδευση. Για παράδειγμα, για τη δημιουργία περιεχομένου μάρκετινγκ, μπορείτε να συλλέξετε ένα σύνολο αναρτήσεων ιστολογίου που είχαν καλή απόδοση όσον αφορά την αφοσίωση και να δημιουργήσετε αντίστροφη μηχανική των οδηγιών για αυτές. Από αυτά τα δεδομένα, το μοντέλο σας θα μάθει για τη δομή, τη ροή και το στυλ των επιτυχημένων άρθρων. Ο μικροσυντονισμός είναι ο καλύτερος τρόπος κατά τη χρήση μοντέλων ανοιχτού κώδικα, αλλά οι πάροχοι API LLM όπως το OpenAI και το Cohere προσφέρουν επίσης ολοένα και περισσότερες λειτουργίες τελειοποίησης. Ειδικά για το κομμάτι ανοιχτού κώδικα, θα πρέπει ακόμα να λάβετε υπόψη τα ζητήματα της επιλογής μοντέλου, το γενικό κόστος της εκπαίδευσης και της ανάπτυξης μεγαλύτερων μοντέλων, καθώς και τα χρονοδιαγράμματα συντήρησης και ενημέρωσης του μοντέλου σας.
Εκπαιδεύστε το μοντέλο ML σας από την αρχή. Γενικά, αυτή η προσέγγιση λειτουργεί καλά για απλούστερα, αλλά πολύ συγκεκριμένα προβλήματα για τα οποία έχετε συγκεκριμένη τεχνογνωσία ή αξιοπρεπή σύνολα δεδομένων. Η παραγωγή περιεχομένου δεν εμπίπτει ακριβώς σε αυτήν την κατηγορία — απαιτεί προηγμένες γλωσσικές ικανότητες για να σας απογειώσει, και αυτές μπορούν να αποκτηθούν μόνο μετά από εκπαίδευση σε γελοία μεγάλες ποσότητες δεδομένων. Τα πιο απλά προβλήματα, όπως η ανάλυση συναισθήματος για έναν συγκεκριμένο τύπο κειμένου, μπορούν συχνά να επιλυθούν με καθιερωμένες μεθόδους μηχανικής εκμάθησης, όπως η λογιστική παλινδρόμηση, οι οποίες είναι υπολογιστικά λιγότερο δαπανηρές από τις φανταχτερές μεθόδους βαθιάς εκμάθησης. Φυσικά, υπάρχει επίσης η μέση λύση εύλογα πολύπλοκων προβλημάτων όπως η εξαγωγή εννοιών για συγκεκριμένους τομείς, για τους οποίους θα μπορούσατε να εξετάσετε το ενδεχόμενο εκπαίδευσης ενός βαθιού νευρωνικού δικτύου από την αρχή.

Πέρα από την εκπαίδευση, η αξιολόγηση είναι πρωταρχικής σημασίας για την επιτυχή χρήση της μηχανικής μάθησης. Οι κατάλληλες μετρήσεις και μέθοδοι αξιολόγησης δεν είναι μόνο σημαντικές για μια σίγουρη κυκλοφορία των δυνατοτήτων AI σας, αλλά θα χρησιμεύσουν επίσης ως σαφής στόχος για περαιτέρω βελτιστοποίηση και ως κοινό έδαφος για εσωτερικές συζητήσεις και αποφάσεις. Ενώ οι τεχνικές μετρήσεις όπως η ακρίβεια, η ανάκληση και η ακρίβεια μπορούν να παρέχουν ένα καλό σημείο εκκίνησης, τελικά θα θελήσετε να αναζητήσετε μετρήσεις που αντικατοπτρίζουν την πραγματική αξία που προσφέρει η τεχνητή νοημοσύνη σας στους χρήστες.

5. Εμπειρία χρήστη

Η εμπειρία χρήστη των προϊόντων τεχνητής νοημοσύνης είναι ένα συναρπαστικό θέμα - σε τελική ανάλυση, οι χρήστες έχουν μεγάλες ελπίδες, αλλά και φόβους σχετικά με τη «συνεργασία» με μια τεχνητή νοημοσύνη που μπορεί να υπερτροφοδοτήσει και ενδεχομένως να ξεπεράσει τη νοημοσύνη τους. Ο σχεδιασμός αυτής της συνεργασίας ανθρώπου-AI απαιτεί μια στοχαστική και λογική διαδικασία ανακάλυψης και σχεδιασμού. Ένα από τα βασικά ζητήματα είναι ο βαθμός αυτοματισμού που θέλετε να παραχωρήσετε με το προϊόν σας — και λάβετε υπόψη σας, ο πλήρης αυτοματισμός δεν είναι πάντα η ιδανική λύση. Το παρακάτω σχήμα απεικονίζει τη συνέχεια του αυτοματισμού:

Ας δούμε καθένα από αυτά τα επίπεδα:

Στο πρώτο στάδιο, οι άνθρωποι κάνουν όλη τη δουλειά και δεν πραγματοποιείται αυτοματισμός. Παρά τη διαφημιστική εκστρατεία γύρω από την τεχνητή νοημοσύνη, οι περισσότερες εργασίες έντασης γνώσης στις σύγχρονες εταιρείες εξακολουθούν να εκτελούνται σε αυτό το επίπεδο, παρουσιάζοντας τεράστιες ευκαιρίες για αυτοματοποίηση. Για παράδειγμα, ο συγγραφέας περιεχομένου που αντιστέκεται στα εργαλεία που βασίζονται στην τεχνητή νοημοσύνη και είναι πεπεισμένος ότι η γραφή είναι μια εξαιρετικά χειρωνακτική και ιδιότυπη τέχνη λειτουργεί εδώ.
Στο δεύτερο στάδιο της υποβοηθούμενης τεχνητής νοημοσύνης, οι χρήστες έχουν τον απόλυτο έλεγχο της εκτέλεσης εργασιών και κάνουν μεγάλο μέρος της εργασίας με το χέρι, αλλά τα εργαλεία AI τους βοηθούν να εξοικονομήσουν χρόνο και να αντισταθμίσουν τα αδύνατα σημεία τους. Για παράδειγμα, όταν γράφετε μια ανάρτηση ιστολογίου με περιορισμένη προθεσμία, ένας τελικός γλωσσικός έλεγχος με το Grammarly ή ένα παρόμοιο εργαλείο μπορεί να γίνει ευπρόσδεκτη εξοικονόμηση χρόνου. Μπορεί να εξαλείψει τη χειροκίνητη αναθεώρηση, η οποία απαιτεί πολύ από τον περιορισμένο χρόνο και την προσοχή σας και μπορεί να εξακολουθεί να σας αφήνει λάθη και παραβλέψεις - τελικά, το να κάνετε λάθος είναι ανθρώπινο.
Με την επαυξημένη νοημοσύνη, η τεχνητή νοημοσύνη είναι ένας συνεργάτης που ενισχύει τη νοημοσύνη του ανθρώπου, αξιοποιώντας έτσι τα δυνατά σημεία και των δύο κόσμων. Σε σύγκριση με την υποβοηθούμενη τεχνητή νοημοσύνη, το μηχάνημα έχει πολλά περισσότερα να πει στη διαδικασία σας και καλύπτει ένα μεγαλύτερο σύνολο αρμοδιοτήτων, όπως ο ιδεασμός, η δημιουργία και η επεξεργασία των πρόχειρων και ο τελικός γλωσσικός έλεγχος. Οι χρήστες πρέπει ακόμα να συμμετέχουν στην εργασία, να λαμβάνουν αποφάσεις και να εκτελούν μέρη της εργασίας. Η διεπαφή χρήστη θα πρέπει να υποδεικνύει ξεκάθαρα την κατανομή εργασίας μεταξύ ανθρώπου και τεχνητής νοημοσύνης, να επισημαίνει τις πιθανότητες σφάλματος και να παρέχει διαφάνεια στα βήματα που εκτελεί. Εν ολίγοις, η «επαυξημένη» εμπειρία καθοδηγεί τους χρήστες στο επιθυμητό αποτέλεσμα μέσω της επανάληψης και της βελτίωσης.
Και τέλος, έχουμε πλήρη αυτοματοποίηση — μια ενδιαφέρουσα ιδέα για τεχνίτες τεχνητής νοημοσύνης, φιλοσόφους και ειδικούς, αλλά συχνά δεν είναι η βέλτιστη επιλογή για προϊόντα πραγματικής ζωής. Ο πλήρης αυτοματισμός σημαίνει ότι προσφέρετε ένα «μεγάλο κόκκινο κουμπί» που ξεκινά τη διαδικασία. Μόλις ολοκληρωθεί η τεχνητή νοημοσύνη, οι χρήστες σας αντιμετωπίζουν το τελικό αποτέλεσμα και είτε το παίρνουν είτε το αφήνουν. Οτιδήποτε έγινε ενδιάμεσα δεν μπορούν να ελέγξουν. Όπως μπορείτε να φανταστείτε, οι επιλογές UX εδώ είναι μάλλον περιορισμένες αφού ουσιαστικά δεν υπάρχει διαδραστικότητα. Το μεγαλύτερο μέρος της ευθύνης για την επιτυχία βαρύνει τους τεχνικούς συναδέλφους σας, οι οποίοι πρέπει να εξασφαλίσουν μια εξαιρετικά υψηλή ποιότητα των αποτελεσμάτων.

Τα προϊόντα AI χρειάζονται ειδική μεταχείριση όσον αφορά το σχεδιασμό. Οι τυπικές γραφικές διεπαφές είναι ντετερμινιστικές και σας επιτρέπουν να προβλέψετε όλες τις πιθανές διαδρομές που μπορεί να ακολουθήσει ο χρήστης. Αντίθετα, τα μεγάλα μοντέλα τεχνητής νοημοσύνης είναι πιθανολογικά και αβέβαια — εκθέτουν μια σειρά εκπληκτικών δυνατοτήτων αλλά και κινδύνους όπως τοξικά, λανθασμένα και επιβλαβή αποτελέσματα. Από έξω, η διεπαφή τεχνητής νοημοσύνης μπορεί να φαίνεται απλή, επειδή πολλές από τις δυνατότητες του προϊόντος σας βρίσκονται απευθείας στο μοντέλο. Για παράδειγμα, ένα LLM μπορεί να ερμηνεύσει μηνύματα, να παράγει κείμενο, να αναζητήσει πληροφορίες, να το συνοψίσει, να υιοθετήσει ένα συγκεκριμένο στυλ και ορολογία, να εκτελέσει οδηγίες κ.λπ. — για να οδηγήσετε τους χρήστες στην επιτυχία, πρέπει να είστε σαφείς και ρεαλιστές. Ενημερώστε τους χρήστες για τις δυνατότητες και τους περιορισμούς των μοντέλων τεχνητής νοημοσύνης σας, επιτρέψτε τους να ανακαλύπτουν και να διορθώνουν εύκολα σφάλματα που προκαλούνται από την τεχνητή νοημοσύνη και να τους διδάσκουν τρόπους να επαναλαμβάνουν τον εαυτό τους σε βέλτιστα αποτελέσματα. Δίνοντας έμφαση στην εμπιστοσύνη, τη διαφάνεια και την εκπαίδευση των χρηστών, μπορείτε να κάνετε τους χρήστες σας να συνεργάζονται με το AI. Ενώ μια βαθιά κατάδυση στην αναδυόμενη πειθαρχία του σχεδιασμού τεχνητής νοημοσύνης είναι εκτός του πεδίου εφαρμογής αυτού του άρθρου, σας ενθαρρύνω να αναζητήσετε έμπνευση όχι μόνο από άλλες εταιρείες τεχνητής νοημοσύνης αλλά και από άλλους τομείς σχεδιασμού, όπως η αλληλεπίδραση ανθρώπου-μηχανής. Σύντομα θα προσδιορίσετε μια σειρά επαναλαμβανόμενων μοτίβων σχεδίασης, όπως αυτόματες συμπληρώσεις, προτάσεις προτροπής και ειδοποιήσεις τεχνητής νοημοσύνης, που μπορείτε να ενσωματώσετε στη δική σας διεπαφή για να αξιοποιήσετε στο έπακρο τα δεδομένα και τα μοντέλα σας.

Επιπλέον, για να προσφέρετε ένα πραγματικά υπέροχο σχέδιο, ίσως χρειαστεί να προσθέσετε νέες δεξιότητες σχεδιασμού στην ομάδα σας. Για παράδειγμα, εάν δημιουργείτε μια εφαρμογή συνομιλίας για τη βελτίωση του περιεχομένου μάρκετινγκ, θα συνεργαστείτε με έναν σχεδιαστή συνομιλίας που φροντίζει για τις ροές συνομιλίας και την «προσωπικότητα» του chatbot σας. Εάν κατασκευάζετε ένα πλούσιο επαυξημένο προϊόν που πρέπει να εκπαιδεύει διεξοδικά και να καθοδηγεί τους χρήστες σας στις διαθέσιμες επιλογές, ένας σχεδιαστής περιεχομένου μπορεί να σας βοηθήσει να δημιουργήσετε το σωστό είδος αρχιτεκτονικής πληροφοριών και να προσθέσετε τη σωστή ποσότητα ώθησης και προτροπής για τους χρήστες σας.

Και τέλος, να είστε ανοιχτοί σε εκπλήξεις. Ο σχεδιασμός AI μπορεί να σας κάνει να αναθεωρήσετε τις αρχικές σας αντιλήψεις σχετικά με την εμπειρία χρήστη. Για παράδειγμα, πολλοί σχεδιαστές UX και διαχειριστές προϊόντων επιστρατεύτηκαν για να ελαχιστοποιήσουν τον λανθάνοντα χρόνο και την τριβή προκειμένου να εξομαλυνθεί η εμπειρία του χρήστη. Λοιπόν, στα προϊόντα τεχνητής νοημοσύνης, μπορείτε να σταματήσετε αυτόν τον αγώνα και να χρησιμοποιήσετε και τα δύο προς όφελός σας. Η καθυστέρηση και οι χρόνοι αναμονής είναι εξαιρετικοί για την εκπαίδευση των χρηστών σας, π.χ. εξηγώντας τι κάνει αυτή τη στιγμή η τεχνητή νοημοσύνη και υποδεικνύοντας πιθανά επόμενα βήματα από την πλευρά τους. Οι διακοπές, όπως τα αναδυόμενα παράθυρα διαλόγου και ειδοποιήσεων, μπορούν να δημιουργήσουν τριβή για να ενισχύσουν τη συνεργασία ανθρώπου-AI και να αυξήσουν τη διαφάνεια και τον έλεγχο για τους χρήστες σας.

6. Μη λειτουργικές απαιτήσεις

Πέρα από τα δεδομένα, ο αλγόριθμος και το UX που σας δίνουν τη δυνατότητα να εφαρμόσετε μια συγκεκριμένη λειτουργικότητα, οι λεγόμενες μη λειτουργικές απαιτήσεις (NFR) όπως η ακρίβεια, ο λανθάνοντας χρόνος, η επεκτασιμότητα, η αξιοπιστία και η διακυβέρνηση δεδομένων διασφαλίζουν ότι ο χρήστης λαμβάνει όντως την προβλεπόμενη τιμή. Η έννοια των NFR προέρχεται από την ανάπτυξη λογισμικού, αλλά δεν έχει ληφθεί ακόμη συστηματικά υπόψη στον τομέα της τεχνητής νοημοσύνης. Συχνά, αυτές οι απαιτήσεις επιλέγονται με ad-hoc τρόπο καθώς προκύπτουν κατά τη διάρκεια της έρευνας των χρηστών, του ιδεασμού, της ανάπτυξης και της λειτουργίας των δυνατοτήτων AI.

Θα πρέπει να προσπαθήσετε να κατανοήσετε και να ορίσετε τα NFR σας όσο το δυνατόν νωρίτερα, καθώς διαφορετικά NFR θα ζωντανεύουν σε διαφορετικά σημεία του ταξιδιού σας. Για παράδειγμα, το απόρρητο πρέπει να λαμβάνεται υπόψη από το αρχικό βήμα της επιλογής δεδομένων. Η ακρίβεια είναι πιο ευαίσθητη στο στάδιο της παραγωγής, όταν οι χρήστες αρχίζουν να χρησιμοποιούν το σύστημά σας στο διαδίκτυο, δυνητικά κατακλύζοντάς το με απροσδόκητες εισροές. Η επεκτασιμότητα είναι μια στρατηγική σκέψη που τίθεται στο παιχνίδι όταν η επιχείρησή σας κλιμακώνει τον αριθμό των χρηστών ή/και των αιτημάτων ή το φάσμα της προσφερόμενης λειτουργικότητας.

Όταν πρόκειται για NFR, δεν μπορείτε να τα έχετε όλα. Ακολουθούν μερικές από τις τυπικές ανταλλαγές που θα χρειαστεί να εξισορροπήσετε:

Μία από τις πρώτες μεθόδους για την αύξηση της ακρίβειας είναι η χρήση ενός μεγαλύτερου μοντέλου, το οποίο θα επηρεάσει τον λανθάνοντα χρόνο.
Η χρήση δεδομένων παραγωγής «ως έχει» για περαιτέρω βελτιστοποίηση μπορεί να είναι η καλύτερη για εκμάθηση, αλλά μπορεί να παραβιάζει τους κανόνες απορρήτου και ανωνυμοποίησης.
Τα πιο κλιμακούμενα μοντέλα είναι γενικά, γεγονός που επηρεάζει την ακρίβειά τους σε εργασίες που αφορούν την εταιρεία ή τον χρήστη.

Ο τρόπος με τον οποίο δίνετε προτεραιότητα στις διαφορετικές απαιτήσεις θα εξαρτηθεί από τους διαθέσιμους υπολογιστικούς πόρους, την ιδέα σας για το UX, συμπεριλαμβανομένου του βαθμού αυτοματοποίησης, και τον αντίκτυπο των αποφάσεων που υποστηρίζονται από την τεχνητή νοημοσύνη.

Βασικά καραβάνια

Ξεκινήστε έχοντας στο μυαλό σας το τέλος: Μην υποθέτετε ότι η τεχνολογία από μόνη της θα κάνει τη δουλειά. χρειάζεστε έναν σαφή οδικό χάρτη για την ενσωμάτωση της τεχνητής νοημοσύνης σας στο προϊόν που αντιμετωπίζει ο χρήστης και την εκπαίδευση των χρηστών σας σχετικά με τα οφέλη, τους κινδύνους και τους περιορισμούς του.
Ευθυγράμμιση της αγοράς: Δώστε προτεραιότητα στις ευκαιρίες της αγοράς και τις ανάγκες των πελατών για να καθοδηγήσετε την ανάπτυξη της τεχνητής νοημοσύνης. Μην βιάζεστε τις υλοποιήσεις τεχνητής νοημοσύνης λόγω διαφημιστικής εκστρατείας και χωρίς επικύρωση από την πλευρά της αγοράς.
Αξία χρήστη: Καθορίστε, ποσοτικοποιήστε και κοινοποιήστε την αξία των προϊόντων τεχνητής νοημοσύνης όσον αφορά την αποτελεσματικότητα, την εξατομίκευση, την ευκολία και άλλες διαστάσεις αξίας.
Η ποιότητα των δεδομένων: Εστίαση στην ποιότητα και τη συνάφεια των δεδομένων για την αποτελεσματική εκπαίδευση των μοντέλων AI. Προσπαθήστε να χρησιμοποιήσετε μικρά, υψηλής ποιότητας δεδομένα για τελειοποίηση και μεγαλύτερα σύνολα δεδομένων για εκπαίδευση από την αρχή.
Επιλογή αλγόριθμου/μοντέλου: Επιλέξτε το σωστό επίπεδο πολυπλοκότητας και υπερασπιστικότητας (προτροπή, τελειοποίηση, εκπαίδευση από την αρχή) για την περίπτωση χρήσης σας και αξιολογήστε προσεκτικά την απόδοσή της. Με την πάροδο του χρόνου, καθώς αποκτάτε την απαραίτητη τεχνογνωσία και εμπιστοσύνη στο προϊόν σας, ίσως θέλετε να μεταβείτε σε πιο προηγμένες στρατηγικές μοντέλων.
Σχεδιασμός με επίκεντρο τον χρήστη: Σχεδιάστε προϊόντα τεχνητής νοημοσύνης με γνώμονα τις ανάγκες και τα συναισθήματα των χρηστών, εξισορροπώντας την αυτοματοποίηση και τον έλεγχο των χρηστών. Λάβετε υπόψη το «απρόβλεπτο» των πιθανολογικών μοντέλων AI και καθοδηγήστε τους χρήστες σας να εργαστούν με αυτό και να επωφεληθούν από αυτό.
Σχεδιασμός συνεργασίας: Δίνοντας έμφαση στην εμπιστοσύνη, τη διαφάνεια και την εκπαίδευση των χρηστών, μπορείτε να κάνετε τους χρήστες σας να συνεργάζονται με το AI.
Μη λειτουργικές απαιτήσεις: Λάβετε υπόψη παράγοντες όπως η ακρίβεια, η καθυστέρηση, η επεκτασιμότητα και η αξιοπιστία καθ' όλη τη διάρκεια της ανάπτυξης και προσπαθήστε να αξιολογήσετε τις ανταλλαγές μεταξύ αυτών από νωρίς.
Συνεργασία: Ενθαρρύνετε τη στενή συνεργασία μεταξύ ειδικών τεχνητής νοημοσύνης, σχεδιαστών, διευθυντών προϊόντων και άλλων μελών της ομάδας για να επωφεληθείτε από τη διεπιστημονική ευφυΐα και να ενσωματώσετε με επιτυχία την τεχνητή νοημοσύνη σας.