Tekoälytuotteiden rakentaminen kokonaisvaltaisella mielenterveysmallilla

Julkaissut Platon

seuraajia: 0

AI-tuotteiden rakentaminen

Huomautus: Tämä artikkeli on ensimmäinen sarjassa "Disecting AI Applications", joka esittelee henkisen mallin tekoälyjärjestelmille. Malli toimii työkaluna poikkitieteellisten tekoäly- ja tuotetiimien keskusteluun, suunnitteluun ja määrittelyyn tekoälytuotteista sekä linjaamiseen liiketoimintaosaston kanssa. Sen tavoitteena on tuoda yhteen tuotejohtajien, UX-suunnittelijoiden, datatieteilijöiden, insinöörien ja muiden tiimin jäsenten näkökulmat. Tässä artikkelissa esittelen henkisen mallin, kun taas tulevat artikkelit osoittavat, kuinka sitä voidaan soveltaa tiettyihin tekoälytuotteisiin ja -ominaisuuksiin.

Usein yritykset olettavat, että heidän tarvitsee vain palkata tekoälyasiantuntijoita ja antaa heidän pelata teknistä taikuutta. Tämä lähestymistapa johtaa heidät suoraan integraatiovirheeseen: vaikka nämä asiantuntijat ja insinöörit tuottaisivatkin poikkeuksellisia malleja ja algoritmeja, heidän tuotoksensa juuttuu usein leikkikenttien, hiekkalaatikoiden ja demojen tasolle, eikä niistä koskaan tule tuotteen täysiä osia. Vuosien varrella olen nähnyt paljon turhautumista tietotieteilijöiltä ja insinööreiltä, joiden teknisesti erinomaiset tekoälytoteutukset eivät päässeet käyttäjien tarpeisiin. Pikemminkin heillä oli äärimmäisten kokeiden kunniakas asema, jotka antoivat sisäisille sidosryhmille vaikutelman tekoälyaallon ajamisesta. Nyt, kun tekoäly on yleistynyt kaikkialla ChatGPT:n julkaisun jälkeen vuonna 2022, yrityksillä ei ole enää varaa käyttää tekoälyä "majakana" esitelläkseen teknistä taitoaan.

Miksi tekoälyn integrointi on niin vaikeaa? Siihen on pari syytä:

Usein tiimit keskittyvät vain yhteen tekoälyjärjestelmän osa-alueeseen. Tämä on jopa johtanut erillisten leirien, kuten datakeskeisen, mallikeskeisen ja ihmiskeskeisen tekoälyn, syntymiseen. Vaikka jokainen niistä tarjoaa jännittäviä näkökulmia tutkimukseen, tosielämän tuotteessa on yhdistettävä data, malli ja ihmisen ja koneen välinen vuorovaikutus yhtenäiseksi järjestelmäksi.
AI-kehitys on erittäin yhteistyökykyinen yritys. Perinteisessä ohjelmistokehityksessä työskentelet suhteellisen selkeällä dikotomialla, joka koostuu tausta- ja käyttöliittymäkomponenteista. Tekoälyssä sinun ei tarvitse vain lisätä tiimiisi monipuolisempia rooleja ja taitoja, vaan myös varmistaa tiiviimpi yhteistyö eri osapuolten välillä. Tekoälyjärjestelmäsi eri osat ovat vuorovaikutuksessa toistensa kanssa intiimeillä tavoilla. Jos esimerkiksi työskentelet virtuaaliassistentin parissa, UX-suunnittelijoiden on ymmärrettävä nopea suunnittelu luodakseen luonnollisen käyttäjävirran. Tietojen kirjoittajien on oltava tietoisia brändistäsi ja virtuaalisen avustajasi "luonteenpiirteistä", jotta he voivat luoda koulutusdataa, joka on johdonmukainen ja kohdistettu sijoituksesi kanssa, ja tuotepäällikösi on ymmärrettävä ja tarkasteltava tietoputken arkkitehtuuria varmistaakseen se vastaa käyttäjien hallintaan liittyviä huolenaiheita.
Tekoälyä rakentaessaan yritykset usein aliarvioivat suunnittelun tärkeyden. Tekoäly alkaa taustajärjestelmästä, mutta hyvä suunnittelu on välttämätöntä, jotta se loistaa tuotannossa. AI-suunnittelu rikkoo perinteisen UX:n rajoja. Suuri osa tarjoamistasi toiminnoista ei sinänsä näy käyttöliittymässä, vaan "piilotettu" malliin, ja sinun on koulutettava ja opastettava käyttäjiäsi maksimoimaan nämä edut. Lisäksi nykyaikaiset perusmallit ovat villejä asioita, jotka voivat tuottaa myrkyllisiä, vääriä ja haitallisia tuloksia, joten asetat lisää suojakaiteita näiden riskien vähentämiseksi. Kaikki tämä saattaa vaatia tiimiltäsi uusia taitoja, kuten nopeaa suunnittelua ja keskustelusuunnittelua. Joskus se tarkoittaa myös intuitiivisten asioiden tekemistä, kuten arvon aliarvioimista käyttäjien odotusten hallitsemiseksi ja kitkan lisäämistä, jotta he saavat enemmän hallintaa ja läpinäkyvyyttä.
Tekoälyhype luo painetta. Monet yritykset asettavat kärryt hevosen edelle hyppäämällä toteutuksiin, joita asiakkaiden ja markkinoiden tarpeet eivät vahvista. Tekoälysanan käyttäminen toisinaan voi auttaa sinua markkinoimaan ja asettamaan itsesi edistykselliseksi ja innovatiiviseksi yritykseksi, mutta pitkällä aikavälillä sinun on tuettava vilinääsi ja kokeiluja todellisilla mahdollisuuksilla. Tämä voidaan saavuttaa liiketoiminnan ja teknologian tiiviillä koordinoinnilla, joka perustuu markkinapuolen mahdollisuuksien selkeään kartoittamiseen teknologisiin mahdollisuuksiin.

Tässä artikkelissa rakennamme tekoälyjärjestelmille mentaalisen mallin, joka yhdistää nämä eri näkökohdat (vrt. kuva 1). Se rohkaisee rakentajia ajattelemaan kokonaisvaltaisesti, luomaan selkeän käsityksen kohdetuotteestaan ja päivittämään sitä uusilla oivalluksilla ja panoksilla matkan varrella. Mallia voidaan käyttää työkaluna yhteistyön helpottamiseen, eri näkökulmien yhdistämiseen tekoälytiimin sisällä ja ulkopuolella ja menestyvien tuotteiden rakentamiseen yhteisen vision pohjalta. Sitä voidaan soveltaa uusien tekoälyyn perustuvien tuotteiden lisäksi myös tekoälyominaisuuksiin, jotka on sisällytetty olemassa oleviin tuotteisiin.

AI-tuotteiden rakentaminen — Kuva 1: Tekoälyjärjestelmän henkinen malli

Seuraavissa osissa kuvataan lyhyesti jokaista komponenttia keskittyen osiin, jotka ovat ominaisia tekoälytuotteille. Aloitamme liiketoimintanäkökulmasta – markkinapuolen mahdollisuudesta ja arvosta – ja sitten sukeltamme käyttökokemukseen ja teknologiaan. Mallin havainnollistamiseksi käytämme markkinointisisällön luomiseen juoksevaa esimerkkiä copilotista.

Jos tästä perusteellisesta opetussisällöstä on hyötyä sinulle, voit tilaa AI-tutkimuksen postituslista hälytys, kun julkaisemme uutta materiaalia.

1. Mahdollisuus

Kaiken sen hienon jutun ansiosta, jota voit nyt tehdä tekoälyllä, saatat olla kärsimätön likaamaan kätesi ja aloittamaan rakentamisen. Kuitenkin, jotta voit rakentaa jotain, jota käyttäjäsi tarvitsevat ja rakastavat, sinun tulee tukea kehitystäsi markkinamahdollisuudella. Ihanteellisessa maailmassa mahdollisuudet tavoittavat meidät asiakkailta, jotka kertovat meille, mitä he tarvitsevat tai haluavat.[1] Nämä voivat olla tyydyttämättömiä tarpeita, kipukohtia tai toiveita. Voit etsiä näitä tietoja olemassa olevista asiakaspalautteista, kuten tuotearvosteluista ja myynti- ja menestystiimien muistiinpanoista. Älä myöskään unohda itseäsi tuotteesi mahdollisena käyttäjänä – jos kohdistat itse kokemaasi ongelmaan, tämä tietoetu on lisäetu. Tämän lisäksi voit myös tehdä ennakoivaa asiakastutkimusta käyttämällä työkaluja, kuten kyselyitä ja haastatteluja.

Minun ei esimerkiksi tarvitse katsoa liian kauas nähdäkseni startup-yritysten sisältömarkkinoinnin vaikeudet, mutta myös suuremmat yritykset. Olen kokenut sen itse – kilpailun kasvaessa ajattelujohtamisen kehittäminen yksilöllisellä, säännöllisellä ja (!) laadukkaalla sisällöllä tulee yhä tärkeämmäksi erottumiselle. Samaan aikaan pienellä ja kiireisellä porukalla on aina pöydällä asioita, jotka tuntuvat tärkeämmiltä kuin viikon blogikirjoituksen kirjoittaminen. Tapaan myös usein verkostossani ihmisiä, joilla on vaikeuksia luoda johdonmukaista sisältömarkkinointirutiinia. Nämä "paikalliset", mahdollisesti puolueelliset havainnot voidaan validoida tutkimuksilla, jotka menevät verkon ulkopuolelle ja vahvistavat ratkaisun laajemmat markkinat.

Tosimaailma on hieman sumeampi, eivätkä asiakkaat aina tule luoksesi esittelemään uusia, hyvin muotoiltuja mahdollisuuksia. Pikemminkin, jos ojennat antennejasi, mahdollisuudet tavoittavat sinut monista suunnista, kuten:

Markkina-asema: Tekoäly on trendikästä – vakiintuneille yrityksille sitä voidaan käyttää vahvistamaan yrityksen imagoa innovatiivisena, huipputeknisenä, tulevaisuudenkestävänä jne. Se voi esimerkiksi nostaa olemassa olevan markkinointitoimiston tekoälypohjaiseksi palveluksi ja erottaa sen kilpailijoista. Älä kuitenkaan tee tekoälyä tekoälyn vuoksi. Paikannustemppua tulee soveltaa varoen ja yhdessä muiden mahdollisuuksien kanssa – muuten vaarana on uskottavuuden menettäminen.
kilpailijat: Kun kilpailijasi tekevät liikkeen, on todennäköistä, että he ovat jo tehneet taustalla olevan tutkimuksen ja validoinnin. Katsokaa niitä jonkin ajan kuluttua – oliko niiden kehitys onnistunut? Käytä näitä tietoja oman ratkaisusi optimointiin, onnistuneiden osien omaksumiseen ja virheiden korjaamiseen. Oletetaan esimerkiksi, että tarkkailet kilpailijaa, joka tarjoaa palvelua täysin automaattiseen markkinointisisällön luomiseen. Käyttäjät napsauttavat "isoa punaista painiketta", ja tekoäly marssii eteenpäin kirjoittaakseen ja julkaistakseen sisällön. Pienen tutkimuksen jälkeen huomaat, että käyttäjät epäröivät käyttää tätä tuotetta, koska he haluavat hallita prosessia paremmin ja antaa oman asiantuntemuksensa ja persoonallisuutensa kirjoittamiseen. Kirjoittaminen on loppujen lopuksi myös itseilmaisua ja yksilöllistä luovuutta. Nyt on aika siirtyä eteenpäin monipuolisella työkalulla, joka tarjoaa monipuolisia toimintoja ja konfiguraatioita sisällön muokkaamiseen. Se tehostaa käyttäjien tehokkuutta samalla, kun he voivat "injektoida" itsensä prosessiin milloin tahansa.
Säännöt: megatrendit, kuten teknologiset häiriöt ja globalisaatio, pakottavat sääntelyviranomaiset tiukentamaan vaatimuksiaan. Säännöt luovat painetta ja ovat luodinkestävä mahdollisuuksien lähde. Kuvittele esimerkiksi, että voimaan tulee asetus, joka edellyttää ehdottomasti kaikkien mainostavan tekoälyn tuottamaa sisältöä sellaisenaan. Ne yritykset, jotka jo käyttävät työkaluja tekoälysisällön luomiseen, katoavat sisäisiin keskusteluihin siitä, haluavatko he tämän. Monet heistä pidättäytyvät, koska he haluavat säilyttää kuvan aidosta ajattelun johtajuudesta sen sijaan, että tuottaisivat näkyvästi tekoälyn tuottamaa kattilaa. Oletetaan, että olit älykäs ja valitsit laajennetun ratkaisun, joka antaa käyttäjille riittävästi hallintaa, jotta he voivat pysyä tekstien virallisina "kirjoittajina". Kun uusi rajoitus otetaan käyttöön, olet immuuni ja voit ryntätä eteenpäin hyödyntääksesi sääntelyä, kun taas kilpailijasi, joilla on täysin automatisoituja ratkaisuja, tarvitsevat aikaa toipuakseen takaiskusta.
Mahdollistavat tekniikat: Nousevat teknologiat ja merkittävät harppaukset olemassa olevissa teknologioissa, kuten generatiivisen tekoälyn aalto vuosina 2022–23, voivat avata uusia tapoja tehdä asioita tai katapultoida olemassa olevia sovelluksia uudelle tasolle. Oletetaan, että olet johtanut perinteistä markkinointitoimistoa viimeisen vuosikymmenen ajan. Nyt voit aloittaa tekoälyhakkerien ja -ratkaisujen tuomisen yritykseesi lisätäksesi työntekijöidesi tehokkuutta, palvellaksesi useampia asiakkaita olemassa olevilla resursseilla ja kasvattaaksesi voittoasi. Rakennat olemassa olevalle asiantuntemuksellesi, maineesi ja (toivottavasti hyväntahtoisen) asiakaskuntasi varaan, joten tekoälyparannusten käyttöönotto voi olla paljon sujuvampaa ja vähemmän riskialtista kuin uudelle tulokkaalle.

Lopuksi, nykyaikaisessa tuotemaailmassa mahdollisuudet ovat usein vähemmän yksiselitteisiä ja muodollisia, ja ne voidaan validoida suoraan kokeissa, mikä nopeuttaa kehitystäsi. Siten tuotevetoisessa kasvussa tiimin jäsenet voivat esittää omia hypoteesejaan ilman tiukkaa datalähtöistä argumenttia. Nämä hypoteesit voidaan muotoilla osittaisesti, kuten kehotteen muokkaaminen tai joidenkin UX-elementtien paikallisen asettelun muuttaminen, mikä tekee niistä helpon toteuttaa, ottaa käyttöön ja testata. Poistamalla paine tarjota a priori Tämä lähestymistapa hyödyntää kaikkien tiimin jäsenten intuitiota ja mielikuvitusta ja varmistaa ehdotusten suoran validoinnin. Oletetaan, että sisällöntuotantosi sujuu hyvin, mutta kuulet yhä enemmän valituksia tekoälyn yleisestä läpinäkyvyyden ja selitettävyyden puutteesta. Päätät ottaa käyttöön ylimääräisen läpinäkyvyystason ja näyttää käyttäjillesi tietyt asiakirjat, joita käytettiin sisällön luomiseen. Tiimisi testaa ominaisuutta useiden käyttäjien kanssa ja huomaa, että he käyttävät sitä mielellään jäljittääkseen alkuperäiset tietolähteet. Näin ollen päätät sisällyttää sen ydintuotteeseen käytön ja tyytyväisyyden lisäämiseksi.

2. Arvo

Ymmärtääksesi tekoälytuotteesi tai ominaisuutesi arvon ja viestiäksesi sen arvosta, sinun on ensin kartoitettava se käyttötapaukseen – tiettyyn liiketoimintaongelmaan, jonka se ratkaisee – ja selvitettävä ROI (sijoitetun pääoman tuotto). Tämä pakottaa sinut siirtämään ajatuksesi pois tekniikasta ja keskittymään ratkaisun käyttäjäpuolen etuihin. ROI voidaan mitata eri ulottuvuuksia pitkin. Tekoälyn osalta jotkut niistä ovat:

Lisääntynyt tehokkuus: Tekoäly voi tehostaa yksilöiden, tiimien ja kokonaisten yritysten tuottavuutta. Esimerkiksi sisällön luomisessa saatat huomata, että normaalisti blogikirjoituksen kirjoittamiseen tarvittavan 4–5 tunnin sijaan [2], voit nyt tehdä sen 1–2 tunnissa ja käyttää säästämäsi ajan muihin tehtäviin. Tehokkuushyöty kulkee usein käsi kädessä kustannussäästöjen kanssa, koska saman työmäärän tekeminen vaatii vähemmän ihmisen työtä. Siten liiketoiminnassa tämä etu on houkutteleva sekä käyttäjille että johtajille.
Henkilökohtaisempi kokemus: Sisällönluontityökalusi voi esimerkiksi pyytää käyttäjiä asettamaan yrityksensä parametreja, kuten brändin attribuutteja, terminologiaa, tuoteetuja jne. Lisäksi se voi seurata tietyn kirjoittajan tekemiä muokkauksia ja mukauttaa sen sukupolvia ainutlaatuiseen kirjoitukseen. tämän käyttäjän tyyliin ajan myötä.
Hauskaa ja nautintoa: Tässä päästään tuotteen käytön emotionaaliseen puoleen, jota Don Norman kutsuu myös "viskeraaliksi" tasoksi [3]. B2C-leirillä on kokonaisia tuotekategorioita hauskanpitoon ja viihteeseen, kuten pelaaminen ja lisätty todellisuus. Entä B2B – etkö olettaisi, että B2B-tuotteet ovat olemassa steriilissä ammattityhjiössä? Todellisuudessa tämä luokka voi tuottaa jopa vahvempia tunnereaktioita kuin B2C.[4] Esimerkiksi kirjoittaminen voidaan nähdä tyydyttävänä itseilmaisun tekona tai sisäisenä kamppailuna kirjoittajan lohkon ja muiden asioiden kanssa. Ajattele, kuinka tuotteesi voi vahvistaa tehtävän positiivisia tunteita ja samalla lievittää tai jopa muuttaa sen tuskallisia puolia.
Mukavuus: Mitä käyttäjän on tehtävä hyödyntääkseen tekoälyn taikavoimia? Kuvittele integroivasi sisällöntuoton kopilotti suosittuihin yhteistyötyökaluihin, kuten MS Office, Google Docs ja Notion. Käyttäjät voivat käyttää tuotteesi älykkyyttä ja tehokkuutta poistumatta digitaalisen kodin mukavuudesta. Näin minimoit vaivaa, joka käyttäjien on tehtävä kokeakseen tuotteen arvon ja jatkaakseen sen käyttöä, mikä puolestaan tehostaa käyttäjien hankintaa ja käyttöönottoa.

Jotkin tekoälyn edut – esimerkiksi tehokkuus – voidaan mitata suoraan ROI:lla. Vähemmän konkreettisten hyötyjen, kuten käyttömukavuuden ja nautinnon, saavuttamiseksi sinun on mietittävä välityspalvelimen mittareita, kuten käyttäjätyytyväisyys. Muista, että loppukäyttäjäarvon ajattelu ei ainoastaan kavenna käyttäjien ja tuotteesi välistä kuilua. Tervetullut sivuvaikutus voi vähentää julkisen viestinnän teknisiä yksityiskohtia. Tämä estää sinua kutsumasta vahingossa ei-toivottua kilpailijaa juhliin.

Lopuksi, kestävyys on perusarvo, jota sinun tulee harkita varhain. Miten ratkaisusi vaikuttaa yhteiskuntaan ja ympäristöön? Esimerkissämme automatisoitu tai lisätty sisällöntuotanto voi syrjäyttää ja poistaa suuren mittakaavan ihmisen työtaakkaa. Et luultavasti halua tulla tunnetuksi kokonaisen työkategorian murhaajaksi – loppujen lopuksi tämä ei herätä vain eettisiä kysymyksiä, vaan myös vastustusta käyttäjiltä, joiden työpaikkaa uhkaat. Mieti, kuinka voit käsitellä näitä pelkoja. Voit esimerkiksi kouluttaa käyttäjiä siitä, kuinka he voivat käyttää uutta vapaa-aikaa tehokkaasti kehittääkseen vieläkin kehittyneempiä markkinointistrategioita. Nämä voivat tarjota puolustettavan vallihaudan, vaikka muut kilpailijat saavuttavat automaattisen sisällöntuotannon.

3. data

Kaikenlaista tekoälyä ja koneoppimista varten sinun on kerättävä ja valmisteltava tietosi niin, että ne heijastavat tosielämän syötteitä ja tarjoavat riittävästi oppimissignaaleja mallillesi. Nykyään näemme suuntauksen kohti datakeskeistä tekoälyä – tekoälyfilosofiaa, joka siirtyy pois loputtomasta mallien säätämisestä ja optimoinnista ja keskittyy korjaamaan lukuisia ongelmia näissä malleissa syötetyssä tiedossa. Kun aloitat, on olemassa useita tapoja saada käsiisi kunnollinen tietojoukko:

Sinä pystyt käyttää olemassa olevaa tietojoukkoa. Tämä voi olla joko tavallinen koneoppimistietojoukko tai tietojoukko, jolla on eri alkuperäinen tarkoitus ja jota mukautat tehtävääsi varten. On olemassa joitain tietojoukon klassikoita, kuten IMDB Movie Reviews Dataset tunneanalyysiin ja MNIST-tietojoukko käsin kirjoitettujen merkkien tunnistamiseen. On olemassa eksoottisempia ja jännittävämpiä vaihtoehtoja, kuten Laittoman kalastuksen saalis ja Koirarodun tunnistetiedotja lukemattomia käyttäjien kuratoimia tietojoukkoja datakeskuksissa, kuten Kaggle. Todennäköisyys, että löydät juuri sinun tehtävääsi varten tehdyn ja täysin tarpeitasi vastaavan tietojoukon, on melko pieni, ja useimmissa tapauksissa sinun on käytettävä myös muita menetelmiä tietojen rikastamiseksi.
Sinä pystyt merkitse tai luo tiedot manuaalisesti luoda oikeat oppimissignaalit. Manuaalinen datamerkintä – esimerkiksi tekstien merkitseminen mielipidepisteillä – oli koneoppimisen alkuaikoina käytetty menetelmä. Viime aikoina se on jälleen saanut huomion ChatGPT:n salaisen kastikkeen pääainesosana. Mallin vastausten luomiseen ja luokitteluun käytettiin valtavasti manuaalista työtä ihmisten mieltymysten mukaan. Tätä tekniikkaa kutsutaan myös RLHF:ksi (Reforcement Learning from Human Feedback). Jos sinulla on tarvittavat resurssit, voit käyttää niitä laadukkaan datan luomiseen tarkempiin tehtäviin, kuten markkinointisisällön luomiseen. Annotointi voidaan tehdä joko sisäisesti tai käyttämällä ulkoista palveluntarjoajaa tai joukkolähdepalvelua, kuten Amazon Mechanical Turk. Joka tapauksessa useimmat yritykset eivät halua käyttää valtavia resursseja, joita tarvitaan RLHF-tietojen manuaaliseen luomiseen, ja harkitsevat joitain temppuja tietojensa luomisen automatisoimiseksi.
Joten voit lisätä esimerkkejä olemassa olevaan tietojoukkoon käyttämällä datan lisäys. Yksinkertaisemmissa tehtävissä, kuten tunteiden analysoinnissa, voit lisätä teksteihin lisäkohinaa, vaihtaa muutaman sanan jne. Avoimmissa sukupolven tehtävissä on tällä hetkellä paljon innostusta suurten mallien (esim. perusmallien) käyttöön automatisointiin. koulutusdatan luominen. Kun olet tunnistanut parhaan tavan lisätä tietojasi, voit helposti skaalata sitä vaaditun tietojoukon koon saavuttamiseksi.

Kun luot tietojasi, kohtaat kompromissin laadun ja määrän välillä. Voit merkitä manuaalisesti vähemmän dataa korkealaatuisina tai käyttää budjettisi hakkereiden ja temppujen kehittämiseen automaattista tietojen lisäystä varten, jotka aiheuttavat lisäkohinaa. Jos valitset manuaalisen merkinnän, voit tehdä sen sisäisesti ja muokata yksityiskohtien ja laadun kulttuuria tai ryhmitellä työn anonyymeille. Crowdsourcingilla on yleensä huonompi laatu, joten sinun on ehkä lisättävä merkintöjä melun kompensoimiseksi. Miten löydät ihanteellisen tasapainon? Täällä ei ole valmiita reseptejä – lopulta löydät ihanteellisen tietokoostumuksen jatkuvalla edestakaisilla harjoittelun ja tietojen parantamisen välillä. Yleensä mallia esiopetettaessa on hankittava tietoa tyhjästä, mikä voi tapahtua vain suuremmalla tietomäärällä. Toisaalta, jos haluat hienosäätää ja antaa viimeisen silauksen olemassa olevalle suurelle mallille, saatat arvostaa laatua määrän sijaan. Pienen tietojoukon hallittu manuaalinen merkintä yksityiskohtaisten ohjeiden avulla saattaa olla optimaalinen ratkaisu tässä tapauksessa.

4. Algoritmi

Data on raaka-aine, josta mallisi oppii, ja toivottavasti voit koota edustavan, laadukkaan tietojoukon. Nyt tekoälyjärjestelmäsi todellinen supervoima – sen kyky oppia olemassa olevista tiedoista ja yleistää uuteen dataan – on algoritmissa. Tekoälyn ydinmalleissa on kolme päävaihtoehtoa, joita voit käyttää:

Kehota olemassa olevaa mallia. GPT-perheen Advanced LLM (Large Language Models) -mallit, kuten ChatGPT ja GPT-4, sekä muiden palveluntarjoajien, kuten Anthropic ja AI21 Labs, ovat saatavilla päätelmiä varten API:n kautta. Kehotteen avulla voit puhua suoraan näiden mallien kanssa, mukaan lukien kehotteeseen kaikki tehtävään tarvittavat toimialue- ja tehtäväkohtaiset tiedot. Tämä voi sisältää tiettyä käytettävää sisältöä, esimerkkejä vastaavista tehtävistä (muutaman laukauksen kehotus) sekä ohjeita mallin noudatettaviksi. Jos käyttäjä esimerkiksi haluaa luoda blogikirjoituksen uudesta tuoteominaisuudesta, voit pyytää häntä antamaan joitakin ydintietoja ominaisuudesta, kuten sen eduista ja käyttötapauksista, kuinka sitä käytetään, julkaisupäivämäärä jne. Tuotteesi täyttää sitten nämä tiedot huolellisesti laadittuun kehotemalliin ja pyytää LLM:ää luomaan tekstin. Kehotus on hienoa saada etumatka esikoulutettuihin malleihin. Kehotuksella rakennettava vallihauta kuitenkin ohenee nopeasti ajan myötä – keskipitkällä aikavälillä tarvitset paremmin puolustettavan mallistrategian säilyttääksesi kilpailuetusi.
Hienosäädä esikoulutettu malli. Tämä lähestymistapa on tehnyt tekoälystä niin suositun viime vuosina. Kun yhä enemmän esikoulutettuja malleja tulee saataville ja portaalit, kuten Huggingface, tarjoavat mallivarastot sekä vakiokoodin mallien kanssa työskentelyyn, hienosäädyksestä on tulossa yleisin menetelmä, jota kokeillaan ja toteutetaan. Kun työskentelet esikoulutetun mallin kanssa, voit hyötyä jonkun jo tekemästä investoinnista dataan, koulutukseen ja mallin arviointiin, joka "tietää" jo paljon kielestä ja maailmasta. Sinun tarvitsee vain hienosäätää mallia tehtäväkohtaisella tietojoukolla, joka voi olla paljon pienempi kuin esikoulutuksessa alun perin käytetty tietojoukko. Esimerkiksi markkinointisisällön luomista varten voit kerätä joukon blogikirjoituksia, jotka menestyivät hyvin sitoutumisen kannalta, ja suunnitella niiden ohjeet. Näistä tiedoista mallisi oppii menestyneiden artikkelien rakenteesta, kulusta ja tyylistä. Hienosäätö on oikea tapa käyttää avoimen lähdekoodin malleja, mutta LLM API -palveluntarjoajat, kuten OpenAI ja Cohere, tarjoavat myös yhä enemmän hienosäätötoimintoja. Erityisesti avoimen lähdekoodin radalla sinun on silti otettava huomioon mallin valintaan liittyvät kysymykset, koulutuksen ja suurempien mallien käyttöönoton kustannukset sekä mallisi huolto- ja päivitysaikataulut.
Harjoittele ML-malliasi tyhjästä. Yleensä tämä lähestymistapa toimii hyvin yksinkertaisissa, mutta erittäin erityisissä ongelmissa, joihin sinulla on erityistä osaamista tai kunnollisia tietojoukkoja. Sisällön luominen ei täsmälleen kuulu tähän kategoriaan – se vaatii kehittyneitä kielitaitoja, jotta pääset liikkeelle, ja ne voidaan hankkia vasta, kun on harjoitettu naurettavan suuria tietomääriä. Yksinkertaisemmat ongelmat, kuten tietyntyyppisen tekstin tunneanalyysi, voidaan usein ratkaista vakiintuneilla koneoppimismenetelmillä, kuten logistisella regressiolla, jotka ovat laskennallisesti halvempia kuin hienot syväoppimismenetelmät. Tietenkin on olemassa myös melko monimutkaisten ongelmien keskitie, kuten käsitteiden poimiminen tietyille aloille, joita varten voit harkita syvän neuroverkon kouluttamista tyhjästä.

Koulutuksen lisäksi arviointi on ensiarvoisen tärkeää koneoppimisen onnistumisen kannalta. Sopivat arviointimittarit ja -menetelmät eivät ole tärkeitä vain tekoälyominaisuuksien varmalle käynnistämiselle, vaan ne toimivat myös selkeänä kohteena lisäoptimoinneille ja yhteisenä perustana sisäisille keskusteluille ja päätöksille. Vaikka tekniset mittarit, kuten tarkkuus, muistaminen ja tarkkuus, voivat tarjota hyvän lähtökohdan, viime kädessä sinun kannattaa etsiä mittareita, jotka kuvastavat tekoälysi käyttäjille tarjoamaa todellista arvoa.

5. Käyttäjäkokemus

Tekoälytuotteiden käyttökokemus on kiehtova teema – loppujen lopuksi käyttäjillä on suuria toiveita, mutta myös pelkoa "kumppanuudesta" tekoälyn kanssa, joka voi ladata ja mahdollisesti ylittää heidän älykkyytensä. Tämän ihmisen ja tekoälyn kumppanuuden suunnittelu vaatii harkittua ja järkevää löytö- ja suunnitteluprosessia. Yksi keskeisistä näkökohdista on automaatioaste, jonka haluat tarjota tuotteellesi – ja muista, että täydellinen automaatio ei ole suinkaan aina ihanteellinen ratkaisu. Seuraava kuva havainnollistaa automaation jatkumoa:

Katsotaanpa kutakin näistä tasoista:

Ensimmäisessä vaiheessa ihmiset tekevät kaiken työn, eikä automaatiota tehdä. Tekoälystä huolimatta suurin osa tietointensiivisistä tehtävistä nykyaikaisissa yrityksissä suoritetaan edelleen tällä tasolla, mikä tarjoaa valtavia mahdollisuuksia automatisointiin. Täällä työskentelee esimerkiksi sisällöntuottaja, joka vastustaa tekoälypohjaisia työkaluja ja on vakuuttunut siitä, että kirjoittaminen on erittäin manuaalista ja omalaatuista.
Avustetun tekoälyn toisessa vaiheessa käyttäjät hallitsevat täysin tehtävien suorittamista ja tekevät suuren osan työstä manuaalisesti, mutta tekoälytyökalut auttavat heitä säästämään aikaa ja kompensoimaan heikkouksiaan. Kun esimerkiksi kirjoitat blogitekstiä tiukassa määräajassa, viimeinen kielellinen tarkistus Grammarlylla tai vastaavalla työkalulla voi olla tervetullut ajansäästö. Se voi poistaa manuaalisen tarkistuksen, joka vaatii paljon niukasti aikaa ja huomiota ja saattaa silti jättää sinulle virheitä ja unohduksia – erehtyminen on loppujen lopuksi inhimillistä.
Lisätyn älykkyyden ansiosta tekoäly on kumppani, joka lisää ihmisen älykkyyttä ja hyödyntää siten molempien maailmojen vahvuuksia. Verrattuna avustettuun tekoälyyn, koneella on paljon enemmän sanottavaa prosessissasi ja se kattaa laajemman vastuualueen, kuten luonnosten ideoinnin, luomisen ja muokkaamisen sekä lopullisen kielellisen tarkistuksen. Käyttäjien on edelleen osallistuttava työhön, tehtävä päätöksiä ja suoritettava osia tehtävästä. Käyttöliittymän tulee osoittaa selkeästi työn jakautuminen ihmisen ja tekoälyn välillä, korostaa virhepotentiaalia ja tarjota läpinäkyvyyttä sen suorittamissa vaiheissa. Lyhyesti sanottuna "lisätty" kokemus ohjaa käyttäjät haluttuun lopputulokseen iteroinnin ja tarkentamisen kautta.
Ja lopuksi, meillä on täysi automaatio – kiehtova idea tekoälynöreille, filosofeille ja asiantuntijoille, mutta ei useinkaan optimaalinen valinta tosielämän tuotteille. Täysi automaatio tarkoittaa, että tarjoat yhden "ison punaisen painikkeen", joka käynnistää prosessin. Kun tekoäly on valmis, käyttäjäsi kohtaavat lopullisen tulosteen ja joko ottavat sen tai jättävät sen. He eivät voi hallita kaikkea, mitä välissä tapahtui. Kuten voit kuvitella, UX-vaihtoehdot ovat melko rajallisia, koska interaktiivisuutta ei käytännössä ole. Suurin osa menestyksestä on teknisten kollegojesi harteilla, joiden on varmistettava tulosten poikkeuksellisen korkea laatu.

Tekoälytuotteet tarvitsevat erityiskäsittelyä suunnittelussa. Tavalliset graafiset käyttöliittymät ovat deterministisiä, ja niiden avulla voit ennakoida kaikki mahdolliset polut, joita käyttäjä voi kulkea. Sitä vastoin suuret tekoälymallit ovat todennäköisiä ja epävarmoja – ne paljastavat joukon uskomattomia ominaisuuksia, mutta myös riskejä, kuten myrkyllisiä, vääriä ja haitallisia tuloksia. Ulkopuolelta AI-liittymäsi saattaa näyttää yksinkertaiselta, koska monet tuotteesi ominaisuuksista sijaitsevat suoraan mallissa. LLM voi esimerkiksi tulkita kehotteita, tuottaa tekstiä, etsiä tietoa, tehdä siitä yhteenvedon, omaksua tietyn tyylin ja terminologian, suorittaa ohjeita jne. Vaikka käyttöliittymäsi on yksinkertainen chat- tai kehotuskäyttöliittymä, älä jätä tätä mahdollisuutta huomaamatta. — Jotta voit saada käyttäjät menestymään, sinun on oltava selkeä ja realistinen. Tee käyttäjille tietoisia tekoälymalliesi ominaisuuksista ja rajoituksista, anna heidän löytää ja korjata tekoälyn tekemät virheet helposti ja opettaa heille tapoja iteroida itsensä optimaalisten tulosten saavuttamiseksi. Korostamalla luottamusta, läpinäkyvyyttä ja käyttäjien koulutusta voit saada käyttäjäsi tekemään yhteistyötä tekoälyn kanssa. Vaikka syvällinen sukellus nousevaan tekoälysuunnittelun alaan ei kuulu tämän artikkelin piiriin, kehotan sinua hakemaan inspiraatiota paitsi muilta tekoälyyrityksiltä myös muilta suunnittelun alueilta, kuten ihmisen ja koneen vuorovaikutuksesta. Tunnistat pian joukon toistuvia suunnittelumalleja, kuten automaattiset täydennykset, kehotteet ja tekoälyilmoitukset, jotka voit integroida omaan käyttöliittymään saadaksesi parhaan hyödyn tiedoistasi ja malleistasi.

Lisäksi, jotta voit tarjota todella upean suunnittelun, saatat joutua lisäämään tiimiisi uusia suunnittelutaitoja. Jos esimerkiksi rakennat chat-sovellusta markkinointisisällön jalostamiseksi, työskentelet keskustelusuunnittelijan kanssa, joka huolehtii keskusteluvirrasta ja chatbotisi "persoonasta". Jos rakennat monipuolista laajennettua tuotetta, jonka on koulutettava ja opastettava käyttäjiäsi käytettävissä olevien vaihtoehtojen kautta, sisällönsuunnittelija voi auttaa sinua rakentamaan oikeanlaisen tietoarkkitehtuurin ja lisäämään käyttäjiäsi varten oikean määrän tökkäämistä ja kehotuksia.

Ja lopuksi, ole avoin yllätyksille. Tekoälysuunnittelu voi saada sinut ajattelemaan uudelleen alkuperäistä käsitystäsi käyttökokemuksesta. Esimerkiksi monet UX-suunnittelijat ja tuotepäälliköt otettiin käyttöön latenssin ja kitkan minimoimiseksi käyttäjän kokemuksen tasoittamiseksi. Tekoälytuotteissa voit keskeyttää tämän taistelun ja käyttää molempia hyödyksesi. Latenssi- ja odotusajat ovat hyviä käyttäjien kouluttamiseen, esimerkiksi selittämällä, mitä tekoäly tällä hetkellä tekee ja ilmoittamalla mahdolliset seuraavat askeleet heidän puolellaan. Katkot, kuten keskustelu- ja ilmoitusponnahdusikkunat, voivat aiheuttaa kitkaa ihmisen ja tekoälyn kumppanuuden vahvistamiseksi ja käyttäjien avoimuuden ja hallinnan lisäämiseksi.

6. Ei-toiminnalliset vaatimukset

Tietyn toiminnon toteuttamisen mahdollistavien tietojen, algoritmien ja käyttöliittymän lisäksi niin sanotut ei-toiminnalliset vaatimukset (NFR), kuten tarkkuus, latenssi, skaalautuvuus, luotettavuus ja tiedonhallinta varmistavat, että käyttäjä todella saa kuvitellun arvon. NFR-käsite tulee ohjelmistokehityksestä, mutta sitä ei ole vielä otettu järjestelmällisesti huomioon tekoälyn alalla. Usein nämä vaatimukset poimitaan ad hoc -tavalla, kun ne tulevat esille käyttäjien tutkimuksen, ideoinnin, kehittämisen ja AI-ominaisuuksien käytön aikana.

Sinun tulee yrittää ymmärtää ja määritellä NFR-arvosi mahdollisimman varhaisessa vaiheessa, koska erilaiset NFR:t heräävät henkiin matkasi eri kohdissa. Esimerkiksi yksityisyys on otettava huomioon tietojen valinnan alusta alkaen. Tarkkuus on herkin tuotantovaiheessa, kun käyttäjät alkavat käyttää järjestelmääsi verkossa, mikä saattaa ylittää sen odottamattomilla syötteillä. Skaalautuvuus on strateginen näkökohta, joka tulee esille, kun yrityksesi skaalaa käyttäjien ja/tai pyyntöjen määrää tai tarjolla olevien toimintojen kirjoa.

Mitä tulee NFR:ihin, et voi saada niitä kaikkia. Tässä on joitain tyypillisiä kompromisseja, jotka sinun on tasapainotettava:

Yksi ensimmäisistä tavoista lisätä tarkkuutta on käyttää suurempaa mallia, joka vaikuttaa latenssiin.
Tuotantotietojen käyttäminen sellaisenaan lisäoptimointiin voi olla parasta oppimisen kannalta, mutta se voi rikkoa yksityisyyttäsi ja anonymisointisääntöjäsi.
Skaalautuvammat mallit ovat yleisiä, mikä vaikuttaa niiden tarkkuuteen yritys- tai käyttäjäkohtaisissa tehtävissä.

Eri vaatimusten priorisointi riippuu käytettävissä olevista laskentaresursseista, UX-konseptistasi, mukaan lukien automaatioaste, ja tekoälyn tukemien päätösten vaikutuksesta.

Avaimet

Aloita loppua ajatellen: Älä oleta, että tekniikka yksin tekee työn; tarvitset selkeän etenemissuunnitelman tekoälyn integroimiseksi käyttäjäkohtaiseen tuotteeseen ja käyttäjillesi sen eduista, riskeistä ja rajoituksista kertomiseen.
Markkinoiden yhdenmukaistaminen: Priorisoi markkinoiden mahdollisuudet ja asiakkaiden tarpeet ohjaamaan tekoälyn kehitystä. Älä kiirehdi AI-toteutuksiin hypeillä ja ilman markkinapuolen validointia.
Käyttäjän arvo: Määrittele, määritä ja kommunikoi tekoälytuotteiden arvo tehokkuuden, personoinnin, mukavuuden ja muiden arvoulottuvuuksien kannalta.
Tietojen laatu: Keskity tietojen laatuun ja osuvuuteen AI-mallien tehokkaan kouluttamiseksi. Yritä käyttää pieniä, korkealaatuisia tietoja hienosäätöön ja suurempia tietojoukkoja harjoitteluun alusta alkaen.
Algoritmin/mallin valinta: Valitse käyttötilanteeseesi sopiva monimutkaisuus ja puolustettavuus (kehotukset, hienosäätö, harjoittelu alusta alkaen) ja arvioi huolellisesti sen suorituskyky. Ajan myötä, kun hankit tarvittavaa asiantuntemusta ja luottamusta tuotteeseesi, saatat haluta siirtyä kehittyneempiin mallistrategioihin.
Käyttäjäkeskeinen muotoilu: Suunnittele tekoälytuotteita käyttäjien tarpeita ja tunteita ajatellen tasapainottaen automaatiota ja käyttäjän ohjausta. Ota huomioon todennäköisyyspohjaisten tekoälymallien "ennustamattomuus" ja ohjaa käyttäjiäsi työskentelemään sen kanssa ja hyötymään siitä.
Yhteistyöllinen suunnittelu: Korostamalla luottamusta, läpinäkyvyyttä ja käyttäjien koulutusta voit saada käyttäjäsi tekemään yhteistyötä tekoälyn kanssa.
Ei-toiminnalliset vaatimukset: Harkitse tekijöitä, kuten tarkkuus, latenssi, skaalautuvuus ja luotettavuus koko kehityksen ajan, ja yritä arvioida näiden väliset kompromissit varhaisessa vaiheessa.
Yhteistyö: Edistä tiivistä yhteistyötä tekoälyasiantuntijoiden, suunnittelijoiden, tuotepäälliköiden ja muiden tiimin jäsenten välillä hyötyäksesi poikkitieteellisestä älykkyydestä ja integroidaksesi tekoälysi onnistuneesti.