«Создание продуктов искусственного интеллекта с целью создания всесторонней ментальной модели»

Создание ИИ для всесторонной ментальной модели.

Инструмент для генерации идей, планирования и определения ИИ-продуктов кросс-дисциплинарными командами

Ментальная модель ИИ-системы

Примечание: Эта статья является первой в серии статей под названием «Разбираем приложения ИИ», которая представляет ментальную модель для ИИ-систем. Модель служит инструментом для обсуждения, планирования и определения ИИ-продуктов кросс-дисциплинарными командами ИИ и продуктов, а также для согласования с бизнес-отделом. Она направлена на объединение точек зрения менеджеров продукта, дизайнеров пользовательского опыта, ученых по данным, инженеров и других членов команды. В этой статье я представляю ментальную модель, а будущие статьи продемонстрируют, как применять ее к конкретным ИИ-продуктам и функциям.

Часто компании предполагают, что все, что им нужно для включения ИИ в свое предложение, это нанять экспертов по ИИ и позволить им показать техническое волшебство. Этот подход приводит их прямо к интеграционной иллюзии: даже если эти эксперты и инженеры создают исключительные модели и алгоритмы, их результаты часто остаются на уровне площадок, песочниц и демонстраций и никогда не становятся полноценными частями продукта. За годы я видел много разочарования у ученых по данным и инженеров, чьи технически выдающиеся реализации ИИ не находили свое место в продуктах, предназначенных для пользователей. Они имели почетный статус передовых экспериментов, которые создавали внутренних заинтересованных лиц впечатление езды на волне ИИ. Теперь, с всеобщим распространением ИИ с момента публикации ChatGPT в 2022 году, компании больше не могут себе позволить использовать ИИ в качестве «маяка» для демонстрации своего технологического уровня.

Почему так сложно интегрировать ИИ? Есть несколько причин:

  • Часто команды сосредотачиваются на отдельных аспектах ИИ-системы. Это даже привело к появлению отдельных лагерей, таких как ориентированных на данные, ориентированных на модель и ориентированных на человека ИИ. В то время как каждый из них предлагает интересные перспективы для исследований, реальный продукт должен объединять данные, модель и взаимодействие человека с машиной в единый систему.
  • Разработка ИИ – это высококоллаборационное предприятие. В традиционной разработке программного обеспечения вы работаете с относительно ясной дихотомией, состоящей из компонентов бэкэнда и фронтэнда. В ИИ вам не только нужно будет добавить в команду больше разнообразных ролей и навыков, но и обеспечить более тесное сотрудничество между различными сторонами. Различные компоненты вашей ИИ-системы будут взаимодействовать друг с другом в тесной связи. Например, если вы работаете над виртуальным помощником, ваши дизайнеры пользовательского опыта должны понимать инженерию подсказок, чтобы создать естественный поток пользователя. Ваши аннотаторы данных должны знать ваш бренд и «характерные черты» вашего виртуального помощника, чтобы создавать тренировочные данные, которые согласованы и соответствуют вашему позиционированию, а ваш менеджер продукта должен понимать и проверять архитектуру конвейера данных, чтобы убедиться, что она отвечает требованиям управления пользователями.
  • При создании ИИ компании часто недооценивают важность дизайна. В то время как ИИ начинается с бэкэнда, хороший дизайн необходим, чтобы сделать его блеск в производстве. Дизайн ИИ расширяет границы традиционного пользовательского опыта. Большая часть функциональности, которую вы предлагаете, не является видимой в интерфейсе, а «скрыта» в модели, и вам нужно обучать и направлять своих пользователей, чтобы максимизировать эти преимущества. Кроме того, современные базовые модели – это дикие вещи, которые могут выдавать токсичные, неверные и вредоносные результаты, поэтому вам потребуются дополнительные ограждения для снижения этих рисков. Все это может потребовать новых навыков в вашей команде, таких как инженерия подсказок и конверсационный дизайн. Иногда это также означает сделать контринтуитивные вещи, например, преуменьшение ценности, чтобы управлять ожиданиями пользователей, и добавление трения, чтобы дать им больше контроля и прозрачности.
  • Шум вокруг ИИ создает давление. Многие компании ставят телегу перед лошадью, перейдя к реализациям, которые не были проверены потребностями клиентов и рынка. Иногда вбрасывание слова «ИИ» может помочь вам маркетингу и позиционированию себя как прогрессивного и инновационного бизнеса, но в долгосрочной перспективе вам потребуется подтвердить свои идеи и эксперименты реальными возможностями. Это можно сделать с помощью тесного сотрудничества между бизнесом и технологиями, которое основывается на явном сопоставлении возможностей со стороны рынка с технологическими возможностями.

В этой статье мы построим ментальную модель для ИИ-систем, которая интегрирует эти различные аспекты (см. рисунок 1). Она побуждает создателей думать голистически, создавать четкое понимание целевого продукта и обновлять его новыми идеями и входными данными по ходу работы. Модель может быть использована как инструмент для упрощения сотрудничества, согласования разнообразных точек зрения внутри и вне команды ИИ и создания успешных продуктов на основе общего видения. Она может применяться не только к новым ИИ-продуктам, но и к ИИ-функциям, которые внедряются в существующие продукты.

Figure 1: The mental model of an AI system

В следующих разделах будет кратко описан каждый из компонентов, с акцентом на части, специфичные для продуктов искусственного интеллекта. Мы начнем с бизнес-перспективы – рыночной возможности и ценности, а затем перейдем к UX и технологии. Чтобы проиллюстрировать модель, мы будем использовать пример сопровождающего для создания маркетингового контента. Подробное рассмотрение каждого компонента выходит за рамки данной статьи, поэтому следите за новыми статьями в этой серии, а также за моей будущей книгой “Искусственный интеллект для менеджеров продукта”.

1. Возможность

Со всеми крутыми вещами, которые вы теперь можете делать с помощью искусственного интеллекта, вы можете быть нетерпеливыми, чтобы приступить к разработке. Однако, чтобы создать то, что ваши пользователи нуждаются и любят, вам следует опираться на рыночные возможности. В идеальном мире возможности приходят к нам от клиентов, которые говорят нам, что им нужно или чего они хотят.[1] Это могут быть неудовлетворенные потребности, проблемные моменты или желания. Вы можете искать эту информацию в существующих отзывах клиентов, таких как отзывы продуктов и заметки от ваших команд продаж и успеха. Также не забывайте о себе как о потенциальном пользователе вашего продукта – если вы нацеливаетесь на проблему, с которой сталкивались сами, это информационное преимущество является дополнительным плюсом. Кроме того, вы также можете проводить проактивное исследование клиентов с использованием инструментов, таких как опросы и интервью.

Например, мне не нужно искать далеко, чтобы увидеть проблемы контент-маркетинга для стартапов, а также крупных компаний. Я сам с этим сталкивался – с ростом конкуренции разработка мыслелидерства с помощью индивидуального, регулярного и (!) высококачественного контента становится все более важной для дифференциации. В то же время, с небольшой и занятой командой всегда есть вещи, которые кажутся более важными, чем написание блог-поста недели. Я также часто встречаю людей в своей сети, которые борются с установкой постоянной рутины контент-маркетинга. Эти “местные”, потенциально предвзятые наблюдения могут быть подтверждены опросами, которые выходят за пределы вашей сети и подтверждают наличие широкого рынка для решения.

Реальный мир немного размыт, и клиенты не всегда обращаются к вам, чтобы представить новые, хорошо сформулированные возможности. Скорее, если вы протянете антенны, возможности придут к вам из разных направлений, таких как:

  • Позиционирование на рынке: Искусственный интеллект в моде – для установленных компаний он может быть использован для укрепления образа бизнеса как инновационного, высокотехнологичного, будущего и т.д. Например, он может превратить существующее маркетинговое агентство в сервис, работающий на основе искусственного интеллекта, и отличить его от конкурентов. Однако не делайте искусственный интеллект ради искусственного интеллекта. Позиционирование должно быть применено осторожно и в сочетании с другими возможностями, иначе вы рискуете потерять доверие.
  • Конкуренты: Когда ваши конкуренты делают шаг, скорее всего, они уже провели исследования и проверку на практике. Посмотрите на них спустя время – было ли их развитие успешным? Используйте эту информацию для оптимизации своего собственного решения, заимствуйте успешные части и устраните ошибки. Например, предположим, вы наблюдаете за конкурентом, который предлагает услугу полностью автоматизированной генерации маркетингового контента. Пользователи нажимают “большую красную кнопку”, и искусственный интеллект начинает писать и публиковать контент. После некоторого исследования вы узнаете, что пользователи не хотят использовать этот продукт, потому что они хотят сохранить больше контроля над процессом и внести свою экспертизу и индивидуальность в письмо. В конце концов, написание также связано с самовыражением и индивидуальным творчеством. Это время, чтобы продвигаться вперед с универсальным инструментом, предлагающим богатые возможности и настройку для формирования вашего контента. Он повышает эффективность пользователей, позволяя им “впрыскивать” себя в процесс по желанию.
  • Регулирование: мегатренды, такие как технологическое разрушение и глобализация, заставляют регуляторов ужесточать свои требования. Регулирование создает давление и является надежным источником возможностей. Например, представьте себе, что вступает в силу регулирование, которое строго требует от всех рекламировать искусственно созданный контент как таковой. Те компании, которые уже используют инструменты для генерации контента с использованием искусственного интеллекта, уйдут на внутренние дискуссии о том, хотят ли они этого. Многие из них воздержатся, потому что они хотят сохранить образ подлинного мыслелидерства, в отличие от создания видимого шаблонного контента, созданного искусственным интеллектом. Допустим, вы были умны и выбрали расширенное решение, которое дает пользователям достаточный контроль, чтобы они оставались официальными “авторами” текстов. Когда новое ограничение вводится, вы невосприимчивы и можете идти вперед, чтобы использовать регулирование, тогда как ваши конкуренты с полностью автоматизированными решениями понадобится время, чтобы восстановиться после неудачи.
  • Вспомогательные технологии: Новые технологии и значительные прорывы в существующих технологиях, такие как волна генеративного искусственного интеллекта в 2022-23 годах, могут открывать новые способы делать вещи или поднимать существующие приложения на новый уровень. Предположим, вы ведете традиционное маркетинговое агентство последнее десятилетие. Теперь вы можете начать внедрять хаки и решения на основе искусственного интеллекта в свой бизнес, чтобы увеличить эффективность ваших сотрудников, обслуживать больше клиентов с существующими ресурсами и увеличивать свою прибыль. Вы строите на своем существующем опыте, репутации и (надеюсь, благонадежной) клиентской базе, поэтому введение усовершенствований на основе искусственного интеллекта может быть намного более гладким и менее рискованным, чем для новичка.

Наконец, в современном мире продуктов возможности часто являются менее явными и формальными, и могут быть прямо проверены в экспериментах, что ускоряет ваше развитие. Таким образом, в продуктово-ориентированном росте члены команды могут придумывать свои собственные гипотезы без строго обоснованного аргумента на основе данных. Эти гипотезы могут формулироваться кусочно, например, изменение подсказки или изменение локального макета некоторых элементов пользовательского интерфейса, что делает их легко реализуемыми, разворачиваемыми и тестируемыми. Исключая необходимость предоставлять априорные данные для каждого нового предложения, такой подход использует интуиции и воображение всех членов команды, одновременно обеспечивая прямую проверку предложений. Предположим, что генерация вашего контента проходит гладко, но вы все чаще слышите жалобы на общую недостаточность прозрачности и объяснимости ИИ. Вы решаете внедрить дополнительный уровень прозрачности и показать вашим пользователям конкретные документы, использованные для создания контента. Ваша команда тестирует эту функцию с группой пользователей и обнаруживает, что они с удовольствием используют ее для отслеживания источников оригинальной информации. Таким образом, вы решаете внедрить ее в основной продукт, чтобы увеличить его использование и удовлетворенность.

2. Ценность

Чтобы понять и объяснить ценность вашего продукта или функции ИИ, вам сначала нужно привязать ее к конкретной бизнес-проблеме, которую она решит, и определить возврат инвестиций (ROI). Это заставляет вас отвлечься от технологии и сосредоточиться на выгодах для пользователя от решения. ROI можно измерить по разным измерениям. Для ИИ некоторые из них включают:

  • Повышенная эффективность: ИИ может быть усилителем производительности отдельных лиц, команд и целых компаний. Например, для генерации контента вы можете обнаружить, что вместо обычно требующихся 4-5 часов для написания блог-поста [2], вы теперь можете сделать это за 1-2 часа и потратить время, сэкономленное на другие задачи. Увеличение эффективности часто сопровождается сокращением затрат, так как для выполнения той же работы требуется меньше усилий человека. Таким образом, в бизнес-контексте это преимущество привлекательно как для пользователей, так и для руководства.
  • Более персонализированный опыт: Например, ваш инструмент для генерации контента может просить пользователей установить параметры своей компании, такие как характеристики бренда, терминология, преимущества продукта и т. д. Кроме того, он может отслеживать правки, внесенные конкретным писателем, и адаптировать свои генерации под уникальный стиль письма этого пользователя со временем.
  • Удовольствие и наслаждение: Здесь мы заходим в эмоциональную сторону использования продукта, также называемую “внутренним” уровнем по Дону Норману [3]. В сфере B2C существуют целые категории продуктов для развлечения, такие как игры и дополненная реальность. А что насчет B2B – не считаете ли вы, что B2B-продукты существуют в стерильной профессиональной пустоте? На самом деле эта категория может вызывать даже более сильные эмоциональные реакции, чем B2C.[4] Например, написание может быть воспринято как удовлетворительный акт самовыражения или как внутренняя борьба с творческим затруднением и другими проблемами. Подумайте о том, как ваш продукт может укрепить положительные эмоции от задачи, облегчив или даже преобразовав ее болезненные аспекты.
  • Удобство: Что нужно вашему пользователю, чтобы воспользоваться волшебными возможностями ИИ? Представьте себе интеграцию вашего инструмента генерации контента в популярные средства совместной работы, такие как MS Office, Google Docs и Notion. Пользователи смогут получать доступ к интеллекту и эффективности вашего продукта, не покидая комфорта своего цифрового “дома”. Таким образом, вы минимизируете усилия, которые пользователи должны приложить, чтобы ощутить ценность продукта и продолжать его использовать, что в свою очередь способствует привлечению и принятию пользователей.

Некоторые из преимуществ ИИ, например, эффективность, можно прямо количественно оценить по ROI. Для менее осязаемых выгод, таких как удобство и наслаждение, вам нужно будет придумать прокси-метрики, такие как удовлетворенность пользователя. Имейте в виду, что мышление в терминах ценности для конечного пользователя не только сократит разрыв между вашими пользователями и вашим продуктом. Как приветственный побочный эффект, это может снизить технические детали в вашей публичной коммуникации. Это поможет избежать нежелательной конкуренции.

Наконец, фундаментальным аспектом ценности, о котором вы должны задуматься заранее, является устойчивость. Как ваше решение влияет на общество и окружающую среду? В нашем примере автоматизированное или дополненное создание контента может замещать и устранять большие объемы работы человека. Вероятно, вы не хотите быть известным как “убийца” целой категории рабочих мест – ведь это вызовет не только этические вопросы, но и сопротивление со стороны пользователей, чьи работы вы угрожаете. Подумайте о том, как можно ответить на эти опасения. Например, вы можете обучить пользователей эффективно использовать свое новое свободное время для разработки еще более сложных маркетинговых стратегий. Это может создать защитный рвань, даже когда другие конкуренты догоняют автоматизированное создание контента.

3. Данные

Для любого вида искусственного интеллекта и машинного обучения вам необходимо собрать и подготовить данные таким образом, чтобы они отражали реальные входные данные и предоставляли достаточные сигналы для обучения вашей модели. В настоящее время мы наблюдаем тенденцию к центрированному на данных искусственному интеллекту – философии ИИ, которая отходит от бесконечной настройки и оптимизации моделей и фокусируется на устранении многочисленных проблем в данных, которые подаются на эти модели. Когда вы только начинаете, существуют различные способы получить качественный набор данных:

  • Вы можете использовать существующий набор данных. Это может быть стандартный набор данных для машинного обучения или набор данных с другой первоначальной целью, который вы адаптируете для своей задачи. Существуют некоторые классические наборы данных, такие как набор данных IMDB Movie Reviews для анализа настроений и набор данных MNIST для распознавания рукописных символов. Существуют более экзотические и захватывающие альтернативы, такие как Catching Illegal Fishing и Dog Breed Identification, а также бесчисленные наборы данных, созданные пользователями, на площадках данных, таких как Kaggle. Шансы найти набор данных, который подходит для вашей конкретной задачи и полностью удовлетворяет вашим требованиям, довольно низкие, и в большинстве случаев вам также потребуется использовать другие методы для обогащения ваших данных.
  • Вы можете аннотировать или создать данные вручную, чтобы создать правильные сигналы обучения. Ручная аннотация данных, например, аннотация текстов с оценками настроений, была основным методом в ранние дни машинного обучения. В последнее время она снова привлекает внимание как основной ингредиент секретного соуса ChatGPT. Было затрачено огромное количество усилий на создание и ранжирование ответов модели для отражения предпочтений людей. Эта техника также называется обучением с подкреплением на основе обратной связи от человека (RLHF). Если у вас есть необходимые ресурсы, вы можете использовать их для создания высококачественных данных для более конкретных задач, например, для создания маркетингового контента. Аннотацию можно выполнять как внутри компании, так и с помощью внешнего поставщика или службы краудсорсинга, такой как Amazon Mechanical Turk. В любом случае, большинство компаний не захотят тратить огромные ресурсы на ручное создание данных RLHF и будут рассматривать некоторые трюки для автоматизации создания своих данных.
  • Таким образом, вы можете добавить больше примеров в существующий набор данных с помощью аугментации данных. Для более простых задач, таких как анализ настроений, вы можете внести некоторый дополнительный шум в тексты, заменить несколько слов и т. д. Для более открытых задач генерации в настоящее время существует много энтузиазма в отношении использования больших моделей (например, базовых моделей) для автоматической генерации обучающих данных. После определения лучшего метода для аугментации ваших данных вы легко можете масштабировать его, чтобы достичь требуемого размера набора данных.

При создании ваших данных вы сталкиваетесь с компромиссом между качеством и количеством. Вы можете выполнять ручную аннотацию меньшего объема данных высокого качества или расходовать бюджет на разработку хакерских и трюковых методов автоматической аугментации данных, которые вносят дополнительный шум. Если вы выбираете ручную аннотацию, вы можете делать это внутри компании и формировать культуру детализации и качества или поручить эту работу анонимным исполнителям с помощью краудсорсинговой службы. Краудсорсинг обычно имеет более низкое качество, поэтому вам может потребоваться выполнить больше аннотаций, чтобы скомпенсировать шум. Как найти идеальный баланс? Здесь нет готовых рецептов – в конечном итоге вы найдете свой идеальный состав данных через постоянное взаимодействие между обучением и улучшением ваших данных. В целом, при предварительном обучении модели она должна получить знания с нуля, что может произойти только с большим объемом данных. С другой стороны, если вы хотите настроить и придать последние штрихи специализации существующей большой модели, вы можете ценить качество больше, чем количество. Контролируемая ручная аннотация небольшого набора данных с подробными руководствами может быть оптимальным решением в этом случае.

4. Алгоритм

Данные – это сырье, на основе которого ваша модель будет учиться, и, надеюсь, вы сможете составить представительный набор данных высокого качества. Теперь, настоящая суперсила вашей системы искусственного интеллекта – ее способность учиться на существующих данных и обобщать на новые данные – заключается в алгоритме. В отношении основных моделей искусственного интеллекта существуют три основных варианта, которые вы можете использовать:

  • Промпт существующей модели. Расширенные LLM (Large Language Models) семейства GPT, такие как ChatGPT и GPT-4, а также от других поставщиков, таких как Anthropic и AI21 Labs, доступны для вывода через API. С помощью промптинга вы можете непосредственно общаться с этими моделями, включая в ваш промпт всю необходимую для задачи доменно- и задаче-специфическую информацию. Это может включать конкретный контент, который будет использоваться, примеры аналогичных задач (few-shot prompting), а также инструкции для модели. Например, если ваш пользователь хочет создать блоговую запись о новой функции продукта, вы можете попросить его предоставить некоторую основную информацию о функции, такую как ее преимущества и сферы применения, способы использования, дату запуска и т. д. Затем ваш продукт заполняет эту информацию в тщательно разработанном шаблоне промпта и просит LLM сгенерировать текст. Промптинг отлично подходит для быстрого старта с предварительно обученными моделями. Однако защитный вал, который вы можете построить с помощью промптинга, быстро иссякнет со временем – в среднесрочной перспективе вам потребуется более устойчивая стратегия модели для поддержания конкурентного преимущества.
  • Настроить предварительно обученную модель. Этот подход сделал искусственный интеллект настолько популярным в последние годы. Поскольку становятся доступными все больше предварительно обученных моделей, и портал

    Помимо обучения, оценка имеет первостепенное значение для успешного использования машинного обучения. Подходящие метрики и методы оценки не только важны для уверенного запуска ваших функций искусственного интеллекта, но также служат ясной целью для дальнейшей оптимизации и являются общей основой для внутренних обсуждений и принятия решений. В ходе технической оценки могут быть использованы такие метрики, как точность, полнота и точность, чтобы получить хорошую отправную точку, но в конечном итоге вы захотите найти метрики, которые отражают реальную ценность, которую ваш искусственный интеллект предоставляет пользователям.

    5. Пользовательский опыт

    Пользовательский опыт продуктов искусственного интеллекта – это захватывающая тема – в конце концов, у пользователей есть большие надежды, но и опасения о “сотрудничестве” с искусственным интеллектом, который может усилить и потенциально перехитрить их. Проектирование этого человеко-ИИ партнерства требует тщательного и осмысленного процесса открытия и проектирования. Одно из ключевых соображений – это степень автоматизации, которую вы хотите предоставить вашему продукту – и заметьте, полная автоматизация далеко не всегда является идеальным решением. Ниже приведена иллюстрация непрерывной автоматизации:

    Рисунок 2: Непрерывная автоматизация систем искусственного интеллекта

    Давайте рассмотрим каждый из этих уровней:

    • На первом этапе все работает вручную, и автоматизации не производится. Несмотря на шум вокруг искусственного интеллекта, большая часть задач, связанных с использованием знаний в современных компаниях, все еще выполняется на этом уровне, что представляет огромные возможности для автоматизации. Например, здесь работает контент-писатель, который сопротивляется использованию инструментов, основанных на искусственном интеллекте, и убежден, что написание – это очень ручное и особое искусство.
    • На втором этапе помощники искусственного интеллекта позволяют пользователям полностью контролировать выполнение задачи и выполнять большую часть работы вручную, но инструменты искусственного интеллекта помогают им сэкономить время и компенсировать их слабые стороны. Например, при написании блог-поста с жестким сроком, окончательная лингвистическая проверка с помощью Grammarly или подобного инструмента может стать приветствуемым средством экономии времени. Она может исключить ручную правку, которая требует большого количества вашего ограниченного времени и внимания, и все равно может оставить вас с ошибками и упущениями – в конце концов, ошибаться – это человеческий фактор.
    • С помощью дополненного интеллекта, искусственный интеллект становится партнером, который усиливает интеллект человека, используя преимущества обеих сторон. По сравнению с помощниками искусственного интеллекта, машина имеет гораздо больше возможностей в вашем процессе и выполняет больший набор ответственностей, таких как создание, генерация и редактирование черновиков, а также окончательная лингвистическая проверка. Пользователям все равно нужно участвовать в работе, принимать решения и выполнять части задачи. Пользовательский интерфейс должен четко указывать распределение труда между человеком и искусственным интеллектом, выделять потенциальные ошибки и обеспечивать прозрачность выполняемых им шагов. Кратко говоря, “усиленный” опыт помогает пользователям достичь желаемого результата через итерацию и усовершенствование.
    • И, наконец, у нас есть полная автоматизация – захватывающая идея для энтузиастов искусственного интеллекта, философов и экспертов, но часто не является оптимальным выбором для продуктов реальной жизни. Полная автоматизация означает, что вы предлагаете одну “большую красную кнопку”, которая запускает процесс. Когда искусственный интеллект закончен, ваши пользователи сталкиваются с конечным результатом и принимают его или отвергают. Они не могут контролировать то, что происходило между этими моментами. Как вы можете себе представить, опции пользовательского интерфейса здесь достаточно ограничены, так как практически нет взаимодействия. Основная ответственность за успех лежит на плечах ваших технических коллег, которым нужно обеспечить исключительно высокое качество выходных данных.

    Продукты искусственного интеллекта нуждаются в особом подходе к дизайну. Стандартные графические интерфейсы детерминированы и позволяют предвидеть все возможные пути, которые может выбрать пользователь. В отличие от этого, большие модели искусственного интеллекта являются вероятностными и неопределенными – они предоставляют ряд удивительных возможностей, но также риски, такие как токсичные, неверные и вредоносные результаты. Снаружи ваш интерфейс искусственного интеллекта может выглядеть простым, потому что многие возможности вашего продукта прямо находятся в модели. Например, LLM может интерпретировать подсказки, создавать текст, искать информацию, резюмировать ее, принимать определенный стиль и терминологию, выполнять инструкции и т. д. Даже если ваш пользовательский интерфейс представляет собой простой чат или интерфейс с подсказками, не оставляйте этот потенциал незамеченным – чтобы привести пользователей к успеху, вам нужно быть ясным и реалистичным. Сделайте пользователей осведомленными о возможностях и ограничениях ваших моделей искусственного интеллекта, позвольте им легко обнаруживать и исправлять ошибки, допущенные искусственным интеллектом, и научите их способам самостоятельной итерации к оптимальным результатам. Основываясь на доверии, прозрачности и образовании пользователей, вы можете сделать так, чтобы ваши пользователи сотрудничали с искусственным интеллектом. Хотя глубокое погружение в развивающуюся дисциплину дизайна искусственного интеллекта выходит за рамки этой статьи, я настоятельно рекомендую вам искать вдохновение не только у других компаний по искусственному интеллекту, но и в других областях дизайна, таких как взаимодействие человека с машиной. Вы скоро обнаружите ряд повторяющихся дизайнерских приемов, таких как автозаполнение, предложения подсказок и уведомления искусственного интеллекта, которые вы можете интегрировать в свой собственный интерфейс, чтобы получить максимум от ваших данных и моделей.

    Для достижения действительно отличного дизайна вам, возможно, понадобится добавить новые навыки дизайна в свою команду. Например, если вы создаете чат-приложение для совершенствования маркетингового контента, вам потребуется сотрудничать с дизайнером разговорного интерфейса, который заботится о разговорных потоках и “личности” вашего чат-бота. Если вы создаете богатый расширенный продукт, который должен тщательно обучать и направлять ваших пользователей по доступным опциям, дизайнер контента может помочь вам построить правильную информационную архитектуру и добавить подходящее количество побуждения и подсказок для ваших пользователей.

    И, наконец, будьте готовы к неожиданностям. Дизайн ИИ может заставить вас пересмотреть свои первоначальные представления о пользовательском опыте. Например, многие дизайнеры пользовательского опыта и менеджеры продукта были обучены минимизировать задержку и трение, чтобы сгладить опыт пользователя. Что ж, в продуктах ИИ вы можете приостановить эту борьбу и использовать оба аспекта в своих интересах. Задержка и время ожидания отлично подходят для обучения ваших пользователей, например, объяснения того, что ИИ в данный момент делает и указания возможных следующих шагов со стороны пользователей. Перерывы, такие как диалоги и всплывающие уведомления, могут внести трение, чтобы укрепить партнерство человек-ИИ, а также повысить прозрачность и контроль для ваших пользователей.

    6. Нефункциональные требования

    Помимо данных, алгоритма и пользовательского опыта, которые позволяют вам реализовать конкретную функциональность, так называемые нефункциональные требования (NFR), такие как точность, задержка, масштабируемость, надежность и управление данными, гарантируют, что пользователь действительно получает ожидаемую ценность. Концепция NFR происходит из разработки программного обеспечения, но пока не систематически учитывается в области ИИ. Часто эти требования рассматриваются импровизационно по мере возникновения во время исследования пользователей, идеализации, разработки и эксплуатации возможностей ИИ.

    Вы должны стараться понять и определить свои NFR как можно раньше, поскольку различные NFR будут возникать на разных этапах вашего пути. Например, необходимо учитывать конфиденциальность, начиная с самого начального этапа выбора данных. Точность наиболее чувствительна на этапе производства, когда пользователи начинают использовать вашу систему в Интернете, что может привести к неожиданным входным данным. Масштабируемость является стратегическим соображением, которое вступает в силу, когда ваш бизнес увеличивает количество пользователей и/или запросов или спектр предлагаемой функциональности.

    Когда речь идет о NFR, вы не можете получить все. Вот некоторые типичные компромиссы, которые вам придется найти равновесие:

    • Один из первых способов увеличить точность – использовать большую модель, что повлияет на задержку.
    • Использование производственных данных “как есть” для дальнейшей оптимизации может быть лучшим для обучения, но может нарушать правила конфиденциальности и анонимизации.
    • Более масштабируемые модели являются специалистами, что влияет на их точность в задачах, специфичных для компании или пользователя.

    Как вы будете устанавливать приоритеты различных требований, зависит от доступных вычислительных ресурсов, вашей концепции пользовательского опыта, включая степень автоматизации, и влияния принимаемых решений, поддерживаемых ИИ.

    Основные выводы

    1. Начните с конечной цели: Не думайте, что только технология справится с работой; вам нужна четкая дорожная карта для интеграции ИИ в продукт, который взаимодействует с пользователем, и для просвещения пользователей о его преимуществах, рисках и ограничениях.
    2. Согласование с рынком: Определите приоритеты рыночных возможностей и потребностей клиентов для руководства разработкой ИИ. Не спешите с внедрением ИИ, основанного на шуме, и без проверки со стороны рынка.
    3. Ценность для пользователя: Определите, количественно измерьте и объясните ценность продуктов ИИ в терминах эффективности, персонализации, удобства и других аспектов ценности.
    4. Качество данных: Сосредоточьтесь на качестве и актуальности данных для эффективного обучения моделей ИИ. Попробуйте использовать небольшие наборы высокого качества для настройки и более крупные наборы данных для обучения с нуля.
    5. Выбор алгоритма/модели: Выберите правильный уровень (направление, настройка, обучение с нуля) для вашего случая использования и тщательно оцените его производительность. Со временем, по мере приобретения необходимых знаний и уверенности в вашем продукте, вы можете перейти к более продвинутым стратегиям моделирования.
    6. Дизайн с учетом потребностей пользователя: Проектируйте продукты ИИ, с учетом потребностей и эмоций пользователей, сбалансированно сочетая автоматизацию и контроль пользователя. Учитывайте “непредсказуемость” вероятностных моделей ИИ и направляйте ваших пользователей работать с ними и получать от них пользу.
    7. Коллаборативный дизайн: С помощью акцентирования доверия, прозрачности и образования пользователей вы можете сделать их сотрудничать с ИИ.
    8. Нефункциональные требования: Учитывайте такие факторы, как точность, задержка, масштабируемость и надежность на протяжении всего процесса разработки, и попытайтесь оценить компромиссы между ними как можно раньше.
    9. Сотрудничество: Содействуйте близкому сотрудничеству между экспертами по ИИ, дизайнерами, менеджерами продукта и другими членами команды, чтобы пользоваться междисциплинарным интеллектом и успешно интегрировать ваш ИИ.

    Ссылки

    [1] Тереза Торрес (2021). Привычки непрерывного открытия: открывайте продукты, которые создают ценность для клиентов и бизнеса.

    [2] Orbit Media (2022). Новая статистика блоггинга: какие стратегии контента работают в 2022 году? Мы спросили 1016 блоггеров.

    [3] Дон Норман (2013). Дизайн каждодневных вещей.

    [4] Google, Gartner и Motista (2013). От продвижения к эмоции: связывание клиентов B2B с брендами.