عصر جديد من تجربة المستخدم: تطوير نهج التصميم الخاص بك لمنتجات الذكاء الاصطناعي

قبل ظهور ChatGPT على الساحة قبل عام، كان الذكاء الاصطناعي (AI) والتعلم الآلي (ML) من الأدوات الغامضة للخبراء وعلماء البيانات - فرق تتمتع بالكثير من الخبرة المتخصصة والمعرفة المتخصصة في المجال. الآن، الأمور مختلفة.

من المحتمل أنك تقرأ هذا لأن شركتك قررت استخدام OpenAI's GPT أو LLM آخر (نموذج لغة كبير) لبناء ميزات الذكاء الاصطناعي التوليدية في منتجك. إذا كان الأمر كذلك، فقد تشعر بالإثارة ("من السهل جدًا إنشاء ميزة جديدة رائعة!") أو بالإرهاق ("لماذا أحصل على نتائج مختلفة في كل مرة وكيف أجعلها تفعل ما أريد؟")أو ربما كنت تشعر على حد سواء!

قد يكون العمل مع الذكاء الاصطناعي تحديًا جديدًا، ولكن ليس من الضروري أن يكون مخيفًا. يلخص هذا المنشور تجربتي من السنوات التي أمضيتها في تصميم أساليب التعلم الآلي "التقليدية" في مجموعة بسيطة من الأسئلة لمساعدتك على المضي قدمًا بثقة عندما تبدأ في التصميم للذكاء الاصطناعي.

نوع مختلف من تصميم تجربة المستخدم

أولاً، بعض المعلومات الأساسية حول كيفية اختلاف تصميم AI UX عما اعتدت القيام به. (ملاحظة: سأستخدم الذكاء الاصطناعي والتعلم الآلي بالتبادل في هذا المنشور.) قد تكون على دراية بنموذج جيسي جيمس جاريت المكون من 5 طبقات لتصميم تجربة المستخدم.

مخطط عناصر تجربة المستخدم لجيسي جيمس غاريت

يعمل نموذج غاريت بشكل جيد مع الأنظمة الحتمية، لكنه لا يلتقط العناصر الإضافية لمشاريع التعلم الآلي التي ستؤثر على اعتبارات تجربة المستخدم. العمل باستخدام تعلم الآلة يعني إضافة عدد من الطبقات الإضافية إلى النموذج، داخل طبقة الإستراتيجية وحولها. الآن، بالإضافة إلى ما اعتدت على تصميمه، تحتاج أيضًا إلى فهم أعمق لما يلي:

• كيف يتم بناء النظام.
• ما هي البيانات المتوفرة لميزتك، وما تتضمنه، ومدى جودتها وموثوقيتها.
• نماذج تعلم الآلة التي ستستخدمها، بالإضافة إلى نقاط القوة والضعف الخاصة بها.
• المخرجات التي ستولدها الميزة الخاصة بك، وكيف ستختلف، ومتى ستفشل.
• كيف قد يتفاعل البشر مع هذه الميزة بشكل مختلف عما تتوقعه أو تريده.

بدلًا من أن تسأل نفسك "كيف يمكننا أن نفعل هذا؟" ردًا على مشكلة معروفة وواسعة النطاق، قد تجد نفسك تتساءل: "هل يمكننا القيام بذلك؟"

خاصة إذا كنت تستخدم LLMs، فمن المحتمل أن تعمل بشكل عكسي من خلال تقنية تفتح إمكانات جديدة تمامًا، ويجب عليك تحديد ما إذا كانت مناسبة لحل المشكلات التي تعرفها، أو حتى المشكلات التي لم تعتبرها قابلة للحل مطلقًا قبل. قد تحتاج إلى التفكير بمستوى أعلى من المعتاد - بدلاً من عرض وحدات من المعلومات، قد ترغب في تجميع كميات كبيرة من المعلومات وتقديم الاتجاهات والأنماط والتنبؤات بدلاً من ذلك.

"أنت تصمم نظامًا احتماليًا ديناميكيًا ويتفاعل مع المدخلات في الوقت الفعلي"

والأهم من ذلك، بدلاً من تصميم نظام حتمي يفعل ما تطلب منه القيام به، فإنك تصمم نظامًا احتماليًا ديناميكيًا ويتفاعل مع المدخلات في الوقت الفعلي - مع نتائج وسلوكيات ستكون غير متوقعة أو غير قابلة للتفسير في بعض الأحيان. وحيث قد يكون وزن المقايضات ممارسة غامضة. وهنا يأتي دور مجموعتي المكونة من خمسة أسئلة رئيسية - ليس لتزويدك بالإجابات، ولكن لمساعدتك على اتخاذ الخطوة التالية في مواجهة عدم اليقين. دعونا نتعمق.

1. كيف ستضمن الحصول على بيانات جيدة؟

يحب علماء البيانات أن يقولوا "القمامة تدخل، القمامة تخرج". إذا بدأت ببيانات سيئة، فمن غير الممكن عمومًا أن ينتهي بك الأمر بالحصول على ميزة ذكاء اصطناعي جيدة.

على سبيل المثال، إذا كنت تقوم بإنشاء روبوت دردشة يقوم بإنشاء إجابات بناءً على مجموعة من مصادر المعلومات، مثل المقالات في مركز المساعدة عبر الإنترنت، فإن المقالات منخفضة الجودة ستضمن وجود روبوت دردشة منخفض الجودة.

عندما أطلق فريق Intercom Fin في أوائل عام 2023، أدركنا أن العديد من عملائنا لم يكن لديهم إحساس دقيق بجودة محتوى المساعدة الخاص بهم حتى بدأوا في استخدام Fin واكتشفوا المعلومات التي كانت أو لم تكن موجودة أو واضحة في محتواها. يمكن أن تكون الرغبة في الحصول على ميزة مفيدة للذكاء الاصطناعي بمثابة وظيفة إجبارية ممتازة للفرق على تحسين جودة بياناتها.

إذًا، ما هي البيانات الجيدة؟ البيانات الجيدة هي:

• دقيق: البيانات تمثل الواقع بشكل صحيح. أي إذا كان طولي 1.7 مترًا، فهذا ما هو مذكور في سجلي الصحي. لا يقول أن طولي 1.9 متر.
• مكتمل: البيانات تتضمن القيم المطلوبة. إذا كنا بحاجة إلى قياس الارتفاع للتنبؤ، فإن هذه القيمة موجودة في السجلات الصحية لجميع المرضى.
• متسقة: لا تتعارض البيانات مع البيانات الأخرى. ليس لدينا حقلين للارتفاع، أحدهما يقول 1.7 م والآخر يقول 1.9 م.
• حديثة: البيانات حديثة ومحدثة. لا ينبغي أن يعكس سجلك الصحي طولك عندما كنت تبلغ من العمر 10 سنوات إذا أصبحت الآن بالغًا - إذا تغير، فيجب أن يتغير السجل ليعكسه.
• فريدة: البيانات غير مكررة. لا ينبغي أن يكون لدى طبيبي سجلان للمرضى، وإلا فلن يعرفوا أيهما هو الصحيح.

من النادر أن يكون لديك الكثير من البيانات عالية الجودة، لذلك قد تضطر إلى إجراء مقايضة بين الجودة والكمية عند تطوير منتج الذكاء الاصطناعي الخاص بك. قد تتمكن من إنشاء عينة أصغر يدويًا (ولكن نأمل أن تظل ممثلة) من البيانات، أو تصفية البيانات القديمة غير الدقيقة لإنشاء مجموعة موثوقة.

حاول أن تبدأ عملية التصميم بإحساس دقيق بمدى جودة بياناتك، وخطة لتحسينها إذا لم تكن رائعة في البداية.

2. كيف يمكنك تعديل عملية التصميم الخاصة بك؟

كالعادة، من المفيد البدء باستكشاف منخفض الدقة لتحديد تجربة المستخدم المثالية للمشكلة التي تأمل في حلها. من المحتمل أنك لن تراه أبدًا في الإنتاج، ولكن هذا النجم الشمالي يمكن أن يساعدك في التوفيق بينك وبين فريقك، وإثارة حماستهم، كما يوفر نقطة بداية ملموسة للتحقيق في مدى جدوى ذلك بالفعل.

"اقض بعض الوقت في فهم كيفية عمل النظام، وكيفية جمع البيانات واستخدامها، وما إذا كان تصميمك يلتقط التباين الذي قد تراه في مخرجات النموذج"

بمجرد الانتهاء من ذلك، حان الوقت لتصميم مخرجات النظام والبيانات والمحتوى. ارجع إلى نجمك الشمالي واسأل "هل ما صممته ممكن بالفعل؟ ما هي بعض الاختلافات في حالة عدم عمل X أو Y بشكل جيد؟

اقض بعض الوقت في فهم كيفية عمل النظام، وكيفية جمع البيانات واستخدامها، وما إذا كان تصميمك يلتقط التباين الذي قد تراه في مخرجات النموذج. مع الذكاء الاصطناعي، يعتبر الناتج الضعيف تجربة سيئة. في مثال chatbot، قد يبدو هذا كإجابة لا تقدم تفاصيل كافية، أو تجيب على سؤال عرضي، أو لا توضح السؤال عندما ينبغي ذلك.

مثالان لكيفية عرض مخرجات chatbot AI

في الرسم التوضيحي أعلاه، المثال الموجود على اليسار مشابه للعديد من المخرجات المبكرة التي رأيناها عند تطوير برنامج Fin chatbot الخاص بنا، والتي كانت دقيقة ولكنها ليست غنية بالمعلومات أو مفيدة لأنها أشارت إلى المقالة الأصلية بدلاً من ذكر الإجابة في السطر. يساعدك التصميم في الوصول إلى المثال الموجود على اليمين، والذي يحتوي على إجابة أكثر اكتمالاً بخطوات وتنسيق واضح.

لا تترك محتويات المخرجات لمهندسيك - يجب تصميم تجربتها. إذا كنت تعمل على منتج قائم على LLM، فهذا يعني أنه يجب عليك تجربة الهندسة السريعة وتطوير وجهة نظرك الخاصة حول شكل ونطاق المخرجات.

ستحتاج أيضًا إلى التفكير في كيفية التصميم لمجموعة جديدة من حالات الخطأ والمخاطر والقيود المحتملة:

حالات الخطأ

• مشكلة البداية الباردة: قد يكون لدى العملاء القليل من البيانات أو لا يملكون أي بيانات عند استخدام الميزة الخاصة بك لأول مرة. كيف سيحصلون على القيمة الصحيحة من البداية؟
• لا يوجد تنبؤ: النظام ليس لديه إجابة. ما يحدث بعد ذلك؟
• التنبؤ السيئ: أعطى النظام نتائج سيئة. هل سيعرف المستخدم أنه خطأ؟ هل يمكنهم إصلاحه؟

المخاطر

• الإيجابيات الكاذبة ، مثل عندما تتوقع توقعات الطقس هطول أمطار، لكنها لا تمطر. هل ستكون هناك نتيجة سلبية إذا حدث هذا مع منتجك؟
• السلبيات الكاذبة ، مثل عندما تتوقع توقعات الطقس عدم هطول أمطار، ولكن هناك أمطار غزيرة. ماذا ستكون النتيجة إذا حدث هذا مع ميزتك؟
• مخاطر العالم الحقيقي ، مثل عندما تؤثر مخرجات التعلم الآلي بشكل مباشر أو تؤثر على حياة الناس وسبل عيشهم وفرصهم. هل هذه تنطبق على المنتج الخاص بك؟

قيود جديدة

• قيود المستخدم ، مثل النماذج الذهنية غير الصحيحة حول كيفية عمل النظام، أو التوقعات أو المخاوف غير الواقعية بشأن منتجك، أو احتمال الرضا عن النفس بمرور الوقت.
• القيود الفنية ، مثل واجهة برمجة التطبيقات (API) أو تكلفة التخزين والحوسبة، ووقت الاستجابة، ووقت التشغيل، وتوافر البيانات، وخصوصية البيانات، والأمان. تعتبر هذه مشكلة في المقام الأول للمهندسين لديك، ولكن يمكن أن يكون لها أيضًا تأثير مباشر على تجربة المستخدم، لذا يجب عليك فهم القيود والإمكانيات.

3. كيف سيعمل عندما يفشل تعلم الآلة؟

متى، وليسإذا. إذا فوجئت بالطرق التي فشل بها منتج الذكاء الاصطناعي الخاص بك في الإنتاج، فهذا يعني أنك لم تقم بإجراء ما يكفي من الاختبارات مسبقًا. يجب أن يقوم فريقك باختبار منتجك ومخرجاتك أثناء عملية الإنشاء بأكملها، وليس الانتظار حتى تكون على وشك شحن الميزة إلى العملاء. ستمنحك الاختبارات الصارمة فكرة قوية عن كيفية وتوقيت فشل منتجك، حتى تتمكن من بناء تجارب المستخدم للتخفيف من حالات الفشل هذه. فيما يلي بعض الطرق التي يمكنك من خلالها اختبار منتجك بشكل فعال.

ابدأ بنماذج التصميم الأولية الخاصة بك

نموذج أولي يحتوي على بيانات حقيقية قدر الإمكان. “لوريم إيبسوم” هو عدوك هنا – استخدم أمثلة حقيقية لاختبار قوة منتجك. على سبيل المثال، عند تطوير برنامج chatbot Fin الخاص بنا والذي يعمل بالذكاء الاصطناعي، كان من المهم اختبار جودة الإجابات المقدمة لأسئلة العملاء الحقيقية، وذلك باستخدام مقالات مركز المساعدة الحقيقية كمواد مصدر.

مثال على كيفية تعامل اثنين من المصممين مع تصميم روبوت الدردشة الذي يوفر إجابات يتم إنشاؤها بواسطة الذكاء الاصطناعي

في هذه المقارنة، يمكننا أن نرى أن المثال الملون الموجود على اليسار أكثر جاذبية من الناحية البصرية، لكنه لا يقدم أي تفاصيل حول جودة تجربة توليد الإجابات. تتمتع بدقة بصرية عالية ولكن دقة محتوى منخفضة. يعد المثال الموجود على اليمين أكثر إفادة للاختبار والتحقق من أن استجابات الذكاء الاصطناعي ذات نوعية جيدة بالفعل، لأنها تتمتع بدقة عالية في المحتوى.

غالبًا ما يكون المصممون أكثر دراية بالعمل على نطاق الدقة البصرية. إذا كنت تصمم لتعلم الآلة، فيجب أن تهدف إلى العمل على نطاق واسع من دقة المحتوى حتى تتحقق بشكل كامل من أن المخرجات ذات جودة كافية لمستخدميك.

لن يساعدك تصميم Fin الملون في الحكم على ما إذا كان بإمكان برنامج الدردشة الآلي الإجابة على الأسئلة بشكل جيد بما يكفي بحيث يدفع العملاء مقابل ذلك. سوف تحصل على تعليقات أفضل من خلال عرض نموذج أولي للعملاء، مهما كان أساسيًا، يوضح لهم مخرجات حقيقية من بياناتهم الفعلية.

اختبار على نطاق واسع

عندما تعتقد أنك حققت مخرجات ذات جودة جيدة باستمرار،قم بإجراء اختبار خلفي للتحقق من جودة مخرجاتك على نطاق أوسع.وهذا يعني أن يقوم مهندسوك بالرجوع إلى الوراء وتشغيل الخوارزمية مقابل المزيد من البيانات التاريخية حيث تعرف أو يمكنك الحكم بشكل موثوق على جودة المخرجات. يجب عليك مراجعة المخرجات للتأكد من الجودة والاتساق - ولإظهار أي مفاجآت.

تعامل مع الحد الأدنى من المنتج القابل للتطبيق (MVP) كاختبار

من المفترض أن يساعدك الإصدار التجريبي أو MVP في حل أي أسئلة متبقية والعثور على المزيد من المفاجآت المحتملة. فكر خارج الصندوق فيما يتعلق بـ MVP الخاص بك - فقد تقوم بإنشائه داخل المنتج، أو يمكن أن يكون مجرد جدول بيانات.

"اجعل المخرجات تعمل، ثم قم ببناء غلاف المنتج حولها"

على سبيل المثال، إذا كنت تقوم بإنشاء ميزة تقوم بتجميع مجموعات من المقالات في مجالات المواضيع ثم تحديد المواضيع، فستحتاج إلى التأكد من حصولك على التجميع بشكل صحيح قبل إنشاء واجهة المستخدم الكاملة. إذا كانت مجموعاتك سيئة، فقد تحتاج إلى التعامل مع المشكلة بشكل مختلف، أو السماح بتفاعلات مختلفة لضبط أحجام المجموعة.

قد ترغب في "إنشاء" MVP وهو مجرد جدول بيانات للمخرجات والموضوعات المحددة، ومعرفة ما إذا كان عملاؤك يجدون قيمة في الطريقة التي قمت بها بذلك. اجعل المخرجات تعمل، ثم قم ببناء غلاف المنتج حولها.

قم بإجراء اختبار A/B عند إطلاق MVP الخاص بك

ستحتاج إلى قياس التأثير الإيجابي أو السلبي لميزتك. كمصمم، ربما لن تكون مسؤولاً عن إعداد هذا، ولكن يجب عليك أن تسعى إلى فهم النتائج. هل تشير المقاييس إلى أن منتجك ذو قيمة؟ هل هناك أي عوامل مربكة في واجهة المستخدم أو تجربة المستخدم التي قد تحتاج إلى تغييرها بناءً على ما تراه؟

"يمكنك استخدام القياس عن بعد من استخدام منتجك جنبًا إلى جنب مع تعليقات المستخدمين النوعية لفهم كيفية تفاعل المستخدمين مع ميزتك والقيمة التي يستمدونها منها بشكل أفضل"

في فريق Intercom AI، نقوم بإجراء اختبارات A/B كلما قمنا بإصدار ميزة جديدة ذات حجم كبير بما يكفي من التفاعلات لتحديد الأهمية الإحصائية في غضون بضعة أسابيع. ومع ذلك، بالنسبة لبعض الميزات، لن يكون لديك الحجم - في هذه الحالة، يمكنك استخدام القياس عن بعد من استخدام منتجك جنبًا إلى جنب مع تعليقات المستخدمين النوعية لفهم كيفية تفاعل المستخدمين مع ميزتك والقيمة التي يستمدونها منها بشكل أفضل. هو - هي.

4. كيف سيتناسب البشر مع النظام؟

هناك ثلاث مراحل رئيسية لدورة حياة استخدام المنتج التي يجب عليك مراعاتها عند إنشاء منتج الذكاء الاصطناعي:

1. إعداد الميزة قبل الاستخدام .قد يتضمن ذلك اختيار مستوى من الاستقلالية التي سيعمل المنتج بموجبها، وتنظيم وتصفية البيانات التي سيتم استخدامها للتنبؤات، وتعيين عناصر التحكم في الوصول. مثال على ذلك هو إطار أتمتة المركبات ذاتية القيادة SAE International، الذي يحدد ما يمكن للمركبة القيام به بمفردها، ومدى التدخل البشري المسموح به أو المطلوب.
2. مراقبة الميزة أثناء تشغيلها.هل يحتاج النظام إلى إنسان لإبقائه على المسار الصحيح أثناء عمله؟ هل تحتاج إلى خطوة موافقة لضمان الجودة؟ قد يعني هذا إجراء فحوصات تشغيلية أو توجيه بشري أو موافقات مباشرة قبل إرسال مخرجات الذكاء الاصطناعي إلى المستخدم النهائي. مثال على ذلك يمكن أن يكون مساعد كتابة المقالات بالذكاء الاصطناعي، والذي يقترح تعديلات على مسودة مقالة مساعدة والتي يجب على الكاتب الموافقة عليها قبل نشرها.
3. تقييم الميزة بعد الإطلاق.ويعني هذا عادةً إعداد التقارير وتقديم الملاحظات أو اتخاذ إجراءات بشأنها وإدارة تحولات البيانات بمرور الوقت. في هذه المرحلة، يراجع المستخدم أداء النظام الآلي، ويقارنه بالبيانات التاريخية أو ينظر إلى الجودة ويقرر كيفية تحسينها (من خلال التدريب على النماذج، أو تحديثات البيانات، أو طرق أخرى). قد يكون أحد الأمثلة على ذلك تقريرًا يوضح بالتفصيل الأسئلة التي طرحها المستخدمون النهائيون على برنامج الدردشة الآلي الخاص بك، وما هي الإجابات، والتغييرات المقترحة التي يمكنك إجراؤها لتحسين إجابات برنامج الدردشة الآلي على الأسئلة المستقبلية.

يمكنك استخدام هذه المراحل الثلاث للمساعدة في إعلام خارطة طريق تطوير منتجك أيضًا. يمكن أن يكون لديك منتجات متعددة وواجهات مستخدم متعددة تعتمد على نفس تقنية ML الخلفية أو مشابهة جدًا لها، وما عليك سوى تغيير المكان الذي يشارك فيه الإنسان. يمكن أن يؤدي التدخل البشري في مراحل مختلفة من دورة الحياة إلى تغيير عرض المنتج تمامًا.

يمكنك أيضًا التعامل مع تصميم منتجات الذكاء الاصطناعي من حيث الوقت: قم ببناء شيء الآن قد يحتاج إلى إنسان في مرحلة معينة، ولكن مع خطة لإزالته أو نقله إلى مرحلة مختلفة بمجرد أن يعتاد المستخدمون النهائيون على المخرجات والجودة. من ميزة الذكاء الاصطناعي.

5. كيف ستبني ثقة المستخدم في النظام؟

عندما تقوم بإدخال الذكاء الاصطناعي في منتج ما، فإنك تقدم نموذجًا يتمتع بالوكالة للتصرف في النظام، عندما كان المستخدمون أنفسهم فقط هم من يملكون تلك الوكالة في السابق. وهذا يضيف المخاطر وعدم اليقين لعملائك. سوف يرتفع مستوى التدقيق الذي يتلقاه منتجك بشكل مفهوم، وسوف تحتاج إلى كسب ثقة المستخدمين.

يمكنك محاولة القيام بذلك بعدة طرق:

• قم بتقديم "إطلاق مظلم" أو تجربة جنبًا إلى جنب حيث يمكن للعملاء مقارنة المخرجات أو رؤية المخرجات دون تعريضها للمستخدمين النهائيين. فكر في هذا كنسخة تواجه المستخدم من الاختبار الخلفي الذي قمت به في وقت سابق من العملية - النقطة هنا هي منح عملائك الثقة في نطاق وجودة المخرجات التي ستقدمها ميزتك أو منتجك. على سبيل المثال، عندما أطلقنا برنامج الدردشة Fin AI الخاص بـ Intercom، قدمنا ​​صفحة يمكن للعملاء من خلالها تحميل الروبوت واختباره باستخدام بياناتهم الخاصة.
• قم بتشغيل الميزة تحت الإشراف البشري أولاً. وبعد مرور بعض الوقت مع الأداء الجيد، من المرجح أن يثق عملاؤك في تشغيله دون مراقبة بشرية.
• اجعل من السهل إيقاف تشغيل الميزة إذا كانت لا تعمل. من الأسهل على المستخدمين اعتماد ميزة الذكاء الاصطناعي في سير العمل الخاص بهم (خاصة سير عمل الأعمال) إذا لم يكن هناك خطر من احتمال إفساد شيء ما وعدم قدرتهم على إيقافه.
• أنشئ آلية للتعليقات حتى يتمكن المستخدمون من الإبلاغ عن النتائج السيئة، ومن الأفضل أن يقوم نظامك بالتصرف بناءً على تلك التقارير لإجراء تحسينات على النظام. ومع ذلك، تأكد من وضع توقعات واقعية فيما يتعلق بموعد وكيفية تنفيذ التعليقات حتى لا يتوقع العملاء تحسينات فورية.
• أنشئ آليات إعداد تقارير قوية لمساعدة عملائك على فهم كيفية أداء الذكاء الاصطناعي وعائد الاستثمار الذي يحصلون عليه منه.

اعتمادًا على منتجك، قد ترغب في تجربة أكثر من واحدة منها لتشجيع المستخدمين على اكتساب الخبرة والشعور بالراحة تجاه منتجك.

الصبر فضيلة عندما يتعلق الأمر بالذكاء الاصطناعي

آمل أن تساعدك هذه الأسئلة الخمسة في إرشادك أثناء رحلتك إلى عالم تطوير منتجات الذكاء الاصطناعي الجديد وسريع الحركة. نصيحة أخيرة: كن صبورًا عند إطلاق منتجك. قد يستغرق الأمر جهدًا كبيرًا لتشغيل ميزة تعلم الآلة وضبطها بالطريقة التي ترغب الشركة في العمل بها، وبالتالي يمكن أن يبدو منحنى الاعتماد مختلفًا عما قد تتوقعه.

"بعد إنشاء بعض ميزات الذكاء الاصطناعي، ستبدأ في تكوين فكرة أفضل عن كيفية تفاعل عملائك المعينين مع عمليات الإطلاق الجديدة"

من المحتمل أن يستغرق الأمر بعض الوقت قبل أن يرى عملاؤك أعلى قيمة، أو قبل أن يتمكنوا من إقناع أصحاب المصلحة بأن الذكاء الاصطناعي يستحق التكلفة ويجب إطلاقه على نطاق أوسع لمستخدميهم.

حتى العملاء المتحمسين حقًا بشأن ميزتك قد يستغرقون بعض الوقت لتنفيذها، إما لأنهم بحاجة إلى القيام بأعمال تحضيرية مثل تنظيف بياناتهم، أو لأنهم يعملون على تطوير الثقة قبل إطلاقها. قد يكون من الصعب توقع نوع التبني الذي يجب أن تتوقعه، ولكن بعد إنشاء بعض ميزات الذكاء الاصطناعي، ستبدأ في الحصول على فكرة أفضل عن كيفية تفاعل عملائك المعينين مع عمليات الإطلاق الجديدة.