Ein neues Zeitalter von UX: Weiterentwicklung Ihres Designansatzes für KI-Produkte

Bevor ChatGPT vor einem Jahr auf den Markt kam, waren künstliche Intelligenz (KI) und maschinelles Lernen (ML) die mysteriösen Werkzeuge von Experten und Datenwissenschaftlern – Teams mit viel Nischenerfahrung und spezialisiertem Fachwissen. Jetzt sind die Dinge anders.

Sie lesen dies wahrscheinlich, weil Ihr Unternehmen beschlossen hat, OpenAIs GPT oder ein anderes LLM (großes Sprachmodell) zu verwenden, um generative KI-Funktionen in Ihr Produkt zu integrieren. Wenn das der Fall ist, sind Sie möglicherweise begeistert („Es ist so einfach, ein großartiges neues Feature zu erstellen!“) oder überwältigt („Warum erhalte ich jedes Mal unterschiedliche Ausgaben und wie schaffe ich es, das zu tun, was ich will?“)vielleicht fühlst du beides!

Die Arbeit mit KI mag eine neue Herausforderung sein, muss aber nicht einschüchternd sein. In diesem Beitrag werden meine jahrelangen Erfahrungen beim Entwerfen für „traditionelle“ ML-Ansätze in einer einfachen Reihe von Fragen zusammengefasst, die Ihnen helfen sollen, mit Zuversicht voranzukommen, wenn Sie mit dem Entwerfen für KI beginnen.

Eine andere Art von UX-Design

Zunächst einige Hintergrundinformationen dazu, wie sich das KI-UX-Design von dem unterscheidet, was Sie gewohnt sind. (Hinweis: Ich werde in diesem Beitrag KI und ML synonym verwenden.) Möglicherweise kennen Sie das 5-Ebenen-Modell des UX-Designs von Jesse James Garrett.

Jesse James Garretts Elements of User Experience-Diagramm

Garretts Modell eignet sich gut für deterministische Systeme, erfasst jedoch nicht die zusätzlichen Elemente von maschinellen Lernprojekten, die sich auf die nachgelagerten UX-Überlegungen auswirken. Die Arbeit mit ML bedeutet, dem Modell eine Reihe zusätzlicher Ebenen in und um die Strategieebene hinzuzufügen. Jetzt benötigen Sie zusätzlich zu dem, was Sie beim Entwerfen gewohnt sind, auch ein tieferes Verständnis für Folgendes:

• Wie das System aufgebaut ist.
• Welche Daten stehen Ihrer Funktion zur Verfügung, was beinhaltet sie, wie gut und zuverlässig ist sie?
• Die ML-Modelle, die Sie verwenden werden, sowie ihre Stärken und Schwächen.
• Die Ausgaben, die Ihre Funktion generiert, wie sie variieren und wann sie fehlschlagen.
• Wie Menschen auf diese Funktion möglicherweise anders reagieren, als Sie erwarten oder wünschen.

Anstatt sich zu fragen: „Wie könnten wir das machen?“ Als Reaktion auf ein bekanntes, begrenztes Problem fragen Sie sich möglicherweise: „Können wir das tun?“

Insbesondere wenn Sie LLMs verwenden, arbeiten Sie wahrscheinlich rückwärts von einer Technologie, die völlig neue Möglichkeiten freischaltet, und Sie müssen feststellen, ob sie zur Lösung von Problemen geeignet sind, die Sie kennen, oder sogar von Problemen, die Sie nie für lösbar gehalten haben Vor. Möglicherweise müssen Sie auf einer höheren Ebene als üblich denken – anstatt Informationseinheiten anzuzeigen, möchten Sie möglicherweise große Informationsmengen synthetisieren und stattdessen Trends, Muster und Vorhersagen präsentieren.

„Sie entwerfen ein Wahrscheinlichkeitssystem, das dynamisch ist und in Echtzeit auf Eingaben reagiert.“

Am wichtigsten ist, dass Sie kein deterministisches System entwerfen, das tut, was Sie ihm sagen, sondern ein probabilistisches System, das dynamisch ist und in Echtzeit auf Eingaben reagiert – mit Ergebnissen und Verhaltensweisen, die manchmal unerwartet oder unerklärlich sind. und wo das Abwägen von Kompromissen eine schwierige Aufgabe sein könnte. Hier kommen meine fünf Schlüsselfragen ins Spiel – nicht um Ihnen Antworten zu geben, sondern um Ihnen zu helfen, angesichts der Unsicherheit den nächsten Schritt zu gehen. Lass uns eintauchen.

1. Wie stellen Sie gute Daten sicher?

Datenwissenschaftler sagen gerne: „Müll rein, Müll raus.“ Wenn Sie mit schlechten Daten beginnen, ist es im Allgemeinen unmöglich, am Ende eine gute KI-Funktion zu erhalten.

Wenn Sie beispielsweise einen Chatbot erstellen, der Antworten auf der Grundlage einer Sammlung von Informationsquellen generiert, wie z. B. Artikeln in einem Online-Hilfecenter, sorgen Artikel von geringer Qualität für einen Chatbot von geringer Qualität.

Als das Team von Intercom Fin Anfang 2023 einführte, stellten wir fest, dass viele unserer Kunden kein genaues Gefühl für die Qualität ihrer Hilfeinhalte hatten, bis sie mit der Nutzung von Fin begannen und herausfanden, welche Informationen vorhanden oder klar darin waren und welche nicht deren Inhalt. Der Wunsch nach einer nützlichen KI-Funktion kann für Teams ein hervorragender Anreiz sein, die Qualität ihrer Daten zu verbessern.

Was sind also gute Daten? Gute Daten sind:

• Genau: Die Daten geben die Realität korrekt wieder. Das heißt, wenn ich 1,7 m groß bin, steht das in meiner Gesundheitsakte. Da steht nicht, dass ich 1,9 m groß bin.
• Vollständig: Die Daten enthalten die erforderlichen Werte. Wenn wir eine Höhenmessung benötigen, um eine Vorhersage zu treffen, ist dieser Wert in den Gesundheitsakten aller Patienten vorhanden.
• Konsistent: Daten widersprechen nicht anderen Daten. Wir haben keine zwei Felder für die Höhe, eines mit der Angabe 1,7 m und das andere mit der Angabe 1,9 m.
• Frisch: Die Daten sind aktuell und aktuell. Ihre Gesundheitsakte sollte nicht Ihre Größe als 10-Jähriger widerspiegeln, wenn Sie jetzt erwachsen sind – wenn sich diese geändert hat, sollte sich dies in den Aufzeichnungen ändern, um dies widerzuspiegeln.
• Eindeutig: Daten werden nicht dupliziert. Mein Arzt sollte nicht zwei Patientenakten für mich haben, sonst weiß er nicht, welche die richtige ist.

Es kommt selten vor, dass Sie über Unmengen wirklich hochwertiger Daten verfügen, daher müssen Sie bei der Entwicklung Ihres KI-Produkts möglicherweise einen Kompromiss zwischen Qualität und Quantität eingehen. Möglicherweise können Sie manuell eine kleinere (aber hoffentlich immer noch repräsentative) Datenstichprobe erstellen oder alte, ungenaue Daten herausfiltern, um einen zuverlässigen Satz zu erstellen.

Versuchen Sie, Ihren Designprozess mit einem genauen Gespür dafür zu beginnen, wie gut Ihre Daten sind, und einem Plan zur Verbesserung, falls sie zu Beginn nicht gut sind.

2. Wie werden Sie Ihren Designprozess anpassen?

Wie üblich ist es sinnvoll, mit einer Low-Fidelity-Erkundung zu beginnen, um Ihr ideales Benutzererlebnis für das Problem zu ermitteln, das Sie lösen möchten. Sie werden es wahrscheinlich nie in der Produktion sehen, aber dieser Polarstern kann dabei helfen, Sie und Ihr Team aufeinander abzustimmen, sie zu begeistern und auch einen konkreten Ausgangspunkt für die Untersuchung zu bieten, wie machbar es tatsächlich ist.

„Nehmen Sie sich etwas Zeit, um zu verstehen, wie das System funktioniert, wie die Daten gesammelt und verwendet werden und ob Ihr Design die Varianz erfasst, die Sie möglicherweise in den Modellausgaben sehen.“

Sobald Sie dies haben, ist es an der Zeit, die System-, Daten- und Inhaltsausgaben zu entwerfen. Gehen Sie zurück zu Ihrem Polarstern und fragen Sie: „Ist das, was ich entworfen habe, tatsächlich möglich?“ Welche Variationen gibt es für den Fall, dass X oder Y nicht gut funktionieren?“

Nehmen Sie sich etwas Zeit, um zu verstehen, wie das System funktioniert, wie die Daten gesammelt und verwendet werden und ob Ihr Design die Abweichungen erfasst, die Sie möglicherweise in den Modellausgaben sehen. Bei KI ist eine schlechte Ausgabe eine schlechte Erfahrung. Im Chatbot-Beispiel könnte dies wie eine Antwort aussehen, die nicht genügend Details liefert, eine tangentiale Frage beantwortet oder die Frage nicht zum richtigen Zeitpunkt klärt.

Zwei Beispiele, wie die Ausgabe eines KI-Chatbots angezeigt werden kann

In der Abbildung oben ähnelt das Beispiel links vielen frühen Ausgaben, die wir bei der Entwicklung unseres Fin-Chatbots gesehen haben. Sie waren korrekt, aber nicht sehr informativ oder nützlich, da sie auf den Originalartikel verwiesen, anstatt die Antwort inline anzugeben. Design hilft Ihnen dabei, zum Beispiel auf der rechten Seite zu gelangen, das eine umfassendere Antwort mit klaren Schritten und Formatierungen bietet.

Überlassen Sie den Inhalt der Ausgabe nicht Ihren Ingenieuren – die Erfahrung damit sollte gestaltet werden. Wenn Sie an einem LLM-basierten Produkt arbeiten, bedeutet dies, dass Sie mit Prompt Engineering experimentieren und Ihre eigene Sichtweise auf die Form und den Umfang des Ergebnisses entwickeln sollten.

Sie müssen auch überlegen, wie Sie den Entwurf für eine neue Reihe potenzieller Fehlerzustände, Risiken und Einschränkungen gestalten:

Fehlerzustände

• Kaltstartproblem: Kunden haben möglicherweise nur wenige oder gar keine Daten, wenn sie Ihre Funktion zum ersten Mal nutzen. Wie werden sie von Anfang an einen Mehrwert schaffen?
• Keine Vorhersage: Das System hat keine Antwort. Was passiert dann?
• Schlechte Vorhersage: Das System hat eine schlechte Ausgabe geliefert. Wird der Benutzer wissen, dass es falsch ist? Können sie es reparieren?

Risiken

• Fehlalarme , beispielsweise wenn die Wettervorhersage Regen vorhersagt, es aber nicht regnet. Wird es ein negatives Ergebnis geben, wenn dies bei Ihrem Produkt passiert?
• Falsch-negative Ergebnisse , etwa wenn die Wettervorhersage keinen Regen, aber einen Wolkenbruch vorhersagt. Was wird das Ergebnis sein, wenn dies bei Ihrer Funktion passiert?
• Risiken in der realen Welt , beispielsweise wenn ML-Ergebnisse das Leben, den Lebensunterhalt und die Chancen der Menschen direkt beeinflussen oder beeinflussen. Sind diese auf Ihr Produkt anwendbar?

Neue Einschränkungen

• Benutzerbeschränkungen , wie falsche mentale Modelle über die Funktionsweise des Systems, unrealistische Erwartungen oder Ängste gegenüber Ihrem Produkt oder die Möglichkeit, mit der Zeit selbstgefällig zu werden.
• Technische Einschränkungen wie API- oder Speicher- und Rechenkosten, Latenz, Betriebszeit, Datenverfügbarkeit, Datenschutz und Sicherheit. Diese stellen in erster Linie ein Problem für Ihre Ingenieure dar, können sich aber auch direkt auf die Benutzererfahrung auswirken. Daher sollten Sie die Einschränkungen und Möglichkeiten verstehen.

3. Wie funktioniert es, wenn das ML ausfällt?

Wann, nichtwenn. Wenn Sie überrascht sind, wie oft Ihr KI-Produkt in der Produktion versagt, haben Sie vorher nicht genügend Tests durchgeführt. Ihr Team sollte Ihr Produkt und Ihre Ergebnisse während des gesamten Erstellungsprozesses testen und nicht warten, bis Sie die Funktion an Kunden ausliefern. Durch strenge Tests erhalten Sie eine solide Vorstellung davon, wie und wann Ihr Produkt ausfallen könnte, sodass Sie Benutzererfahrungen entwickeln können, um diese Ausfälle zu entschärfen. Hier sind einige Möglichkeiten, wie Sie Ihr Produkt effektiv testen können.

Beginnen Sie mit Ihren Design-Prototypen

Prototyp mit möglichst realen Daten. „Lorem ipsum“ ist hier Ihr Feind – nutzen Sie reale Beispiele, um Ihr Produkt einem Stresstest zu unterziehen. Bei der Entwicklung unseres KI-Chatbots Fin war es beispielsweise wichtig, die Qualität der Antworten auf echte Kundenfragen zu testen und dabei echte Help-Center-Artikel als Ausgangsmaterial zu verwenden.

Ein Beispiel dafür, wie zwei Designer einen Chatbot entwerfen könnten, der KI-generierte Antworten liefert

In diesem Vergleich können wir sehen, dass das farbenfrohe Beispiel auf der linken Seite optisch ansprechender ist, aber keine Details zur Qualität des Antwortgenerierungserlebnisses liefert. Die visuelle Wiedergabetreue ist hoch, die Inhaltstreue jedoch gering. Das Beispiel rechts ist aussagekräftiger zum Testen und Validieren, ob die KI-Antworten tatsächlich von guter Qualität sind, da es eine hohe Inhaltstreue aufweist.

Designer sind oft mit der Arbeit im Bereich der visuellen Wiedergabetreue vertrauter. Wenn Sie für ML entwerfen, sollten Sie darauf abzielen, entlang des Spektrums der Inhaltstreue zu arbeiten, bis Sie vollständig überprüft haben, dass die Ausgaben für Ihre Benutzer von ausreichender Qualität sind.

Das farbenfrohe Fin-Design hilft Ihnen nicht bei der Beurteilung, ob der Chatbot Fragen gut genug beantworten kann, dass Kunden dafür bezahlen. Sie erhalten ein besseres Feedback, wenn Sie Ihren Kunden einen Prototyp zeigen, wie einfach er auch sein mag, der ihnen echte Ergebnisse aus ihren tatsächlichen Daten zeigt.

Testen Sie im großen Maßstab

Wenn Sie der Meinung sind, dass Sie qualitativ gleichbleibend gute Ergebnisse erzielt haben,führen Sie einen Backtest durch , um Ihre Ausgabequalität in einem größeren Maßstab zu validieren.Das bedeutet, dass Ihre Ingenieure zurückgehen und den Algorithmus anhand weiterer historischer Daten ausführen müssen, bei denen Sie die Qualität der Ausgabe kennen oder zuverlässig beurteilen können. Sie sollten die Ergebnisse auf Qualität und Konsistenz überprüfen – und etwaige Überraschungen ans Tageslicht bringen.

Gehen Sie Ihr Minimum Viable Product (MVP) testweise an

Ihre MVP- oder Beta-Version sollte Ihnen helfen, alle verbleibenden Fragen zu klären und weitere potenzielle Überraschungen zu finden. Denken Sie für Ihr MVP über den Tellerrand hinaus – Sie können es im Produkt erstellen oder es könnte einfach eine Tabellenkalkulation sein.

„Sorgen Sie dafür, dass die Ergebnisse funktionieren, und bauen Sie dann die Produkthülle darauf auf.“

Wenn Sie beispielsweise eine Funktion erstellen, die Artikelgruppen in Themenbereiche gruppiert und dann die Themen definiert, sollten Sie sicherstellen, dass Sie die Gruppierung richtig durchgeführt haben, bevor Sie die vollständige Benutzeroberfläche erstellen. Wenn Ihre Cluster fehlerhaft sind, müssen Sie das Problem möglicherweise anders angehen oder unterschiedliche Interaktionen zulassen, um die Clustergrößen anzupassen.

Vielleicht möchten Sie ein MVP „erstellen“, bei dem es sich lediglich um eine Tabelle mit den Ergebnissen und benannten Themen handelt, und prüfen, ob Ihre Kunden einen Mehrwert in der Art und Weise finden, wie Sie es gemacht haben. Sorgen Sie dafür, dass die Ergebnisse funktionieren, und bauen Sie dann die Produkthülle darauf auf.

Führen Sie einen A/B-Test durch, wenn Sie Ihr MVP starten

Sie möchten die positiven oder negativen Auswirkungen Ihrer Funktion messen. Als Designer sind Sie wahrscheinlich nicht für die Einrichtung verantwortlich, aber Sie sollten versuchen, die Ergebnisse zu verstehen. Zeigen die Kennzahlen, dass Ihr Produkt wertvoll ist? Gibt es irgendwelche Störfaktoren in der Benutzeroberfläche oder UX, die Sie basierend auf dem, was Sie sehen, möglicherweise ändern müssen?

„Sie können Telemetrie aus der Nutzung Ihres Produkts in Kombination mit qualitativem Benutzerfeedback verwenden, um besser zu verstehen, wie Ihre Benutzer mit Ihrer Funktion interagieren und welchen Wert sie daraus ziehen.“

Im Intercom AI-Team führen wir A/B-Tests durch, wann immer wir eine neue Funktion veröffentlichen, deren Interaktionsvolumen hoch genug ist, um innerhalb weniger Wochen eine statistische Signifikanz zu ermitteln. Für einige Funktionen reicht das Volumen jedoch einfach nicht aus. In diesem Fall können Sie Telemetriedaten aus der Nutzung Ihres Produkts in Kombination mit qualitativem Benutzerfeedback verwenden, um besser zu verstehen, wie Ihre Benutzer mit Ihrer Funktion interagieren und welchen Wert sie daraus ziehen Es.

4. Wie werden Menschen in das System passen?

Es gibt drei Hauptphasen des Produktnutzungslebenszyklus, die Sie beim Erstellen eines KI-Produkts berücksichtigen sollten:

1. Einrichten der Funktion vor der Verwendung .Dazu kann die Auswahl eines Grads an Autonomie gehören, mit dem das Produkt betrieben wird, das Kuratieren und Filtern von Daten, die für Vorhersagen verwendet werden, und das Festlegen von Zugriffskontrollen. Ein Beispiel hierfür ist das autonome Fahrzeugautomatisierungsrahmenwerk von SAE International, das darlegt, was das Fahrzeug selbstständig tun kann und wie viel menschliches Eingreifen erlaubt oder erforderlich ist.
2. Überwachen der Funktion, während sie in Betrieb ist.Benötigt das System einen Menschen, der es während des Betriebs auf dem Laufenden hält? Benötigen Sie einen Genehmigungsschritt zur Qualitätssicherung? Dies kann betriebliche Prüfungen, menschliche Anleitung oder Live-Genehmigungen bedeuten, bevor eine KI-Ausgabe an den Endbenutzer gesendet wird. Ein Beispiel hierfür könnte ein KI-Assistent zum Schreiben von Artikeln sein, der Änderungen an einem Entwurf eines Hilfeartikels vorschlägt, die ein Autor genehmigen muss, bevor er sie veröffentlicht.
3. Bewertung der Funktion nach dem Start.Dies bedeutet in der Regel das Melden, die Bereitstellung oder Umsetzung von Feedback sowie die Verwaltung von Datenverschiebungen im Laufe der Zeit. In dieser Phase blickt der Benutzer auf die Leistung des automatisierten Systems zurück, vergleicht es mit historischen Daten oder schaut sich die Qualität an und entscheidet, wie sie verbessert werden kann (durch Modelltraining, Datenaktualisierungen oder andere Methoden). Ein Beispiel hierfür könnte ein Bericht sein, in dem detailliert aufgeführt wird, welche Fragen Endbenutzer Ihrem KI-Chatbot gestellt haben, wie die Antworten ausfielen und welche Änderungen Sie vornehmen können, um die Antworten des Chatbots auf zukünftige Fragen zu verbessern.

Sie können diese drei Phasen auch als Grundlage für Ihre Produktentwicklungs-Roadmap nutzen. Sie könnten mehrere Produkte und mehrere Benutzeroberflächen haben, die auf derselben oder einer sehr ähnlichen Backend-ML-Technologie basieren, und einfach die Einbindung des Menschen ändern. Die Beteiligung des Menschen an verschiedenen Punkten des Lebenszyklus kann das Produktangebot völlig verändern.

Sie können das KI-Produktdesign auch zeitlich angehen: Erstellen Sie jetzt etwas, für das zu einem bestimmten Zeitpunkt möglicherweise ein Mensch erforderlich ist, planen Sie jedoch, ihn zu entfernen oder in eine andere Phase zu verschieben, sobald sich Ihre Endbenutzer an die Ergebnisse und die Qualität gewöhnt haben der KI-Funktion.

5. Wie bauen Sie das Vertrauen der Benutzer in das System auf?

Wenn Sie KI in ein Produkt einführen, führen Sie ein Modell mit Handlungsspielraum im System ein, während zuvor nur die Benutzer selbst über diese Handlungsmacht verfügten. Das erhöht das Risiko und die Unsicherheit für Ihre Kunden. Der Grad der Prüfung, den Ihr Produkt erfährt, wird verständlicherweise zunehmen, und Sie müssen das Vertrauen Ihrer Benutzer gewinnen.

Sie können dies auf verschiedene Arten versuchen:

• Bieten Sie ein „Dark Launch“- oder Side-by-Side-Erlebnis, bei dem Kunden Ergebnisse vergleichen oder sehen können, ohne sie den Endbenutzern preiszugeben. Stellen Sie sich das wie eine benutzerorientierte Version des Backtestings vor, das Sie zuvor im Prozess durchgeführt haben – hier geht es darum, Ihren Kunden Vertrauen in die Bandbreite und Qualität der Ergebnisse zu geben, die Ihre Funktion oder Ihr Produkt liefern wird. Als wir beispielsweise den Fin AI-Chatbot von Intercom auf den Markt brachten, boten wir eine Seite an, auf der Kunden den Bot hochladen und anhand ihrer eigenen Daten testen konnten.
• Starten Sie die Funktion zunächst unter menschlicher Aufsicht. Nach einiger Zeit mit guter Leistung werden Ihre Kunden wahrscheinlich darauf vertrauen, dass es ohne menschliche Überwachung funktioniert.
• Machen Sie es einfach, die Funktion zu deaktivieren, wenn sie nicht funktioniert. Für Benutzer ist es einfacher, eine KI-Funktion in ihren Workflow (insbesondere in einen Geschäftsworkflow) zu übernehmen, wenn nicht das Risiko besteht, dass sie etwas vermasseln und nicht in der Lage sind, es zu stoppen.
• Erstellen Sie einen Feedback-Mechanismus , damit Benutzer schlechte Ergebnisse melden können, und lassen Sie Ihr System idealerweise auf diese Berichte reagieren, um Verbesserungen am System vorzunehmen. Stellen Sie jedoch sicher, dass Sie realistische Erwartungen darüber haben, wann und wie auf das Feedback reagiert wird, damit Kunden keine sofortigen Verbesserungen erwarten.
• Erstellen Sie robuste Berichtsmechanismen, um Ihren Kunden zu helfen, die Leistung der KI zu verstehen und welchen ROI sie daraus erzielen.

Abhängig von Ihrem Produkt möchten Sie möglicherweise mehr als eines davon ausprobieren, um Benutzer zu ermutigen, Erfahrungen zu sammeln und sich mit Ihrem Produkt wohl zu fühlen.

Geduld ist eine Tugend, wenn es um KI geht

Ich hoffe, dass diese fünf Fragen Ihnen bei Ihrer Reise in die neue, schnelllebige Welt der KI-Produktentwicklung helfen werden. Ein letzter Ratschlag: Seien Sie geduldig, wenn Sie Ihr Produkt auf den Markt bringen. Es kann erheblichen Aufwand erfordern, eine ML-Funktion zum Laufen zu bringen und auf die Arbeitsweise eines Unternehmens abzustimmen, und daher kann die Einführungskurve anders aussehen, als Sie vielleicht erwarten.

„Nachdem Sie einige KI-Funktionen entwickelt haben, werden Sie ein besseres Gefühl dafür bekommen, wie Ihre jeweiligen Kunden auf Neueinführungen reagieren werden.“

Es wird wahrscheinlich einige Zeit dauern, bis Ihre Kunden den höchsten Wert erkennen oder ihre Stakeholder davon überzeugen können, dass die KI die Kosten wert ist und bei ihren Benutzern breiter eingeführt werden sollte.

Selbst Kunden, die von Ihrer Funktion wirklich begeistert sind, brauchen möglicherweise noch Zeit, um sie zu implementieren, entweder weil sie Vorbereitungsarbeiten wie die Bereinigung ihrer Daten erledigen müssen oder weil sie daran arbeiten, vor der Einführung Vertrauen aufzubauen. Es mag schwierig sein, vorherzusagen, mit welcher Akzeptanz Sie rechnen müssen, aber nachdem Sie einige KI-Funktionen entwickelt haben, werden Sie ein besseres Gefühl dafür bekommen, wie Ihre jeweiligen Kunden auf Neueinführungen reagieren werden.