UX ยุคใหม่: พัฒนาแนวทางการออกแบบสำหรับผลิตภัณฑ์ AI

ก่อนที่ ChatGPT จะเปิดตัวเมื่อปีที่แล้ว ปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) เป็นเครื่องมือลึกลับของผู้เชี่ยวชาญและนักวิทยาศาสตร์ข้อมูล ซึ่งเป็นทีมที่มีประสบการณ์เฉพาะกลุ่มและความรู้เฉพาะด้านมากมาย ตอนนี้สิ่งต่าง ๆ

คุณอาจอ่านข้อความนี้เนื่องจากบริษัทของคุณตัดสินใจใช้ GPT ของ OpenAI หรือ LLM (โมเดลภาษาขนาดใหญ่) อื่นเพื่อสร้างฟีเจอร์ AI เชิงสร้างสรรค์ในผลิตภัณฑ์ของคุณ หากเป็นเช่นนั้น คุณอาจรู้สึกตื่นเต้น (“มันง่ายมากที่จะสร้างฟีเจอร์ใหม่ที่ยอดเยี่ยม!”) หรือรู้สึกหนักใจ (“เหตุใดฉันจึงได้รับผลลัพธ์ที่แตกต่างกันทุกครั้ง และฉันจะทำให้เป็นไปตามที่ฉันต้องการได้อย่างไร”)หรือ บางทีคุณอาจรู้สึกทั้งสองอย่าง!

การทำงานกับ AI อาจเป็นความท้าทายใหม่ แต่ก็ไม่จำเป็นต้องน่ากลัว โพสต์นี้กลั่นกรองประสบการณ์ของฉันจากหลายปีในการออกแบบแนวทาง ML “แบบดั้งเดิม” ให้เป็นชุดคำถามง่ายๆ เพื่อช่วยให้คุณก้าวไปข้างหน้าอย่างมั่นใจเมื่อคุณเริ่มออกแบบสำหรับ AI

การออกแบบ UX ที่แตกต่างออกไป

อันดับแรก มาดูความเป็นมาว่าการออกแบบ AI UX แตกต่างจากสิ่งที่คุณคุ้นเคยอย่างไร (หมายเหตุ: ฉันจะใช้ AI และ ML สลับกันในโพสต์นี้) คุณอาจคุ้นเคยกับการออกแบบ UX แบบจำลอง 5 เลเยอร์ของ Jesse James Garrett

แผนภาพองค์ประกอบประสบการณ์ผู้ใช้ของ Jesse James Garrett

แบบจำลองของ Garrett ทำงานได้ดีสำหรับระบบที่กำหนดขึ้น แต่ไม่ได้รวบรวมองค์ประกอบเพิ่มเติมของโปรเจ็กต์การเรียนรู้ของเครื่องซึ่งจะส่งผลต่อการพิจารณา UX ขั้นปลายน้ำ การทำงานกับ ML หมายถึงการเพิ่มเลเยอร์เพิ่มเติมจำนวนหนึ่งลงในโมเดล ทั้งในและรอบๆ เลเยอร์กลยุทธ์ ตอนนี้ นอกเหนือจากสิ่งที่คุณคุ้นเคยกับการออกแบบแล้ว คุณยังต้องมีความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับ:

• ระบบถูกสร้างขึ้นอย่างไร
• คุณลักษณะของคุณมีข้อมูลใดบ้าง มีข้อมูลอะไรบ้าง ดีและเชื่อถือได้เพียงใด
• โมเดล ML ที่คุณจะใช้ รวมถึงจุดแข็งและจุดอ่อน
• ผลลัพธ์ที่ฟีเจอร์ของคุณจะสร้าง จะเปลี่ยนแปลงอย่างไร และจะล้มเหลวเมื่อใด
• มนุษย์อาจตอบสนองต่อคุณลักษณะนี้แตกต่างไปจากที่คุณคาดหวังหรือต้องการอย่างไร

แทนที่จะถามตัวเองว่า “เราจะทำเช่นนี้ได้อย่างไร” เพื่อตอบสนองต่อปัญหาที่ทราบและมีขอบเขต คุณอาจพบว่าตัวเองกำลังถามว่า “เราจะทำสิ่งนี้ได้ไหม”

โดยเฉพาะอย่างยิ่งหากคุณใช้ LLM คุณมีแนวโน้มที่จะทำงานแบบถอยหลังจากเทคโนโลยีที่ปลดล็อกความสามารถใหม่ทั้งหมด และคุณต้องพิจารณาว่าสิ่งเหล่านี้เหมาะสมสำหรับการแก้ปัญหาที่คุณทราบหรือไม่ หรือแม้แต่ปัญหาที่คุณไม่เคยคิดว่าจะแก้ไขได้ ก่อน. คุณอาจต้องคิดในระดับที่สูงกว่าปกติ แทนที่จะแสดงหน่วยข้อมูล คุณอาจต้องการสังเคราะห์ข้อมูลจำนวนมากและนำเสนอแนวโน้ม รูปแบบ และการคาดการณ์แทน

“คุณกำลังออกแบบระบบความน่าจะเป็นที่เป็นแบบไดนามิกและตอบสนองต่ออินพุตแบบเรียลไทม์”

สิ่งสำคัญที่สุดคือ แทนที่จะออกแบบระบบที่กำหนดขึ้นซึ่งทำในสิ่งที่คุณบอกให้ทำ คุณกำลังออกแบบระบบความน่าจะเป็นที่เป็นไดนามิกและตอบสนองต่ออินพุตแบบเรียลไทม์ ด้วยผลลัพธ์และพฤติกรรมที่ไม่คาดคิดหรืออธิบายไม่ได้ในบางครั้ง และการชั่งน้ำหนักการแลกเปลี่ยนอาจเป็นการออกกำลังกายที่มืดมน นี่คือจุดที่ชุดคำถามหลักห้าข้อของฉันเข้ามามีบทบาท ไม่ใช่เพื่อให้คุณได้รับคำตอบ แต่เพื่อช่วยให้คุณก้าวต่อไปเมื่อเผชิญกับความไม่แน่นอน มาดำดิ่งกัน

1. คุณจะมั่นใจได้อย่างไรว่าข้อมูลที่ดี?

นักวิทยาศาสตร์ข้อมูลชอบพูดว่า “ขยะเข้า ขยะออก” หากคุณเริ่มต้นด้วยข้อมูลที่ไม่ดี โดยทั่วไปไม่มีทางที่คุณจะได้ฟีเจอร์ AI ที่ดี

ตัวอย่างเช่น หากคุณกำลังสร้างแชทบอทที่สร้างคำตอบตามคอลเลกชันแหล่งข้อมูล เช่น บทความในศูนย์ช่วยเหลือออนไลน์ บทความคุณภาพต่ำจะทำให้แน่ใจได้ว่าแชทบอทคุณภาพต่ำ

เมื่อทีมงานที่ Intercom เปิดตัว Fin ในต้นปี 2023 เราตระหนักดีว่าลูกค้าของเราจำนวนมากไม่มีความรู้สึกที่ถูกต้องเกี่ยวกับคุณภาพของเนื้อหาความช่วยเหลือของตน จนกระทั่งพวกเขาเริ่มใช้ Fin และค้นพบว่าข้อมูลใดมีหรือไม่มีอยู่ หรือชัดเจนในนั้น เนื้อหาของพวกเขา ความต้องการฟีเจอร์ AI ที่มีประโยชน์อาจเป็นฟังก์ชันบังคับที่ยอดเยี่ยมสำหรับทีมในการปรับปรุงคุณภาพของข้อมูล

แล้วข้อมูลที่ดีคืออะไร? ข้อมูลที่ดีคือ:

• แม่นยำ: ข้อมูลแสดงถึงความเป็นจริงอย่างถูกต้อง นั่นคือถ้าฉันสูง 1.7 เมตร นั่นคือสิ่งที่ระบุไว้ในบันทึกสุขภาพของฉัน ไม่ได้บอกว่าฉันสูง 1.9 ม.
• เสร็จสมบูรณ์: ข้อมูลประกอบด้วยค่าที่ต้องการ หากเราต้องการการวัดส่วนสูงเพื่อคาดการณ์ ค่านั้นจะปรากฏในบันทึกสุขภาพของผู้ป่วยทุกราย
• สอดคล้อง: ข้อมูลไม่ขัดแย้งกับข้อมูลอื่น เราไม่มีช่องสำหรับความสูงสองช่อง ช่องหนึ่งบอกว่า 1.7 ม. และอีกช่องบอกว่า 1.9 ม.
• ใหม่: ข้อมูลเป็นข้อมูลล่าสุดและเป็นปัจจุบัน บันทึกสุขภาพของคุณไม่ควรสะท้อนถึงส่วนสูงของคุณในฐานะเด็กอายุ 10 ปี หากตอนนี้คุณเป็นผู้ใหญ่แล้ว หากมีการเปลี่ยนแปลง บันทึกควรเปลี่ยนเพื่อสะท้อนถึงส่วนนั้น
• ไม่ ซ้ำกัน: ข้อมูลจะไม่ซ้ำกัน แพทย์ของฉันไม่ควรมีบันทึกผู้ป่วยสองรายการให้ฉัน ไม่เช่นนั้นพวกเขาจะไม่รู้ว่าอันไหนถูกต้อง

เป็นเรื่องยากที่จะมีข้อมูลคุณภาพสูงจำนวนมาก ดังนั้นคุณอาจต้องแลกคุณภาพ/ปริมาณเมื่อพัฒนาผลิตภัณฑ์ AI ของคุณ คุณอาจสร้างข้อมูลขนาดเล็กลงได้ด้วยตนเอง (แต่หวังว่าจะยังเป็นตัวอย่าง) หรือกรองข้อมูลเก่าที่ไม่ถูกต้องออกเพื่อสร้างชุดที่เชื่อถือได้

พยายามเริ่มกระบวนการออกแบบด้วยความรู้สึกที่ถูกต้องว่าข้อมูลของคุณดีแค่ไหน และวางแผนในการปรับปรุงหากเริ่มต้นได้ไม่ดีนัก

2. คุณจะปรับกระบวนการออกแบบของคุณอย่างไร?

ตามปกติ การเริ่มต้นด้วยการสำรวจที่มีความเที่ยงตรงต่ำจะมีประโยชน์เพื่อพิจารณาประสบการณ์ผู้ใช้ที่เหมาะสมที่สุดสำหรับปัญหาที่คุณหวังจะแก้ไข คุณอาจไม่เคยเห็นมันในเวอร์ชันที่ใช้งานจริง แต่ดาวเหนือนี้สามารถช่วยให้คุณและทีมของคุณสอดคล้องกัน ทำให้พวกเขาตื่นเต้น และยังให้จุดเริ่มต้นที่เป็นรูปธรรมในการตรวจสอบว่าเป็นจริงได้อย่างไร

“ใช้เวลาทำความเข้าใจวิธีการทำงานของระบบ วิธีการรวบรวมและใช้ข้อมูล และการออกแบบของคุณจับความแปรปรวนที่คุณอาจเห็นในเอาท์พุตของโมเดลหรือไม่”

เมื่อคุณมีสิ่งนี้แล้ว ก็ถึงเวลาออกแบบระบบ ข้อมูล และเอาต์พุตเนื้อหา กลับไปที่ดาวเหนือของคุณแล้วถามว่า “สิ่งที่ฉันออกแบบไว้เป็นไปได้จริงหรือ? มีรูปแบบใดบ้างในกรณีที่ X หรือ Y ทำงานได้ไม่ดี”

ใช้เวลาทำความเข้าใจวิธีการทำงานของระบบ วิธีการรวบรวมและใช้ข้อมูล และการออกแบบของคุณจับความแปรปรวนที่คุณอาจเห็นในเอาต์พุตของโมเดลหรือไม่ ด้วย AI ผลลัพธ์ที่ไม่ดีคือประสบการณ์ที่ไม่ดี ในตัวอย่างแชทบอท อาจดูเหมือนคำตอบที่ให้รายละเอียดไม่เพียงพอ ตอบคำถามวงสัมผัส หรือไม่ได้ชี้แจงคำถามเมื่อควร

สองตัวอย่างวิธีการแสดงเอาต์พุตของแชทบอท AI

ในภาพประกอบด้านบน ตัวอย่างทางด้านซ้ายคล้ายกับผลลัพธ์แรกๆ มากมายที่เราเห็นเมื่อพัฒนา Fin chatbot ของเรา ซึ่งมีความแม่นยำแต่ไม่ได้ให้ข้อมูลหรือมีประโยชน์มากนัก เนื่องจากพวกมันอ้างอิงกลับไปยังบทความต้นฉบับ แทนที่จะระบุคำตอบในบรรทัด การออกแบบช่วยให้คุณเห็นตัวอย่างทางด้านขวา ซึ่งมีคำตอบที่สมบูรณ์ยิ่งขึ้นพร้อมขั้นตอนและการจัดรูปแบบที่ชัดเจน

อย่าปล่อยให้เนื้อหาของผลลัพธ์ตกเป็นหน้าที่ของวิศวกร ประสบการณ์ของผลลัพธ์ควรได้รับการออกแบบ หากคุณกำลังพัฒนาผลิตภัณฑ์ที่ใช้ LLM หมายความว่าคุณควรทดลองใช้งานวิศวกรรมที่รวดเร็ว และพัฒนามุมมองของคุณเองเกี่ยวกับรูปร่างและขอบเขตของผลลัพธ์ที่ควรจะเป็น

นอกจากนี้ คุณจะต้องพิจารณาวิธีการออกแบบสำหรับสถานะข้อผิดพลาด ความเสี่ยง และข้อจำกัดชุดใหม่ที่อาจเกิดขึ้น:

สถานะข้อผิดพลาด

• ปัญหาการสตาร์ทแบบเย็น: ลูกค้าอาจมีข้อมูลเพียงเล็กน้อยหรือไม่มีเลยเมื่อใช้ฟีเจอร์ของคุณครั้งแรก พวกเขาจะได้รับคุณค่าตั้งแต่เริ่มต้นได้อย่างไร?
• ไม่มีการทำนาย: ระบบไม่มีคำตอบ จะเกิดอะไรขึ้น?
• การคาดการณ์ที่ไม่ถูกต้อง: ระบบให้ผลลัพธ์ที่ไม่ดี ผู้ใช้จะรู้ว่ามันผิดหรือไม่? พวกเขาสามารถแก้ไขได้ไหม?

ความเสี่ยง

• ผลบวกลวง เช่น เมื่อพยากรณ์อากาศพยากรณ์ว่าฝนจะตกแต่ฝนไม่ตก จะเกิดผลเสียหรือไม่หากสิ่งนี้เกิดขึ้นกับผลิตภัณฑ์ของคุณ?
• ผลลบลวง เช่น เมื่อพยากรณ์อากาศคาดการณ์ว่าฝนจะไม่ตก แต่มีฝนตกหนัก ผลลัพธ์จะเป็นอย่างไรหากสิ่งนี้เกิดขึ้นกับฟีเจอร์ของคุณ?
• ความเสี่ยงในโลกแห่งความเป็นจริง เช่น เมื่อผลลัพธ์ของ ML มีอิทธิพลโดยตรงหรือส่งผลกระทบต่อชีวิต การดำรงชีวิต และโอกาสของผู้คน สิ่งเหล่านี้ใช้ได้กับผลิตภัณฑ์ของคุณหรือไม่?

ข้อจำกัดใหม่

• ข้อจำกัดของผู้ใช้ เช่น โมเดลทางจิตที่ไม่ถูกต้องเกี่ยวกับวิธีการทำงานของระบบ ความคาดหวังหรือความกลัวที่ไม่สมจริงต่อผลิตภัณฑ์ของคุณ หรือโอกาสที่จะพึงพอใจเมื่อเวลาผ่านไป
• ข้อจำกัดทางเทคนิค เช่น API หรือต้นทุนพื้นที่จัดเก็บและการคำนวณ เวลาแฝง สถานะการออนไลน์ ความพร้อมใช้งานของข้อมูล ความเป็นส่วนตัวของข้อมูล และความปลอดภัย สิ่งเหล่านี้เป็นปัญหาสำหรับวิศวกรของคุณเป็นหลัก แต่ก็สามารถส่งผลกระทบโดยตรงต่อประสบการณ์ผู้ใช้ได้เช่นกัน ดังนั้นคุณควรเข้าใจข้อจำกัดและความเป็นไปได้

3. มันจะทำงานอย่างไรเมื่อ ML ล้มเหลว?

เมื่อไม่ใช่ถ้าหากคุณประหลาดใจกับวิธีที่ผลิตภัณฑ์ AI ของคุณล้มเหลวในการผลิต แสดงว่าคุณไม่ได้ทำการทดสอบเพียงพอล่วงหน้า ทีมของคุณควรทดสอบผลิตภัณฑ์และผลลัพธ์ของคุณในระหว่างกระบวนการสร้างทั้งหมด โดยไม่รอจนกว่าคุณจะจัดส่งคุณสมบัตินี้ให้กับลูกค้า การทดสอบที่เข้มงวดจะทำให้คุณมีความคิดที่แน่ชัดว่าผลิตภัณฑ์ของคุณอาจล้มเหลวอย่างไรและเมื่อใด ดังนั้นคุณจึงสามารถสร้างประสบการณ์ผู้ใช้เพื่อลดความล้มเหลวเหล่านั้นได้ ต่อไปนี้เป็นวิธีทดสอบผลิตภัณฑ์ของคุณอย่างมีประสิทธิภาพ

เริ่มต้นด้วยต้นแบบการออกแบบของคุณ

สร้างต้นแบบด้วยข้อมูลจริงให้ได้มากที่สุด “Lorem ipsum” คือศัตรูของคุณที่นี่ ใช้ตัวอย่างจริงเพื่อทดสอบความเครียดกับผลิตภัณฑ์ของคุณ ตัวอย่างเช่น เมื่อพัฒนา AI chatbot Fin ของเรา สิ่งสำคัญคือต้องทดสอบคุณภาพของคำตอบสำหรับคำถามของลูกค้าจริง โดยใช้บทความในศูนย์ช่วยเหลือจริงเป็นแหล่งข้อมูล

ตัวอย่างวิธีที่นักออกแบบสองคนอาจใช้การออกแบบแชทบอทที่ให้คำตอบที่สร้างโดย AI

ในการเปรียบเทียบนี้ เราจะเห็นว่าตัวอย่างสีสันสดใสทางด้านซ้ายนั้นดึงดูดสายตามากกว่า แต่ไม่ได้ให้รายละเอียดเกี่ยวกับคุณภาพของประสบการณ์การสร้างคำตอบเลย มีความเที่ยงตรงของภาพสูงแต่มีความเที่ยงตรงของเนื้อหาต่ำ ตัวอย่างทางด้านขวามีข้อมูลมากกว่าสำหรับการทดสอบและตรวจสอบว่าการตอบสนองของ AI มีคุณภาพดีจริง ๆ เนื่องจากมีความแม่นยำของเนื้อหาสูง

นักออกแบบมักจะคุ้นเคยกับการทำงานตามขอบเขตของความเที่ยงตรงของภาพมากกว่า หากคุณกำลังออกแบบสำหรับ ML คุณควรตั้งเป้าที่จะทำงานตามสเปกตรัมของความเที่ยงตรงของเนื้อหา จนกว่าคุณจะตรวจสอบได้อย่างครบถ้วนว่าผลลัพธ์มีคุณภาพเพียงพอสำหรับผู้ใช้ของคุณ

การออกแบบ Fin ที่มีสีสันจะไม่ช่วยให้คุณตัดสินได้ว่าแชทบอทสามารถตอบคำถามได้ดีเพียงพอที่ลูกค้าจะจ่ายเงินหรือไม่ คุณจะได้รับผลตอบรับที่ดีขึ้นโดยการแสดงให้ลูกค้าเห็นต้นแบบแม้จะเป็นพื้นฐานก็ตาม ซึ่งแสดงผลลัพธ์จริงจากข้อมูลจริงของลูกค้า

ทดสอบในวงกว้าง

เมื่อคุณคิดว่าคุณได้รับผลลัพธ์ที่มีคุณภาพดีอย่างสม่ำเสมอให้ทำการทดสอบย้อนหลัง เพื่อตรวจสอบคุณภาพผลลัพธ์ของคุณในขนาดที่ใหญ่ขึ้นซึ่งหมายความว่าต้องให้วิศวกรของคุณย้อนกลับและเรียกใช้อัลกอริทึมกับข้อมูลในอดีตที่คุณทราบหรือสามารถตัดสินคุณภาพของเอาต์พุตได้อย่างน่าเชื่อถือ คุณควรตรวจสอบผลลัพธ์ด้านคุณภาพและความสม่ำเสมอ และเพื่อเผชิญกับสิ่งที่น่าประหลาดใจ

ทดสอบผลิตภัณฑ์ที่มีศักยภาพขั้นต่ำ (MVP) ของคุณ

MVP หรือรุ่นเบต้าของคุณควรช่วยคุณแก้ไขคำถามที่เหลืออยู่และค้นหาสิ่งที่น่าประหลาดใจที่อาจเกิดขึ้นเพิ่มเติม คิดนอกกรอบสำหรับ MVP ของคุณ คุณอาจสร้างมันขึ้นมาในผลิตภัณฑ์ หรืออาจเป็นแค่สเปรดชีตก็ได้

“ทำให้ผลลัพธ์ใช้งานได้ จากนั้นสร้างซองผลิตภัณฑ์รอบๆ”

ตัวอย่างเช่น หากคุณกำลังสร้างคุณลักษณะที่จัดกลุ่มกลุ่มบทความลงในพื้นที่หัวข้อแล้วกำหนดหัวข้อ คุณจะต้องแน่ใจว่าคุณได้รับการจัดกลุ่มทันทีก่อนที่จะสร้าง UI ที่สมบูรณ์ หากคลัสเตอร์ของคุณไม่ดี คุณอาจต้องแก้ไขปัญหาด้วยวิธีอื่น หรืออนุญาตให้มีการโต้ตอบที่แตกต่างกันเพื่อปรับขนาดคลัสเตอร์

คุณอาจต้องการ "สร้าง" MVP ซึ่งเป็นเพียงสเปรดชีตของผลลัพธ์และหัวข้อที่มีชื่อ และดูว่าลูกค้าของคุณค้นพบคุณค่าในแบบที่คุณทำหรือไม่ ทำให้ผลลัพธ์ใช้งานได้ จากนั้นสร้างซองผลิตภัณฑ์รอบๆ

เรียกใช้การทดสอบ A/B เมื่อคุณเปิดตัว MVP

คุณจะต้องวัดผลกระทบเชิงบวกหรือเชิงลบของคุณลักษณะของคุณ ในฐานะนักออกแบบ คุณอาจจะไม่ต้องรับผิดชอบในการตั้งค่านี้ แต่คุณควรพยายามทำความเข้าใจผลลัพธ์ ตัวชี้วัดบ่งชี้ว่าผลิตภัณฑ์ของคุณมีคุณค่าหรือไม่? มีปัจจัยที่ทำให้เกิดความสับสนใน UI หรือ UX ที่คุณอาจต้องเปลี่ยนแปลงตามสิ่งที่คุณเห็นหรือไม่

“คุณสามารถใช้การวัดและส่งข้อมูลทางไกลจากการใช้งานผลิตภัณฑ์ของคุณรวมกับความคิดเห็นของผู้ใช้เชิงคุณภาพเพื่อทำความเข้าใจให้ดีขึ้นว่าผู้ใช้ของคุณโต้ตอบกับคุณสมบัติของคุณอย่างไรและคุณค่าที่พวกเขาได้รับจากคุณสมบัตินั้น”

ในทีม Intercom AI เราทำการทดสอบ A/B ทุกครั้งที่เราเปิดตัวฟีเจอร์ใหม่ซึ่งมีปริมาณการโต้ตอบสูงพอที่จะระบุนัยสำคัญทางสถิติภายในไม่กี่สัปดาห์ อย่างไรก็ตาม สำหรับคุณสมบัติบางอย่าง คุณจะไม่มีระดับเสียง ในกรณีนี้ คุณสามารถใช้การวัดและส่งข้อมูลทางไกลจากการใช้งานผลิตภัณฑ์ของคุณรวมกับคำติชมของผู้ใช้เชิงคุณภาพ เพื่อทำความเข้าใจให้ดีขึ้นว่าผู้ใช้ของคุณโต้ตอบกับคุณสมบัติของคุณอย่างไร และคุณค่าที่พวกเขาได้รับมา มัน.

4. มนุษย์จะเข้ากับระบบได้อย่างไร?

มีสามขั้นตอนหลักของวงจรการใช้งานผลิตภัณฑ์ที่คุณควรพิจารณาเมื่อคุณสร้างผลิตภัณฑ์ AI:

1. การตั้งค่าคุณสมบัติ ก่อนใช้งานซึ่งอาจรวมถึงการเลือกระดับความเป็นอิสระที่ผลิตภัณฑ์จะดำเนินการ การดูแลจัดการและการกรองข้อมูลที่จะใช้สำหรับการคาดการณ์ และการตั้งค่าการควบคุมการเข้าถึง ตัวอย่างนี้คือกรอบการทำงานระบบอัตโนมัติของยานยนต์ไร้คนขับของ SAE International ซึ่งสรุปสิ่งที่ยานพาหนะสามารถทำได้ด้วยตัวเอง และปริมาณการแทรกแซงของมนุษย์ที่ได้รับอนุญาตหรือจำเป็นต้องมี
2. การตรวจสอบคุณสมบัติ ในขณะที่ใช้งานอยู่ระบบจำเป็นต้องมีมนุษย์เพื่อติดตามในขณะที่ทำงานหรือไม่? คุณต้องการขั้นตอนการอนุมัติเพื่อรับรองคุณภาพหรือไม่? ซึ่งอาจหมายถึงการตรวจสอบการปฏิบัติงาน คำแนะนำจากมนุษย์ หรือการอนุมัติทันทีก่อนที่จะส่งเอาต์พุต AI ไปยังผู้ใช้ปลายทาง ตัวอย่างนี้อาจเป็นผู้ช่วยเขียนบทความ AI ซึ่งแนะนำการแก้ไขบทความความช่วยเหลือฉบับร่างซึ่งผู้เขียนต้องอนุมัติก่อนที่จะเผยแพร่
3. การประเมินคุณสมบัติ หลังการเปิดตัวซึ่งมักจะหมายถึงการรายงาน การให้หรือดำเนินการตอบรับ และการจัดการการเปลี่ยนแปลงของข้อมูลเมื่อเวลาผ่านไป ในขั้นตอนนี้ ผู้ใช้จะมองย้อนกลับไปว่าระบบอัตโนมัติทำงานอย่างไร เปรียบเทียบกับข้อมูลในอดีตหรือดูคุณภาพ และตัดสินใจว่าจะปรับปรุงอย่างไร (ผ่านการฝึกอบรมโมเดล การอัปเดตข้อมูล หรือวิธีการอื่นๆ) ตัวอย่างนี้อาจเป็นรายงานที่ให้รายละเอียดเกี่ยวกับคำถามที่ผู้ใช้ถามแชทบอท AI ของคุณ คำตอบคืออะไร และการเปลี่ยนแปลงที่แนะนำที่คุณสามารถทำได้เพื่อปรับปรุงคำตอบของแชทบอทสำหรับคำถามในอนาคต

คุณสามารถใช้สามขั้นตอนนี้เพื่อช่วยแจ้งแผนงานการพัฒนาผลิตภัณฑ์ของคุณได้เช่นกัน คุณสามารถมีผลิตภัณฑ์หลายรายการและ UI หลายรายการโดยใช้เทคโนโลยี ML แบ็กเอนด์เดียวกันหรือคล้ายกันมาก และเพียงเปลี่ยนตำแหน่งที่มนุษย์เกี่ยวข้อง การมีส่วนร่วมของมนุษย์ ณ จุดต่างๆ ของวงจรชีวิตสามารถเปลี่ยนแปลงข้อเสนอผลิตภัณฑ์ได้อย่างสมบูรณ์

คุณยังสามารถเข้าถึงการออกแบบผลิตภัณฑ์ AI ในแง่ของเวลา: สร้างบางสิ่งในตอนนี้ที่อาจต้องใช้มนุษย์ ณ จุดหนึ่ง แต่มีแผนที่จะลบออกหรือย้ายไปยังขั้นตอนอื่นเมื่อผู้ใช้ปลายทางของคุณคุ้นเคยกับผลลัพธ์และคุณภาพแล้ว ของฟีเจอร์ AI

5. คุณจะสร้างความไว้วางใจให้กับผู้ใช้ในระบบได้อย่างไร?

เมื่อคุณแนะนำ AI ให้กับผลิตภัณฑ์ คุณกำลังแนะนำโมเดลที่มีเอเจนซี่ให้ดำเนินการในระบบ เมื่อก่อนหน้านี้มีเพียงผู้ใช้เองเท่านั้นที่มีเอเจนซี่นั้น นั่นเพิ่มความเสี่ยงและความไม่แน่นอนให้กับลูกค้าของคุณ ระดับการตรวจสอบที่ผลิตภัณฑ์ของคุณได้รับจะเพิ่มขึ้นอย่างเข้าใจได้ และคุณจะต้องได้รับความไว้วางใจจากผู้ใช้

คุณสามารถลองทำได้หลายวิธี:

• นำเสนอ "การเปิดตัวในที่มืด" หรือประสบการณ์แบบเคียงข้างกัน ซึ่งลูกค้าสามารถเปรียบเทียบผลลัพธ์หรือดูผลลัพธ์โดยไม่ต้องเปิดเผยให้ผู้ใช้ปลายทางเห็น ลองคิดดูว่านี่เหมือนกับเวอร์ชันที่ผู้ใช้เห็นของการทดสอบย้อนกลับที่คุณทำไว้ก่อนหน้านี้ในกระบวนการ ประเด็นก็คือเพื่อให้ลูกค้าของคุณมั่นใจในช่วงและคุณภาพของผลลัพธ์ที่ฟีเจอร์หรือผลิตภัณฑ์ของคุณจะมอบให้ ตัวอย่างเช่น เมื่อเราเปิดตัวแชทบอท Fin AI ของ Intercom เราได้นำเสนอหน้าที่ลูกค้าสามารถอัปโหลดและทดสอบบอทด้วยข้อมูลของตนเองได้
• เปิดตัวฟีเจอร์นี้ภายใต้การดูแลของมนุษย์ก่อน หลังจากมีประสิทธิภาพดีไประยะหนึ่ง ลูกค้าของคุณก็จะไว้วางใจให้ดำเนินการโดยไม่ต้องมีการตรวจสอบจากมนุษย์
• ทำให้ง่ายต่อการปิดคุณสมบัติหากไม่ได้ผล ง่ายกว่าสำหรับผู้ใช้ที่จะนำฟีเจอร์ AI มาใช้ในกระบวนการทำงานของตน (โดยเฉพาะเวิร์กโฟลว์ทางธุรกิจ) หากไม่มีความเสี่ยงที่อาจทำให้บางสิ่งบางอย่างผิดพลาดและไม่สามารถหยุดมันได้
• สร้างกลไกข้อเสนอแนะ เพื่อให้ผู้ใช้สามารถรายงานผลลัพธ์ที่ไม่ดี และควรให้ระบบของคุณดำเนินการกับรายงานเหล่านั้นเพื่อปรับปรุงระบบ อย่างไรก็ตาม อย่าลืมตั้งความคาดหวังตามความเป็นจริงว่าข้อเสนอแนะจะดำเนินการเมื่อใดและอย่างไร เพื่อที่ลูกค้าจะได้ไม่คาดหวังการปรับปรุงในทันที
• สร้างกลไกการรายงานที่มีประสิทธิภาพ เพื่อช่วยให้ลูกค้าของคุณเข้าใจว่า AI ทำงานอย่างไร และ ROI ใดที่พวกเขาได้รับจากมัน

คุณอาจต้องการลองมากกว่าหนึ่งรายการเพื่อกระตุ้นให้ผู้ใช้ได้รับประสบการณ์และรู้สึกสบายใจกับผลิตภัณฑ์ของคุณ ทั้งนี้ขึ้นอยู่กับผลิตภัณฑ์ของคุณ

ความอดทนเป็นคุณธรรมเมื่อพูดถึง AI

ฉันหวังว่าคำถามทั้งห้าข้อนี้จะช่วยแนะนำคุณเมื่อคุณเดินทางเข้าสู่โลกแห่งการพัฒนาผลิตภัณฑ์ AI ใหม่ที่เปลี่ยนแปลงอย่างรวดเร็ว คำแนะนำสุดท้ายประการหนึ่ง: จงอดทนเมื่อคุณเปิดตัวผลิตภัณฑ์ของคุณ อาจต้องใช้ความพยายามอย่างมากในการติดตั้งและใช้งานฟีเจอร์ ML และปรับแต่งให้เข้ากับวิธีที่บริษัทต้องการทำงาน ดังนั้นเส้นการนำไปใช้จึงอาจดูแตกต่างไปจากที่คุณคาดหวัง

“หลังจากที่คุณสร้างฟีเจอร์ AI บางอย่างแล้ว คุณจะเริ่มเข้าใจได้ดีขึ้นว่าลูกค้าของคุณจะตอบสนองต่อการเปิดตัวใหม่อย่างไร”

อาจต้องใช้เวลาสักครู่ก่อนที่ลูกค้าของคุณจะเห็นมูลค่าสูงสุด หรือก่อนที่พวกเขาจะสามารถโน้มน้าวผู้มีส่วนได้ส่วนเสียว่า AI คุ้มค่ากับต้นทุน และควรเปิดตัวสู่ผู้ใช้ในวงกว้างมากขึ้น

แม้แต่ลูกค้าที่รู้สึกตื่นเต้นมากเกี่ยวกับฟีเจอร์ของคุณก็อาจต้องใช้เวลาในการติดตั้ง ไม่ว่าจะเป็นเพราะพวกเขาจำเป็นต้องเตรียมการ เช่น การล้างข้อมูล หรือเพราะพวกเขากำลังทำงานเพื่อสร้างความไว้วางใจก่อนที่จะเปิดตัว อาจเป็นเรื่องยากที่จะคาดเดาว่าคุณควรคาดหวังการใช้งานแบบใด แต่หลังจากที่คุณสร้างฟีเจอร์ AI บางอย่างแล้ว คุณจะเริ่มเข้าใจได้ดีขึ้นว่าลูกค้าเฉพาะของคุณจะตอบสนองต่อการเปิดตัวใหม่อย่างไร