Yeni bir kullanıcı deneyimi çağı: Yapay zeka ürünlerine yönelik tasarım yaklaşımınızı geliştirme

ChatGPT bir yıl önce sahneye çıkmadan önce, yapay zeka (AI) ve makine öğrenimi (ML), pek çok niş deneyime ve özel alan bilgisine sahip ekipler olan uzmanların ve veri bilimcilerinin gizemli araçlarıydı. Artık işler farklı.

Muhtemelen bunu okuyorsunuz çünkü şirketiniz, ürününüze üretken yapay zeka özellikleri eklemek için OpenAI'nin GPT'sini veya başka bir LLM'yi (geniş dil modeli) kullanmaya karar verdi. Durum buysa, heyecanlı hissediyor olabilirsiniz ("Yeni, harika bir özellik yaratmak çok kolay!") veya bunalmış olabilirsiniz ("Neden her seferinde farklı çıktılar alıyorum ve ona istediğimi yapmasını nasıl sağlayabilirim?")Veya belki ikisini de hissediyorsundur!

Yapay zeka ile çalışmak yeni bir zorluk olabilir ancak korkutucu olmasına gerek yok. Bu gönderi, "geleneksel" makine öğrenimi yaklaşımlarını tasarlamak için harcadığım yıllardan edindiğim deneyimi, yapay zeka için tasarlamaya başladığınızda güvenle ilerlemenize yardımcı olacak basit bir dizi soruya dönüştürüyor.

Farklı türde bir UX tasarımı

Öncelikle AI UX tasarımının alışkın olduğunuz tasarımlardan ne kadar farklı olduğuna dair biraz bilgi verelim. (Not: Bu yazıda AI ve ML'yi birbirinin yerine kullanacağım.) Jesse James Garrett'ın 5 katmanlı UX tasarımı modeline aşina olabilirsiniz.

Jesse James Garrett'ın Kullanıcı Deneyimi Unsurları diyagramı

Garrett'ın modeli deterministik sistemler için iyi çalışıyor ancak makine öğrenimi projelerinin aşağı yöndeki UX hususlarını etkileyecek ek unsurlarını yakalayamıyor. ML ile çalışmak, modele strateji katmanının içine ve çevresine bir dizi ek katman eklemek anlamına gelir. Artık tasarlamaya alışkın olduğunuz şeylere ek olarak aşağıdaki konularda da daha derin bir anlayışa ihtiyacınız var:

• Sistem nasıl oluşturuldu.
• Özelliğiniz için hangi veriler mevcut, neler içeriyor, ne kadar iyi ve güvenilir.
• Kullanacağınız ML modellerinin yanı sıra bunların güçlü ve zayıf yönleri.
• Özelliğinizin üreteceği çıktılar, bunların nasıl değişeceği ve ne zaman başarısız olacağı.
• İnsanların bu özelliğe beklediğinizden veya istediğinizden nasıl farklı tepki verebileceği.

Kendinize “Bunu nasıl yapabiliriz?” diye sormak yerine. Bilinen, kapsamlı bir soruna yanıt olarak kendinizi şu soruyu sorarken bulabilirsiniz: "Bunu yapabilir miyiz?"

Özellikle Yüksek Lisans kullanıyorsanız, muhtemelen tamamen yeni yeteneklerin kilidini açan bir teknolojiden geriye doğru çalışıyor olacaksınız ve bunların, bildiğiniz sorunları veya hatta asla çözülebilir olduğunu düşünmediğiniz sorunları çözmek için uygun olup olmadığına karar vermeniz gerekiyor. önce. Her zamankinden daha yüksek düzeyde düşünmeniz gerekebilir; bilgi birimlerini görüntülemek yerine, büyük miktarda bilgiyi sentezlemek ve bunun yerine eğilimleri, kalıpları ve tahminleri sunmak isteyebilirsiniz.

“Dinamik ve girdilere gerçek zamanlı tepki veren olasılıksal bir sistem tasarlıyorsunuz”

En önemlisi, yapmasını söylediğiniz şeyi yapan deterministik bir sistem tasarlamak yerine, dinamik olan ve girdilere gerçek zamanlı olarak tepki veren, bazen beklenmedik veya açıklanamayan sonuçlar ve davranışlarla, olasılıksal bir sistem tasarlıyorsunuz. ve dengelerin tartılmasının karanlık bir egzersiz olabileceği yer. Beş temel sorudan oluşan setim burada devreye giriyor; size cevaplar sağlamak için değil, belirsizlik karşısında bir sonraki adımı atmanıza yardımcı olmak için. Hadi dalalım.

1. Verilerin iyi olmasını nasıl sağlayacaksınız?

Veri bilimcileri "Çöp içeri, çöp dışarı" demeyi severler. Kötü verilerle başlarsanız genellikle iyi bir yapay zeka özelliğine sahip olmanızın hiçbir yolu yoktur.

Örneğin, çevrimiçi yardım merkezindeki makaleler gibi bir dizi bilgi kaynağına dayalı olarak yanıtlar üreten bir sohbet robotu oluşturuyorsanız, düşük kaliteli makaleler, düşük kaliteli bir sohbet robotu sağlayacaktır.

Intercom'daki ekip 2023'ün başlarında Fin'i piyasaya sürdüğünde, müşterilerimizin çoğunun, Fin'i kullanmaya başlayana kadar yardım içeriklerinin kalitesine ilişkin doğru bir anlayışa sahip olmadıklarını ve hangi bilgilerin mevcut, hangi bilgilerin mevcut veya net olduğunu keşfedene kadar fark ettik. onların içeriği. Yararlı bir yapay zeka özelliğine duyulan istek, ekipleri verilerinin kalitesini iyileştirmeye zorlayan mükemmel bir işlev olabilir.

Peki iyi veri nedir? İyi veriler:

• Doğru: Veriler gerçeği doğru bir şekilde temsil ediyor. Yani eğer boyum 1,7 metre ise sağlık kaydımda öyle yazıyor. 1.9m boyunda olduğum söylenmiyor.
• Tam: Veriler gerekli değerleri içerir. Tahmin yapmak için boy ölçümüne ihtiyacımız varsa, bu değer tüm hastaların sağlık kayıtlarında mevcuttur.
• Tutarlı: Veriler diğer verilerle çelişmez. Yükseklik için biri 1,7m, diğeri 1,9m diyen iki alanımız yok.
• Taze: Veriler güncel ve günceldir. Artık yetişkinseniz, sağlık kaydınız 10 yaşındaki bir çocuk olarak boyunuzu yansıtmamalıdır; eğer değiştiyse, kayıt bunu yansıtacak şekilde değişmelidir.
• Benzersiz: Veriler kopyalanmaz. Doktorumun benim için iki hasta kaydı olmamalı, yoksa hangisinin doğru olduğunu bilemezler.

Gerçekten yüksek kalitede tonlarca veriye sahip olmak nadirdir, bu nedenle yapay zeka ürününüzü geliştirirken kalite/nicelik arasında bir denge kurmanız gerekebilir. Daha küçük (ama umarım yine de temsili bir örnek) veriyi manuel olarak oluşturabilir veya güvenilir bir küme oluşturmak için eski, yanlış verileri filtreleyebilirsiniz.

Tasarım sürecinize, verilerinizin ne kadar iyi olduğuna dair doğru bir anlayışla başlamaya çalışın ve başlangıçta iyi değilse onu iyileştirmeye yönelik bir plan yapın.

2. Tasarım sürecinizi nasıl ayarlayacaksınız?

Her zamanki gibi, çözmeyi umduğunuz soruna ilişkin ideal kullanıcı deneyiminizi belirlemek amacıyla düşük kaliteli bir keşifle başlamak yararlı olacaktır. Muhtemelen bunu üretimde asla göremeyeceksiniz, ancak bu kuzey yıldızı sizin ve ekibinizin uyum sağlamasına, onları heyecanlandırmanıza yardımcı olabilir ve ayrıca bunun gerçekte ne kadar mümkün olduğunu araştırmak için somut bir başlangıç ​​noktası sağlayabilir.

"Sistemin nasıl çalıştığını, verilerin nasıl toplandığını ve kullanıldığını ve tasarımınızın model çıktılarında görebileceğiniz farklılıkları yakalayıp yakalamadığını anlamak için biraz zaman ayırın"

Bunu elde ettikten sonra sıra sistemi, verileri ve içerik çıktılarını tasarlamaya gelir. Kuzey yıldızınıza geri dönün ve şunu sorun: “Tasarladığım şey gerçekten mümkün mü? X veya Y'nin iyi çalışmaması durumunda bazı değişiklikler nelerdir?”

Sistemin nasıl çalıştığını, verilerin nasıl toplandığını ve kullanıldığını ve tasarımınızın model çıktılarında görebileceğiniz farklılıkları yakalayıp yakalamadığını anlamak için biraz zaman ayırın. Yapay zeka ile zayıf bir çıktı, kötü bir deneyimdir. Chatbot örneğinde bu, yeterince ayrıntı vermeyen, yüzeysel bir soruyu yanıtlayan veya gerektiği zaman soruyu netleştirmeyen bir yanıt gibi görünebilir.

Bir AI sohbet robotunun çıktısının nasıl görüntülenebileceğine dair iki örnek

Yukarıdaki çizimde, soldaki örnek, Fin sohbet robotumuzu geliştirirken gördüğümüz birçok erken çıktıya benzer; bunlar doğruydu ancak çok bilgilendirici veya yararlı değildi çünkü yanıtı satır içinde belirtmek yerine orijinal makaleye geri döndüler. Tasarım, net adımlar ve biçimlendirmeyle daha eksiksiz bir cevaba sahip olan sağdaki örneğe ulaşmanıza yardımcı olur.

Çıktının içeriğini mühendislerinize bırakmayın; bunun deneyimi tasarlanmalıdır. Yüksek Lisans tabanlı bir ürün üzerinde çalışıyorsanız bu, hızlı mühendislik denemeleri yapmanız ve çıktının şekli ve kapsamının ne olması gerektiğine dair kendi bakış açınızı geliştirmeniz gerektiği anlamına gelir.

Ayrıca yeni bir dizi potansiyel hata durumu, risk ve kısıtlamaya göre nasıl tasarım yapacağınızı da düşünmeniz gerekecektir:

Hata durumları

• Soğuk başlatma sorunu: Müşterilerin özelliğinizi ilk kez kullandıklarında çok az verisi olabilir veya hiç verisi olmayabilir. En başından itibaren nasıl değer elde edecekler?
• Tahmin yok: Sistemin bir cevabı yok. O zaman ne olacak?
• Kötü tahmin: Sistem zayıf bir çıktı verdi. Kullanıcı bunun yanlış olduğunu anlayacak mı? Bunu düzeltebilirler mi?

Riskler

• Yanlış pozitifler , hava tahmininin yağmur öngörmesine rağmen yağmur yağmaması gibi. Ürününüzde böyle bir durum meydana gelirse olumsuz bir sonuç olur mu?
• Yanlış negatifler , örneğin hava tahmininin yağmur yağmayacağını öngörmesi ancak sağanak yağış olması gibi. Bu sizin özelliğinizde gerçekleşirse sonuç ne olacak?
• Makine öğrenimi çıktılarının insanların yaşamlarını, geçim kaynaklarını ve fırsatlarını doğrudan etkilemesi veya etkilemesi gibi gerçek dünya riskleri . Bunlar ürününüz için geçerli mi?

Yeni kısıtlamalar

• Sistemin nasıl çalıştığına ilişkin yanlış zihinsel modeller, ürününüzle ilgili gerçekçi olmayan beklentiler veya korkular ya da zaman içinde rehavete kapılma olasılığı gibi kullanıcı kısıtlamaları .
• API veya depolama ve bilgi işlem maliyeti, gecikme süresi, çalışma süresi, veri kullanılabilirliği, veri gizliliği ve güvenlik gibi teknik kısıtlamalar . Bunlar öncelikle mühendislerinizi ilgilendiren bir sorundur ancak kullanıcı deneyimi üzerinde de doğrudan etkileri olabilir, bu nedenle sınırlamaları ve olasılıkları anlamalısınız.

3. ML başarısız olduğunda nasıl çalışacak?

Ne zaman,eğerdeğil. Yapay zeka ürününüzün üretimde başarısız olmasına şaşırıyorsanız önceden yeterince test yapmamışsınız demektir. Ekibiniz, özelliği müşterilere göndermenizi beklemeden, tüm oluşturma süreci boyunca ürününüzü ve çıktılarınızı test etmelidir. Titiz testler, ürününüzün nasıl ve ne zaman arızalanabileceği konusunda size sağlam bir fikir verecektir; böylece bu arızaları azaltmak için kullanıcı deneyimleri oluşturabilirsiniz. Ürününüzü etkili bir şekilde test etmenin yollarından bazıları şunlardır.

Tasarım prototiplerinizle başlayın

Mümkün olduğunca gerçek verilerle prototip yapın. "Lorem ipsum" burada düşmanınızdır; ürününüzü stres testine tabi tutmak için gerçek örnekler kullanın. Örneğin yapay zeka sohbet robotumuz Fin'i geliştirirken, gerçek yardım merkezi makalelerini kaynak materyal olarak kullanarak, gerçek müşteri sorularına verilen yanıtların kalitesini test etmek önemliydi.

İki tasarımcının yapay zeka tarafından oluşturulan yanıtlar sağlayan bir sohbet robotu tasarlamaya nasıl yaklaşabileceğine bir örnek

Bu karşılaştırmada soldaki renkli örneğin görsel olarak daha çekici olduğunu ancak cevap oluşturma deneyiminin kalitesi hakkında hiçbir ayrıntı vermediğini görüyoruz. Görsel doğruluğu yüksek ancak içerik doğruluğu düşüktür. Sağdaki örnek, yüksek içerik doğruluğuna sahip olduğundan AI yanıtlarının gerçekten iyi kalitede olduğunu test etmek ve doğrulamak için daha bilgilendiricidir.

Tasarımcılar genellikle görsel aslına uygunluk aralığında çalışmaya daha aşinadır. Makine öğrenimi için tasarım yapıyorsanız, çıktıların kullanıcılarınız için yeterli kalitede olduğunu tam olarak doğrulayana kadar içerik uygunluğu yelpazesinde çalışmayı hedeflemelisiniz.

Renkli Fin tasarımı, sohbet robotunun, müşterilerin para ödeyeceği kadar soruları yeterince iyi yanıtlayıp yanıtlayamayacağına karar vermenize yardımcı olmayacaktır. Müşterilere, ne kadar basit olursa olsun, onlara gerçek verilerinden gerçek çıktılar gösteren bir prototip göstererek daha iyi geri bildirim alacaksınız.

Büyük ölçekte test edin

Sürekli olarak iyi kalitede çıktılar elde ettiğinizi düşünüyorsanız, çıktı kalitenizi daha büyük ölçekte doğrulamak içingeriye dönük test yapın .Bu, mühendislerinizin geriye dönüp algoritmayı, çıktının kalitesini bildiğiniz veya güvenilir bir şekilde değerlendirebileceğiniz daha geçmiş verilerle çalıştırması anlamına gelir. Çıktıları kalite ve tutarlılık açısından ve sürprizleri ortaya çıkarmak için gözden geçirmelisiniz.

Minimum uygulanabilir ürününüze (MVP) bir test olarak yaklaşın

MVP'niz veya beta sürümünüz, kalan soruları çözmenize ve daha fazla olası sürprizi bulmanıza yardımcı olacaktır. MVP'niz için kalıpların dışında düşünün; onu ürün içinde oluşturabilirsiniz veya yalnızca bir elektronik tablo olabilir.

“Çıktıların işe yaramasını sağlayın, ardından ürün zarfını bunun etrafında oluşturun”

Örneğin, makale gruplarını konu alanlarına göre kümeleyen ve ardından konuları tanımlayan bir özellik oluşturuyorsanız, kullanıcı arayüzünün tamamını oluşturmadan önce kümelemeyi tam olarak aldığınızdan emin olmak isteyeceksiniz. Kümeleriniz kötüyse soruna farklı şekilde yaklaşmanız veya küme boyutlarını ayarlamak için farklı etkileşimlere izin vermeniz gerekebilir.

Yalnızca çıktıların ve adlandırılmış konuların bir elektronik tablosundan oluşan bir MVP "oluşturmak" ve müşterilerinizin bunu yapma şeklinizden değer bulup bulmadığını görmek isteyebilirsiniz. Çıktıların işe yaramasını sağlayın, ardından ürün zarfını bunun etrafında oluşturun.

MVP'nizi başlattığınızda bir A/B testi çalıştırın

Özelliğinizin olumlu veya olumsuz etkisini ölçmek isteyeceksiniz. Bir tasarımcı olarak muhtemelen bunu ayarlamaktan sorumlu olmayacaksınız, ancak sonuçları anlamaya çalışmalısınız. Metrikler ürününüzün değerli olduğunu gösteriyor mu? Kullanıcı arayüzünde veya kullanıcı deneyiminde, gördüklerinize göre değiştirmeniz gerekebilecek kafa karıştırıcı faktörler var mı?

"Kullanıcılarınızın özelliğinizle nasıl etkileşim kurduğunu ve bundan elde ettikleri değeri daha iyi anlamak için ürününüzün kullanımından elde edilen telemetriyi niteliksel kullanıcı geri bildirimleriyle birlikte kullanabilirsiniz"

Intercom AI ekibinde, birkaç hafta içinde istatistiksel önemi belirlemek için yeterince yüksek etkileşim hacmine sahip yeni bir özellik yayınladığımızda A/B testleri yaparız. Ancak bazı özellikler için ses düzeyine sahip olamayacaksınız; bu durumda, kullanıcılarınızın özelliğinizle nasıl etkileşimde bulunduğunu ve bunlardan elde ettikleri değeri daha iyi anlamak için ürününüzün kullanımından elde edilen telemetriyi niteliksel kullanıcı geri bildirimleriyle birlikte kullanabilirsiniz. BT.

4. İnsanlar sisteme nasıl uyum sağlayacak?

Bir yapay zeka ürünü geliştirirken ürün kullanım yaşam döngüsünün dikkate almanız gereken üç ana aşaması vardır:

1. Kullanmadan önceözelliğin ayarlanması .Bu, ürünün çalışacağı özerklik düzeyinin seçilmesini, tahminler için kullanılacak verilerin seçilmesini ve filtrelenmesini ve erişim kontrollerinin ayarlanmasını içerebilir. Bunun bir örneği, aracın kendi başına neler yapabileceğini ve ne kadar insan müdahalesine izin verildiğini veya gerekli olduğunu özetleyen SAE Uluslararası otonom araç otomasyon çerçevesidir.
2. Özellik çalışırken izleniyor.Sistemin çalışırken yolunda gitmesini sağlayacak bir insana ihtiyacı var mı? Kaliteyi sağlamak için bir onay adımına mı ihtiyacınız var? Bu, bir yapay zeka çıktısı son kullanıcıya gönderilmeden önce operasyonel kontroller, insan rehberliği veya canlı onaylar anlamına gelebilir. Bunun bir örneği, bir yazarın yayınlamadan önce onaylaması gereken taslak yardım makalesinde düzenlemeler öneren bir yapay zeka makale yazma asistanı olabilir.
3. Özelliğin lansmandan sonra değerlendirilmesi.Bu genellikle raporlama, geri bildirim sağlama veya eyleme geçme ve zaman içinde veri değişimlerini yönetme anlamına gelir. Bu aşamada kullanıcı, otomatik sistemin nasıl performans gösterdiğine bakar, onu geçmiş verilerle karşılaştırır veya kaliteye bakar ve onu nasıl geliştireceğine (model eğitimi, veri güncellemeleri veya diğer yöntemler yoluyla) karar verir. Bunun bir örneği, son kullanıcıların AI sohbet robotunuza hangi soruları sorduğunu, yanıtların neler olduğunu ve sohbet robotunun gelecekteki sorulara verdiği yanıtları iyileştirmek için yapabileceğiniz önerilen değişiklikleri ayrıntılarıyla anlatan bir rapor olabilir.

Ürün geliştirme yol haritanızı bilgilendirmek için bu üç aşamayı da kullanabilirsiniz. Aynı veya çok benzer arka uç ML teknolojisini temel alan birden fazla ürüne ve birden fazla kullanıcı arayüzüne sahip olabilirsiniz ve yalnızca insanın dahil olduğu yeri değiştirebilirsiniz. Yaşam döngüsünün farklı noktalarında insanın katılımı, ürün önerisini tamamen değiştirebilir.

Yapay zeka ürün tasarımına zaman açısından da yaklaşabilirsiniz: belirli bir noktada insana ihtiyaç duyabilecek bir şeyi şimdi inşa edin, ancak son kullanıcılarınız çıktılara ve kaliteye alıştıktan sonra bunları kaldırmayı veya farklı bir aşamaya taşımayı planlayın. AI özelliğinden yararlanın.

5. Kullanıcının sisteme güvenini nasıl oluşturacaksınız?

Bir ürüne yapay zeka kattığınızda, daha önce yalnızca kullanıcıların bu aracılığa sahip olduğu sistemde, sistemde hareket edecek aracılı bir model tanıtmış oluyorsunuz. Bu, müşterileriniz için risk ve belirsizlik yaratır. Ürününüzün aldığı inceleme düzeyi anlaşılır şekilde artacak ve kullanıcılarınızın güvenini kazanmanız gerekecek.

Bunu birkaç şekilde yapmayı deneyebilirsiniz:

• Müşterilerin çıktıları karşılaştırabilecekleri veya çıktıları son kullanıcılara göstermeden görebilecekleri bir "karanlık lansman" veya yan yana deneyim sunun . Bunu, sürecin başlarında yaptığınız geriye dönük testin kullanıcıya yönelik bir versiyonu gibi düşünün; buradaki amaç, müşterilerinize, özelliğinizin veya ürününüzün sunacağı çıktıların çeşitliliği ve kalitesi konusunda güven vermektir. Örneğin, Intercom'un Fin AI sohbet robotunu piyasaya sürdüğümüzde, müşterilerin botu kendi verileri üzerinden yükleyip test edebilecekleri bir sayfa sunduk.
• Özelliği önce insan gözetiminde başlatın. İyi bir performansla bir süre sonra, müşterileriniz muhtemelen insan gözetimi olmadan çalışacağına güveneceklerdir.
• Çalışmıyorsa özelliği kapatmayı kolaylaştırın. Bir şeyi bozma ve durduramama riski yoksa, kullanıcıların iş akışlarına (özellikle iş akışına) bir yapay zeka özelliğini benimsemeleri daha kolaydır.
• Kullanıcıların kötü sonuçları bildirebilmesi için bir geri bildirim mekanizması oluşturun ve ideal olarak sisteminizin, sistemde iyileştirmeler yapmak için bu raporlara göre hareket etmesini sağlayın. Ancak geri bildirimin ne zaman ve nasıl uygulanacağına ilişkin gerçekçi beklentiler belirlediğinizden emin olun, böylece müşteriler anında iyileştirmeler beklemez.
• Müşterilerinizin yapay zekanın nasıl performans gösterdiğini ve bundan ne kadar yatırım getirisi elde ettiklerini anlamalarına yardımcı olacak güçlü raporlama mekanizmaları oluşturun .

Ürününüze bağlı olarak, kullanıcıların deneyim kazanmasını ve ürününüz konusunda kendilerini rahat hissetmelerini teşvik etmek için bunlardan birden fazlasını denemek isteyebilirsiniz.

Yapay Zeka söz konusu olduğunda sabır bir erdemdir

Umarım bu beş soru, yapay zeka ürün geliştirmenin yeni, hızlı hareket eden dünyasına doğru yolculuğunuzda size yol gösterecektir. Son bir tavsiye: Ürününüzü piyasaya sürerken sabırlı olun. Bir makine öğrenimi özelliğinin çalışır duruma getirilmesi ve şirketin çalışma biçimine göre ayarlanması ciddi çaba gerektirebilir ve bu nedenle benimseme eğrisi beklediğinizden farklı görünebilir.

"Birkaç yapay zeka özelliği oluşturduktan sonra, müşterilerinizin yeni lansmanlara nasıl tepki vereceğini daha iyi anlamaya başlayacaksınız"

Müşterilerinizin en yüksek değeri görmesi veya paydaşlarını yapay zekanın maliyete değer olduğuna ve kullanıcılarına daha geniş bir şekilde sunulması gerektiğine ikna etmeleri biraz zaman alacaktır.

Özelliğiniz konusunda gerçekten heyecan duyan müşterilerin bile, verilerini temizlemek gibi hazırlık çalışmaları yapmaları gerektiğinden veya özelliği kullanıma sunmadan önce güveni geliştirmeye çalıştıklarından, özelliği uygulamaya geçirmeleri zaman alabilir. Hangi benimsemeyi bekleyeceğinizi tahmin etmek zor olabilir, ancak birkaç yapay zeka özelliği oluşturduktan sonra belirli müşterilerinizin yeni lansmanlara nasıl tepki vereceğine dair daha iyi bir fikir edinmeye başlayacaksınız.