Umjetna inteligencija ne postaje korisna zato što tim doda okvir za chat u postojeći proizvod. Postaje korisna kada proizvod stvori pouzdanu petlju između stvarne potrebe korisnika, jasno definirane odluke i povratnih informacija koje pomažu sustavu da se poboljša.

Ta je razlika važna tehničkim voditeljima. Najvrjedniji rad na umjetnoj inteligenciji često nije dramatičan proboj modela. To je pažljiv rad na proizvodu: odlučivanje o tome što korisnik pokušava postići, prikazivanje pravog konteksta u pravom trenutku, mjerenje ishoda i omogućavanje ljudima da sigurno isprave sustav.

Dobro izgradite te temelje i vaš digitalni proizvod čini više od pukog sadržavanja umjetne inteligencije. Daje umjetnoj inteligenciji zadatak, memoriju o tome kako izgleda dobro rješenje i put da postane pouzdanija.

Započnite od odluke, a ne od modela

„Kako možemo koristiti umjetnu inteligenciju?” obično je preširoko pitanje da bi rezultiralo dobrim planom. Snažnije je pitanje: „Koja se ponavljajuća odluka trenutačno donosi sporo, nedosljedno ili teško za naše korisnike?”

Razmotrite proizvod za podršku. Značajka umjetne inteligencije koja sastavlja svaki odgovor može stvoriti više posla za provjeru nego što ga uklanja. Značajku koja utvrđuje vjerojatan problem, dohvaća relevantno pravilo i predlaže kratak odgovor s poveznicama na dokaze lakše je procijeniti. Korisnik je može prihvatiti, urediti ili odbaciti. Svaka je radnja značajna povratna informacija o proizvodu.

Dobre prilike za primjenu umjetne inteligencije obično imaju nekoliko svojstava:

• Jasan korisnički cilj i vidljiv dovršen ishod.
• Kontekst kojem proizvod može legitimno pristupiti i prikazati ga.
• Korisnu zamjensku opciju kada je sustav nesiguran ili nedostupan.
• Put za ljudsku ispravku odluka s materijalnim posljedicama.

Takvo uokvirivanje štiti timove od izgradnje impresivnih demonstracija koje nemaju trajnu ulogu u tijeku rada. Model može generirati uvjerljiv izlaz gotovo bilo gdje. Vrijednost proizvoda pojavljuje se kada taj izlaz nekome pomaže da napreduje uz manje napora ili bolju prosudbu.

Ugradite petlju povratnih informacija u iskustvo

Sustav umjetne inteligencije ne može učiti iz povratnih informacija koje vaš proizvod nikada ne zabilježi. Kontrole „palac gore” i „palac dolje” mogu biti korisne, ali same po sebi daju slabe signale. Korisnije povratne informacije često proizlaze iz uobičajenog tijeka rada.

Na primjer, alat za pisanje uz pomoć umjetne inteligencije može bilježiti je li predloženi nacrt korišten, koliko je opsežno uređen, je li ponovno generiran i je li konačni dokument dosegnuo predviđeno stanje. Alat za klasifikaciju dokumenata može zabilježiti oznaku koju je korisnik odabrao nakon pregleda preporuke. Te radnje govore više od općenitog upita o zadovoljstvu jer su povezane sa zadatkom.

Zabilježite dovoljno konteksta za tumačenje signala

Na povratne informacije bez konteksta teško je djelovati. Ako je prijedlog odbijen, tim treba znati je li problem bio nedostatak informacija, netočna uputa, neprikladan tijek rada, problem s dozvolama ili jednostavno korisnička preferencija.

Pohranite minimalnu količinu informacija potrebnu za istraživanje kvalitete, uz poštovanje očekivanja i dozvola ljudi koji koriste proizvod. To obično znači jasno navesti što se zadržava, gdje je moguće odvajati operativnu telemetriju od osjetljivog sadržaja korisnika te timovima dati jasna pravila zadržavanja i pristupa.

Cilj nije prikupiti sve. Cilj je sačuvati ulaze, verziju sustava, izlaz, korisničku radnju i ishod potrebne za odgovor na praktično pitanje: što bismo trebali promijeniti?

Promatrajte evaluaciju kao sposobnost proizvoda

Tradicionalni softver ima testove jer male promjene koda mogu stvoriti neočekivane regresije. Značajke koje koriste umjetnu inteligenciju trebaju usporedivu disciplinu. Izmjena upita, promjena dohvaćanja, ažuriranje modela ili promijenjena dozvola alata mogu poboljšati jedan slučaj, a pritom oštetiti drugi.

Izradite mali skup za evaluaciju od reprezentativnih, odobrenih primjera stvarnih zadataka. Uključite jednostavne slučajeve, dvosmislene slučajeve, nepotpune ulaze i primjere u kojima je ispravno ponašanje zatražiti pojašnjenje ili odbiti radnju. Pregledajte ga svaki put kada se sustav promijeni.

Kriteriji evaluacije trebaju odgovarati zadatku značajke. Sažimač se može procjenjivati prema činjeničnoj utemeljenosti, obuhvatu, jasnoći i tome zadržava li neizvjesnost. Pomoćnik za usmjeravanje može se procjenjivati prema ispravnom odredištu, kalibraciji pouzdanosti i sposobnosti izbjegavanja štetnog pogrešnog usmjeravanja. „Zvuči dobro” nije dovoljna ljestvica kvalitete.

Primljen ulaz
  -> dohvatiti dopušteni kontekst
  -> generirati predloženi rezultat
  -> provjeriti format i ograničenja
  -> prikazati rezultat s kontrolama za pregled
  -> zabilježiti ishod i ispravku
  -> evaluirati promjene prije objave

Ta petlja također poboljšava razgovore unutar tima. Umjesto rasprave o tome djeluje li umjetna inteligencija pametnije, ljudi mogu ispitati primjere, kategorije neuspjeha i utjecaj svakog kompromisa na korisnike.

Učinite neizvjesnost korisnom

Jedan od najštetnijih izbora u proizvodu jest skrivanje neizvjesnosti iza samouvjerenog jezika. Pouzdano iskustvo s umjetnom inteligencijom razlikuje odgovor potkrijepljen dostupnim kontekstom od procjene u najboljoj namjeri.

To ne zahtijeva ispunjavanje svakog zaslona upozorenjima. Znači prilagoditi sučelje cijeni pogreške. Za niskorizičnu razmjenu ideja mogu biti dovoljni lagani prijedlozi. Za radnju koja mijenja pristup računu, šalje poruku korisniku ili utječe na novac, proizvod bi trebao jasno prikazati predloženu radnju i zahtijevati odgovarajući pregled.

Korisne zaštitne mjere često su uobičajen dizajn proizvoda:

• Prikažite relevantan izvorni materijal ili reference kada to iskustvo podržava.
• Postavite usmjereno dodatno pitanje kada nedostaju ključne informacije.
• Postavite razumne granice za ono što automatizirana radnja smije učiniti.
• Omogućite vidljiv način za poništavanje, eskalaciju ili ručni nastavak rada.
• Zabilježite neuspjehe u obliku koji timovi za proizvod i inženjering mogu istražiti.

Ti izbori ne čine sustav umjetne inteligencije manje sposobnim. Čine njegove sposobnosti upotrebljivima u stvarnom radu.

Dodijelite odgovornost međufunkcionalnom timu

Značajke umjetne inteligencije ne uspijevaju kada se prema njima postupa kao prema prijenosu iz inovacijske skupine u produktni tim. Ljudi odgovorni za ishode korisnika trebaju dijeliti odgovornost za cijeli sustav: sučelje, granice podataka, upute, ponašanje modela, evaluaciju, operacije i podršku.

Za udaljene timove to zahtijeva posebno jasne pisane odluke. Dokumentirajte korisnički problem, dopuštene ulaze, poznate načine neuspjeha, kriterije kvalitete, uvjete objave i vlasnika svakog dijela iskustva. Kratak zapis odluke vrjedniji je od dugog sastanka kada kolege rade u različitim vremenskim zonama.

To također stvara zdravije karijere programera. Inženjeri nisu svedeni na povezivanje API-ja sa zaslonom. Sudjeluju u definiranju ponašanja, praćenju ishoda u produkciji i poboljšavanju proizvoda tijekom vremena. Tu raste tehnička prosudba.

Objavljujte usko, zatim zaslužite sljedeći korak

Održiv plan za umjetnu inteligenciju obično je niz ograničenih obećanja. Počnite s jednom publikom, jednim tijekom rada i jednim mjerljivim ishodom. Objavite ga ograničenoj skupini, proučite ispravke i obrasce neuspjeha, a zatim poboljšajte iskustvo prije proširenja opsega.

To nije oklijevanje. Tako timovi grade povjerenje bez pretvaranja da se probabilistički sustav ponaša poput stroja s fiksnim pravilima. Usko izdanje daje podršci, dizajnu, proizvodu i inženjeringu zajednički pogled na ono što korisnici doista trebaju.

Digitalni proizvodi koji umjetnu inteligenciju čine pametnijom nisu oni koji na svakom koraku obećavaju autonomnu budućnost. To su oni koji poštuju rad koji se već odvija, olakšavaju pružanje kvalitetnih povratnih informacija i svaku ispravku pretvaraju u priliku za poboljšanje. Pažljivo izgradite tu petlju i inteligencija prestaje biti oznaka značajke. Postaje korisno svojstvo proizvoda za čiju je isporuku vaš tim odgovoran.