Servicedesign für KI: Aufbau eines menschenzentrierten Ansatzes für KI-Innovation

Mit der Entwicklung der künstlichen Intelligenz wurde sie nach und nach in verschiedenen Bereichen eingesetzt, aber wenn es um Lösungen für künstliche Intelligenz geht, stehen Designer möglicherweise vor neuen Herausforderungen. In diesem Artikel wird dies untersucht und eine sechsstufige Methode vorgeschlagen, die die Vorteile beider Disziplinen vereint, nämlich „Design künstlicher Intelligenz“. Schauen wir uns das an.

Schreiben Sie vorne

Mit der Weiterentwicklung der KI-Technologie wird immer deutlicher, dass weder Technologie noch Design allein ausreichen, um effektive KI-Lösungen zu entwickeln, echte Benutzerprobleme zu lösen und einen positiven Einfluss auf die Gesellschaft zu haben. KI-Ingenieure, die ohne Designer arbeiten, können auf der Grundlage unbestätigter Annahmen zu schnell Lösungen finden, was dazu führt, dass Teams das „falsche Problem“ lösen. Umgekehrt kann ein Mangel an technischem Wissen dazu führen, dass Designer unrealistische oder vage Vorstellungen von den Fähigkeiten künstlicher Intelligenz haben, was zu Situationen führt, in denen sie ihre Fähigkeiten entweder über- oder unterschätzen.

Wenn es um KI-Lösungen geht, stehen Designer möglicherweise vor neuen Herausforderungen, beispielsweise wie KI-Systeme im Hinblick auf Transparenz, „Erklärbarkeit“ oder Vertrauenswürdigkeit gestaltet werden sollen. Oder wie man die Auswirkungen und Ergebnisse von KI-Lösungen auf Benutzer und Gesellschaft bewertet. Deshalb sind wir davon überzeugt, dass Ingenieure für künstliche Intelligenz (KI) und Servicedesigner zusammenarbeiten sollten, um Lösungen zu schaffen, die den Menschen in den Mittelpunkt stellen, ethisch vertretbar sind und eine positive Wirkung haben. In diesem Artikel schlagen wir einen sechsstufigen Ansatz vor, der die Stärken beider Disziplinen integriert, nämlich „KI-Design“.

1. Brauchen wir künstliche Intelligenz (KI)?

Wir betrachten KI-Design als einen menschenzentrierten, iterativen und kollaborativen Ansatz für KI-Innovationen. Es nutzt den Problemlösungsansatz eines Designers unter Berücksichtigung der dynamischen Komponenten der KI und wendet einen technischen Ansatz auf KI-Innovationen an. Der Ansatz basiert auf der Double Diamond1- und CRISP-DM2-Datenverwaltungsmethodik des UK Design Council und unserer Erfahrung mit KI-Innovationen bei der OLX Group, einem der weltweit am schnellsten wachsenden Marktplatz- und Klassifizierungsplattformnetzwerke mit über 300 Millionen Online-Besuchern.

Sowohl KI- als auch Designteams können von der Zusammenarbeit profitieren. Wir glauben, dass dies zu effizienteren Arbeitsweisen und kundenorientierteren Lösungen führen wird. Hier ist der Grund:

1. Innovationen im Bereich der künstlichen Intelligenz verfolgen einen menschenzentrierten Ansatz

AI-by-Design verfolgt einen menschenzentrierten Innovationsansatz mit künstlicher Intelligenz, um die Kundenbedürfnisse genau zu verstehen, bevor Lösungen entwickelt werden. Manchmal ist KI nicht die richtige Lösung. Manchmal können einfachere Lösungen wie Tabellenkalkulationen gute Dienste leisten und Ressourcen sparen. Deshalb

Bevor die Entwicklung beginnt, muss festgestellt werden, ob KI tatsächlich das richtige Werkzeug zur Lösung des Problems ist. Teams sollten alles entwickeln, was Probleme löst und Menschen stärkt, anstatt bestimmte Tools oder Technologien vorzuschreiben.

2. Interdisziplinarität nutzen

AI-by-Design fördert eine Arbeitsweise über Silos hinweg und nicht die kalte Weitergabe von Erkenntnissen von Design-Forschungsteams an KI-Ingenieure.

Wenn Designer und KI-Ingenieure zusammenarbeiten, können sie die blinden Flecken des anderen abdecken und den Raum für Kommunikationsfehler verringern. Der Prozess wird effizienter und effektiver, die Lösungen kundenorientierter und technisch umsetzbarer. Dadurch wird sichergestellt, dass sie sich den richtigen Herausforderungen stellen und dem Team Zeit sparen. Tatsächlich wurde in McKinseys „State of Artificial Intelligence 2021“ „der Einsatz von Design Thinking bei der Entwicklung von KI-Tools“ als wichtigstes Unterscheidungsmerkmal für leistungsstarke KI-Leistungen genannt.

3. AI-by-Design-Lösungen, die für unsere dynamische Welt entwickelt wurden

KI-Modelle werden oft in Sandbox-Umgebungen trainiert, kommen aber letztendlich in unserer chaotischen, komplexen Welt zum Einsatz. Daher glauben wir, dass KI-Modelle eine kontinuierliche Umschulung erfordern.

In der realen Welt werden Lösungen davon beeinflusst, wie Benutzer mit dem Endprodukt interagieren, während KI über viele dynamische Komponenten verfügt. Es ist von entscheidender Bedeutung, eine Möglichkeit zu entwickeln, Benutzerfeedback und tatsächliche Verhaltensdaten zu sammeln. Diese Eingabedaten werden benötigt, um Modelle zu verbessern und sicherzustellen, dass KI-Lösungen wie beabsichtigt und auf ethische Weise funktionieren.

Es gibt tatsächlich eine Lücke, und obwohl das ideal klingt, können wir nicht einfach ein paar KI-Ingenieure und -Designer in ein Team aufnehmen und von ihnen erwarten, dass sie gemeinsam mühelos Innovationen entwickeln. Wir beobachten oft, dass die beiden Disziplinen keine gemeinsame Sprache haben, falsche Annahmen übereinander haben und auf unterschiedliche Weise arbeiten.

KI-Ingenieure arbeiten beispielsweise in Visual Studio Code, während Designer häufig Tools wie Miro verwenden. Modelle für maschinelles Lernen müssen so sorgfältig und genau wie möglich funktionieren, während der Entwurf von Prototypen sehr konzeptionell und spekulativ sein kann. Metriken für maschinelles Lernen basieren auf Zahlen und Vorhersagen, während Designmetriken sich auf menschliche Bedürfnisse und Kundenerlebnisse konzentrieren. Die gleichen Unterschiede bestehen beim Methodenvergleich, wie in Abbildung 2 dargestellt. In der Abbildung überschneidet sich die doppelte Raute des Designkomitees mit der CRISP-DM-Datenverwaltungsmethode. Es treten drei Lücken auf:

Lücke 1: Fehlendes „Warum“

Wenn KI-Ingenieure von der Anfangsphase eines Projekts ausgeschlossen werden, besteht das Risiko, dass die von ihnen entwickelte Lösung vom ursprünglichen Kundenproblem abweicht. Das Verständnis der Kundenbedürfnisse ist von entscheidender Bedeutung.

Lücke 2: Mangelndes technisches Verständnis

Designer hingegen haben oft unrealistische Erwartungen an die Möglichkeiten künstlicher Intelligenz und sind nicht immer auf dem neuesten Stand der technologischen Entwicklungen. Da Konstrukteure technische Komponenten nicht einfach verstehen können, benötigen sie oft Hilfe dabei, die Machbarkeit der vorgeschlagenen Lösungen zu erfassen, um nicht auf schwer umsetzbare Lösungen zu setzen.

Lücke 3: Fehlende Feedbackschleife

Am Ende des Prozesses, wenn eine Lösung erstellt wird, muss es eine Möglichkeit geben, zu überprüfen, ob die Lösung wie erwartet funktioniert, ob die richtigen Daten gesammelt wurden und ob das Modell ethisch vertretbar ist. Dies kann durch Rückkopplungsschleifen gelöst werden. Feedbackschleifen können viel Sichtbarkeit und Transparenz in die Lösung bringen. Dies ist wichtig, da sich die reale Welt in den meisten Fällen stark von der Trainingsumgebung unterscheidet, in der KI entwickelt wird. Darüber hinaus werden durch die fortlaufende Interaktion zwischen Nutzern und entwickelten KI-Lösungen neue Daten verfügbar sein. Wenn die richtigen Daten gesammelt werden, kann das Modell kontinuierlich verbessert werden, indem Verzerrungen und Ausreißer beseitigt werden.

2. Sechs Schritte von AI-by Design

Um die Lücken zu schließen und Wege zum Arbeiten zu finden, haben wir eine sechsstufige Methode entwickelt.

1.Erkennung: Der erste Schritt besteht darin, die Ziele des Projekts, die Kundenbedürfnisse sowie ihre Probleme und Geschäftsmöglichkeiten zu verstehen. Dabei handelt es sich in der Regel um Kundenrecherchen.

2. Definition: Im zweiten Schritt definiert das Team den Umfang der Herausforderung: Es wählt das zu lösende Problem oder die zu verfolgende Chance. Dieser Schritt beinhaltet die Erforschung der Hintergründe und Möglichkeiten der Künstlichen Intelligenz.

3.KI-Designentscheidungen: Ermutigen Sie das Team in dieser Phase, sich zu fragen, ob dies ein Problem ist, das gelöst werden kann und sollte. Dies kann mithilfe von KI gelöst werden. Wenn ja, bewerten sie, welche Daten benötigt werden und prüfen, ob die Lösung unethische Konsequenzen haben könnte. Dies ist auch ein gutes Ergebnis, wenn KI nicht die richtige Lösung ist. Künstliche Intelligenz ist teuer und zeitaufwändig. Wenn andere Alternativen das Problem lösen können, sollten diese ausgewählt werden.

4. Entwickeln: Im vierten Schritt geht es darum, zu verstehen, wie das Problem am besten gelöst werden kann. Jetzt ist es an der Zeit, verschiedene Lösungen zu erkunden und sich mit den erforderlichen Daten und Modellen zu befassen. KI-Ingenieure können eine explorative Datenanalyse (EDA) durchführen, was bedeutet, dass sie sich mit den Daten befassen, um sie besser zu verstehen und zu sehen, ob es Ausreißer und fehlende Werte gibt und ob ein Basismodell erstellt werden kann.

5. Testen: Bevor sich Teams auf die Entwicklung und Bereitstellung einer Lösung festlegen, sollten sie die riskanten Annahmen identifizieren und versuchen, diese zu validieren, beispielsweise mithilfe von Prototypentests. Dies ist der schnellste Weg, um zu prüfen, ob die Lösung erstellt werden soll oder ob ein „Pivot“ erforderlich ist.

6.Lieferung und Bewertung: Abschließend sollte das Team die Lösung iterieren, verfeinern, pitchen und schließlich dem Endkunden und den wichtigsten Stakeholdern liefern. Damit ist der Prozess jedoch noch nicht beendet. Stattdessen müssen Teams kontinuierlich an Lösungen arbeiten. Mit der Zeit werden mehr Daten verfügbar sein, die neue Erkenntnisse über Lösungen liefern können. Es muss ein Überwachungssystem (Feedback-Schleife) entwickelt werden, um sicherzustellen, dass reale Verzerrungen und Datenabweichungen so schnell wie möglich überprüft und korrigiert werden.

Die vorherigen sechs Schritte sollen als Leitfaden für diejenigen dienen, die die Art und Weise verbessern möchten, wie ihre Teams KI-Innovationen umsetzen.

Fazit

Unternehmen benötigen Technologie und Design, um KI zu entwickeln, die (A) effektiv ist, (B) echte Benutzerprobleme löst und (C) einen positiven Einfluss auf das Geschäft hat. Es liegt noch ein langer Weg vor uns, aber wir glauben, dass der von uns vorgeschlagene Ansatz es Unternehmen ermöglichen kann, auf effiziente und ethische Weise Innovationen zu entwickeln.

Originalautorin: Serena Westra, Ioannis Zempekakis (Dieser Artikel wurde von den relevanten Parteien und dem Originalautor autorisiert)

Originaltitel: AI-by-Design: Human-Centred AI Innovation: Ein sechsstufiger Ansatz zum Aufbau von KI-Lösungen

Übersetzer: Chen Yuzhi Yeutz Chen, öffentlicher WeChat-Account: YeutzDesign (ID: Yeutzsheji), konzentriert sich auf den Bereich Service-Design und engagiert sich für die Erforschung von Innovation und Transformation des Service-Designs.

Dieser Artikel wurde von @陈昱志Yeutz Chen auf „Jeder ist ein Produktmanager“ übersetzt und veröffentlicht. Nachdruck ohne Genehmigung ist untersagt.

Das Titelbild stammt von Unsplash und basiert auf der CC0-Lizenz.

Das obige ist der detaillierte Inhalt vonServicedesign für KI: Aufbau eines menschenzentrierten Ansatzes für KI-Innovation. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!