Reka bentuk perkhidmatan untuk AI: Membina pendekatan berpusatkan manusia kepada inovasi AI

Dengan perkembangan kecerdasan buatan, ia telah diterapkan secara beransur-ansur dalam pelbagai bidang, tetapi apabila ia datang kepada penyelesaian kecerdasan buatan, pereka mungkin menghadapi cabaran baharu. Artikel ini meneroka perkara ini dan mencadangkan kaedah enam langkah yang menyepadukan kelebihan kedua-dua disiplin, iaitu "reka bentuk kecerdasan buatan", mari kita lihat.

Tulis di hadapan

Apabila teknologi AI berkembang, semakin jelas bahawa teknologi mahupun reka bentuk sahaja tidak mencukupi untuk membina penyelesaian AI yang berkesan, menyelesaikan masalah pengguna sebenar dan memberi kesan positif kepada masyarakat. Jurutera AI yang bekerja tanpa pereka mungkin melompat kepada penyelesaian terlalu cepat berdasarkan andaian yang tidak disahkan, menyebabkan pasukan menyelesaikan "masalah yang salah." Sebaliknya, kekurangan pengetahuan teknikal boleh menyebabkan pereka bentuk mempunyai idea yang tidak realistik atau samar-samar tentang keupayaan kecerdasan buatan, yang membawa kepada situasi di mana mereka terlalu menilai atau memandang rendah keupayaannya.

Mengenai penyelesaian AI, pereka mungkin menghadapi cabaran baharu, seperti cara mereka bentuk sistem AI untuk ketelusan, "kebolehjelasan" atau kebolehpercayaan. Atau cara menilai kesan dan hasil penyelesaian AI terhadap pengguna dan masyarakat. Oleh itu, kami percaya jurutera dan pereka perkhidmatan kecerdasan buatan (AI) harus bekerjasama untuk mencipta penyelesaian yang berpaksikan manusia, beretika dan mempunyai kesan positif. Dalam artikel ini, kami mencadangkan pendekatan enam langkah yang menyepadukan kekuatan kedua-dua disiplin, iaitu "Reka Bentuk AI."

1. Adakah kita memerlukan kecerdasan buatan (AI)?

Kami melihat reka bentuk AI sebagai pendekatan berpusatkan manusia, berulang dan kolaboratif kepada inovasi AI. Ia menggunakan pendekatan penyelesaian masalah pereka sambil mempertimbangkan komponen dinamik AI, menggunakan pendekatan kejuruteraan kepada inovasi AI. Pendekatan ini berdasarkan metodologi pengurusan data Double Diamond1, CRISP-DM2 UK Design Council dan pengalaman kami dalam inovasi AI di OLX Group, salah satu rangkaian platform pasaran dan klasifikasi yang paling pesat berkembang di dunia, dengan lebih 300 juta pelawat dalam talian.

Kedua-dua pasukan AI dan reka bentuk boleh mendapat manfaat daripada kerjasama. Kami percaya ini akan membawa kepada cara kerja yang lebih cekap dan lebih banyak penyelesaian tertumpu kepada pelanggan. Inilah sebabnya:

1. Inovasi kecerdasan buatan mengamalkan pendekatan berpusatkan manusia

AI-by-Design mengguna pakai pendekatan inovasi kecerdasan buatan berpusatkan manusia untuk memahami dengan mendalam keperluan pelanggan sebelum membangunkan penyelesaian. Kadangkala AI bukanlah penyelesaian yang betul. Kadangkala, penyelesaian yang lebih mudah seperti hamparan boleh melakukan kerja dengan baik dan menjimatkan sumber. Oleh itu, Sebelum pembangunan bermula, ia perlu ditentukan sama ada AI sememangnya alat yang sesuai untuk menyelesaikan masalah tersebut. Pasukan harus membina apa sahaja yang menyelesaikan masalah dan memperkasakan manusia, dan bukannya menetapkan alat atau teknologi tertentu.

2. Memanfaatkan antara disiplin

AI-by-Design menggalakkan cara bekerja merentas silo, dan bukannya penyerahan cerapan dingin daripada pasukan penyelidik reka bentuk kepada jurutera AI. Apabila pereka bentuk dan jurutera AI bekerjasama, mereka boleh menutup titik buta antara satu sama lain dan mengurangkan ruang untuk ralat komunikasi. Proses ini akan menjadi lebih cekap dan berkesan, dan penyelesaiannya akan lebih mengutamakan pelanggan dan boleh dilaksanakan secara teknikal. Ini akan memastikan mereka menangani cabaran yang betul, menjimatkan masa pasukan. Malah, dalam Negeri Kecerdasan Buatan McKinsey 2021, "penggunaan pemikiran reka bentuk semasa membangunkan alat AI" disebut sebagai faktor pembezaan yang paling penting untuk berprestasi AI tinggi.

3. Penyelesaian AI-oleh-Reka bentuk yang direka untuk dunia dinamik kita

Model AI sering dilatih dalam persekitaran kotak pasir, tetapi akhirnya digunakan dalam dunia kita yang kucar-kacir dan kompleks. Oleh itu, kami percaya bahawa model AI memerlukan latihan semula yang berterusan.

Di dunia nyata, penyelesaian dipengaruhi oleh cara pengguna berinteraksi dengan produk akhir, manakala AI mempunyai banyak komponen dinamik. Mereka bentuk cara untuk mengumpul maklum balas pengguna dan data tingkah laku sebenar adalah penting. Data input ini diperlukan untuk menambah baik model dan memastikan penyelesaian AI berfungsi seperti yang dimaksudkan dan mengikut cara yang beretika.

Sebenarnya terdapat jurang, dan walaupun ini kelihatan ideal, kita tidak boleh hanya meletakkan beberapa jurutera dan pereka AI dalam satu pasukan dan mengharapkan mereka untuk berinovasi bersama dengan mudah. Kita sering memerhatikan bahawa kedua-dua disiplin tidak mempunyai bahasa yang sama, memegang andaian yang salah tentang satu sama lain, dan berfungsi dengan cara yang berbeza.

Sebagai contoh, jurutera AI bekerja dalam Visual Studio Code, manakala pereka sering menggunakan alatan seperti Miro. Model pembelajaran mesin perlu berfungsi dengan berhati-hati dan setepat mungkin, manakala mereka bentuk prototaip boleh menjadi sangat konseptual dan spekulatif. Metrik pembelajaran mesin berkembang mengikut nombor dan ramalan, manakala metrik reka bentuk berkembang mengikut keperluan manusia dan pengalaman pelanggan. Perbezaan yang sama wujud apabila membandingkan kaedah, seperti yang ditunjukkan dalam Rajah 2. Dalam rajah tersebut, berlian berganda jawatankuasa reka bentuk bertindih dengan kaedah pengurusan data CRISP-DM. Tiga jurang muncul:

Jurang 1: Kekurangan "mengapa"

Jika jurutera AI dikecualikan daripada peringkat awal projek, terdapat risiko bahawa penyelesaian yang mereka bina menyimpang daripada masalah pelanggan asal adalah penting.

Jurang 2: Kurang pemahaman teknikal

Pereka bentuk, sebaliknya, sering mempunyai jangkaan yang tidak realistik tentang kemungkinan kecerdasan buatan dan tidak sentiasa terkini dengan perkembangan teknologi terkini. Oleh kerana pereka bentuk tidak dapat memahami komponen kejuruteraan dengan mudah, mereka sering memerlukan bantuan memahami kebolehlaksanaan penyelesaian yang dicadangkan untuk mengelak daripada cenderung kepada penyelesaian yang sukar dilaksanakan.

Jurang 3: Kekurangan gelung maklum balas

Pada penghujung proses, semasa membina penyelesaian, perlu ada cara untuk menyemak sama ada penyelesaian itu berfungsi seperti yang diharapkan, bahawa data yang betul telah dikumpulkan dan model itu beretika. Ini boleh diselesaikan melalui gelung maklum balas. Gelung maklum balas boleh memberikan banyak keterlihatan dan ketelusan ke dalam penyelesaian. Ini penting kerana dalam kebanyakan kes, dunia sebenar sangat berbeza daripada persekitaran latihan di mana AI dibangunkan. Selain itu, data baharu akan tersedia kerana interaksi berterusan antara pengguna dan penyelesaian AI yang dibangunkan. Apabila data yang betul dikumpul, model boleh dipertingkatkan secara berterusan dengan menghapuskan bias dan outlier.

2. Enam langkah AI-by Design

Untuk mengisi kekosongan dan mencari cara untuk bekerja, kami mencipta kaedah enam langkah.

1.Penemuan: Langkah pertama ialah memahami matlamat projek, keperluan pelanggan dan masalah dan peluang perniagaan mereka. Ia biasanya melibatkan penyelidikan pelanggan.

2. Definisi: Dalam langkah kedua, pasukan mentakrifkan skop cabaran: mereka memilih masalah untuk diselesaikan atau peluang untuk meneruskan. Langkah ini termasuk menyelidik latar belakang dan kemungkinan kecerdasan buatan.

3.Keputusan Reka Bentuk AI: Pada peringkat ini, galakkan pasukan untuk bertanya kepada diri sendiri sama ada ini adalah masalah yang boleh dan harus diselesaikan. Ini boleh diselesaikan menggunakan AI. Jika ya, mereka menilai data yang diperlukan dan memeriksa sama ada penyelesaian itu mungkin mempunyai akibat yang tidak beretika. Ini juga merupakan hasil yang baik jika AI bukan penyelesaian yang betul. Kecerdasan buatan adalah mahal dan memakan masa. Jika alternatif lain boleh menyelesaikan masalah, mereka harus dipilih.

4. Membangunkan: Langkah keempat ialah tentang memahami cara terbaik untuk menyelesaikan masalah. Sekarang adalah masa untuk meneroka penyelesaian yang berbeza dan melihat ke dalam data dan pemodelan yang diperlukan. Jurutera AI boleh melakukan analisis data penerokaan (EDA), yang bermaksud menggali data untuk memahaminya dengan lebih baik dan melihat sama ada terdapat outlier, nilai yang hilang dan jika model garis dasar boleh dibina.

5. Pengujian: Sebelum komited untuk membina dan menggunakan penyelesaian, pasukan harus mengenal pasti andaian berisiko yang ada dan cuba mengesahkannya, contohnya menggunakan ujian prototaip. Ini adalah cara terpantas untuk menyemak sama ada penyelesaian perlu dibina atau jika "pangsi" diperlukan.

6.Penyampaian dan Penilaian: Akhir sekali, pasukan harus mengulang, memperhalusi, mengemukakan dan akhirnya menyampaikan penyelesaian kepada pelanggan akhir dan pemegang kepentingan utama. Walau bagaimanapun, proses itu tidak berakhir di sana. Sebaliknya, pasukan perlu terus mengulangi penyelesaian. Dari masa ke masa, lebih banyak data akan tersedia yang boleh memberi penerangan baharu tentang penyelesaian. Sistem pemantauan (gelung maklum balas) perlu direka bentuk untuk memastikan bias kehidupan sebenar dan hanyutan data disemak dan diperbetulkan secepat mungkin.

Enam langkah sebelumnya direka bentuk untuk memberi panduan kepada mereka yang ingin menambah baik cara pasukan mereka melaksanakan inovasi AI.

Kesimpulan

Syarikat memerlukan teknologi dan reka bentuk untuk membina AI yang: (A) berkesan, (B) menyelesaikan masalah pengguna sebenar, dan (C) mempunyai kesan perniagaan yang positif. Masih ada jalan yang panjang di hadapan, tetapi kami percaya pendekatan yang kami cadangkan boleh membolehkan organisasi berinovasi dengan cara yang cekap dan beretika.

Pengarang asal: Serena Westra, Ioannis Zempekakis (Artikel ini telah diberi kebenaran oleh pihak berkenaan dan pengarang asal)

Tajuk asal: AI-by-Design: Inovasi AI Berpusatkan Manusia: Pendekatan enam langkah untuk membina penyelesaian AI

Penterjemah: Chen Yuzhi Yeutz Chen, akaun awam WeChat: YeutzDesign (ID: Yeutzsheji), menumpukan pada bidang reka bentuk perkhidmatan dan komited dalam penyelidikan tentang inovasi dan transformasi reka bentuk perkhidmatan.

Artikel ini telah diterjemahkan dan diterbitkan oleh @陈昱志Yeutz Chen pada Everyone is a Product Manager. Mencetak semula tanpa kebenaran adalah dilarang.

Gambar tajuk berasal dari Unsplash dan berdasarkan lesen CC0.

Atas ialah kandungan terperinci Reka bentuk perkhidmatan untuk AI: Membina pendekatan berpusatkan manusia kepada inovasi AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!