Авторы: Ян Шольц и Аниш Датта

Вступление

Судя по тому, как компании продают себя и что пишут в СМИ, кажется, что искусственный интеллект сегодня повсюду. Однако, несмотря на шумиху, сегодня ИИ в производственной среде реально используется очень мало. Конечно, есть компании, такие как Google и Amazon, которые используют ИИ в своих продуктах, чтобы помочь вам написать ответы по электронной почте или порекомендовать продукты, которые могут вас заинтересовать. Однако большинство людей все еще проводят весь свой день, не получая помощи и не делегируя работу. ИИ. Это почему? Где все ИИ, о которых мы постоянно слышим?

Краткий ответ? Их не построили. В этом посте мы расскажем о препятствиях на пути к созданию продуктов на базе искусственного интеллекта и о том, как их создавать правильно.

Как определить возможности

По иронии судьбы отрасль пытается найти применение ИИ, несмотря на выдающиеся достижения в этой области. Возьмем, к примеру, впечатляющую языковую модель Open AI GPT-2. На основе нескольких предложений он может написать целое эссе, включая тему, тему и предпочтительный стиль. Хотя это действительно ошеломляет, каково это на самом деле? Если ИИ был достаточно хорош, он может заменить авторов и даже сценаристов или авторов новостей. Но это еще не все. Итак, как мы можем использовать его нынешние возможности?

Пример GPT-2 иллюстрирует обратное. Мы ослеплены огромными достижениями в этой области и отчаянно пытаемся найти проблемы, которые можно решить с помощью ИИ. На самом деле нам следует думать иначе: использовать подход, ориентированный на человека, который начинается с понимания контекста и потребностей пользователя. При таком подходе ИИ является еще одним инструментом в нашем распоряжении - очень мощным инструментом, который позволяет нам представить дальше, чем мы когда-либо думали.

Каркас Double Diamond

Мы подходим к разработке продукта таким образом, чтобы наблюдение и обнаружение потребностей пользователя было в начале процесса решения проблемы. Это часть нашего непрерывного процесса, зафиксированного с помощью так называемого «двойного ромбовидного каркаса».

Цель первого алмаза - убедиться, что мы решаем правильную проблему. Мы делаем это, выявляя основные проблемы, с которыми сталкиваются пользователи, и воплощая эти идеи в идеи. Как только они будут поняты и идеи будут определены, мы переходим ко второму алмазу. Здесь цель - правильно решить проблему. Мы делаем это, разрабатывая и создавая опыт, реализуя процесс построения-измерения-обучения, который позволяет достоверным данным определять наши приоритеты и подтверждать нашу гипотезу.

В таблице ниже первые три столбца выделяют мероприятия и результаты. В последнем столбце описывается, как думать об ИИ на этапах двойного ромбовидного каркаса.

Хотя мы не должны делать вывод о том, должен ли «ИИ» быть частью решения в первом ромбе (шаги 1 и 2), осознание огромных возможностей, которые предоставляет этот набор инструментов, может привести к лучшим идеям. Например, мы можем рассматривать ИИ всякий раз, когда сталкиваемся с пользователями, которые разочарованы тем, что им приходится выполнять утомительные или повторяющиеся задачи. ИИ хорошо подходит для автоматизации подобных задач.

Обратите внимание на последовательность нашего мыслительного процесса: мы начали с пользователей и их разочарования, разработали идеи для решения проблемы, а затем рассмотрели ИИ как инструмент для разработки решения.

Исполнение продукта AI:

После того, как вы определили, как решить проблему и как удовлетворить потребности пользователя, следующим шагом будет построение решения. Вот несколько руководящих принципов, которые следует учитывать:

1. Начните с малого. Составьте решение, которое увеличит ваши шансы на успех. С самого начала это может означать наличие дисциплины, чтобы не браться за большие проблемы, требующие сложных решений ИИ. Вместо этого более эффективная стратегия состоит в том, чтобы расставить приоритеты в решениях менее сложных проблем, потому что это увеличивает шансы на успех. Такой подход также дает дополнительное преимущество в виде наращивания динамики ИИ в организации.

2. Расширение против автоматизации. Термин ИИ является синонимом автоматизации, поскольку ИИ позволяет пользователям делегировать повторяющиеся или нежелательные задачи, которые ранее выполнялись вручную, на компьютеры. Однако бывают случаи, когда пользователи предпочитают работать с ИИ вместо того, чтобы полностью автоматизировать задачу. Вот две причины:

  • Последствия ложноположительного или ложноотрицательного результата высоки: например, в случаях использования, когда ошибка может поставить под угрозу безопасность человека или увеличить финансовый риск, выгода от полной автоматизации задачи может не перевешивать затраты.
  • Расширение может быть эффективным способом постепенного продвижения к автоматизации. Значение частичной автоматизации решения может сократить время и повысить способность разработчика и модели к более быстрому обучению.

Данные - это отвлечение

При разработке решения искусственного интеллекта наступает время, когда возникает опасение, что у него будет слишком мало данных. В этот момент колеса останавливаются, и весь проект может сорваться, если отвлечься от проблемы пользователя. Вместо этого усилия переключаются на бездумные упражнения по накоплению огромных объемов данных, созданию инфраструктуры данных, а также к качеству данных и упражнениям по очистке.

Это не означает, что данные не важны, но это не должно происходить за счет ухудшения пользовательского опыта. Данные, модель и взаимодействие с пользователем взаимозависимы и не могут быть решены независимо. Тратить время только на данные рискует получить неправильные данные и создать неэффективную инфраструктуру. Построение моделей и их демонстрация пользователю может помочь информировать процесс сбора данных. На многие вопросы, касающиеся объема, состояния и предсказуемости данных, можно ответить только путем построения модели машинного обучения. На вопрос о том, нужны ли, полезны и действенны идеи модели, можно ответить только после того, как целевой пользователь познакомится с ними.

Наконец, приложения ИИ должны быть разработаны так, чтобы собирать собственные данные для масштабирования. Автономные транспортные средства - хороший тому пример. «Автопилот» - это, по сути, приложение на четырех колесах для сбора данных. Каждый раз, когда водитель вмешивается и корректирует ИИ, он получает ценную обратную связь. Это улучшает прогнозы автопилота и, таким образом, увеличивает количество раз, когда люди решают использовать эту функцию. В результате собирается больше данных об автономном вождении. Вместо того, чтобы стремиться к предварительному сбору данных, разработчикам приложений ИИ следует построить этот полезный круг.

Заключение

То, что мы здесь изложили, может показаться устрашающе знакомым для всех, кто имеет опыт разработки продуктов. Похоже, что индустрия программного обеспечения снова переживает очередной цикл «изобретения колеса заново» в отношении разработки решений на основе искусственного интеллекта. Принятие подхода, ориентированного на человека, начиная с потребностей пользователей, а затем затем думая о том, как ИИ может удовлетворить эти потребности, является мощным рецептом для инноваций и создания впечатлений, которые нравятся пользователям.