نقش UX در محصولات هوش مصنوعی چیست؟

هوش مصنوعی صرفا مجموعه‌ای از تکنیک‌ها برای کمک به درک کامپیوتر از اطلاعات است . این برای همه مقاصد، یک ابزار چند منظوره است. ابزاری که میزان واقعی توانایی ها و کاربردهای آن تا حد زیادی حدس و گمان است. همانطور که مایکل جردن، پروفسور دپارتمان مهندسی برق و علوم کامپیوتر در دانشگاه کالیفرنیا برکلی در مقاله خود پیشنهاد می‌کند، این فقدان تعریف باعث شده است که هوش مصنوعی در موارد بسیار متنوعی به کار گرفته شود که عملاً معنای خود را از دست داده است. هوش مصنوعی در همه چیز و همه جا وجود دارد و در عین حال برای بیشتر مردم معنایی ندارد. اما نقش UX در محصولات هوش مصنوعی چیست؟

درک هوش مصنوعی و نقش  UX در محصولات هوش مصنوعی

هوش مصنوعی به سرعت در هر صنعت و دسته بندی محصولات نفوذ می کند زیرا مهندسان تلاش می کنند از پتانسیل واقعی آن بهره ببرند، اما این سوال باقی می ماند که کاربران چگونه هوش مصنوعی را در میان چنین ابهامی در مورد هدف آن درک می کنند؟

درک کاربران بدون شک بخشی جدایی ناپذیر از پذیرش هر فناوری جدید و پذیرش گسترده در جامعه است. وعده‌هایی که هوش مصنوعی ارائه می‌کند به عنوان یک استدلال قانع‌کننده در مورد اینکه چرا سزاوار پذیرش گسترده در جامعه ما است. اما برخی از مطالعات نشان می‌دهند که مردم «ادراکی مختلط» از هوش مصنوعی دارند که تصور عمومی آن اغلب به سمت افراط‌های آرمان‌شهری یا دیستوپیایی متمایل است و روایات هشداردهنده مانند اینها می تواند بر پذیرش آن تأثیر بگذارد.

اینجاست که طراحی وارد می شود. تجربه کاربری خوب اغلب به عنوان پله پله ای عمل می کند که کاربران را وادار می کند تا با هر نوآوری جدید وحشیانه ای که مهندسان به ذهنشان خطور کرده اند وارد شوند – خواه آیفون اپل باشد که مردم را متقاعد می کند تا یک کامپیوتر شیشه ای شکننده را در جیب خود حمل کنند. یا الکسای آمازون، که فریاد زدن مردم را به یک میکروفون متصل به اینترنت در خانه هایشان عادی می کرد.

نه آیفون و نه الکسا دسته بندی محصولات جدیدی را شروع نکردند، اما پیشنهاد فروش منحصر به فرد هر دو محصول یک پیشرفت چشمگیر در بخش تجربه کاربری (UX) بود. این چیزی بود که آنها را قادر ساخت تا پذیرش گسترده در دسته بندی محصولات مربوطه خود را تقویت کنند.

با این حال، توسعه تجربیات کاربر کامل برای محصولات هوش مصنوعی با سوالات و چالش های زیادی همراه است. چالش‌هایی پیرامون نحوه ارائه مرتبط‌ترین اطلاعات برای کمک به کاربران برای درک ارزش و تصمیمات هوش مصنوعی در حالی که آنها را با پیچیدگی همراه نمی‌کند.

سؤالاتی در مورد چگونگی طراحی بهتر محصولات هوش مصنوعی، نحوه ارائه اطلاعات مرتبط برای کمک به کاربران برای درک ارزش و تصمیمات آنها، یکی از مسائل طراحی حیاتی و فراگیر برای سیستم های هوش مصنوعی در نظر گرفته می شود.

مقابله با این چالش‌های UX به بسیاری از نیازهای کاربر مانند بهبود، رقابت، ایجاد اعتماد مناسب، تعامل بهتر با هوش مصنوعی و در نهایت دستیابی به هدف کاربر پاسخ می‌دهد. اگرچه در حال حاضر، ویژگی‌های توضیح‌پذیری هنوز در محصولات هوش مصنوعی مصرف‌کننده رایج نیستند.

طراحی برای هوش مصنوعی یک قلمرو کاملاً ناشناخته برای طراحان نیست. توییتر، تیک تاک، اسنپ چت و حتی سرویس‌های استریم مانند اسپاتیفای و نتفلیکس نمونه‌های خوبی از زمانی هستند که ویژگی‌ها/عملکردهای مبتنی بر هوش مصنوعی با موفقیت در یک محصول بازار انبوه با بحث و جدل ادغام شدند.

به نظر می رسد دو رویکرد متفاوت در این مورد وجود دارد:

رویکرد جعبه سیاه

در پی بهبود تجربه و حفظ سهولت استفاده، طراحان عمداً بخش‌های مبتنی بر هوش مصنوعی محصول را که با اهداف کاربران مرتبط نیستند، پنهان می‌کنند. طراحان در اینجا از رویکرد “جعبه سیاه” استفاده می کنند. همانطور که از نام آن پیداست، در این رویکرد، طراحان از اشاره به هوش مصنوعی یا سایر اصطلاحات مرتبط با هوش مصنوعی در تلاش برای ساده نگه داشتن چیزها اجتناب می کنند.

یک مثال قابل توجه در این مورد Spotify و لیست پخش “Discover Weekly” آن است. هر دوشنبه، بیش از 180 میلیون کاربر Spotify با یک لیست پخش جدید ارائه می شود که به سلیقه منحصر به فرد آنها در موسیقی ساخته شده است. برای کاربر، این لیست مانند هر لیست پخش دیگری به نظر می رسد، اما در زیر کاپوت، این اساساً یک لیست پخش است که با استفاده از هوش مصنوعی ساخته شده است. یک مدل یادگیری ماشینی الگوهای شنیداری کاربران را می آموزد و این داده ها را پردازش می کند تا این لیست پخش را ایجاد کند. در اصل، زمانی که کاربر آهنگ‌ها را گوش می‌دهد، پرش می‌کند، لایک می‌کند و آهنگ‌ها را جستجو می‌کند، در واقع بدون اینکه بداند یک مدل ML را آموزش می‌دهد.

به راحتی می توان فهمید که چرا طراحان Spotify از این رویکرد استفاده کردند. توضیح دادن شبکه‌های عصبی کانولوشن برای کاربری که فقط به دنبال موسیقی برای پخش در مسیر محل کارش است، منطقی نیست .

توییتر نیز از رویکرد مشابهی استفاده می‌کند، توییت‌ها را بر اساس ارتباط با کاربرانش، تعداد دفعات توییت مجدد، سخنان نفرت انگیز احتمالی و غیره رتبه‌بندی می‌کند.

اگرچه رویکرد مشابه است، اما یک تفاوت کلیدی در اینجا وجود دارد: هوش مصنوعی توییتر آهنگ‌ها، نظرات و ایده‌های آن را مرتب نمی‌کند. این عواقب بزرگی دارد زیرا می تواند بر نظرات شخصی کاربران تأثیر بگذارد.

در حالی که یک مدل هوش مصنوعی با سوگیری احتمالی وجود دارد که توییت‌ها را برای فید کاربر مرتب می‌کند، کاربر بی‌اطلاع از این فید ایده‌ها را مصرف می‌کند.

رویکرد شفاف

در این رویکرد، طراحان از ترکیبی از متن ساده و عناصر رابط کاربری استفاده می‌کنند تا حتی کاربرانی که دانش فنی محدودی دارند نیز بتوانند نقش هوش مصنوعی را در محصول درک کنند.

توضیحات برای ایجاد اعتماد کاربران بسیار مهم هستند، اما به دلیل ماهیت پیچیده دامنه، ارائه توضیحات در مورد عملکرد یک هوش مصنوعی به خودی خود می تواند یک چالش باشد. علیرغم نام آن، ایده توضیح همه چیز نیست، بلکه فقط جنبه هایی از محصول است که بر اعتماد کاربران تأثیر می گذارد و بر تصمیم گیری آنها تأثیر می گذارد.

یافتن تعادل مناسب و ملاحظات دیگر

صرف نظر از رویکرد اتخاذ شده، هنگام طراحی برای هوش مصنوعی، طراح با چالش‌های فراوانی مانند توضیح‌پذیری، مکانیسم‌های بازخورد کاربر و غیره مواجه می‌شود. اما یکی از چالش‌های اصلی هنگام طراحی برای هوش مصنوعی ایجاد تعادل مناسب بین شفافیت و سهولت استفاده است.

اکنون، بیایید ملاحظات و چالش‌های کلیدی را هنگام طراحی یک هوش مصنوعی بصری اما شفاف بررسی کنیم:

مدیریت انتظارات

پیش بینی ها حقیقت نیستند

ممکن است هوش مصنوعی در بسیاری از رسانه‌ها به‌عنوان ارباب جدید ما به تصویر کشیده شود که سیاست‌ها را دیکته می‌کند و در عین حال به‌سرعت رزرو رستوران‌ها را برای ما انجام می‌دهد، اما این سیستم‌ها، به جرأت می‌توانم بگویم در واقع بسیار فروتن هستند.

در محصولات مبتنی بر هوش مصنوعی، اغلب پیش‌بینی‌های هوش مصنوعی به‌عنوان حقایق خاص به جای نتایج احتمالی به کاربران ارائه می‌شوند. این منجر به این می شود که هوش مصنوعی به نفع خود بیش از حد باهوش تلقی شود یا بسیار ساده و ساده فکر شود که نمی توان به آن اعتماد کرد.

به عنوان مثال، یک مدل هوش مصنوعی را در نظر بگیرید که یاد گرفته است چهره هایی را که برچسب “خندان” دارند، شناسایی کند. در پشت صحنه، مدل احتمالاً به دنبال مجموعه‌ای از پیکسل‌های نورانی افقی (که ما انسان‌ها آن را دندان می‌نامیم) در یک سوم پایینی تصویر است. این بدان معناست که هوش مصنوعی چیزی در مورد لبخند زدن یا احساس شادی انسانی نمی‌داند، فقط فکر می‌کند که به احتمال 71.23 درصد این یک چهره خندان است. مدل‌های هوش مصنوعی فقط حدس‌های احتمالی می‌دهند، نه قضاوت.

همه پیش‌بینی‌ها با نمرات اطمینان ارائه می‌شوند که نشان می‌دهد هوش مصنوعی در مورد چیزی چقدر مطمئن است. گاهی اوقات، اعتماد به نفس به اندازه کافی بالا نیست و اعتراف به آن نباید شرمنده باشد. مانند هوش مصنوعی، ما نیز همیشه در مورد همه چیز 100% مطمئن نیستیم. ما نیز مانند هوش مصنوعی که می سازیم، فقط درجاتی از اعتماد به نفس داریم.

مدل های ذهنی

Di Dang، یکی از خالقان Google’s People + AI Guidebook ، استفاده از مدل‌های ذهنی را به عنوان راهی برای کمک به تعیین انتظارات هنگام طراحی محصولات هوش مصنوعی پیشنهاد می‌کند. مدل‌های ذهنی راهنمایی‌هایی هستند که مغز ما آنها را کنار هم قرار می‌دهد تا به ما کمک کنند بفهمیم چیزی چگونه کار می‌کند و اعمال ما چگونه روی آن تأثیر می‌گذارد. همه ما برای هر چیزی که با آن تعامل داریم – محصولات، مکان ها و حتی افراد – مدل های ذهنی داریم.

در مورد محصولات، آنها به تعیین انتظارات برای اینکه یک محصول چه کاری می تواند انجام دهد و چه کاری نمی تواند انجام دهد و مردم چه نوع ارزشی را می توانند از آن انتظار داشته باشند کمک می کنند. مدل های ذهنی نادرست می تواند منجر به اصطکاک و ناامیدی کاربر شود.

کالیبره کردن اعتماد

محصولات مبتنی بر هوش مصنوعی اغلب با قول دادن به آنها که “جادوی هوش مصنوعی” به آنها در دستیابی به اهدافشان کمک می کند، در معرض شکست قرار می دهند. در موارد استفاده پیچیده تر، این می تواند یک اعتماد نابجا ایجاد کند که باعث می شود کاربران توانایی های محصول را بیش از حد برآورد کنند. در حالی که هدف رویکرد “جعبه سیاه” ساده کردن UX است، پنهان کردن کامل “چگونه” می تواند کاربران را گیج کند، تجربه را شکسته و حتی اعتماد کاربران را از بین ببرد.

بنابراین، معرفی و ارائه ویژگی‌های هوش مصنوعی محصول به گونه‌ای ضروری می‌شود که انتظارات واقع‌بینانه را برای ایجاد سطحی از اعتماد که با قابلیت‌های دنیای واقعی محصول کالیبره شده است، ایجاد کند.

تمرکز بر ارزش، نه تکنولوژی

همانطور که قبلاً اشاره شد، مردم “ادراکی ترکیبی” از هوش مصنوعی دارند و به دلیل تصورات نادرست در مورد هوش مصنوعی، کاربران یا خیلی یا خیلی کم به آن اعتماد دارند. وقتی محصولی اشاره می کند که از هوش مصنوعی برای حل یک مشکل استفاده می کند، کاربران ممکن است تعجب کنند که محصول چه کاری می تواند انجام دهد و چه کاری نمی تواند انجام دهد، چگونه کار می کند و چگونه باید با آن تعامل داشته باشند. در حالی که تقریباً غیرممکن است که یک محصول تمام تصورات غلطی که ممکن است یک کاربر در مورد فناوری زیربنایی داشته باشد را روشن کند، تمرکز بر ارزشی که محصول ارائه می دهد ارزش زیادی دارد.

با کنترل کاربران شروع کنید و به تدریج تحت نظارت کاربران اتوماسیون را معرفی کنید. به کاربران این امکان را می دهد تا به انجام وظایف کوچکتر توسط هوش مصنوعی عادت کنند و در عین حال مطمئن شوند که می توانند برای هدایت این فرآیند بازخورد ارائه دهند. این ارزش را به کاربر نشان می دهد در حالی که هنوز تحت کنترل است. برجسته کردن سودمندی هوش مصنوعی و واقع بینانه بودن در مورد توانایی های آن یکی از راه هایی است که می توان اعتماد کالیبره شده ایجاد کرد.

سخن پایانی

نقش UX در محصولات هوش مصنوعی کمتر در مورد برجسته کردن فناوری زیربنایی است و بیشتر در مورد ارائه دید کلی بهتر و واضح تر از ارزشی است که هوش مصنوعی برای کاربران فراهم می کند. این امر کلیدی است زیرا هوش مصنوعی در زندگی روزمره ما حضور و نفوذ بیشتری پیدا می کند.