Ar visada verta pridėti dirbtinį intelektą prie produkto kūrimo proceso? | AI versle #55

Dirbtinio intelekto vaidmuo produktų kūrimo procese

Dirbtinis intelektas gali palaikyti daugelį naujų produktų dizaino ir įgyvendinimo proceso aspektų. Dažnai tai yra gera idėja, o pagrindiniai privalumai apima:

• Rinkos tyrimai – pagreitinti tyrimus arba atlikti juos didesniu mastu galima automatizuojant pasikartojančias užduotis, tokias kaip apklausų analizė ar interviu transkripcija, pavyzdžiui. Tai leidžia komandai sutelkti dėmesį į kūrybiškesnius ir sudėtingesnius produktų kūrimo aspektus,
• Nauja inspiracija – palengvintas prieigos prie platesnio idėjų spektro užtikrinimas yra vienas iš pagrindinių generatyvaus AI privalumų. AI algoritmai gali ieškoti didžiuliuose duomenų bazėse nežinomų modelių ir koncepcijų, viršijančių dizainerių ankstesnį mąstymą,
• Gilus duomenų analizavimas – geresnis tikslinių klientų poreikių supratimas apdorojant duomenis apie jų elgesį, pageidavimus ir pirkimo motyvus.

Bet kada yra gera idėja pagalvoti antrą kartą prieš naudojant AI bendradarbiavimą?

Artimiausiu planu: Paslėpti iššūkiai diegiant AI

Nors dirbtinis intelektas produktų kūrimo procese reiškia daugybę naujų galimybių, jo diegimas nėra be iššūkių. Svarbiausi iš jų yra:

• reikalingumas kruopščiai apmokyti produktų komandas ir pritaikyti esamus darbo procesus integracijai su AI sistemomis. Tai gali būti sudėtinga didelėse, hierarchinėse organizacijose, kuriose dirba specialistai, susiję su tradiciniais darbo būdais,
• susirūpinimas klientų duomenų saugumu, kuris apmoko AI algoritmus. Norint pasinaudoti papildomomis saugumo funkcijomis, įmonėms dažnai reikia įmonių licencijų sutarčių, kurios gali viršyti mažų organizacijų biudžetą. Todėl mažesnės įmonės kartais pasirenka mažo masto atvirų prieigų modelių, tokių kaip Llama 2, Vicuna ar Alpaca, integraciją. Pripažįstama, kad joms reikia galingesnės aparatūros įmonėje, tačiau jos užtikrina duomenų saugumą. Tai yra todėl, kad mašininio mokymosi modeliai remiasi jautria asmenine informacija. Jei saugumas nėra tinkamai nustatytas, jų nutekėjimas gali turėti katastrofiškų pasekmių įmonės įvaizdžiui,
• padidėjusi sudėtingumas ir atsakomybės sklaida už pagrindinius verslo sprendimus, susijusius su AI sistemomis. Kas prisiima finansinę ir reputacinę atsakomybę už šių sistemų klaidas? Kaip užtikrinti AI “juodųjų dėžių” priežiūrą?

Juodosios dėžės spąstai. Skaidrumo trūkumas AI sprendimuose

Vienas iš pagrindinių pažangių mašininio mokymosi technikų, tokių kaip neuroniniai tinklai, trūkumų yra sprendimų priėmimo skaidrumo trūkumas. Šios sistemos veikia kaip “juodosios dėžės”, transformuodamos įvestis į pageidaujamus rezultatus, nesugebėdamos suprasti pagrindinės logikos.

Tai rimtai apsunkina vartotojų pasitikėjimo užtikrinimą AI generuotomis rekomendacijomis. Jei nesuprantame, kodėl sistema pasiūlė tam tikrą produkto variantą ar koncepciją, sunku įvertinti pasiūlymo prasmingumą. Tai gali sukelti nepasitikėjimą technologija kaip visuma.

Įmonės, naudojančios dirbtinį intelektą produktų kūrime, turi būti informuotos apie “juodosios dėžės” problemą ir imtis priemonių, kad padidintų savo sprendimų skaidrumą. Sprendimų pavyzdžiai apima:

• duomenų srauto vizualizacijas neuroniniuose tinkluose, arba
• teksto paaiškinimus apie priimtus sprendimus, generuojamus papildomų algoritmų.

AI ir etika. Kaip išvengti diskriminacijos ir šališkumo?

Kitas svarbus klausimas yra potencialūs etiniai problemos, susijusios su AI. Mašininio mokymosi sistemos dažnai remiasi duomenimis, kurie yra veikiami įvairių šališkumų ir atstovavimo trūkumo. Tai gali sukelti diskriminuojančius ar nesąžiningus verslo sprendimus.

Pavyzdžiui, “Amazon” verbavimo algoritmas atrodė, kad teikia pirmenybę vyrams, remdamasis įmonės istoriniu samdymo modeliu. Panašios situacijos gali pasitaikyti kuriant programas su mašininio mokymosi pagalba:

• Klientų aptarnavimo prioritetų nustatymas,
• Reklamos tikslinimas,
• Specialistų, esančių artimiausioje aplinkoje, rekomendavimas, arba
• Produktų pasiūlymų personalizavimas.

Norint išvengti tokių problemų, įmonės turi kruopščiai analizuoti duomenų rinkinius, kuriuos naudoja, kad užtikrintų tinkamą skirtingų demografinių grupių atstovavimą, ir reguliariai stebėti AI sistemas dėl diskriminacijos ar nesąžiningumo požymių.

Algoritmų ribos. Dirbtinis intelektas procese

Dirbtinis intelektas gali palaikyti kūrybinį procesą, ieškoti idėjų ir optimizuoti sprendimus. Tačiau vis dar yra nedaug įmonių, kurios pasirenka visiškai pasitikėti AI. Dirbtinio intelekto naudojimas turinio kūrimo procese siūlo neįtikėtinas galimybes, tačiau galutiniai sprendimai dėl informacijos, esančios generuojamuose medžiagose, publikavimo ar tikrinimo turi būti priimami su žmogaus indėliu.

Todėl dizaineriai ir produktų vadovai turi būti informuoti apie AI technologijos ribas ir vertinti ją kaip palaikymą, o ne kaip automatinį paruoštų sprendimų šaltinį. Pagrindiniai dizaino ir verslo sprendimai vis dar reikalauja kūrybiškumo, intuicijos ir gilaus klientų supratimo, ko algoritmai vieni negali užtikrinti.

Šaltinis: DALL-E 3, užklausa: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Užtikrinti kontrolę ir teisinį atitikimą

Norint sumažinti AI riziką, įmonės turi įgyvendinti tinkamas priežiūros ir kontrolės mechanizmus šiems sistemoms. Tai apima, bet neapsiriboja:

• Informacijos, generuojamos AI modelių, teisingumo ir šaltinių patikrinimas prieš praktiškai naudojant,
• Mašininio mokymosi algoritmų auditai dėl šališkumo, prognozavimo neapibrėžtumo ir sprendimų skaidrumo,
• Specialisto ar etikos komiteto nustatymas, kad prižiūrėtų AI sistemų projektavimą, testavimą ir taikymą įmonėje,
• Aiškių gairių kūrimas dėl priimtinų AI taikymų ir šių sistemų įsikišimo į verslo procesus ir dizaino sprendimus ribų,
• Dizainerių apmokymas, kad jie būtų informuoti apie ribas ir spąstus, kad būtų išvengta pernelyg kritiško pasitikėjimo jų nurodymais.

Santrauka

Apibendrinant, dirbtinis intelektas neabejotinai atveria jaudinančias perspektyvas optimizuoti ir pagreitinti naujų produktų dizainą ir įgyvendinimą. Tačiau jo integracija su senosiomis sistemomis ir praktikomis nėra be iššūkių, kai kurie iš jų yra fundamentalūs – tokie kaip neapibrėžtumas ir prognozavimo skaidrumo trūkumas.

Norint pilnai pasinaudoti AI potencialu, įmonės turi elgtis su juo tinkamu atsargumu ir kritika, suprasdamos technologijos ribas. Taip pat svarbu sukurti etinius rėmus ir kontrolės procedūras, kurios sumažintų riziką, susijusią su pažangių algoritmų diegimu į realius verslo procesus. Tik tada AI gali tapti vertingu ir saugiu žmogaus kūrybiškumo ir intuicijos papildymu.

Jei jums patinka mūsų turinys, prisijunkite prie mūsų užimtų bičių bendruomenės Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.