هوش مصنوعی در حال تغییر شیوه طراحی محصولات دیجیتال است؛ اما مهمترین تغییر، فقط ظهور مجموعهای از ابزارهای سریعتر برای طراحان نیست.
تغییر اصلی در این است که تیمهای محصول زمان خود را کجا صرف میکنند، چگونه ایدهها را بررسی میکنند و با چه سرعتی میتوانند یک فرضیه را به چیزی تبدیل کنند که بتوان آن را تجربه و آزمایش کرد.
امروز میتوان بخشی از کارهایی مثل جمعبندی تحقیقات، ایدهپردازی، طراحی رابط کاربری، ساخت نمونه اولیه، تولید محتوا و حتی بخشی از پیادهسازی را با کمک هوش مصنوعی سریعتر انجام داد. اما هرچه ساختن یک محصول ظاهرا واقعی سادهتر میشود، اهمیت یک سؤال بیشتر میشود:
آیا چیزی که ساختهایم ارزش ساختن داشته است؟
یک رابط تولیدشده با هوش مصنوعی میتواند بسیار حرفهای به نظر برسد و همچنان مسئله اشتباهی را حل کند. یک مسیر کاربری ممکن است منطقی به نظر برسد اما یک نیاز مهم کاربر را نادیده بگیرد. یک نمونه اولیه ممکن است کاملا قابلتعامل باشد، اما ارزش واقعی محصول را منتقل نکند.
بنابراین ارزش واقعی طراحی محصول با هوش مصنوعی در حذف قضاوت انسانی نیست. در کاهش کارهای تکراری، افزایش سرعت اکتشاف و آزاد کردن زمان بیشتر برای تصمیمهایی است که به درک انسان، محصول و کسبوکار نیاز دارند.
طراحی محصول مبتنی بر هوش مصنوعی چیست؟
«طراحی محصول مبتنی بر هوش مصنوعی» میتواند به دو مفهوم نزدیک اما متفاوت اشاره کند.مفهوم اول، استفاده از هوش مصنوعی برای بهبود فرایند طراحی محصول است. برای مثال، یک طراح میتواند از یک سامانه هوش مصنوعی برای سازماندهی یافتههای پژوهش، تولید جریانهای کاربری جایگزین، ایجاد ایدههای اولیه برای رابط کاربری، آمادهسازی محتوای نمونه اولیه یا بررسی راهحلهای مختلف برای یک مسئله استفاده کند.
مفهوم دوم، طراحی محصولی است که خودِ آن به هوش مصنوعی وابسته است. در این حالت، هوش مصنوعی بخشی از تجربه کاربر محسوب میشود و طراحی باید مواردی مانند عدم قطعیت، خروجیهای متغیر، تأخیر سامانه، اعتماد، امکان اصلاح و میزان کنترل کاربر را در نظر بگیرد.
این دو مفهوم به یکدیگر مرتبطاند، اما یکسان نیستند.
استفاده از هوش مصنوعی برای تولید ایدههای رابط کاربری، بهخودیخود یک محصول را «هوش مصنوعیمحور» نمیکند. به همین شکل، اضافه کردن یک چتبات به یک محصول نرمافزاری موجود نیز به این معنا نیست که محصول از ابتدا بر اساس هوش مصنوعی بازطراحی شده است.
یک محصول هوش مصنوعیمحور از پرسش متفاوتی شروع میکند:
وقتی سامانه بتواند نیت کاربر را درک کند، محتوا تولید کند، اطلاعات را تحلیل و استدلال کند و حتی در صورت نیاز اقدامی انجام دهد، چه چیزهایی ممکن میشود؟
این پرسش میتواند اساس مدل تعامل با محصول را تغییر دهد.
نرمافزارهای سنتی معمولا بر پایه اقدامهای مشخص و خروجیهای نسبتا قابل پیشبینی ساخته میشوند. کاربر گزینهای را انتخاب میکند، فرمی را پر میکند، در منوها جابهجا میشود و یک عملیات مشخص را اجرا میکند. هوش مصنوعی رابطهای بازتر میان چیزی که کاربر بیان میکند و چیزی که سامانه تولید میکند به وجود میآورد.
این به آن معنا نیست که رابطهای سنتی دیگر کاربردی ندارند. بلکه انتخاب مدل تعامل اهمیت بیشتری پیدا میکند.
بهترین محصولات هوش مصنوعی احتمالا کاملاً گفتوگومحور نخواهند بود. آنها بسته به نوع کار، زبان طبیعی را با کنترلهای ساختاریافته، رابطهای بصری، محتوای تولیدشده و امکان تعامل مستقیم ترکیب خواهند کرد.
هوش مصنوعی در حال تغییر فرآیند طراحی محصول است
بهترین راه برای نگاه کردن به نقش هوش مصنوعی در طراحی محصول این نیست که آن را یک «مرحله هوش مصنوعی» جداگانه بدانیم؛ بلکه باید آن را ابزاری دید که میتواند بهرهوری کل فرآیند را تغییر دهد.پژوهش، ایدهپردازی، نمونهسازی و اعتبارسنجی همچنان ضروری هستند. چیزی که تغییر میکند، هزینه و زمان لازم برای بررسی هر مرحله است.
پردازش پژوهش آسانتر میشود
تیمهای محصول اغلب اطلاعات بسیار بیشتری از آنچه میتوانند به راحتی ترکیب کنند، جمعآوری میکنند: مصاحبههای کاربران، گفتوگوهای پشتیبانی، نظرسنجیها، بازخوردها، دادههای تحلیلی، بررسی رقبا و مستندات داخلی.هوش مصنوعی میتواند این حجم از اطلاعات را به نقطه شروعی قابل مدیریتتر تبدیل کند؛ برای مثال با دستهبندی موضوعات، خلاصهسازی گفتوگوها، مقایسه پاسخها و پیدا کردن الگوهایی که ارزش بررسی عمیقتر دارند.
این کار میتواند بخش قابلتوجهی از فعالیت دستی را کاهش دهد، اما تفاوت مهمی میان پردازش اطلاعات و درک انسانها وجود دارد.
ممکن است یک مدل تشخیص دهد که چند کاربر از یک قابلیت شکایت کردهاند. اما بهصورت خودکار نمیفهمد که آیا همه این شکایتها یک علت مشترک دارند، آیا این مسئله آنقدر مهم هست که مسیر توسعه محصول را تغییر دهد، یا کاربران واقعاً به چه چیزی نیاز دارند.
به همین دلیل، هوش مصنوعی بهتر است بهعنوان شتابدهنده پژوهش استفاده شود، نه جایگزین قضاوت و درک انسانی در پژوهش.
ایدهپردازی گستردهتر میشود
هوش مصنوعی زمانی هم ارزشمند است که یک تیم بخواهد چند مسیر مختلف را بررسی کند.بهجای اینکه طراح بلافاصله از تعریف مسئله به یک راهحل مشخص برسد، میتواند از هوش مصنوعی برای تولید جریانهای کاربری، ساختارهای محتوایی، مدلهای تعاملی یا ایدههای مختلف محصول استفاده کند.
ارزش اصلی این نیست که هوش مصنوعی بتواند بهترین پاسخ را بهصورت خودکار پیدا کند.
ارزش واقعی این است که هزینه بررسی گزینههای مختلف پایین میآید.
تیم میتواند چند رویکرد را با یکدیگر مقایسه کند، پیش از آنکه بیش از حد به یکی از آنها وابسته شود.
این موضوع بهخصوص در مراحل ابتدایی محصول اهمیت دارد؛ جایی که تغییر مسیر هنوز هزینه زیادی ندارد و یادگیری از پرداختن بیش از حد به جزئیات مهمتر است.
در چنین شرایطی، نقش طراح محصول کمتر به تولید دستی تمام گزینههای ممکن وابسته میشود و بیشتر به تشخیص اینکه کدام گزینه ارزش بررسی دارد مربوط خواهد بود.
تولید رابط کاربری سریعتر میشود
ابزارهای مولد همچنین فاصله میان یک ایده و یک رابط کاربری را کوتاهتر میکنند.طراح میتواند ایده محصول را توضیح دهد، ساختار اولیهای ایجاد کند، مسیر را تغییر دهد و بسیار سریعتر از یک فرایند کاملاً دستی به یک نمونه اولیه تعاملی برسد.
این قابلیت مفید است، اما مشکل دیگری هم ایجاد میکند:
رابطهای تولیدشده معمولا الگوهای آشنا را بازتولید میکنند.
مدلی که هزاران داشبورد، محصول نرمافزاری، فرم و سیستم ناوبری دیده است، به طور طبیعی الگوهایی را تولید میکند که از قبل وجود داشتهاند.
وقتی تعامل متعارف دقیقا همان چیزی است که محصول به آن نیاز دارد، این مسئله میتواند مفید باشد.
اما زمانی که محصول باید از طریق تجربه کاربری خود متمایز شود، همین موضوع به یک مشکل تبدیل میشود.
بنابراین یک رابط کاربری تولیدشده باید بهعنوان یک فرضیه طراحی در نظر گرفته شود، نه مدرکی برای اینکه طراحی به پایان رسیده است.
از اجرای سریعتر تا تصمیمهای بهتر برای محصول
اینجاست که ارزش واقعی هوش مصنوعی بیشتر نمایان میشود.
مزیت واضح آن سرعت است: وایرفریم سریعتر، نسخههای مختلف رابط کاربری سریعتر، تولید محتوای سریعتر و نمونههای اولیه سریعتر.
اما مزیت مهمتر، کوتاهتر شدن چرخه بازخورد است.
فرض کنید یک تیم محصول در حال بررسی دو روش متفاوت برای ورود کاربران به محصول است. در فرایند سنتی، طراحی هر مسیر ممکن است به زمان قابلتوجهی نیاز داشته باشد تا بتوان آن را ارزیابی کرد.
در یک فرایند مبتنی بر هوش مصنوعی، هر دو مسیر را میتوان آنقدر سریع بررسی کرد که پیش از سرمایهگذاری جدی، آنها را با کاربران یا ذینفعان مقایسه کرد.
مزیت فقط این نیست که تیم چند ساعت طراحی ذخیره کرده است.
تیم فرصتی پیدا کرده تا زودتر تصمیم بهتری بگیرد.
این تفاوت برای توسعه درست محصول اساسی است.
هوش مصنوعی زمانی بیشترین ارزش را ایجاد میکند که هزینه پرسیدن سؤال را کاهش دهد.
مثلاً:
- اگر ساختار این جریان را متفاوت طراحی کنیم چه میشود؟
- اگر کاربر بهجای فرم، با بیان نیت خود شروع کند چه؟
- اگر داشبورد به یک فضای کاری گفتوگومحور تبدیل شود چه؟
- اگر سامانه پیشنویس اول را تولید کند و کاربر فقط آن را بررسی کند چه؟
- اگر این مرحله را کاملاً حذف کنیم چه؟
نمونهسازی به یک فعالیت استراتژیکتر تبدیل میشود
نمونهسازی بهطور سنتی برای نمایش یک ایده پیش از توسعه نرمافزار استفاده میشد.هوش مصنوعی در حال گسترش این است که یک نمونه اولیه چه چیزی میتواند باشد.
ابزارهای مدرن مبتنی بر هوش مصنوعی میتوانند تجربههایی ایجاد کنند که نهتنها از نظر بصری واقعگرایانهاند، بلکه تا حد زیادی قابل استفاده و تعامل نیز هستند. برای مثال، قابلیتهای فعلی هوش مصنوعی فیگما به تیمها اجازه میدهد از توضیحات زبان طبیعی به سمت نمونههای تعاملی و مبتنی بر کد حرکت کنند و سپس این تجربهها را در ادامه فرایند طراحی اصلاح کنند.
تغییر اصلی این نیست که نمونههای اولیه زیباتر شدهاند.
تغییر مهم این است که آنها میتوانند به چیزی نزدیکتر شوند که واقعا بتوان با آن آزمایش کرد.
این موضوع برای بنیانگذاران و تیمهای محصول اهمیت زیادی دارد، چون بسیاری از پرسشهای محصول را نمیتوان با چند صفحه ثابت پاسخ داد.
- آیا این جریان کار منطقی است؟
- آیا کاربر ارزش محصول را درک میکند؟
- آیا میداند قدم بعدی چیست؟
- اگر اشتباه کند چه اتفاقی میافتد؟
- اگر سامانه نتواند کار را انجام دهد چه میشود؟
برای محصولات هوش مصنوعی، این موضوع حتی مهمتر است؛ چون رفتار سامانه بخشی از تجربه محصول است.
یک نمونه اولیه ممکن است لازم باشد تولید محتوا، خطاها، اصلاحات، خروجیهای جایگزین، تأیید کاربر یا اجرای ابزارها را شبیهسازی کند؛ نه اینکه فقط انتقال میان چند صفحه را نمایش دهد.
پژوهشهای اخیر منتشرشده در کنفرانس تعامل انسان و رایانه نیز نشان دادهاند که تیمها بیش از گذشته از دستورهای متنی و محتوای تولیدشده در فرایند طراحی تکرارشونده استفاده میکنند، در حالی که با چالشهایی مانند قابلتفسیر بودن مدل، حساسیت به نحوه بیان دستور و وابستگی بیش از حد طراحی به نمونههای خاص مواجهاند.
این موضوع به تغییر مهمی در نقش نمونهسازی اشاره میکند:
تیمها دیگر فقط رابط کاربری را نمونهسازی نمیکنند؛ آنها بهطور فزایندهای رفتار هوش مصنوعی و رابطه میان این رفتار و رابط کاربری را نیز نمونهسازی میکنند.
طراحی برای محدودیتهای هوش مصنوعی
هوش مصنوعی طراحی را سریعتر میکند، اما همزمان شکلهایی از خطا را وارد محصول میکند که تیمهای نرمافزاری سنتی به این شکل با آنها مواجه نبودهاند.
سامانههای مولد میتوانند اطلاعاتی تولید کنند که ظاهری کاملا درست دارد اما در واقع نادرست است. ممکن است یک دستور را بسته به زمینه به شکل متفاوتی تفسیر کنند. کیفیت خروجی میتواند تغییر کند و رفتار سامانه نیز ممکن است با تغییر مدل، دستورها یا سیستمهای پیرامونی تغییر کند.
این موضوع تعریف ما از یک تجربه «کامل» را تغییر میدهد.
یک نرمافزار معمولی ممکن است در درجه اول بر مسیر موفقیت تمرکز کند.
اما یک محصول هوش مصنوعی باید از ابتدا به این فکر کند که اگر سامانه اشتباه کرد چه اتفاقی میافتد.
- آیا کاربر میتواند نتیجه را ویرایش کند؟
- آیا میتواند دوباره تلاش کند؟
- آیا میتواند بفهمد چرا سامانه به این نتیجه رسیده است؟
- آیا میتواند پیشنهاد را نادیده بگیرد؟
- آیا میتواند به وضعیت قبلی برگردد؟
- آیا میتواند تشخیص دهد تا چه اندازه باید به نتیجه اعتماد کند؟
آنها بخشی از مدل اصلی تعامل با محصول هستند.
طراحی برای عدم قطعیت، سوالات گستردهتری را در مورد مسئولیت، شفافیت و کنترل کاربر مطرح میکند، اصولی که به طور فزایندهای در طراحی تجربه کاربری اخلاقی اهمیت پیدا میکنند.
اعتماد به یک مسئله طراحی تبدیل میشود
وقتی کاربران با هوش مصنوعی تعامل میکنند، به طور دائم در حال تنظیم میزان اعتمادی هستند که باید به سامانه داشته باشند.اعتماد بیش از حد پایین باعث میشود محصول بیفایده به نظر برسد.
اعتماد بیش از حد بالا نیز میتواند خطرناک باشد.
این به معنای آن نیست که باید جزئیات فنی مدل را در اختیار همه کاربران قرار داد.
یک کاربر به ندرت نیاز دارد معماری یک مدل زبانی بزرگ را بداند.
اما ممکن است لازم باشد بداند پاسخ از کجا آمده، چه دادهای در شکلگیری یک پیشنهاد نقش داشته، آیا اطلاعات بررسی شده است یا سامانه قرار است چه اقدامی انجام دهد.
میزان شفافیت مناسب به زمینه استفاده بستگی دارد.
یک دستیار نویسنده شاید فقط لازم باشد نشان دهد متن توسط هوش مصنوعی تولید شده است.
یک محصول پژوهشی ممکن است به ارجاع و منبع نیاز داشته باشد.
یک محصول مالی ممکن است لازم باشد توضیح دهد کدام تراکنشها در شکلگیری یک پیشنهاد نقش داشتهاند.
یک عامل هوشمند سازمانی ممکن است نیاز داشته باشد سابقه اقداماتی را که انجام داده در اختیار کاربر قرار دهد.
هدف، بیشترین میزان شفافیت نیست.
هدف، شفافیت مفید است.
هوش مصنوعی نباید کنترل را از کاربر بگیرد
هرچه هوش مصنوعی توانمندتر میشود، خودکارسازی نیز جذابتر خواهد شد.
اما خودکارسازی باید مرز داشته باشد.
سامانهای که میتواند یک ایمیل را پیشنویس کند، احتمالا میتواند این کار را بهصورت خودکار انجام دهد.
اما سامانهای که میتواند پول انتقال دهد، سوابق را حذف کند، سندی را منتشر کند یا تنظیمات مهمی را تغییر دهد، معمولا باید فرصت بسیار بیشتری برای بررسی و تأیید کاربر فراهم کند.
میتوان این طیف را به شکل سادهای در نظر گرفت:
کمک ← پیشنهاد ← آمادهسازی ← تأیید ← اجرا
نقطه مناسب در این طیف به پیامدهای یک خطا بستگی دارد.
این موضوع در حوزههایی مانند خدمات مالی، سلامت، امنیت و عملیات سازمانی اهمیت بیشتری پیدا میکند.
برای مثال، یک دستیار مالی مبتنی بر هوش مصنوعی میتواند تراکنشهای کاربر را تحلیل کند، یک الگوی غیرعادی را تشخیص دهد، اقدامی را پیشنهاد کند و مراحل لازم برای انجام آن را آماده کند.
اما انتقال نهایی وجه میتواند همچنان تحت کنترل و تأیید صریح کاربر باقی بماند.
هوش مصنوعی پیچیدگی را مدیریت میکند. کاربر اختیار را حفظ میکند.
این تمایز زمانی اهمیت بیشتری پیدا میکند که عوامل هوشمند از پاسخ دادن به پرسشها فراتر بروند و شروع به تعامل مستقیم با سیستمها و ابزارهای خارجی کنند. پژوهشهای اخیر آنتروپیک درباره عوامل هوشمند قابلاعتماد نیز به ریسکهای بیشتری اشاره میکند که با افزایش خودمختاری به وجود میآیند؛ از جمله اقدامات ناخواسته ناشی از برداشت نادرست از نیت کاربر و حملاتی مانند تزریق دستور.
محصولات هوش مصنوعی باید برای خطا و شکست طراحی شوند
تأخیر در پاسخ، خطا در ابزارها، پاسخهای ناقص، محدودیتهای ایمنی و خروجیهای غیرمنتظره، همگی بخشی از واقعیت محصولات مبتنی بر هوش مصنوعی هستند.
برای یک فرایند طولانی که توسط هوش مصنوعی انجام میشود، یک انیمیشن ساده بارگذاری معمولا کافی نیست.
اگر سیستم در حال جستوجوی اطلاعات، تولید یک گزارش، فراخوانی چند ابزار یا انجام یک فرایند چندمرحلهای است، بهتر است کاربر بداند سیستم به طور فعال در حال انجام کار است و در صورت امکان، در چه مرحلهای قرار دارد.
تجربه کاربری همچنین باید زمانی که چیزی درست پیش نمیرود، پاسخ روشنی داشته باشد.
بهجای:
مشکلی پیش آمد.
محصول باید به چند سؤال اساسی پاسخ دهد:
- چه چیزی با خطا مواجه شده است؟
- آیا اقدامی انجام شده است؟
- آیا باید دوباره تلاش کنم؟
- آیا لازم است درخواست خود را تغییر دهم؟
- آیا فرایند هنوز در حال انجام است؟
- آیا میتوانم با خیال راحت ادامه دهم؟
رفتار ناقص سیستم، بخشی از خود محصول است.
خطر طراحیهای کلیشهای در محصولات هوش مصنوعی
مشکل دیگری وجود دارد که کمتر به قابلیت اطمینان هوش مصنوعی و بیشتر به تمایز محصول مربوط میشود.
هوش مصنوعی در تولید الگوهای آشنا بسیار توانمند است.
اگر توضیحی درباره یک داشبورد مدرن SaaS به آن بدهید، احتمالا چیزی تولید میکند که شبیه یک داشبورد مدرن SaaS باشد.
اگر توضیحی درباره یک دستیار هوش مصنوعی بدهید، ممکن است یک فیلد دستور، حبابهای پیام، کارتها و اقدامات پیشنهادی دریافت کنید.
هیچ اشکال ذاتی در این الگوها وجود ندارد.
مشکل از جایی شروع میشود که این الگوها به راهحل همه مسائل تبدیل شوند.
اگر تمام محصولات از دستورهای مشابه، مؤلفههای مشابه، چیدمانهای مشابه و الگوهای تعاملی مشابه استفاده کنند، ممکن است هزینه تولید رابط کاربری کاهش پیدا کند، اما در مقابل، ایجاد یک تجربه متمایز دشوارتر شود.
به همین دلیل، هویت برند، استراتژی محصول، طراحی تعامل و دانش حوزه اهمیت بیشتری پیدا میکنند، نه کمتر.
هوش مصنوعی میتواند گزینههای مختلفی تولید کند.
اما نباید تعیین کند که چه چیزی محصول شما را منحصربهفرد میکند.
نقش طراح محصول در حال تغییر است
هوش مصنوعی نیاز به طراحان محصول را از بین نمیبرد؛ بلکه جایی را که ارزش آنها در آن متمرکز است تغییر میدهد.
وقتی یک ماشین میتواند در چند دقیقه ده ایده مختلف برای رابط کاربری تولید کند، تولید یک رابط کاربری دیگر مهارت کمیابی نیست.
مهارتهای کمیابتر تبدیل میشوند به قضاوت، درک زمینه، تفکر سیستمی و تصمیمگیری.
یک طراح محصول خوب همچنان باید کاربران، معماری اطلاعات، الگوهای تعامل، سلسلهمراتب بصری، دسترسپذیری و سیستمهای طراحی را بهخوبی بشناسد.
اما در کنار آن، باید بداند هوش چگونه رفتار میکند، چطور خروجیهای تولیدشده را ارزیابی کند، چگونه راهحلهای کلیشهای را تشخیص دهد و چگونه برای عدم قطعیت طراحی کند.
این تغییر، نقش طراح را از تولیدکننده صرف به انتخابگر و هدایتکننده نزدیکتر میکند.
طراح بیش از پیش باید بتواند تصمیم بگیرد:
- کدام ایده ارزش بررسی دارد؟
- کدام خروجی باید کنار گذاشته شود؟
- کاربر واقعا به چه چیزی نیاز دارد؟
- مدل چه چیزی را متوجه نشده است؟
- اگر سیستم اشتباه کند چه اتفاقی میافتد؟
- کدام بخشها باید خودکار شوند؟
- کاربر در کدام نقاط باید همچنان کنترل را در اختیار داشته باشد؟
استراتژیکتر شده است.
پژوهشهای اخیر ارائهشده در کنفرانس CHI درباره نمونهسازی با هوش مصنوعی مولد نیز به تغییر نقشها میان طراحان، مدیران محصول و مهندسان اشاره میکند؛ بهطوری که این تیمها بهصورت مشترک روی دستورها، نمونهها، اهداف طراحی و معیارهای ارزیابی کار میکنند.
طراحی محصول با هوش مصنوعی به تفکر سیستمی قویتری نیاز دارد
هرچه یک محصول پیچیدهتر باشد، فکر کردن درباره آن فقط بر اساس صفحهها کاربرد کمتری پیدا میکند.یک اپلیکیشن مالی فقط مجموعهای از صفحههای حساب، کارت، پرداخت و تراکنش نیست.
این محصول در واقع سیستمی از وضعیتها، مجوزها، قوانین کسبوکار، دادهها، یکپارچهسازیها، رویدادها و تصمیمهای کاربر است.
همین موضوع درباره محصولات مبتنی بر هوش مصنوعی نیز صدق میکند.
یک دستیار هوش مصنوعی فقط این نیست:
دستور ← پاسخ
در عمل ممکن است این باشد:
منظور کاربر ← زمینه ← مدل ← ابزارها ← وضعیتهای میانی ← خروجی ← بررسی ← اقدام
هر یک از این مراحل میتواند یک سؤال درباره تجربه کاربری ایجاد کند.
- هوش مصنوعی چه زمینه و اطلاعاتی در اختیار دارد؟
- اگر این زمینه ناقص باشد چه اتفاقی میافتد؟
- به چه ابزارهایی دسترسی دارد؟
- اگر یکی از این ابزارها با خطا مواجه شود چه اتفاقی میافتد؟
- کاربر از کجا میفهمد چه اقدامی انجام شده است؟
- آیا کاربر میتواند آن را برگرداند؟
- سیستم چه زمانی از کاربر تأیید میگیرد؟
به همین دلیل، طراحی محصول با هوش مصنوعی از همکاری نزدیک میان طراحان، مدیران محصول، مهندسان و متخصصان هوش مصنوعی بهره میبرد.
ابزارهای طراحی با هوش مصنوعی را بر اساس نیاز انتخاب کنید، نه هیاهو
اکوسیستم ابزارهای طراحی مبتنی بر هوش مصنوعی با سرعت زیادی در حال تغییر است؛ به همین دلیل، ارائه یک فهرست دائمی از «بهترین ابزارها» چندان کاربردی نخواهد بود.رویکرد بهتر این است که ابزارها را بر اساس کاری که قرار است انجام دهند انتخاب کنیم.
مدلهای زبانی بزرگ میتوانند در ترکیب و جمعبندی یافتههای تحقیق، ایدهپردازی، بررسی و توسعه محتوا و استدلال کمک کنند.
پلتفرمهای طراحی میتوانند برای بررسی رابطها، کار با مؤلفهها و ساخت نمونههای اولیه بصری مفید باشند.
ابزارهای آگاه از کد میتوانند مفاهیم طراحی را به نرمافزار قابل اجرا نزدیکتر کنند.
سیستمهای عاملمحور نیز میتوانند از فرایندهای پیچیدهتری پشتیبانی کنند که شامل ابزارها، حافظه و چندین مرحله هستند.
سؤال مهم این نیست:
«تیم ما باید از کدام ابزار هوش مصنوعی استفاده کند؟»
سؤال بهتر این است:
«کدام بخش از فرایند کاری ما در حال حاضر پرهزینه، تکراری یا دشوار برای بررسی است؟»
این سؤال، انتخاب ابزار را بسیار واقعبینانهتر میکند.
تیمهای قوی حتی ممکن است در نهایت از ابزارهای کمتری استفاده کنند، نه بیشتر؛ چون میدانند هر ابزار در کدام بخش از فرایند برایشان ارزش ایجاد میکند.
چگونه بدون از دست دادن فرآیند طراحی از هوش مصنوعی استفاده کنیم؟
یک قاعده عملی برای طراحی محصول با کمک هوش مصنوعی ساده است:از هوش مصنوعی برای سریعتر کردن اکتشاف استفاده کنید، نه برای واگذار کردن قضاوت.
-
- اجازه دهید هوش مصنوعی به شما در گسترش دامنه گزینهها کمک کند.
- اجازه دهید انسان عمق و درک را فراهم کند.
-
- اجازه دهید هوش مصنوعی گزینههای مختلف تولید کند.
- اجازه دهید انسان مسیر را انتخاب کند.
-
- اجازه دهید هوش مصنوعی اطلاعات را پردازش کند.
- اجازه دهید انسان معنای آن را تفسیر کند.
-
- اجازه دهید هوش مصنوعی پیشنویس اولیه را تولید کند.
- اجازه دهید انسان تصمیم بگیرد که آیا آن پیشنویس به اندازه کافی خوب است یا نه.
یک تیم محصول ممکن است بیش از هر زمان دیگری خروجی و مصنوعات طراحی تولید کند، در حالی که شناخت بسیار کمی از این داشته باشد که آیا محصول واقعا برای کاربران کار میکند یا نه.
پاسخ، کنار گذاشتن هوش مصنوعی نیست.
بلکه باید اعتبارسنجی را درون خود فرآیند نگه داشت.
تحقیق. اکتشاف. نمونهسازی. تست. یادگیری. تغییر.
و دوباره همین چرخه و تکرار.
آینده طراحی محصول با هوش مصنوعی
بعید است نسل بعدی طراحی محصول با یک ابزار مشخص هوش مصنوعی تعریف شود.
تغییر بزرگتر این است که مرز میان تحقیق، طراحی، نمونهسازی و توسعه در حال کمرنگتر شدن است.
ایدهها میتوانند سریعتر به نمونه اولیه تبدیل شوند.
نمونههای اولیه میتوانند سریعتر به رابطهای قابل اجرا تبدیل شوند.
طراحان میتوانند زودتر در بررسیهای فنی مشارکت کنند.
توسعهدهندگان میتوانند در مراحل اولیه فرآیند روی رفتار محصول تأثیر بگذارند.
و خود سیستمهای هوش مصنوعی نیز در حال توانمندتر شدن برای کار میان ابزارها و برنامههای مختلف هستند. برای مثال، راهنمای فعلی Anthropic درباره سیستمهای عاملمحور، میان سیستمهای ساده مبتنی بر درخواست و پاسخ و عاملهای خودمختارتری که استدلال میکنند، از ابزارها استفاده میکنند و رویکرد خود را با شرایط تطبیق میدهند، تفاوت قائل میشود.
این یعنی طراح محصول آینده، بیش از پیش باید درباره سیستمها، رفتار و مرزها فکر کند، نه فقط صفحهها.
سؤال مهم این نخواهد بود که آیا هوش مصنوعی میتواند یک طراحی تولید کند یا نه.
سؤال این خواهد بود که آیا تیم میتواند با استفاده از هوش مصنوعی به یک تصمیم بهتر درباره محصول برسد یا نه.
و این، معیار بسیار بالاتری است.
طراحی با هوش مصنوعی، نه فقط طراحی سریعتر
هوش مصنوعی اجرای فرایند طراحی محصول را سریعتر میکند، اما سرعت، تحول اصلی نیست.تحول واقعی در این است که میتوان گزینههای بیشتری را بررسی کرد، زودتر آزمایش کرد و پیش از آنکه تصمیمهای پرهزینه بهسختی قابل بازگشت شوند، از آنها یاد گرفت.
یک فرایند مناسب طراحی محصول با کمک هوش مصنوعی، از AI در جایی استفاده میکند که بیشترین توانایی را دارد: پردازش اطلاعات، تولید گزینهها، سرعت بخشیدن به اجرا و کاهش کارهای تکراری.
در عین حال، مسئولیت کارهایی که به زمینه و قضاوت نیاز دارند همچنان با انسان باقی میماند: درک کاربران، تعریف مسئله، ایجاد تعادل میان گزینهها، اعتبارسنجی فرضیات و تصمیمگیری درباره اینکه چه چیزی باید وجود داشته باشد.
و زمانی که هوش مصنوعی خودش به بخشی از محصول تبدیل میشود، چالش طراحی گستردهتر خواهد شد.
نتیجه، آیندهای بدون طراح نیست.
بلکه آیندهای است که در آن قضاوت درست در طراحی ارزشمندتر میشود، چون تولید خودِ محصول آسانتر شده است.
در استودیو youx، ما نیز به طراحی محصول با هوش مصنوعی از همین منظر نگاه میکنیم. از هوش مصنوعی برای سرعت بخشیدن به تحقیق، اکتشاف، نمونهسازی و تکرار استفاده میکنیم؛ در حالی که استراتژی محصول، شناخت کاربر و قضاوت طراحی همچنان در مرکز فرآیند باقی میمانند.
چون هدف، تولید رابطهای کاربری بیشتر نیست.
هدف، ساخت محصولات بهتر و تصمیمگیری بهتر، پیش از آن است که این تصمیمها پرهزینه شوند.
در حال ساخت یک محصول مبتنی بر هوش مصنوعی هستید؟
چه در حال بررسی یک محصول جدید مبتنی بر هوش مصنوعی باشید، چه بخواهید قابلیتهای هوشمند را به یک پلتفرم SaaS موجود اضافه کنید یا یک فرایند پیچیدهتر مبتنی بر اتوماسیون طراحی کنید، فرایند درست طراحی محصول میتواند به شما کمک کند پیش از متعهد شدن به توسعه کامل، تجربه محصول را بهتر درک کنید.استودیو youx به تیمها کمک میکند قابلیتهای پیچیده هوش مصنوعی را به تجربههایی واضح، قابلاستفاده و مقیاسپذیر تبدیل کنند؛ از مرحله کشف و نمونهسازی اولیه تا طراحی محصول در سطح کامل.
