Заставьте ваши продукты ИИ сотрудничать с людьми для достижения их целей
В предыдущем посте я представил идею о том, что ИИ не окажет огромного финансового влияния, которое предсказывали аналитики. Это связано с тем, что большинство проблем, которые предполагается решать (с помощью предписывающей аналитики), сложны по своей природе, и поэтому их очень трудно решить с помощью статической системы. Такие методы, как обучение с подкреплением, продвигаются к созданию систем, которые адаптируются к изменяющимся условиям (и прогресс был достигнут со времени моего первоначального поста на эту тему), но они по-прежнему требуют либо надежного моделирования проблемы, либо работы с миллиардом пользователей. база данных по размеру.
К счастью, еще одна область прогресса — это дополненный ИИ или ИИ «человек в цикле». В этом посте я собираюсь конкретизировать идею адаптивной аналитики, в которой основное внимание уделяется обучению людей в каждом процессе, чтобы совместно решать сложные проблемы.
Начните с признания того, что люди помогут
Процесс создания адаптивных систем искусственного интеллекта «человек в цикле» будет выглядеть иначе, чем ваш традиционный процесс разработки искусственного интеллекта. Ваша команда должна начать с представления будущего состояния, в котором система интегрируется в бизнес или мир в целом для решения проблемы, по-настоящему сотрудничая с людьми на этом пути.
Совместное создание ИИ происходит, когда агент ИИ взаимодействует с сотрудниками-людьми, которые постепенно предоставляют агенту больше информации. Они работают вместе, чтобы обнаружить и оптимизировать цель.
Это усложняет процесс проектирования с целью компенсировать его полученными результатами. Я обнаружил, что здесь могут помочь методы, представленные Клейтоном Кристенсеном в Соревновании с удачей и расширенные в последующей литературе Работа, которую нужно выполнить. Это включает в себя ряд вопросов, которые не имеют ничего общего с самой предписывающей моделью:
Кто сегодня занимается решением этой проблемы? какие роли они играют?
- Каковы их мотивы для работы с системой? в более широком смысле?
- Каким социальным системам присущ процесс
- Как вы можете получить их отзывы, не перебивая их?
Вы можете многое прочитать о работе, которую необходимо выполнить, и полная структура представлена в Атласе вакансий. С первоначальным пониманием многогранных целей заинтересованных сторон в вашей системе вы можете приступить к разработке системы для совместной работы с ними.
Затем проявите эмпатию, используя методы дизайна опыта.
Проекты адаптивной аналитики начнутся с методов, разработанных сообществом разработчиков пользовательского интерфейса. Здесь будут полезны такие приемы, как Карты методов от Ideo:
ОБУЧЕНИЕ:анализ активности, диаграммы сходства, анализ потоков
ПОСМОТРЕТЬ: Один день из жизни, Fly on the Wall, замедленная съемка
СПРОСИТЕ: повествование, когнитивные карты, пять «почему», опросы и анкеты.
ПОПРОБУЙТЕ:прототипирование бумаги, заголовки новостей следующего года, ролевая игра
Повторное изучение целей ваших заинтересованных сторон
Самый распространенный ответ, если просто спросить стейкхолдеров, что им нужно: «Я не знаю». Большинство людей на самом деле не знают своих точных целей, просто они поймут их со временем. Это означает, что создание адаптивной системы искусственного интеллекта должно итеративно изучать свои цели с течением времени, собирая дополнительную информацию. В предыдущем посте я представил 4 различных цикла обратной связи, которые позволяют обнаруживать и отслеживать цели, позволяя изменять цели заинтересованных сторон с течением времени, так что вы по-прежнему помогаете им достигать положительных результатов. Точная цель, к которой вы стремитесь, может немного измениться, и методы, которые вы используете для достижения этой цели, определенно изменятся.
Создание адаптивных возможностей: петли обратной связи
Если вы согласны с тем, что лучшее решение со временем будет меняться, и что проблема также может измениться, то ваша система должна измерять эти изменения, чтобы действительно оптимизировать их. Встраивание петель обратной связи в вашу систему позволяет проводить измерения и адаптацию на нескольких уровнях. Имея это в виду, давайте подробно рассмотрим 4 цикла обратной связи.
Интерактивный цикл
Самый короткий посередине: интерактивный цикл.
Можно представить себе систему Gong.io, описанную в Части 1 этой серии, спрашивающую, почему продавец проигнорировал или прислушался к их совету в определенный момент разговора (который может быть рекомендовано изменить тон или перейти от введения к демонстрации). Эта реакция дает им больше информации, которую я затем могу использовать непосредственно при следующем взаимодействии, чтобы помочь дать лучшую рекомендацию или, по крайней мере, более персонализированную. Системы онлайн-обучения, такие как Multi-arm Bandits, являются хорошими примерами агентов, которые учатся на лету на действиях пользователя.
Автоматический цикл
Выдвинув одну из них, вы получите автоматизированный цикл, который позволяет повторно обучать новую модель, чтобы использовать преимущества всех взаимодействий во всей системе. Чтобы включить этот цикл, все данные о взаимодействии и как можно больше контекстных данных должны быть собраны на границе. Затем его необходимо агрегировать с репрезентативным набором, хранящимся в озере данных. См. мой доклад об архитектуре туманных вычислений, если вам интересно узнать больше об этом процессе. Оттуда система может затем обучать лучший набор глобальных моделей, используя принципы MLOps.
Аналитический цикл
Следующий цикл касается внесения изменений в данные, которые вы собираете, и/или способ представления рекомендаций вашему соавтору.
Продолжая наш пример поддержки агента по продажам: соединение данных опроса Net Promoter Score с подробностями, полученными в процессе продажи, позволяет понять, как клиенты относятся к тому, что происходило во время звонка. Кроме того, если продавец сообщает, что причина, по которой он не следует совету системы, заключается в том, что он его не видит, команда разработчиков системы может изменить способ представления результатов пользователю. Например, если весь экран на компьютере занят видеочатом, решением может быть отправка оповещений на телефон, а продавец может оставить его рядом с экраном.
Ключом к этому циклу является то, что анализ происходит в автономном режиме, и улучшения не ограничиваются самой моделью, а могут быть внесены во всю систему.
Петля расширения
Последний цикл заключается в расширении частей проблемы, покрываемых системой. Обычно это происходит с помощью традиционных методов проектирования, когда люди наблюдают за использованием системы в искусственной лабораторной среде. С доступной сейчас технологией вы можете собирать часть той же самой информации, но делать это в масштабе. Используя видеозаписи использования вашей системы, вы в конечном итоге сможете масштабировать некоторые методы сообщества дизайнеров, вместо того, чтобы синтезировать данные вручную. Оцифровав некоторые из этих процессов, вы сможете улучшить следующую версию своей системы.
Циклический процесс выглядит следующим образом:
- Соавтор, с которым вы работаете, информирует вас о чем-то, и вы принимаете эти данные во внимание и делаете другой набор предложений. Этот процесс повторяется много раз.
- Затем, собирая данные и запуская их обратно через облачную систему для обучения новых моделей, вы создаете правильную модель для каждого человека или группы, с которыми вы работаете, и возвращаете их обратно в систему.
- В аналитическом цикле вы работаете с командой разработчиков над автоматизацией различных типов сбора данных, а специалисты по данным исследуют и анализируют эти данные для разработки новых и лучших моделей, объединяющих эти данные в существующий набор, построенный поверх. Кроме того, команда начинает вносить изменения в пользовательский опыт, чтобы максимизировать эффективность модели для каждого соавтора (например, то, как вы отправляете сообщения людям).
- Наконец, самое внешнее кольцо расширения включает в себя ручной сбор данных, которые, возможно, никогда не будут включены непосредственно в построение модели, но предназначены для предоставления людям информации, необходимой им для корректировки решаемых проблем системного уровня. Это позволяет оптимизировать финансовые показатели бизнес-уровня, на которые McKinsey указала в своей статье.
Без согласованной работы всех четырех циклов разрыв в ценности ИИ будет сохраняться. Однако, по моему опыту, большинство групп данных сосредоточено исключительно на интерактивных и автоматизированных циклах. Для реализации более широкого видения требуется сотрудничество между группами данных, опыта, дизайна продукта и бизнес-архитектуры. В следующем посте мы рассмотрим структуру и дорожную карту для организаций, которые только начинают разрабатывать адаптивные системы ИИ с течением времени.
Еще из этой серии:
