স্বায়ত্তশাসিত এজেন্টদের জন্য ডিজাইন করা একটি অনন্য হতাশা উপস্থাপন করে। আমরা একটি AI এর কাছে একটি জটিল কাজ হস্তান্তর করি, এটি 30 সেকেন্ডের (বা 30 মিনিট) জন্য অদৃশ্য হয়ে যায় এবং তারপরে এটি ফলাফল নিয়ে ফিরে আসে। আমরা পর্দার দিকে তাকাই। এটা কি কাজ করেছে? এটা কি হ্যালুসিনেট ছিল? এটা কি কমপ্লায়েন্স ডাটাবেস চেক করেছে নাকি সেই ধাপটি এড়িয়ে গেছে? আমরা সাধারণত দুটি চরমের একটি দিয়ে এই উদ্বেগের প্রতিক্রিয়া জানাই। আমরা হয় সিস্টেমটিকে একটি ব্ল্যাক বক্স রাখি, সরলতা বজায় রাখার জন্য সবকিছু লুকিয়ে রাখি, অথবা আমরা আতঙ্কিত হই এবং একটি ডেটা ডাম্প সরবরাহ করি, প্রতিটি লগ লাইন এবং ব্যবহারকারীকে API কল স্ট্রিমিং করি। কোন পদ্ধতিই ব্যবহারকারীদের স্বচ্ছতার আদর্শ স্তর প্রদান করার জন্য প্রয়োজনীয় সূক্ষ্মতাকে সরাসরি সম্বোধন করে না। ব্ল্যাক বক্স ব্যবহারকারীদের শক্তিহীন বোধ করে। ডেটা ডাম্প নোটিফিকেশন অন্ধত্ব তৈরি করে, এজেন্ট যে কার্যকারিতা দেওয়ার প্রতিশ্রুতি দিয়েছে তা ধ্বংস করে। ব্যবহারকারীরা তথ্যের ধ্রুবক প্রবাহকে উপেক্ষা করে যতক্ষণ না কিছু ভেঙে যায়, এই সময়ে তাদের ঠিক করার প্রসঙ্গ নেই। আমরা ভারসাম্য খুঁজে একটি সংগঠিত উপায় প্রয়োজন. আমার আগের নিবন্ধে, "এজেন্টিক AI এর জন্য ডিজাইন করা", আমরা এমন ইন্টারফেস উপাদানগুলি দেখেছি যা বিশ্বাস তৈরি করে, যেমন AI এর উদ্দেশ্যমূলক ক্রিয়াটি আগেই দেখানো (ইন্টেন্ট প্রিভিউ) এবং ব্যবহারকারীদের AI তার নিজের উপর কতটা নিয়ন্ত্রণ করে (স্বয়ংক্রিয়তা ডায়ালস)। কিন্তু কোন উপাদান ব্যবহার করতে হবে তা জানা চ্যালেঞ্জের অংশ মাত্র। ডিজাইনারদের জন্য কঠিন প্রশ্ন হল সেগুলি কখন ব্যবহার করতে হবে তা জানা। 30-সেকেন্ডের ওয়ার্কফ্লোতে কোন নির্দিষ্ট মুহুর্তটির জন্য একটি ইন্টেন্ট প্রিভিউ প্রয়োজন এবং কোনটি একটি সাধারণ লগ এন্ট্রি দিয়ে পরিচালনা করা যেতে পারে তা আপনি কীভাবে জানেন? এই নিবন্ধটি সেই প্রশ্নের উত্তর দেওয়ার একটি পদ্ধতি প্রদান করে। আমরা ডিসিশন নোড অডিটের মাধ্যমে হাঁটব। এই প্রক্রিয়াটি ইউজার ইন্টারফেসে ব্যাকএন্ড লজিক ম্যাপ করার জন্য ডিজাইনার এবং ইঞ্জিনিয়ারদের একই রুমে পায়। আপনি শিখবেন কিভাবে সঠিক মুহূর্তগুলিকে চিহ্নিত করতে হয় যে AI কী করছে সে সম্পর্কে একজন ব্যবহারকারীর আপডেটের প্রয়োজন। আমরা একটি ইমপ্যাক্ট/রিস্ক ম্যাট্রিক্সও কভার করব যা কোন ডিসিশন নোডগুলিকে প্রদর্শন করতে হবে এবং সেই সিদ্ধান্তের সাথে যুক্ত করা কোন সংশ্লিষ্ট ডিজাইন প্যাটার্নকে অগ্রাধিকার দিতে সাহায্য করবে। স্বচ্ছতা মুহূর্ত: একটি কেস স্টাডি উদাহরণ মেরিডিয়ান (আসল নাম নয়) বিবেচনা করুন, একটি বীমা কোম্পানি যা প্রাথমিক দুর্ঘটনার দাবিগুলি প্রক্রিয়া করার জন্য একটি এজেন্টিক এআই ব্যবহার করে। ব্যবহারকারী গাড়ির ক্ষতির ছবি এবং পুলিশ রিপোর্ট আপলোড করে। ঝুঁকি মূল্যায়ন এবং একটি প্রস্তাবিত অর্থপ্রদানের পরিসর নিয়ে ফিরে আসার আগে এজেন্ট এক মিনিটের জন্য অদৃশ্য হয়ে যায়। প্রাথমিকভাবে, মেরিডিয়ানের ইন্টারফেস কেবল দাবির স্থিতি গণনা করত। ব্যবহারকারীরা হতাশা বেড়েছে। তারা বেশ কিছু বিশদ নথি জমা দিয়েছে এবং এআই এমনকি পুলিশ রিপোর্ট পর্যালোচনা করেছে কিনা তা নিয়ে অনিশ্চিত বোধ করেছে, যাতে পরিস্থিতি প্রশমিত করা হয়েছে। ব্ল্যাক বক্স অবিশ্বাস তৈরি করেছে। এটি ঠিক করার জন্য, নকশা দল একটি সিদ্ধান্ত নোড অডিট পরিচালনা করেছে। তারা দেখতে পেল যে AI তিনটি স্বতন্ত্র, সম্ভাব্যতা-ভিত্তিক পদক্ষেপগুলি সম্পাদন করেছে, যেখানে অসংখ্য ছোট পদক্ষেপ এমবেড করা আছে:
চিত্র বিশ্লেষণ এজেন্ট মেরামতের খরচ অনুমান করার জন্য সাধারণ গাড়ি দুর্ঘটনার পরিস্থিতিগুলির একটি ডাটাবেসের সাথে ক্ষতির ফটোগুলি তুলনা করে। এটি একটি আত্মবিশ্বাস স্কোর জড়িত. টেক্সচুয়াল রিভিউআইটি দায়বদ্ধতাকে প্রভাবিত করে এমন কীওয়ার্ডগুলির জন্য পুলিশ রিপোর্টটি স্ক্যান করে (যেমন, ত্রুটি, আবহাওয়ার অবস্থা, সংযম)। এটি আইনি অবস্থানের একটি সম্ভাব্যতা মূল্যায়ন জড়িত. পলিসি ক্রস রেফারেন্সএটি ব্যবহারকারীর নির্দিষ্ট নীতির শর্তাবলী, ব্যতিক্রম বা কভারেজ সীমার জন্য অনুসন্ধান করা দাবির বিবরণের সাথে মিলেছে। এর সাথে সম্ভাব্য মিল জড়িত।
দলটি এই পদক্ষেপগুলিকে স্বচ্ছতার মুহূর্তে পরিণত করেছে। ইন্টারফেস সিকোয়েন্স এতে আপডেট করা হয়েছে:
ক্ষতির ছবি মূল্যায়ন: 500 গাড়ির প্রভাব প্রোফাইলের সাথে তুলনা করা। পুলিশ রিপোর্ট পর্যালোচনা করা: দায়বদ্ধতা কীওয়ার্ড এবং আইনি নজির বিশ্লেষণ করা। পলিসি কভারেজ যাচাই করা: আপনার পরিকল্পনায় নির্দিষ্ট বর্জনের জন্য পরীক্ষা করা হচ্ছে।
সিস্টেমটি এখনও একই পরিমাণ সময় নিয়েছে, কিন্তু এজেন্টের অভ্যন্তরীণ কাজ সম্পর্কে স্পষ্ট যোগাযোগ ব্যবহারকারীর আস্থা পুনরুদ্ধার করেছে। ব্যবহারকারীরা বুঝতে পেরেছিলেন যে AI এটির জন্য ডিজাইন করা জটিল কাজটি সম্পাদন করছে এবং চূড়ান্ত মূল্যায়নটি সঠিক না হলে তারা ঠিক কোথায় তাদের মনোযোগ কেন্দ্রীভূত করবে তা তারা জানত। এই নকশা পছন্দ ব্যবহারকারীর সাথে সংযোগের একটি মুহূর্ত উদ্বেগ একটি মুহূর্ত রূপান্তরিত. প্রভাব/ঝুঁকি ম্যাট্রিক্স প্রয়োগ করা: আমরা কী লুকানোর জন্য বেছে নিয়েছি বেশিরভাগ AI অভিজ্ঞতায় ইভেন্ট এবং সিদ্ধান্ত নোডের কোন অভাব নেই যা প্রক্রিয়াকরণের সময় সম্ভাব্যভাবে প্রদর্শিত হতে পারে। নিরীক্ষার সবচেয়ে গুরুত্বপূর্ণ ফলাফলগুলির মধ্যে একটি ছিল কী অদৃশ্য রাখতে হবে তা নির্ধারণ করা। মেরিডিয়ান উদাহরণে, ব্যাকএন্ড লগ প্রতি দাবিতে 50+ ইভেন্ট তৈরি করেছে। আমরা প্রতিটি ইভেন্ট প্রদর্শন করতে ডিফল্ট হতে পারতাম কারণ সেগুলি UI এর অংশ হিসাবে প্রক্রিয়া করা হয়েছিল। পরিবর্তে, আমরা তাদের ছাঁটাই করতে ঝুঁকি ম্যাট্রিক্স প্রয়োগ করেছি:
লগ ইভেন্ট: Pinging সার্ভাররিডানডেন্সি চেকের জন্য পশ্চিম-2। ফিল্টার রায়: লুকান। (নিম্ন স্টেক, উচ্চ প্রযুক্তিগততা)।
লগ ইভেন্ট: ব্লুবুক মানের সাথে মেরামতের অনুমানের তুলনা করা। ফিল্টার রায়: দেখান। (উচ্চ স্টেক, ব্যবহারকারীর অর্থপ্রদানকে প্রভাবিত করে)।
অপ্রয়োজনীয় বিবরণ কেটে দিয়ে, গুরুত্বপূর্ণ তথ্য - যেমন কভারেজ যাচাইকরণ - আরও প্রভাবশালী ছিল। আমরা একটি খোলা ইন্টারফেস তৈরি করেছি এবং একটি খোলা অভিজ্ঞতা ডিজাইন করেছি। এই পদ্ধতিটি এই ধারণাটি ব্যবহার করে যে লোকেরা একটি পরিষেবা সম্পর্কে ভাল বোধ করে যখন তারা কাজটি করা দেখতে পায়। নির্দিষ্ট পদক্ষেপগুলি দেখিয়ে (মূল্যায়ন, পর্যালোচনা, যাচাইকরণ), আমরা 30-সেকেন্ডের অপেক্ষাকে দুশ্চিন্তার সময় ("এটি কি ভেঙে গেছে?") থেকে মূল্যবান কিছু তৈরি করা হচ্ছে বলে মনে করার সময়ে পরিবর্তন করেছি ("এটি চিন্তাভাবনা")। আসুন এখন ঘনিষ্ঠভাবে দেখে নেওয়া যাক কীভাবে আমরা আমাদের পণ্যগুলিতে সিদ্ধান্ত নেওয়ার প্রক্রিয়া পর্যালোচনা করতে পারি যাতে স্পষ্ট তথ্যের প্রয়োজন হয় এমন গুরুত্বপূর্ণ মুহূর্তগুলি সনাক্ত করতে। ডিসিশন নোড অডিট স্বচ্ছতা ব্যর্থ হয় যখন আমরা এটিকে একটি কার্যকরী প্রয়োজনীয়তার পরিবর্তে একটি শৈলী পছন্দ হিসাবে বিবেচনা করি। আমাদের জিজ্ঞাসা করার প্রবণতা রয়েছে, "UI দেখতে কেমন হওয়া উচিত?" আমরা জিজ্ঞাসা করার আগে, "এজেন্ট আসলে কি সিদ্ধান্ত নিচ্ছে?" ডিসিশন নোড অডিট হল AI সিস্টেমগুলিকে বোঝা সহজ করার একটি সহজ উপায়। এটি সিস্টেমের অভ্যন্তরীণ প্রক্রিয়াটিকে সাবধানে ম্যাপ করে কাজ করে। মূল লক্ষ্য হল সঠিক মুহূর্তগুলি খুঁজে বের করা এবং স্পষ্টভাবে সংজ্ঞায়িত করা যেখানে সিস্টেমটি তার নির্ধারিত নিয়মগুলি অনুসরণ করা বন্ধ করে দেয় এবং পরিবর্তে সুযোগ বা অনুমানের উপর ভিত্তি করে একটি পছন্দ করে। এই কাঠামোর ম্যাপিংয়ের মাধ্যমে, নির্মাতারা সিস্টেম ব্যবহার করে লোকেদের কাছে এই অনিশ্চয়তার পয়েন্টগুলি সরাসরি দেখাতে পারেন। এটি সিস্টেম আপডেটগুলিকে অস্পষ্ট বিবৃতি থেকে নির্দিষ্ট, নির্ভরযোগ্য প্রতিবেদনে পরিবর্তন করে কিভাবে এআই তার সিদ্ধান্তে পৌঁছেছে। উপরে বীমা কেস স্টাডি ছাড়াও, আমি সম্প্রতি একটি সংগ্রহকারী এজেন্ট তৈরির একটি দলের সাথে কাজ করেছি। সিস্টেম বিক্রেতা চুক্তি পর্যালোচনা এবং পতাকাঙ্কিত ঝুঁকি. মূলত, স্ক্রীনটি একটি সাধারণ অগ্রগতি বার প্রদর্শন করে: "চুক্তি পর্যালোচনা করা।" ব্যবহারকারীরা এটি ঘৃণা করেছেন। আমাদের গবেষণা নির্দেশ করে যে তারা একটি অনুপস্থিত ধারার আইনি প্রভাব সম্পর্কে উদ্বিগ্ন বোধ করেছে। আমরা একটি ডিসিশন নোড অডিট পরিচালনা করে এটি ঠিক করেছি। আমি এই নিবন্ধের উপসংহারে এই অডিট পরিচালনার জন্য একটি ধাপে ধাপে চেকলিস্ট অন্তর্ভুক্ত করেছি। আমরা ইঞ্জিনিয়ারদের সাথে একটি সেশন চালিয়েছি এবং সিস্টেমটি কীভাবে কাজ করে তার রূপরেখা দিয়েছি। আমরা "সিদ্ধান্তের পয়েন্ট" চিহ্নিত করেছি - এমন মুহূর্ত যেখানে AI কে দুটি ভাল বিকল্পের মধ্যে বেছে নিতে হয়েছিল। স্ট্যান্ডার্ড কম্পিউটার প্রোগ্রামগুলিতে, প্রক্রিয়াটি পরিষ্কার: যদি A ঘটে, তবে B সর্বদা ঘটবে। এআই সিস্টেমে, প্রক্রিয়াটি প্রায়ই সুযোগের উপর ভিত্তি করে। এআই মনে করে A সম্ভবত সেরা পছন্দ, তবে এটি শুধুমাত্র 65% নিশ্চিত হতে পারে। চুক্তি ব্যবস্থায়, আমরা এমন একটি মুহূর্ত পেয়েছি যখন AI আমাদের কোম্পানির নিয়মের বিরুদ্ধে দায়বদ্ধতার শর্তাবলী পরীক্ষা করে। এটি খুব কমই একটি নিখুঁত ম্যাচ ছিল। 90% ম্যাচ যথেষ্ট ভাল কিনা তা AI কে সিদ্ধান্ত নিতে হয়েছিল। এটি একটি মূল সিদ্ধান্ত পয়েন্ট ছিল.
একবার আমরা এই নোডটি সনাক্ত করার পরে, আমরা এটি ব্যবহারকারীর কাছে প্রকাশ করেছি। "চুক্তি পর্যালোচনা করার" পরিবর্তে ইন্টারফেস আপডেট করা হয়েছে: "দায়বদ্ধতার ধারা স্ট্যান্ডার্ড টেমপ্লেট থেকে পরিবর্তিত হয়। ঝুঁকির স্তর বিশ্লেষণ করা হচ্ছে।" এই নির্দিষ্ট আপডেট ব্যবহারকারীদের আস্থা দিয়েছে. তারা জানত যে এজেন্ট দায়বদ্ধতা ধারা পরীক্ষা করেছে। তারা বিলম্বের কারণ বুঝতে পেরেছিল এবং আস্থা অর্জন করেছিল যে কাঙ্ক্ষিত পদক্ষেপটি পিছনের প্রান্তে ঘটছে। তারা আরও জানত যে এজেন্ট চুক্তি তৈরি করার পরে কোথায় গভীরভাবে খনন করতে হবে। এআই কীভাবে সিদ্ধান্ত নেয় তা পরীক্ষা করার জন্য, আপনাকে আপনার প্রকৌশলী, পণ্য পরিচালক, ব্যবসায়িক বিশ্লেষক এবং মূল ব্যক্তিদের সাথে ঘনিষ্ঠভাবে কাজ করতে হবে যারা পছন্দ করে (প্রায়ই লুকানো) যা এআই টুল কীভাবে কাজ করে তা প্রভাবিত করে। টুলটি যে পদক্ষেপগুলি নেয় তা আঁকুন। প্রতিটি স্থান চিহ্নিত করুন যেখানে প্রক্রিয়া দিক পরিবর্তন করে কারণ একটি সম্ভাবনা পূরণ হয়। এই জায়গাগুলি যেখানে আপনার আরও স্বচ্ছ হওয়ার দিকে মনোনিবেশ করা উচিত। নীচের চিত্র 2-এ দেখানো হয়েছে, ডিসিশন নোড অডিটে এই পদক্ষেপগুলি জড়িত:
দলকে একত্রিত করুন: পণ্যের মালিক, ব্যবসায়িক বিশ্লেষক, ডিজাইনার, মূল সিদ্ধান্ত গ্রহণকারী এবং AI তৈরি করা ইঞ্জিনিয়ারদের নিয়ে আসুন। যেমন, অগোছালো আইনি চুক্তি পর্যালোচনা করার জন্য ডিজাইন করা একটি AI টুল তৈরির একটি পণ্য দল সম্পর্কে চিন্তা করুন। দলটিতে UX ডিজাইনার, প্রোডাক্ট ম্যানেজার, UX গবেষক, একজন অনুশীলনকারী আইনজীবী যিনি বিষয়-বিষয় বিশেষজ্ঞ হিসেবে কাজ করেন এবং ব্যাকএন্ড ইঞ্জিনিয়ার যিনি পাঠ্য-বিশ্লেষণ কোড লিখেছেন।
পুরো প্রক্রিয়াটি আঁকুন: ব্যবহারকারীর প্রথম অ্যাকশন থেকে চূড়ান্ত ফলাফল পর্যন্ত AI নেওয়া প্রতিটি পদক্ষেপের নথিভুক্ত করুন। দলটি একটি হোয়াইটবোর্ডে দাঁড়িয়ে একটি মূল কার্যপ্রবাহের জন্য সমগ্র ক্রমটি স্কেচ করে যা একটি জটিল চুক্তিতে দায়বদ্ধতার ধারার জন্য এআই অনুসন্ধান করে। উকিল আপলোড করেএকটি পঞ্চাশ পৃষ্ঠার PDF → সিস্টেমটি নথিটিকে পাঠযোগ্য পাঠ্যে রূপান্তর করে। → AI দায়বদ্ধতার ধারাগুলির জন্য পৃষ্ঠাগুলি স্ক্যান করে৷ → ব্যবহারকারী অপেক্ষা করছে। → মুহূর্ত বা মিনিট পরে, টুলটি ব্যবহারকারী ইন্টারফেসে হলুদ রঙে পাওয়া অনুচ্ছেদগুলিকে হাইলাইট করে। তারা অন্যান্য অনেক কর্মপ্রবাহের জন্য এটি করে যা টুলটিও মিটমাট করে।
কোথায় জিনিসগুলি অস্পষ্ট তা সন্ধান করুন: যে কোনও জায়গার জন্য প্রক্রিয়া মানচিত্রটি দেখুন যেখানে AI বিকল্পগুলি বা ইনপুটগুলির তুলনা করে যেগুলির একটি নিখুঁত মিল নেই৷ দলটি অস্পষ্ট পদক্ষেপগুলি চিহ্নিত করতে হোয়াইটবোর্ডের দিকে তাকায়। একটি চিত্রকে পাঠ্যে রূপান্তর করা কঠোর নিয়ম অনুসরণ করে। একটি নির্দিষ্ট দায়বদ্ধতা ধারা খোঁজার সাথে অনুমান করা জড়িত। প্রতিটি ফার্ম এই ধারাগুলিকে আলাদাভাবে লেখে, তাই AI-কে একাধিক বিকল্পের ওজন করতে হবে এবং একটি সঠিক শব্দের মিল খুঁজে পাওয়ার পরিবর্তে একটি ভবিষ্যদ্বাণী করতে হবে।
'সেরা অনুমান' পদক্ষেপগুলি সনাক্ত করুন: প্রতিটি অস্পষ্ট স্থানের জন্য, সিস্টেমটি একটি আত্মবিশ্বাসের স্কোর ব্যবহার করে কিনা তা পরীক্ষা করুন (উদাহরণস্বরূপ, এটি কি 85% নিশ্চিত?) এই পয়েন্টগুলি যেখানে AI একটি চূড়ান্ত পছন্দ করে। সিস্টেমকে অনুমান করতে হবে (একটি সম্ভাব্যতা দিন) কোন অনুচ্ছেদ(গুলি) একটি আদর্শ দায়বদ্ধতার ধারার সাথে ঘনিষ্ঠভাবে সাদৃশ্যপূর্ণ। এটি তার সেরা অনুমানে একটি আত্মবিশ্বাসের স্কোর বরাদ্দ করে। যে অনুমান একটি সিদ্ধান্ত নোড. ইন্টারফেসটি আইনজীবীকে বলতে হবে যে এটি একটি সম্ভাব্য ম্যাচ হাইলাইট করছে, এটি নির্দিষ্ট ধারাটি খুঁজে পেয়েছে তা বলার পরিবর্তে।
পছন্দ পরীক্ষা করুন: প্রতিটি পছন্দের পয়েন্টের জন্য, নির্দিষ্ট অভ্যন্তরীণ গণিত বা তুলনা করা হচ্ছে তা বের করুন (যেমন, একটি চুক্তির একটি অংশকে একটি নীতির সাথে মেলানো বা একটি ভাঙা গাড়ির ছবির সাথে ক্ষতিগ্রস্ত গাড়ির ফটোগুলির একটি লাইব্রেরির সাথে তুলনা করা)। প্রকৌশলী ব্যাখ্যা করেছেন যে সিস্টেমটি অতীতের দৃঢ় মামলা থেকে স্ট্যান্ডার্ড দায়বদ্ধতার ধারাগুলির একটি ডাটাবেসের সাথে বিভিন্ন অনুচ্ছেদের তুলনা করে। এটি সম্ভাব্যতার উপর ভিত্তি করে একটি ম্যাচের সিদ্ধান্ত নেওয়ার জন্য একটি পাঠ্যের সাদৃশ্য স্কোর গণনা করে।
স্পষ্ট ব্যাখ্যা লিখুন: ব্যবহারকারীর জন্য বার্তা তৈরি করুন যা স্পষ্টভাবে বর্ণনা করে যে নির্দিষ্ট অভ্যন্তরীণ ক্রিয়াটি ঘটছে যখন এআই একটি পছন্দ করে। বিষয়বস্তু ডিজাইনার এই সঠিক মুহূর্তের জন্য একটি নির্দিষ্ট বার্তা লেখেন। পাঠ্যটি পড়ে: সম্ভাব্য দায়বদ্ধতার ঝুঁকি সনাক্ত করতে স্ট্যান্ডার্ড ফার্ম ক্লজের সাথে নথি পাঠের তুলনা করা।
স্ক্রীন আপডেট করুন: এই নতুন, স্পষ্ট ব্যাখ্যাগুলিকে ব্যবহারকারী ইন্টারফেসে রাখুন, "চুক্তি পর্যালোচনা করা" এর মত অস্পষ্ট বার্তাগুলিকে প্রতিস্থাপন করুন৷ ডিজাইন দল জেনেরিক প্রসেসিং পিডিএফ লোডিং স্পিনার সরিয়ে দেয়। এআই চিন্তা করার সময় তারা ডকুমেন্ট ভিউয়ারের ঠিক উপরে অবস্থিত একটি স্ট্যাটাস বারে নতুন ব্যাখ্যা সন্নিবেশ করে।
বিশ্বাসের জন্য চেক করুন: নিশ্চিত করুন যে নতুন স্ক্রীন বার্তাগুলি ব্যবহারকারীদের যেকোন অপেক্ষার সময় বা ফলাফলের জন্য একটি সহজ কারণ দেয়, যা তাদের আরও আত্মবিশ্বাসী এবং বিশ্বস্ত বোধ করে।
প্রভাব/ঝুঁকি ম্যাট্রিক্স একবার আপনি AI এর প্রক্রিয়াটি ঘনিষ্ঠভাবে দেখে নিলে, আপনি সম্ভবত অনেক পয়েন্ট খুঁজে পাবেন যেখানে এটি একটি পছন্দ করে। একটি এআই একটি একক জটিল কাজের জন্য কয়েক ডজন ছোট পছন্দ করতে পারে। তাদের সব দেখানো অত্যধিক অপ্রয়োজনীয় তথ্য তৈরি করে। আপনাকে এই পছন্দগুলিকে গ্রুপ করতে হবে। এআই যে ধরনের পদক্ষেপ (গুলি) নিচ্ছে তার উপর ভিত্তি করে এই পছন্দগুলি সাজানোর জন্য আপনি একটি প্রভাব/ঝুঁকি ম্যাট্রিক্স ব্যবহার করতে পারেন। এখানে প্রভাব/ঝুঁকি ম্যাট্রিক্সের উদাহরণ রয়েছে: প্রথমত, লো-স্টেক এবং কম-প্রভাবিত সিদ্ধান্তগুলি সন্ধান করুন। লো স্টেক / কম প্রভাব
উদাহরণ: একটি ফাইল কাঠামো সংগঠিত করা বা একটি নথির নাম পরিবর্তন করা। স্বচ্ছতা প্রয়োজন: ন্যূনতম। একটি সূক্ষ্ম টোস্ট বিজ্ঞপ্তি বা একটি লগ এন্ট্রি যথেষ্ট। ব্যবহারকারীরা সহজেই এই ক্রিয়াগুলি পূর্বাবস্থায় ফিরিয়ে আনতে পারেন৷
তারপর উচ্চ-বাঁধা এবং উচ্চ-প্রভাবিত সিদ্ধান্তগুলি চিহ্নিত করুন। উচ্চ স্টেক / উচ্চ প্রভাব
উদাহরণ: একটি ঋণ আবেদন প্রত্যাখ্যান বা একটি স্টক ট্রেড নির্বাহ করা। স্বচ্ছতা প্রয়োজন: উচ্চ. এই কর্মের জন্য কাজের প্রমাণ প্রয়োজন। সিস্টেমটি কাজ করার আগে বা অবিলম্বে যৌক্তিকতা প্রদর্শন করতে হবে।
একটি আর্থিক ট্রেডিং বট বিবেচনা করুন যেটি সমস্ত ক্রয়/বিক্রয় আদেশকে একইভাবে বিবেচনা করে। এটি $50,000 ট্রেডের সমান অস্বচ্ছতার সাথে একটি $5 বাণিজ্য সম্পাদন করে। ব্যবহারকারীরা প্রশ্ন করতে পারে যে টুলটি একটি বৃহৎ ডলারের পরিমাণে ট্রেড করার ক্ষেত্রে স্বচ্ছতার সম্ভাব্য প্রভাবকে স্বীকৃতি দেয় কিনা। উচ্চ-স্টেকের ট্রেডের জন্য তাদের কাজ থামাতে এবং দেখানোর জন্য সিস্টেমের প্রয়োজন। সমাধান হল একটি নির্দিষ্ট ডলারের পরিমাণের বেশি লেনদেনের জন্য একটি পর্যালোচনা লজিক অবস্থা প্রবর্তন করা, যা ব্যবহারকারীকে কার্যকর করার আগে সিদ্ধান্ত নেওয়ার কারণগুলি দেখতে দেয়৷ প্যাটার্নে নোড ম্যাপিং: একটি ডিজাইন প্যাটার্ন নির্বাচন রুব্রিক একবার আপনি আপনার অভিজ্ঞতার মূল সিদ্ধান্তের নোডগুলি শনাক্ত করার পরে, আপনাকে অবশ্যই সিদ্ধান্ত নিতে হবে যে আপনি প্রদর্শন করবেন প্রতিটিতে কোন UI প্যাটার্ন প্রযোজ্য। এজেন্টিক AI এর জন্য ডিজাইনিং-এ, আমরা ইন্টেন্ট প্রিভিউ (হাই-স্টেক কন্ট্রোলের জন্য) এবং অ্যাকশন অডিট (পূর্ববর্তী নিরাপত্তার জন্য) এর মতো প্যাটার্ন চালু করেছি। তাদের মধ্যে নির্বাচন করার সিদ্ধান্তমূলক ফ্যাক্টর হল reversibility. আমরা প্রতি ফিল্টারসঠিক প্যাটার্ন বরাদ্দ করার জন্য প্রভাব ম্যাট্রিক্সের মাধ্যমে সিদ্ধান্ত নোড: উচ্চ স্টেক এবং অপরিবর্তনীয়: এই নোডগুলির একটি ইন্টেন্ট পূর্বরূপ প্রয়োজন। যেহেতু ব্যবহারকারী সহজেই ক্রিয়াটি পূর্বাবস্থায় ফিরিয়ে আনতে পারে না (যেমন, স্থায়ীভাবে একটি ডাটাবেস মুছে ফেলা), কার্যকর করার আগে স্বচ্ছতা মুহূর্তটি ঘটতে হবে। সিস্টেমটিকে অবশ্যই বিরতি দিতে হবে, এর উদ্দেশ্য ব্যাখ্যা করতে হবে এবং নিশ্চিতকরণের প্রয়োজন হবে৷ হাই স্টেক এবং রিভার্সিবল: এই নোডগুলি অ্যাকশন অডিট এবং পূর্বাবস্থায় ফেরানো প্যাটার্নের উপর নির্ভর করতে পারে। যদি এআই-চালিত বিক্রয় এজেন্ট একটি ভিন্ন পাইপলাইনে একটি সীসা নিয়ে যায়, তবে এটি স্বায়ত্তশাসিতভাবে তা করতে পারে যতক্ষণ না এটি ব্যবহারকারীকে অবহিত করে এবং অবিলম্বে পূর্বাবস্থায় ফেরার বোতাম অফার করে। এইভাবে নোডগুলিকে কঠোরভাবে শ্রেণীবদ্ধ করে, আমরা "সতর্ক ক্লান্তি" এড়াই। আমরা উচ্চ-ঘর্ষণ ইন্টেন্ট প্রিভিউ শুধুমাত্র সত্যিকারের অপরিবর্তনীয় মুহুর্তগুলির জন্য সংরক্ষণ করি, অন্য সবকিছুর জন্য গতি বজায় রাখার জন্য অ্যাকশন অডিটের উপর নির্ভর করে।
বিপরীতমুখী অপরিবর্তনীয় কম প্রভাব প্রকার: অটো-এক্সিকিউটইউআই: প্যাসিভ টোস্ট / লগএক্স: একটি ফাইলের নাম পরিবর্তন করা প্রকার: ConfirmUI: সাধারণ পূর্বাবস্থায় ফেরার বিকল্প উদাহরণ: একটি ইমেল সংরক্ষণাগার উচ্চ প্রভাব প্রকার: ReviewUI: বিজ্ঞপ্তি + পর্যালোচনা TrailEx: একটি ক্লায়েন্টকে একটি খসড়া পাঠানো প্রকার: উদ্দেশ্য পূর্বরূপ ইউআই: মডেল / স্পষ্ট অনুমতিEx: একটি সার্ভার মুছে ফেলা হচ্ছে
সারণী 1: প্রভাব এবং প্রত্যাবর্তনযোগ্যতা ম্যাট্রিক্স তারপরে আপনার স্বচ্ছতার মুহূর্তগুলিকে নকশার প্যাটার্নগুলিতে ম্যাপ করতে ব্যবহার করা যেতে পারে। গুণগত বৈধতা: "অপেক্ষা, কেন?" পরীক্ষা আপনি একটি হোয়াইটবোর্ডে সম্ভাব্য নোড সনাক্ত করতে পারেন, তবে আপনাকে অবশ্যই মানব আচরণের সাথে তাদের যাচাই করতে হবে। আপনার মানচিত্র ব্যবহারকারীর মানসিক মডেলের সাথে মেলে কিনা তা আপনাকে যাচাই করতে হবে। আমি একটি প্রোটোকল ব্যবহার করি যার নাম "অপেক্ষা করুন, কেন?" পরীক্ষা। একজন ব্যবহারকারীকে এজেন্টকে একটি টাস্ক সম্পূর্ণ দেখতে বলুন। তাদের জোরে কথা বলতে নির্দেশ দিন। যখনই তারা একটি প্রশ্ন জিজ্ঞাসা করে, "অপেক্ষা করুন, কেন এটি এমন করল?" বা "এটা কি আটকে গেছে?" অথবা "এটা কি আমার কথা শুনেছে?" - আপনি একটি টাইমস্ট্যাম্প চিহ্নিত করুন। এই প্রশ্নগুলি ব্যবহারকারীর বিভ্রান্তির সংকেত দেয়। ব্যবহারকারী অনুভব করেন তাদের নিয়ন্ত্রণ চলে যাচ্ছে। উদাহরণস্বরূপ, একজন স্বাস্থ্যসেবা শিডিউলিং সহকারীর জন্য একটি গবেষণায়, ব্যবহারকারীরা এজেন্টকে একটি অ্যাপয়েন্টমেন্ট বুক করতে দেখেছেন। স্ক্রিনটি চার সেকেন্ডের জন্য স্থির ছিল। অংশগ্রহণকারীরা ধারাবাহিকভাবে জিজ্ঞাসা করেছিল, "এটি কি আমার ক্যালেন্ডার পরীক্ষা করছে নাকি ডাক্তারের?"
এই প্রশ্নটি একটি অনুপস্থিত স্বচ্ছতা মুহূর্ত প্রকাশ করেছে। সিস্টেমটিকে সেই চার-সেকেন্ডের অপেক্ষাকে দুটি স্বতন্ত্র ধাপে বিভক্ত করতে হবে: "আপনার উপলব্ধতা পরীক্ষা করা" তারপর "প্রদানকারীর সময়সূচীর সাথে সিঙ্ক করা"৷ এই ছোট পরিবর্তন ব্যবহারকারীদের উদ্বেগের মাত্রা কমিয়েছে। স্বচ্ছতা ব্যর্থ হয় যখন এটি শুধুমাত্র একটি সিস্টেম কর্ম বর্ণনা করে। ইন্টারফেসটিকে অবশ্যই প্রযুক্তিগত প্রক্রিয়াটিকে ব্যবহারকারীর নির্দিষ্ট লক্ষ্যের সাথে সংযুক্ত করতে হবে। "আপনার প্রাপ্যতা পরীক্ষা করা" দেখানো একটি স্ক্রীন ফ্ল্যাট পড়ে কারণ এতে প্রসঙ্গ নেই। ব্যবহারকারী বুঝতে পারে যে AI একটি ক্যালেন্ডারের দিকে তাকিয়ে আছে, কিন্তু কেন তা তারা জানে না। আমাদের অবশ্যই ফলাফলের সাথে ক্রিয়াটি যুক্ত করতে হবে। সিস্টেমটিকে সেই চার-সেকেন্ডের অপেক্ষাকে দুটি স্বতন্ত্র ধাপে ভাগ করতে হবে। প্রথমে, ইন্টারফেস "খোলা সময় খুঁজে পেতে আপনার ক্যালেন্ডার পরীক্ষা করা হচ্ছে" প্রদর্শন করে। তারপরে এটি "আপনার অ্যাপয়েন্টমেন্ট সুরক্ষিত করতে প্রদানকারীর সময়সূচীর সাথে সিঙ্ক করা" এ আপডেট হয়। এটি ব্যবহারকারীর প্রকৃত জীবনে প্রযুক্তিগত প্রক্রিয়াকে ভিত্তি করে। একটি স্থানীয় ক্যাফের জন্য একটি AI ব্যবস্থাপনার তালিকা বিবেচনা করুন। সিস্টেম সরবরাহ ঘাটতি সম্মুখীন. "বিক্রেতার সাথে যোগাযোগ করা" বা "পর্যালোচনার বিকল্প" পড়ার একটি ইন্টারফেস উদ্বেগ সৃষ্টি করে। ব্যবস্থাপক আশ্চর্য হয় যে সিস্টেমটি অর্ডার বাতিল করছে বা একটি ব্যয়বহুল বিকল্প কিনছে। একটি ভাল পদ্ধতি হল অভিপ্রেত ফলাফল ব্যাখ্যা করা: "আপনার শুক্রবার বিতরণের সময়সূচী বজায় রাখার জন্য বিকল্প সরবরাহকারীদের মূল্যায়ন করা।" এটি ব্যবহারকারীকে বলে যে এআই কী অর্জন করার চেষ্টা করছে। অডিট কার্যকরীকরণ আপনি ডিসিশন নোড অডিট সম্পন্ন করেছেন এবং ইমপ্যাক্ট এবং রিস্ক ম্যাট্রিক্সের মাধ্যমে আপনার তালিকা ফিল্টার করেছেন। আপনার কাছে এখন স্বচ্ছ হওয়ার জন্য প্রয়োজনীয় মুহুর্তগুলির একটি তালিকা রয়েছে৷ এর পরে, আপনাকে সেগুলি UI এ তৈরি করতে হবে। এই পদক্ষেপের জন্য বিভিন্ন বিভাগে টিমওয়ার্ক প্রয়োজন। আপনি একটি ডিজাইন টুল ব্যবহার করে স্বচ্ছতা ডিজাইন করতে পারবেন না। পর্দার আড়ালে সিস্টেমটি কীভাবে কাজ করে তা আপনাকে বুঝতে হবে। একটি লজিক পর্যালোচনা দিয়ে শুরু করুন। আপনার প্রধান সিস্টেম ডিজাইনারের সাথে দেখা করুন। সিদ্ধান্ত নোড আপনার মানচিত্র আনুন. আপনাকে নিশ্চিত করতে হবে যে সিস্টেমটি আসলে এই রাজ্যগুলি ভাগ করতে পারে। আমি প্রায়ই দেখতে পাই যে প্রযুক্তিগত সিস্টেমটি আমি যে সঠিক অবস্থাটি দেখাতে চাই তা প্রকাশ করে না। প্রকৌশলী বলতে পারেন যে সিস্টেমটি কেবল একটি সাধারণ "কাজ করা" অবস্থা ফিরিয়ে দেয়। আপনাকে একটি বিস্তারিত আপডেটের জন্য চাপ দিতে হবে। একটি নির্দিষ্ট বিজ্ঞপ্তি পাঠাতে আপনার সিস্টেমের প্রয়োজনযখন এটি টেক্সট পড়া থেকে নিয়ম চেক করার জন্য স্যুইচ করে। সেই প্রযুক্তিগত সংযোগ ছাড়া, আপনার নকশা তৈরি করা অসম্ভব। এর পরে, বিষয়বস্তু ডিজাইন দলকে জড়িত করুন। আপনার কাছে AI এর ক্রিয়াকলাপের প্রযুক্তিগত কারণ রয়েছে, তবে আপনার একটি পরিষ্কার, মানব-বান্ধব ব্যাখ্যা প্রয়োজন। প্রকৌশলীরা অন্তর্নিহিত প্রক্রিয়া প্রদান করে, কিন্তু বিষয়বস্তু ডিজাইনাররা এটির যোগাযোগের উপায় প্রদান করে। একা এই বার্তা লিখবেন না. একজন বিকাশকারী "Executing function 402" লিখতে পারে, যা প্রযুক্তিগতভাবে সঠিক কিন্তু ব্যবহারকারীর কাছে অর্থহীন। একজন ডিজাইনার "চিন্তা" লিখতে পারে যা বন্ধুত্বপূর্ণ কিন্তু খুব অস্পষ্ট। একজন বিষয়বস্তু কৌশলবিদ সঠিক মধ্যম স্থল খুঁজে পান। তারা নির্দিষ্ট বাক্যাংশ তৈরি করে, যেমন "দায় ঝুঁকির জন্য স্ক্যান করা", যা দেখায় যে AI ব্যবহারকারীকে বিভ্রান্ত না করে কাজ করছে। অবশেষে, আপনার বার্তাগুলির স্বচ্ছতা পরীক্ষা করুন। পাঠ্য কাজ করে কিনা তা দেখার জন্য চূড়ান্ত পণ্য তৈরি হওয়া পর্যন্ত অপেক্ষা করবেন না। আমি সাধারণ প্রোটোটাইপগুলিতে তুলনা পরীক্ষা পরিচালনা করি যেখানে কেবলমাত্র যে জিনিসটি পরিবর্তন হয় তা হল স্থিতি বার্তা। উদাহরণস্বরূপ, আমি একটি গোষ্ঠীকে (গ্রুপ A) একটি বার্তা দেখাই যা বলে "পরিচয় যাচাই করা হচ্ছে" এবং অন্য একটি দলকে (গ্রুপ বি) একটি বার্তা দেখাই যা বলে "সরকারি ডেটাবেস পরীক্ষা করা হচ্ছে" (এগুলি তৈরি করা উদাহরণ, তবে আপনি বিষয়টি বুঝতে পারেন)৷ তারপর আমি তাদের জিজ্ঞাসা করি কোন এআই নিরাপদ বোধ করে। আপনি প্রায়শই আবিষ্কার করবেন যে কিছু শব্দ উদ্বেগের কারণ হয়, অন্যরা বিশ্বাস তৈরি করে। আপনাকে অবশ্যই শব্দটিকে এমন কিছু হিসাবে বিবেচনা করতে হবে যা আপনাকে পরীক্ষা করতে এবং কার্যকর প্রমাণ করতে হবে। এটি কীভাবে ডিজাইন প্রক্রিয়া পরিবর্তন করে এই অডিটগুলি পরিচালনা করার ফলে একটি দল কীভাবে একসাথে কাজ করে তা শক্তিশালী করার সম্ভাবনা রয়েছে। আমরা পালিশ করা ডিজাইন ফাইলগুলি হস্তান্তর করা বন্ধ করি। আমরা অগোছালো প্রোটোটাইপ এবং শেয়ার করা স্প্রেডশীট ব্যবহার শুরু করি। মূল টুলটি একটি স্বচ্ছতা ম্যাট্রিক্স হয়ে যায়। প্রকৌশলী এবং বিষয়বস্তু ডিজাইনাররা একসাথে এই স্প্রেডশীট সম্পাদনা করে। ব্যবহারকারীরা যে শব্দগুলি পড়বে তার সাথে তারা সঠিক প্রযুক্তিগত কোড ম্যাপ করে। দলগুলি যুক্তি পর্যালোচনার সময় ঘর্ষণ অনুভব করবে। কল্পনা করুন যে একজন ডিজাইনার প্রকৌশলীকে জিজ্ঞাসা করছেন যে কীভাবে এআই একটি ব্যয় প্রতিবেদনে জমা দেওয়া একটি লেনদেন প্রত্যাখ্যান করার সিদ্ধান্ত নেয়। প্রকৌশলী বলতে পারেন ব্যাকএন্ড শুধুমাত্র একটি জেনেরিক স্ট্যাটাস কোড আউটপুট করে যেমন "ত্রুটি: মিসিং ডেটা"। ডিজাইনার বলেছেন যে এটি স্ক্রিনে কার্যকরী তথ্য নয়। ডিজাইনার একটি নির্দিষ্ট প্রযুক্তিগত হুক তৈরি করতে ইঞ্জিনিয়ারের সাথে আলোচনা করে। প্রকৌশলী একটি নতুন নিয়ম লেখেন যাতে সিস্টেমটি ঠিক কী অনুপস্থিত, যেমন একটি অনুপস্থিত রসিদ ছবি রিপোর্ট করে। কনটেন্ট ডিজাইনাররা এই পর্যায়ে অনুবাদক হিসেবে কাজ করে। একজন বিকাশকারী একটি প্রযুক্তিগতভাবে সঠিক স্ট্রিং লিখতে পারে যেমন "বিক্রেতার মিলের জন্য আত্মবিশ্বাসের থ্রেশহোল্ড গণনা করা।" একটি বিষয়বস্তু ডিজাইনার সেই স্ট্রিংটিকে একটি বাক্যাংশে অনুবাদ করে যা একটি নির্দিষ্ট ফলাফলের জন্য বিশ্বাস তৈরি করে। কৌশলবিদ এটিকে "আপনার শুক্রবারের ডেলিভারি সুরক্ষিত করতে স্থানীয় বিক্রেতার দামের তুলনা" হিসাবে পুনর্লিখন করেছেন। ব্যবহারকারী কর্ম এবং ফলাফল বোঝে. সমগ্র ক্রস-ফাংশনাল টিম ব্যবহারকারী পরীক্ষার সেশনে বসে। তারা একটি বাস্তব ব্যক্তির বিভিন্ন স্ট্যাটাস বার্তার প্রতিক্রিয়া দেখে। একজন ব্যবহারকারীর আতঙ্ক দেখায় কারণ স্ক্রীন বলে "বাণিজ্য সম্পাদন" দলটিকে তাদের পদ্ধতির পুনর্বিবেচনা করতে বাধ্য করে। প্রকৌশলী এবং ডিজাইনাররা আরও ভাল শব্দে সারিবদ্ধ। তারা স্টক কেনার আগে টেক্সট পরিবর্তন করে "পর্যাপ্ত তহবিল যাচাই করা"। একসাথে পরীক্ষা করা নিশ্চিত করে যে চূড়ান্ত ইন্টারফেসটি সিস্টেমের যুক্তি এবং ব্যবহারকারীর মানসিক শান্তি উভয়ই পরিবেশন করে। দলের ক্যালেন্ডারে এই অতিরিক্ত ক্রিয়াকলাপগুলিকে অন্তর্ভুক্ত করার জন্য এটির সময় প্রয়োজন। যাইহোক, শেষ ফলাফলটি এমন একটি দল হওয়া উচিত যা আরও খোলাখুলিভাবে যোগাযোগ করে এবং ব্যবহারকারীরা যারা তাদের AI-চালিত সরঞ্জামগুলি তাদের পক্ষে কী করছে (এবং কেন) সে সম্পর্কে আরও ভাল ধারণা রয়েছে। এই সমন্বিত পদ্ধতিটি সত্যিকারের বিশ্বস্ত এআই অভিজ্ঞতা ডিজাইন করার একটি ভিত্তি। বিশ্বাস একটি ডিজাইন পছন্দ আমরা প্রায়শই বিশ্বাসকে একটি ভাল ব্যবহারকারীর অভিজ্ঞতার একটি মানসিক উপজাত হিসাবে দেখি। অনুমানযোগ্য যোগাযোগের যান্ত্রিক ফলাফল হিসাবে বিশ্বাসকে দেখতে সহজ। সঠিক সময়ে সঠিক তথ্য দেখানোর মাধ্যমে আমরা বিশ্বাস গড়ে তুলি। আমরা ব্যবহারকারীকে অভিভূত করে বা যন্ত্রপাতি সম্পূর্ণরূপে লুকিয়ে এটিকে ধ্বংস করি। ডিসিশন নোড অডিট দিয়ে শুরু করুন, বিশেষ করে এজেন্টিক এআই টুল এবং পণ্যের জন্য। সেই মুহূর্তগুলি খুঁজুন যেখানে সিস্টেম একটি রায় কল করে। ঝুঁকি ম্যাট্রিক্সে সেই মুহূর্তগুলি ম্যাপ করুন। যদি বাজি বেশি হয়, বাক্সটি খুলুন। কাজ দেখান। পরবর্তী নিবন্ধে, আমরা এই মুহূর্তগুলি কীভাবে ডিজাইন করতে হয় তা দেখব: কীভাবে অনুলিপি লিখতে হয়, UI গঠন করতে হয় এবং এজেন্টের ভুল হয়ে গেলে অনিবার্য ত্রুটিগুলি পরিচালনা করতে হয়। পরিশিষ্ট: সিদ্ধান্ত নোড অডিট চেকলিস্ট পর্যায় 1: সেটআপ এবং ম্যাপিং ✅ দলকে একত্রিত করুন: পণ্যের মালিক, ব্যবসায়িক বিশ্লেষক, ডিজাইনারদের নিয়ে আসুন,মূল সিদ্ধান্ত গ্রহণকারী এবং প্রকৌশলীরা যারা AI তৈরি করেছেন। ইঙ্গিত: প্রকৃত ব্যাকএন্ড যুক্তি ব্যাখ্যা করার জন্য আপনার ইঞ্জিনিয়ারদের প্রয়োজন। একা এই পদক্ষেপ চেষ্টা করবেন না. ✅ পুরো প্রক্রিয়াটি আঁকুন: ব্যবহারকারীর প্রথম পদক্ষেপ থেকে চূড়ান্ত ফলাফল পর্যন্ত AI-র প্রতিটি পদক্ষেপের নথিভুক্ত করুন। ইঙ্গিত: একটি শারীরিক হোয়াইটবোর্ড সেশন প্রায়ই এই প্রাথমিক পদক্ষেপগুলি আঁকার জন্য সবচেয়ে ভাল কাজ করে। পর্যায় 2: লুকানো যুক্তি সনাক্তকরণ ✅ কোথায় জিনিসগুলি অস্পষ্ট তা সন্ধান করুন: যে কোনও জায়গার জন্য প্রক্রিয়া মানচিত্রটি দেখুন যেখানে AI বিকল্পগুলি বা ইনপুটগুলির তুলনা করে যেগুলির মধ্যে একটি নিখুঁত মিল নেই৷ ✅ সর্বোত্তম অনুমান পদক্ষেপগুলি সনাক্ত করুন: প্রতিটি অস্পষ্ট স্থানের জন্য, সিস্টেমটি একটি আত্মবিশ্বাসের স্কোর ব্যবহার করে কিনা তা পরীক্ষা করুন। উদাহরণস্বরূপ, জিজ্ঞাসা করুন যে সিস্টেমটি 85 শতাংশ নিশ্চিত কিনা। এই পয়েন্টগুলি যেখানে AI একটি চূড়ান্ত পছন্দ করে। ✅ পছন্দ পরীক্ষা করুন: প্রতিটি পছন্দের পয়েন্টের জন্য, নির্দিষ্ট অভ্যন্তরীণ গণিত বা তুলনা করা হচ্ছে তা বের করুন। একটি উদাহরণ হল একটি চুক্তির একটি অংশকে একটি নীতির সাথে মেলানো৷ আরেকটি উদাহরণ হল একটি ভাঙা গাড়ির ছবিকে ক্ষতিগ্রস্ত গাড়ির ফটোগুলির একটি লাইব্রেরির সাথে তুলনা করা। পর্যায় 3: ব্যবহারকারীর অভিজ্ঞতা তৈরি করা ✅ স্পষ্ট ব্যাখ্যা লিখুন: ব্যবহারকারীর জন্য বার্তা তৈরি করুন যা স্পষ্টভাবে বর্ণনা করে যে নির্দিষ্ট অভ্যন্তরীণ ক্রিয়াটি ঘটছে যখন AI পছন্দ করে। ইঙ্গিত: কংক্রিট বাস্তবে আপনার বার্তা গ্রাউন্ড. যদি একটি AI স্থানীয় ক্যাফেতে একটি ক্লায়েন্টের সাথে একটি মিটিং বুক করে, ব্যবহারকারীকে বলুন যে সিস্টেমটি ক্যাফে রিজার্ভেশন সিস্টেমটি পরীক্ষা করছে। ✅ স্ক্রীন আপডেট করুন: ইউজার ইন্টারফেসে এই নতুন, পরিষ্কার ব্যাখ্যা রাখুন। আপনার নির্দিষ্ট ব্যাখ্যা দিয়ে চুক্তি পর্যালোচনা করার মতো অস্পষ্ট বার্তাগুলি প্রতিস্থাপন করুন। ✅ বিশ্বাসের জন্য পরীক্ষা করুন: নিশ্চিত করুন যে নতুন স্ক্রীন বার্তাগুলি ব্যবহারকারীদের যেকোন অপেক্ষার সময় বা ফলাফলের জন্য একটি সহজ কারণ দেয়৷ এটি তাদের আত্মবিশ্বাসী এবং বিশ্বাসযোগ্য বোধ করা উচিত। ইঙ্গিত: প্রকৃত ব্যবহারকারীদের সাথে এই বার্তাগুলি পরীক্ষা করে দেখুন যে তারা বুঝতে পারে যে নির্দিষ্ট ফলাফল অর্জন করা হচ্ছে।
