Eragile autonomoentzat diseinatzeak frustrazio berezia dakar. Zeregin konplexu bat AI bati ematen diogu, 30 segundoz (edo 30 minutuz) desagertzen da eta gero emaitza batekin itzultzen da. Pantailari begira gaude. Funtzionatu al da? Haluzinatu al zuen? Betetze datu-basea egiaztatu al du edo urrats hori saltatu al du? Normalean antsietate horri bi muturretako batekin erantzuten diogu. Sistema Kutxa Beltza bat mantentzen dugu, sinpletasuna mantentzeko dena ezkutatuz, edo izutu egiten gara eta Datu-iraulketa bat eskaintzen dugu, erregistro-lerro guztiak eta API dei guztiak erabiltzaileari transmitituz. Ikuspegi batek ere ez du zuzenean erantzuten erabiltzaileei gardentasun maila ezin hobea eskaintzeko behar den ñabardurari. Kutxa Beltzak erabiltzaileak indargabe sentitzen ditu. Data Dump-ek jakinarazpen itsutasuna sortzen du, agenteak emango zuela agindutako eraginkortasuna suntsituz. Erabiltzaileek informazio-jario etengabeari jaramonik egiten ez diote zerbait apurtzen den arte, eta une horretan ez dute testuingurua konpontzeko. Modu antolatu bat behar dugu oreka aurkitzeko. Nire aurreko artikuluan, "Designing For Agentic AI", konfiantza sortzen duten interfaze-elementuak aztertu genituen, hala nola, AI-aren aurreikusitako ekintza aldez aurretik erakustea (Asmoen aurrebistak) eta erabiltzaileei AIak bere kabuz zenbat egiten duen kontrola ematea (Autonomy Dials). Baina zein elementu erabili jakitea erronkaren zati bat baino ez da. Diseinatzaileentzako galdera zailena noiz erabili behar diren jakitea da. Nola dakizu 30 segundoko lan-fluxu bateko zein momentu zehatz behar duen Intent Preview eta zein kudeatu daitekeen erregistro-sarrera soil batekin? Artikulu honek galdera horri erantzuteko metodo bat eskaintzen du. Erabaki Nodoen Ikuskaritzan ibiliko gara. Prozesu honek diseinatzaileak eta ingeniariak gela berean jartzen ditu backend logika erabiltzailearen interfazera mapatzeko. Erabiltzaile batek AI egiten ari denari buruzko eguneraketa behar duen une zehatzak nola identifikatzen ikasiko duzu. Eragin/Arrisku matrize bat ere landuko dugu, zein erabaki-nodo bistaratu eta erabaki horrekin parekatzeko lotutako edozein diseinu-eredu lehenesten lagunduko duena. Gardentasun uneak: kasu-azterketa adibidea Demagun Meridian (ez benetako izena), hasierako istripuen erreklamazioak prozesatzeko AI agente bat erabiltzen duen aseguru-konpainia. Erabiltzaileak ibilgailuen kalteen argazkiak eta poliziaren txostena igotzen ditu. Agentea minutu batez desagertzen da arriskuen ebaluazioarekin eta ordaintzeko proposatutako tartearekin itzuli aurretik. Hasieran, Meridian-en interfazeak erreklamazioaren egoera kalkulatzea besterik ez zuen erakusten. Erabiltzaileak haserretu egin ziren. Hainbat dokumentu zehatz aurkeztu zituzten eta AIk egoera aringarriak zituen polizia-txostena berrikusi ote zuen ez zuten ziur sentitzen. Kutxa Beltzak mesfidantza sortu zuen. Hori konpontzeko, diseinu-taldeak Erabaki Nodoen Auditoria egin zuen. AIk probabilitatean oinarritutako hiru urrats ezberdin egin zituela ikusi zuten, urrats txikiago ugari sartuta:
Irudien analisia Agenteak kalteen argazkiak auto-istripu tipikoen datu-base batekin alderatu zituen konponketa kostua kalkulatzeko. Horrek konfiantza puntuazioa suposatu zuen. Testu-berrikuspenaErantzukizunari eragiten dioten gako-hitzak bilatu ditu poliziaren txostena (adibidez, akatsa, eguraldi-baldintzak, soiltasuna). Honek nortasun juridikoaren probabilitatea ebaluatu zuen. Politikaren erreferentzia gurutzatua Erreklamazioaren xehetasunak erabiltzailearen politika-baldintza zehatzekin bat egin zuen, salbuespenak edo estaldura-mugak bilatuz. Horrek parekatze probabilistikoa ere ekarri zuen.
Taldeak pauso hauek gardentasun momentu bihurtu zituen. Interfazearen sekuentzia honela eguneratu da:
Kalteen argazkiak ebaluatzea: ibilgailuen 500 inpaktu profilekin alderatuz. Poliziaren txostena berrikustea: erantzukizun gako-hitzak eta legezko aurrekariak aztertzea. Polizaren estaldura egiaztatzea: zure planeko bazterketa zehatzak egiaztatzea.
Sistemak denbora bera behar zuen oraindik, baina agentearen barne funtzionamenduari buruzko komunikazio esplizituak erabiltzaileen konfiantza berreskuratu zuen. Erabiltzaileek ulertu zuten AI-a diseinatutako zeregin konplexua egiten ari zela, eta zekiten zehatz-mehatz nora bideratu behar zuten arreta, azken ebaluazioa zehazgabea bazirudien. Diseinu aukera honek antsietate-une bat erabiltzailearekin konexio-une batean bihurtu zuen. Eragin/Arrisku Matrizea aplikatzea: zer ezkutatzeko aukeratu genuen AI-esperientzia gehienek ez dituzte prozesatzen zehar bistara daitezkeen gertaera eta erabaki-nodorik falta. Ikuskaritzaren emaitzarik kritikoenetako bat ikusezin gordetzea erabakitzea izan zen. Meridian adibidean, backend-eko erregistroek 50+ gertaera sortu zituzten erreklamazio bakoitzeko. Gertaera bakoitza bistaratzea lehenetsi genezake UI-aren zati gisa prozesatu ahala. Horren ordez, arrisku-matrizea aplikatu dugu horiek mozteko:
Erregistro-gertaera: ping zerbitzariaWest-2 erredundantzia egiaztatzeko. Iragaziaren epaia: ezkutatu. (Parte txikia, Teknika Handia).
Erregistratu gertaera: konponketa estimazioa BlueBook balioarekin alderatuz. Iragazkiaren epaia: Erakutsi. (High Stakes, erabiltzaileen ordainketan eragina du).
Beharrezkoak ez diren xehetasunak kenduta, informazio garrantzitsuak —estaldura egiaztatzea bezalakoak— eragin handiagoa izan zuen. Interfaze ireki bat sortu dugu eta esperientzia ireki bat diseinatu dugu. Ikuspegi honek jendea zerbitzu baten aurrean hobeto sentitzen den ideia erabiltzen du egiten ari den lana ikustean. Urrats zehatzak (Ebaluatzea, Berrikustea, Egiaztatzea) erakutsita, 30 segundoko itxaronaldia kezkatzeko garai batetik (“Hautsi al dago?”) zerbait baliotsua sortzen ari dela sentitzeko garai batera aldatu dugu (“Pentsatzen ari da”). Ikus dezagun orain gure produktuetan erabakiak hartzeko prozesua nola berrikusi dezakegun, informazio argia eskatzen duten une nagusiak identifikatzeko. Erabaki-nodoen auditoretza Gardentasunak huts egiten du estilo-aukera gisa tratatzen dugunean baldintza funtzional bat baino. Joera dugu galdetzeko: "Nola izan behar du UI-ak?" galdetu baino lehen: "Zer erabakitzen du agenteak?" Decision Node Auditoria AI sistemak errazago ulertzeko modu erraz bat da. Sistemaren barne-prozesua arretaz mapatuz funtzionatzen du. Helburu nagusia sistemak ezarritako arauei jarraituz gelditzen den une zehatzak aurkitzea eta argi eta garbi zehaztea da eta, horren ordez, aukera bat egiten duen kasualitatean edo estimazioan oinarrituta. Egitura hau mapatuz, sortzaileek ziurgabetasun puntu horiek zuzenean erakutsi ahal izango dizkiete sistema erabiltzen duten pertsonei. Honek sistemaren eguneraketak adierazpen lausoak izatetik txosten zehatz eta fidagarrietara aldatzen ditu AI-ak ondorioetara iritsi zenari buruz. Goiko aseguru kasuaz gain, duela gutxi kontratazio-agente bat eraikitzeko talde batekin lan egin nuen. Sistemak saltzaileen kontratuak berrikusi eta arriskuak markatu zituen. Hasiera batean, pantailak aurrerapen-barra sinple bat bistaratzen zuen: "Kontratuak berrikusten". Erabiltzaileek gorroto zuten. Gure ikerketek adierazi zuten kezkatuta sentitzen zirela falta den klausula baten ondorio juridikoengatik. Hori konpondu genuen Erabaki Nodoen Auditoria bat eginez. Artikulu honen amaieran auditoria hau egiteko urratsez urratseko kontrol-zerrenda bat sartu dut. Saio bat egin genuen ingeniariekin eta sistemak nola funtzionatzen duen azaldu genuen. "Erabaki puntuak" identifikatu genituen, AIak bi aukera onen artean aukeratu behar izan zuen uneak. Programa informatiko estandarretan, prozesua argia da: A gertatzen bada, B beti gertatuko da. AI sistemetan, prozesua kasualitatean oinarritzen da askotan. AIk uste du A dela ziurrenik aukerarik onena, baina baliteke % 65eko ziurtasuna baino ez izatea. Kontratu-sisteman, AIak erantzukizunaren baldintzak gure konpainiaren arauekin egiaztatu zituen une bat aurkitu genuen. Gutxitan izan zen partida perfektua. AIk erabaki behar izan zuen %90eko partida nahikoa ote zen. Hau izan zen erabaki-puntua funtsezkoa.
Nodo hau identifikatu ostean, erabiltzaileari azaldu genion. "Kontratuak berrikusi" beharrean, interfazea eguneratu egin da: "Erantzukizun klausula txantiloi estandarraren araberakoa da. Arrisku maila aztertzen". Eguneratze zehatz honek erabiltzaileei konfiantza eman zien. Agenteak erantzukizun klausula egiaztatu zuela bazekiten. Atzerapenaren arrazoia ulertu zuten eta nahi den ekintza atzeko aldean gertatzen ari zelako konfiantza lortu zuten. Agenteak kontratua sortu ostean non sakondu ere bazekiten. AI-ak erabakiak nola hartzen dituen egiaztatzeko, zure ingeniariekin, produktu-zuzendariekin, negozio-analistekin eta AI tresnaren funtzionamenduari eragiten dioten aukerak (askotan ezkutuan) egiten ari diren pertsona nagusiekin lan egin behar duzu. Marraztu tresnak ematen dituen urratsak. Markatu prozesuak norabidea aldatzen duen leku bakoitza probabilitate bat betetzen delako. Hauek dira gardenago izatera bideratu beharko zenukeen tokiak. Beheko 2. irudian ikusten den bezala, Erabaki-nodoaren auditoretzak urrats hauek ditu:
Talde taldea: ekarri produktuen jabeak, negozio-analistak, diseinatzaileak, erabakiak hartzen dituzten funtsezkoak eta IA eraiki duten ingeniariak. Adibidez, Pentsa produktu-talde batek kontratu legal nahasiak berrikusteko diseinatutako AI tresna bat eraikitzen. Taldeak UX diseinatzailea, produktuaren kudeatzailea, UX ikertzailea, gaian aditu gisa jarduten duen abokatu praktikatzailea eta testu-analisiaren kodea idatzi zuen backend ingeniaria dira.
Marraztu prozesu osoa: Dokumentatu AIak egiten dituen urrats guztiak, erabiltzailearen lehen ekintzatik azken emaitzaraino. Taldea arbel batean dago eta sekuentzia osoa zirriborratzen du AI-ak kontratu konplexu batean erantzukizun klausula bat bilatzen duen funtsezko lan-fluxu baterako. abokatuak igotzen duberrogeita hamar orrialdeko PDF bat → Sistemak dokumentua testu irakurgarri bihurtzen du. → AI-k orriak eskaneatzen ditu erantzukizun klausulen bila. → Erabiltzaileak itxaron egiten du. → Une edo minutu geroago, tresnak horiz nabarmentzen ditu aurkitutako paragrafoak erabiltzailearen interfazean. Tresnak egokitzen dituen beste lan-fluxu askotarako egiten dute hori.
Aurkitu gauzak argi ez dauden tokietan: begiratu prozesu-mapa AI-ak parekatze perfektu bat ez duten aukerak edo sarrerak alderatzen dituen edozein tokitan. Taldeak arbelari begiratzen dio urrats anbiguoak antzemateko. Irudi bat testu bihurtzeak arau zorrotzak jarraitzen ditu. Erantzukizun klausula zehatz bat aurkitzeak asmakizunak dakartza. Enpresa bakoitzak modu ezberdinean idazten ditu klausula hauek, beraz, AIak aukera anitz neurtu behar ditu eta iragarpen bat egin behar du hitz-konbinazio zehatza aurkitu beharrean.
Identifikatu 'asmatzerik onena' urratsak: argi ez dagoen leku bakoitzeko, egiaztatu sistemak konfiantza puntuaziorik erabiltzen duen (adibidez, %85 ziur al dago?). Hauek dira AIk azken aukera bat egiten duten puntuak. Sistemak asmatu behar du (probabilitatea eman) zein paragrafo(k) duten erantzukizuneko klausula estandar baten antza. Konfiantza puntuazioa esleitzen dio bere asmakizun onenari. Asmakizun hori erabaki-nodo bat da. Interfazeak abokatuari esan behar dio balizko partida bat nabarmentzen ari dela, behin betiko klausula aurkitu duela adierazi beharrean.
Aztertu aukera: aukera-puntu bakoitzeko, irudikatu egiten ari den barne-matematika edo konparaketa zehatza (adibidez, kontratu baten zati bat poliza batekin lotzea edo hautsitako auto baten argazkia hondatutako autoen argazkien liburutegi batekin alderatzea). Ingeniariak azaltzen du sistemak hainbat paragrafo konparatzen dituela iraganeko kasu enpresen erantzukizun-klausula estandarren datu-base batekin. Testuaren antzekotasun puntuazioa kalkulatzen du probabilitateen arabera partida bat erabakitzeko.
Idatzi azalpen argiak: Sortu AIak aukeratzen duenean gertatzen den barne-ekintza zehatza argi deskribatzen duten mezuak erabiltzailearentzat. Eduki-diseinatzaileak mezu zehatz bat idazten du une zehatz honetarako. Testuak honela dio: dokumentuaren testua irmo-klausula estandarrekin alderatzea, erantzukizun-arrisku potentzialak identifikatzeko.
Eguneratu pantaila: Jarri azalpen berri eta argi hauek erabiltzailearen interfazean, "Kontratuak berrikusten" bezalako mezu lausoak ordezkatuz. Diseinu taldeak Prozesatzeko PDF kargatzeko spinner generikoa kentzen du. Azalpen berria dokumentu-ikustailearen gainean kokatutako egoera-barra batean txertatzen dute AIak pentsatzen duen bitartean.
Egiaztatu fidagarritasuna: Ziurtatu pantailako mezu berriek erabiltzaileei edozein itxaron-denbora edo emaitzaren arrazoi sinple bat ematen dietela, eta horrek konfiantza handiagoa eta konfiantza handiagoa izan beharko luke.
Eragin/Arrisku Matrizea AIaren prozesua ondo aztertu ondoren, ziurrenik aukera bat egiten duen puntu asko aurkituko dituzu. AI batek dozenaka aukera txiki egin ditzake zeregin konplexu bakar baterako. Horiek guztiak erakusteak alferrikako informazio gehiegi sortzen du. Aukera hauek taldekatu behar dituzu. Eragin/Arrisku Matrize bat erabil dezakezu aukera hauek AI egiten ari den ekintza motaren arabera ordenatzeko. Hona hemen eragin/arrisku matrizeen adibideak: Lehenik eta behin, apustu baxuko eta eragin baxuko erabakiak bilatu. Apustu txikia / Eragin txikia
Adibidea: fitxategi-egitura bat antolatzea edo dokumentu bati izena aldatzea. Gardentasun beharra: Gutxienekoa. Tosta jakinarazpen sotil bat edo erregistroko sarrera nahikoa da. Erabiltzaileek erraz desegin ditzakete ekintza hauek.
Ondoren, identifikatu arrisku handiko eta eragin handiko erabakiak. Apustu handiak / Eragin handia
Adibidea: mailegu eskaerari uko egitea edo akzio-negozio bat egitea. Gardentasun beharra: Altua. Ekintza hauek Lanaren Froga behar dute. Sistemak arrazoia frogatu behar du jarduten duen bitartean edo berehala.
Demagun finantza-merkataritza-bot bat erosteko/saltzeko agindu guztiak berdin tratatzen dituena. $ 5 merkataritza exekutatzen du $ 50.000 merkataritzaren opakutasun berarekin. Erabiltzaileek zalantzan jar dezakete tresnak merkataritzan gardentasunaren eragin potentziala ezagutzen duen ala ez dolar kopuru handi batean. Sistemak pausatu eta apustu handiko lanbideetarako bere lana erakusteko behar dute. Irtenbidea dolar kopuru zehatz bat gainditzen duen edozein transakziorako Berrikuspen-egoera logikoa sartzea da, erabiltzaileari erabakia exekutatu aurretik erabakia eragiten duten faktoreak ikusteko. Nodoak ereduekin mapatzea: Diseinu-ereduen hautaketa-errubrika Zure esperientziaren erabaki-nodo nagusiak identifikatu ondoren, erakutsi behar duzun bakoitzari zein interfaze-eredu aplikatzen zaion erabaki behar duzu. Designing For Agentic AI-n, Intent Preview (apustu handiko kontrolerako) eta Action Audit (atzera begirako segurtasunerako) bezalako ereduak sartu genituen. Horien artean aukeratzeko faktore erabakigarria itzulgarritasuna da. Bakoitzak iragazten dituguerabaki-nodoa eragin-matrizearen bidez, eredu egokia esleitzeko: Apustu handiak eta itzulezinak: nodo hauek Intent Preview bat behar dute. Erabiltzaileak ezin duelako ekintza erraz desegin (adibidez, datu-base bat betiko ezabatzea), gardentasun-unea exekutatu baino lehen gertatu behar da. Sistemak pausatu egin behar du, bere asmoa azaldu eta berrespena eskatu. Apustu handiak eta itzulgarriak: nodo hauek Ekintza Auditoria eta Desegin ereduan fida daitezke. AI bidezko salmenta-agenteak beste kanal batera eramaten badu, modu autonomoan egin dezake, betiere erabiltzaileari jakinarazi eta berehala Desegin botoia eskaintzen badu. Nodoak modu honetan zorrozki sailkatuz, "alerta nekea" saihesten dugu. Marruskadura handiko Asmoaren Aurrebista benetan atzeraezinak diren uneetarako soilik gordetzen dugu, eta Ekintza Ikuskaritzan oinarritzen gara gainerako guztiaren abiadura mantentzeko.
Atzeragarria Atzeraezina Eragin txikia Mota: Auto-ExecuteUI: Toast pasiboa / LogEx: fitxategi baten izena aldatzea Mota: BerretsiUI: Desegin aukera sinpleaAdib.: Mezu elektroniko bat artxibatzea Eragin handia Mota: ReviewUI: Jakinarazpena + Berrikuspena TrailEx: Zirriborro bat bezero bati bidaltzea Mota: Asmoaren aurrebistaUI: Modala / Baimen esplizituaAdib.: Zerbitzari bat ezabatzea
1. taula: Eraginaren eta itzulgarritasunaren matrizea erabil daiteke zure gardentasun uneak diseinu-ereduekin mapatzeko. Balioztatze kualitatiboa: "Itxaron, zergatik?" Proba Arbel zuri batean nodo potentzialak identifikatu ditzakezu, baina gizakiaren portaerarekin balioztatu behar dituzu. Zure mapa erabiltzailearen eredu mentalarekin bat datorren egiaztatu behar duzu. "Itxaron, zergatik?" izeneko protokoloa erabiltzen dut. Proba. Eskatu erabiltzaileari agenteak zeregin bat betetzen ikusteko. Agindu ozen hitz egiteko. Galdera bat egiten duten bakoitzean: "Itxaron, zergatik egin du hori?" edo "Itsatsita dago?" edo "Entzun al nau?" — denbora-zigilu bat markatzen duzu. Galdera hauek erabiltzaileen nahastea adierazten dute. Erabiltzaileak bere kontrola ihes egiten duela sentitzen du. Esaterako, osasun-programazioko laguntzaile baten azterketa batean, erabiltzaileek agenteak hitzordu bat erreserbatzen ikusi zuten. Pantaila estatiko egon zen lau segundoz. Parte-hartzaileek etengabe galdetu zuten: "Nire egutegia edo medikuarena egiaztatzen al da?"
Galdera horrek agerian utzi zuen falta den Gardentasun Une bat. Sistemak lau segundoko itxaronaldi hori bi urratsetan banatu behar zuen: "Zure erabilgarritasuna egiaztatzea" eta "Hornitzailearen ordutegiarekin sinkronizatzea". Aldaketa txiki honek erabiltzaileen adierazitako antsietate maila murriztu zuen. Gardentasunak huts egiten du sistemaren ekintza bat soilik deskribatzen duenean. Interfazeak prozesu teknikoa erabiltzailearen helburu zehatzarekin lotu behar du. "Zure erabilgarritasuna egiaztatzen" erakusten duen pantaila lau geratzen da testuingururik ez duelako. Erabiltzaileak ulertzen du AI-a egutegi bati begira ari dela, baina ez daki zergatik. Ekintza emaitzarekin parekatu behar dugu. Sistemak lau segundoko itxaronaldi hori bi urrats ezberdinetan banatu behar du. Lehenik eta behin, interfazeak "Zure egutegia egiaztatzen ordutegiak aurkitzeko" bistaratzen du. Ondoren, "hornitzailearen ordutegiarekin sinkronizatzen zure hitzordua ziurtatzeko" eguneratzen da. Honek prozesu teknikoa erabiltzailearen benetako bizitzan oinarritzen du. Demagun tokiko kafetegi baten inbentarioa kudeatzeko IA. Sistemak hornidura eskasia aurkitzen du. "Saltzailearekin harremanetan jartzea" edo "aukerak berrikustea" irakurtzen duen interfaze batek antsietatea sortzen du. Kudeatzaileak galdetzen du sistemak eskaera bertan behera uzten duen edo alternatiba garesti bat erosten ari ote den. Planteamendu hobea nahi den emaitza azaltzea da: "Hornitzaile alternatiboak ebaluatzea ostiraleko entrega-egutegia mantentzeko". Honek erabiltzaileari zehazki zer AI lortzen saiatzen ari den esaten dio. Ikuskaritza operazionatzea Erabaki-nodoen auditoretza osatu duzu eta zure zerrenda Eraginaren eta Arriskuen Matrizearen bidez iragazi duzu. Orain gardena izateko ezinbesteko uneen zerrenda duzu. Ondoren, UI-n sortu behar dituzu. Urrats honek talde-lana eskatzen du sail ezberdinetan. Ezin duzu gardentasuna diseinatu diseinu tresna bat erabiliz. Sistema atzean nola funtzionatzen duen ulertu behar duzu. Hasi Logika Berrikusketa batekin. Ezagutu zure sistema-diseinatzaile nagusiarekin. Ekarri zure erabaki-nodoen mapa. Sistemak egoera horiek benetan parteka ditzakeela baieztatu behar duzu. Askotan ikusten dut sistema teknikoak ez duela erakusten erakutsi nahi dudan egoera zehatza. Ingeniariak esan dezake sistemak "laneko" egoera orokorra besterik ez duela itzultzen. Eguneratze zehatza bultzatu behar duzu. Sistemak jakinarazpen zehatz bat bidaltzeko behar duzutestua irakurtzetik arauak egiaztatzera pasatzen denean. Konexio tekniko hori gabe, zure diseinua ezinezkoa da eraikitzea. Ondoren, parte hartu edukien diseinu taldea. AIren ekintzaren arrazoi teknikoa duzu, baina azalpen argi bat behar duzu, gizakiaren aldekoa. Ingeniariek azpiko prozesua ematen dute, baina edukien diseinatzaileek komunikatzeko modua ematen dute. Ez idatzi mezu hauek bakarrik. Garatzaile batek "402 funtzioa exekutatzen" idatz dezake, teknikoki zuzena baina zentzugabea erabiltzailearentzat. Diseinatzaile batek "Pentsamendua" idatzi dezake, atsegina baina lausoegia. Eduki estratega batek erdibide egokia aurkitzen du. Esaldi espezifikoak sortzen dituzte, adibidez, "Erantzukizun-arriskuen bila", AIak erabiltzailea nahastu gabe funtzionatzen duela erakusten dutenak. Azkenik, probatu zure mezuen gardentasuna. Ez itxaron azken produktua eraiki arte testuak funtzionatzen duen ikusteko. Prototipo sinpleetan konparazio probak egiten ditut, non aldatzen den gauza bakarra egoera mezua den. Adibidez, talde bati (A taldea) "Identitatea egiaztatzen" dioen mezua erakusten diot eta beste talde bati (B taldea) "Gobernuaren datu-baseak egiaztatzen" dioen mezua (hauek asmatutako adibideak dira, baina zuk ulertzen duzu). Orduan galdetzen diet zein AI sentitzen den seguruago. Askotan ikusiko duzu hitz batzuek kezka eragiten dutela, eta beste batzuek konfiantza sortzen duten bitartean. Testua probatu eta eraginkorra frogatu behar duzun zerbait bezala tratatu behar duzu. Nola aldatzen duen honek diseinu prozesua Ikuskaritza hauek egiteak talde batek elkarrekin lan egiteko modua sendotzeko aukera du. Leundutako diseinu-fitxategiak emateari uzten diogu. Prototipo nahasiak eta partekatutako kalkulu-orriak erabiltzen hasten gara. Oinarrizko tresna gardentasun-matrize bihurtzen da. Ingeniariek eta eduki-diseinatzaileek elkarrekin editatzen dute kalkulu-orri hau. Kode tekniko zehatzak erabiltzaileak irakurriko dituen hitzekin mapatzen dituzte. Taldeek marruskadura biziko dute logikaren berrikuspenean. Imajinatu diseinatzaile bat ingeniariari galdetzen diola AIak nola erabakitzen duen gastu-txosten batean bidalitako transakzio bat baztertzea. Ingeniariak esan dezake backendak egoera-kode generiko bat soilik ateratzen duela "Errorea: Datu falta" bezalakoa. Diseinatzaileak dio hori ez dela pantailako informazio ekingarria. Diseinatzaileak ingeniariarekin negoziatzen du kako tekniko zehatz bat sortzeko. Ingeniariak arau berri bat idazten du, sistemak falta dena zehatz-mehatz jakinaraziko du, esate baterako, falta den ordainagirien irudia. Edukien diseinatzaileek itzultzaile gisa jarduten dute fase honetan. Garatzaile batek teknikoki zehatza den kate bat idatz dezake "Saltzaileen bat etortzeko konfiantza-atalasea kalkulatzen" bezalakoa. Eduki-diseinatzaile batek kate hori emaitza zehatz baterako konfiantza sortzen duen esaldi batean itzultzen du. Estrategak berriro idazten du: "Tokiko saltzaileen prezioak alderatuz ostiraleko entrega ziurtatzeko". Erabiltzaileak ekintza eta emaitza ulertzen ditu. Funtzio gurutzatuko talde osoa erabiltzaileen proba saioetan parte hartzen du. Benetako pertsona bat egoera mezu desberdinen aurrean erreakzionatzen ikusten dute. Erabiltzaile bat izua ikusteak pantailan "Merkataritza exekutatzen" esaten duelako taldea bere planteamendua birplanteatu behar du. Ingeniariak eta diseinatzaileak hitz hobeekin bat egiten dute. Akzioak erosi aurretik, testua "Funts nahikoak egiaztatzea" aldatzen dute. Elkarrekin probatzeak azken interfazeak sistemaren logika eta erabiltzailearen lasaitasuna balio duela bermatzen du. Denbora behar da jarduera osagarri hauek taldearen egutegian sartzeko. Hala ere, azken emaitzak modu irekiagoan komunikatzen den talde bat izan beharko luke, eta AI bidezko tresnek euren izenean (eta zergatik) egiten dutena hobeto ulertzen duten erabiltzaileek. Ikuspegi integratu hau AI benetan fidagarriak diren esperientziak diseinatzeko oinarria da. Konfiantza diseinu aukera bat da Askotan konfiantza erabiltzailearen esperientzia on baten azpiproduktu emozional gisa ikusten dugu. Errazagoa da konfiantza aurreikus daitekeen komunikazioaren emaitza mekaniko gisa ikustea. Konfiantza sortzen dugu informazio egokia momentu egokian erakutsiz. Erabiltzailea gainezka edo makineria erabat ezkutatuz suntsitzen dugu. Hasi Decision Node Auditoria, batez ere AI tresna eta produktu agenteetarako. Aurkitu sistemak epai-deia egiten duen uneak. Mapeatu une horiek Arrisku Matrizean. Apustuak handiak badira, ireki kutxa. Erakutsi lana. Hurrengo artikuluan, une hauek nola diseinatu aztertuko dugu: kopia nola idatzi, UI-a egituratu eta agenteak gaizki egiten duenean saihestezinak diren akatsak kudeatu. Eranskina: Erabaki Nodoen Ikuskaritza-zerrenda 1. fasea: konfigurazioa eta mapaketa ✅ Talde taldea: ekarri produktuen jabeak, negozio-analistak, diseinatzaileak,funtsezko erabakiak hartzen dituztenak eta IA eraiki zuten ingeniariak. Aholkua: ingeniariak behar dituzu benetako backend logika azaltzeko. Ez saiatu urrats hau bakarrik. ✅ Marraztu prozesu osoa: Dokumentatu AIak egiten dituen urrats guztiak, erabiltzailearen lehen ekintzatik azken emaitzaraino. Aholkua: arbel fisikoaren saio batek sarritan funtzionatzen du onena hasierako urrats hauek marrazteko. 2. fasea: Ezkutuko Logika kokatzea ✅ Aurkitu gauzak argi ez dauden lekuetan: begiratu prozesu-mapa AI-ak parekatze perfektu bat ez duten aukerak edo sarrerak alderatzen dituen edozein tokitan. ✅ Identifikatu asmatze-urrats onenak: argi ez dagoen leku bakoitzeko, egiaztatu sistemak konfiantza-puntuazioa erabiltzen duen. Esate baterako, galdetu sistema ehuneko 85ean ziur dagoen. Hauek dira AIk azken aukera bat egiten duten puntuak. ✅ Aztertu aukera: aukera-puntu bakoitzerako, asmatu barne-matematika edo konparaketa zehatza. Adibide bat kontratuaren zati bat poliza batekin lotzea da. Beste adibide bat hautsitako auto baten argazkia hondatutako autoen argazkien liburutegi batekin konparatzea da. 3. fasea: Erabiltzaileen esperientzia sortzea ✅ Idatzi azalpen argiak: Sortu AIak aukeratzen duenean gertatzen den barne-ekintza zehatza argi deskribatzen duten mezuak erabiltzailearentzat. Aholkua: oinarritu zure mezuak errealitate konkretu batean. AI batek bezero batekin bilera bat egiten badu tokiko kafetegi batean, esan erabiltzaileari sistema kafetegien erreserba sistema egiaztatzen ari dela. ✅ Eguneratu pantaila: Jarri azalpen berri eta argi hauek erabiltzailearen interfazean. Ordeztu kontratuak berrikustea bezalako mezu lausoak zure azalpen zehatzekin. ✅ Egiaztatu konfiantza: Ziurtatu pantailako mezu berriek erabiltzaileei arrazoi sinple bat ematen dietela edozein itxaron denbora edo emaitzarako. Honek konfiantzaz eta konfiantzaz sentiarazi behar ditu. Aholkua: Probatu mezu hauek benetako erabiltzaileekin lortzen ari den emaitza zehatza ulertzen dutela egiaztatzeko.
