طراحی برای عوامل مستقل یک ناامیدی منحصر به فرد را به همراه دارد. ما یک کار پیچیده را به یک هوش مصنوعی واگذار می کنیم، برای 30 ثانیه (یا 30 دقیقه) ناپدید می شود و سپس با نتیجه برمی گردد. ما به صفحه نمایش خیره می شویم. کار کرد؟ آیا توهم داشت؟ آیا پایگاه داده انطباق را بررسی کرد یا از آن مرحله رد شد؟ ما معمولاً با یکی از دو حالت افراطی به این اضطراب پاسخ می دهیم. ما یا سیستم را یک جعبه سیاه نگه می داریم و همه چیز را برای حفظ سادگی مخفی می کنیم، یا وحشت می کنیم و یک Data Dump ارائه می کنیم و هر خط ورود و تماس API را برای کاربر پخش می کنیم. هیچ یک از این دو رویکرد مستقیماً به تفاوت های ظریف مورد نیاز برای ارائه سطح ایده آل شفافیت به کاربران نمی پردازد. جعبه سیاه باعث می شود کاربران احساس ناتوانی کنند. Data Dump باعث ایجاد کوری اعلان می شود و کارایی را که عامل وعده داده بود از بین می برد. کاربران جریان مداوم اطلاعات را نادیده می گیرند تا زمانی که چیزی خراب شود، در این مرحله آنها فاقد زمینه لازم برای رفع آن هستند. ما به یک راه سازمان یافته برای یافتن تعادل نیاز داریم. در مقاله قبلی خود، «طراحی برای هوش مصنوعی عامل»، به عناصر رابطی که اعتماد ایجاد میکنند، نگاه کردیم، مانند نشان دادن اقدامات مورد نظر هوش مصنوعی از قبل (پیشنمایشهای هدف) و دادن کنترل به کاربران بر روی میزان عملکرد هوش مصنوعی به تنهایی (شمارهگیری خودکار). اما دانستن اینکه از کدام عناصر استفاده کنید تنها بخشی از چالش است. سوال سختتر برای طراحان دانستن زمان استفاده از آنها است. چگونه میدانید که کدام لحظه خاص در یک گردش کاری 30 ثانیهای به پیشنمایش Intent نیاز دارد و کدام یک را میتوان با یک ورودی گزارش ساده مدیریت کرد؟ این مقاله روشی برای پاسخ به این سوال ارائه می دهد. ما از طریق حسابرسی گره تصمیم عبور خواهیم کرد. این فرآیند طراحان و مهندسان را در یک اتاق وادار می کند تا منطق باطن را به رابط کاربری ترسیم کنند. شما یاد خواهید گرفت که چگونه دقیقاً لحظاتی را که یک کاربر نیاز به به روز رسانی در مورد آنچه هوش مصنوعی انجام می دهد، مشخص کنید. ما همچنین یک ماتریس تأثیر/ریسک را پوشش خواهیم داد که به اولویت بندی گره های تصمیم برای نمایش و هر الگوی طراحی مرتبط برای جفت شدن با آن تصمیم کمک می کند. لحظات شفافیت: یک نمونه مطالعه موردی Meridian (نام واقعی نیست) را در نظر بگیرید، یک شرکت بیمه که از هوش مصنوعی عاملی برای رسیدگی به دعاوی اولیه تصادف استفاده می کند. کاربر عکس های آسیب دیدگی خودرو و گزارش پلیس را آپلود می کند. سپس عامل برای یک دقیقه ناپدید می شود و سپس با ارزیابی ریسک و محدوده پرداخت پیشنهادی باز می گردد. در ابتدا، رابط Meridian به سادگی Calculating Claim Status را نشان داد. کاربران ناامید شدند. آنها چندین سند دقیق ارائه کرده بودند و در مورد اینکه آیا هوش مصنوعی حتی گزارش پلیس را که حاوی شرایط کاهش دهنده بود، بازبینی کرده است یا خیر، مطمئن نبودند. جعبه سیاه بی اعتمادی ایجاد کرد. برای رفع این مشکل، تیم طراحی یک حسابرسی گره تصمیم را انجام داد. آنها دریافتند که هوش مصنوعی سه مرحله متمایز و مبتنی بر احتمال را با چندین مرحله کوچکتر جاسازی شده انجام می دهد:
تجزیه و تحلیل تصویر نماینده عکس های آسیب را با پایگاه داده ای از سناریوهای تصادف اتومبیل مقایسه کرد تا هزینه تعمیر را برآورد کند. این شامل یک نمره اعتماد به نفس بود. Textual Review گزارش پلیس را برای یافتن کلیدواژههایی که بر مسئولیت تأثیر میگذارند اسکن کرد (مانند خطا، شرایط آب و هوایی، هوشیاری). این شامل ارزیابی احتمال وضعیت قانونی است. Policy Cross ReferenceIt جزئیات ادعا را با شرایط خاص خطمشی کاربر، جستجوی استثناها یا محدودیتهای پوشش مطابقت داد. این همچنین شامل تطبیق احتمالی بود.
تیم این مراحل را به لحظات شفافیت تبدیل کرد. دنباله رابط به روز شد:
ارزیابی عکسهای آسیب: مقایسه با 500 نمایه ضربه خودرو. بررسی گزارش پلیس: تجزیه و تحلیل کلیدواژه های مسئولیت و سابقه قانونی. تأیید پوشش خط مشی: بررسی برای استثناهای خاص در طرح خود.
سیستم همچنان به همان مقدار زمان نیاز داشت، اما ارتباط صریح در مورد عملکرد داخلی عامل، اعتماد کاربر را بازگرداند. کاربران میدانستند که هوش مصنوعی کار پیچیدهای را که برای آن طراحی شده بود انجام میدهد و دقیقاً میدانستند که اگر ارزیابی نهایی نادرست به نظر میرسد، توجه خود را به کجا متمرکز کنند. این انتخاب طراحی یک لحظه اضطراب را به لحظه ارتباط با کاربر تبدیل کرد. استفاده از ماتریس تاثیر/ریسک: آنچه را که ما انتخاب کردیم پنهان کنیم بیشتر تجربیات هوش مصنوعی هیچ کمبودی در رویدادها و گره های تصمیم گیری ندارند که به طور بالقوه می توانند در طول پردازش نمایش داده شوند. یکی از حیاتی ترین نتایج ممیزی این بود که تصمیم بگیریم چه چیزی را نامرئی نگه داریم. در مثال مریدین، گزارشهای پشتیبان بیش از 50 رویداد در هر ادعا ایجاد کردند. ما میتوانستیم بهطور پیشفرض هر رویداد را بهعنوان بخشی از UI پردازش کنیم. در عوض، ماتریس ریسک را برای هرس آنها اعمال کردیم:
ثبت رویداد: پینگ سرورغرب-2 برای بررسی افزونگی. حکم فیلتر: پنهان کردن. (شرایط کم، فنی بالا).
ثبت رویداد: مقایسه برآورد تعمیر با ارزش BlueBook. حکم فیلتر: نمایش. (مخاطرات بالا، بر پرداخت کاربر تأثیر می گذارد).
با حذف جزئیات غیر ضروری، اطلاعات مهم - مانند تأیید پوشش - تأثیر بیشتری داشت. ما یک رابط باز ایجاد کردیم و یک تجربه باز طراحی کردیم. این رویکرد از این ایده استفاده میکند که مردم وقتی میتوانند کار انجام شده را ببینند، احساس بهتری نسبت به یک سرویس دارند. با نشان دادن مراحل خاص (ارزیابی، بررسی، تأیید)، انتظار 30 ثانیهای را از زمان نگرانی («آیا خراب است؟») به زمانی تغییر دادیم که احساس میکردیم چیزی ارزشمند در حال ایجاد شدن است («در حال فکر کردن»). بیایید اکنون نگاهی دقیقتر بیندازیم به اینکه چگونه میتوانیم فرآیند تصمیمگیری در محصولات خود را برای شناسایی لحظات کلیدی که به اطلاعات واضح نیاز دارند، مرور کنیم. حسابرسی گره تصمیم وقتی شفافیت را به عنوان یک انتخاب سبک به جای یک نیاز کاربردی در نظر بگیریم، شکست می خورد. ما تمایل داریم که بپرسیم، "UI باید چگونه باشد؟" قبل از اینکه بپرسیم "عامل در واقع چه تصمیمی می گیرد؟" حسابرسی گره تصمیم راهی ساده برای درک آسانتر سیستمهای هوش مصنوعی است. با ترسیم دقیق فرآیند داخلی سیستم کار می کند. هدف اصلی یافتن و تعریف دقیق لحظاتی است که سیستم از پیروی از قوانین تعیین شده خود دست می کشد و در عوض بر اساس شانس یا تخمین انتخاب می کند. با ترسیم این ساختار، سازندگان می توانند این نقاط عدم قطعیت را مستقیماً به افرادی که از سیستم استفاده می کنند نشان دهند. این بهروزرسانیهای سیستم را از گزارههای مبهم به گزارشهای خاص و قابل اعتماد در مورد چگونگی رسیدن هوش مصنوعی به نتیجه خود تغییر میدهد. علاوه بر مطالعه موردی بیمه در بالا، اخیراً با یک تیم سازنده یک نماینده تدارکات کار کردم. این سیستم قراردادهای فروشنده را بررسی کرد و خطرات را علامت گذاری کرد. در ابتدا، صفحه یک نوار پیشرفت ساده را نشان می داد: "بازبینی قراردادها". کاربران از آن متنفر بودند. تحقیقات ما نشان داد که آنها نسبت به پیامدهای قانونی یک بند مفقود احساس نگرانی می کردند. ما این مشکل را با انجام یک حسابرسی گره تصمیم رفع کردیم. من یک چک لیست گام به گام برای انجام این ممیزی در پایان این مقاله گنجانده ام. ما یک جلسه با مهندسان برگزار کردیم و نحوه عملکرد سیستم را توضیح دادیم. ما "نقاط تصمیم گیری" را شناسایی کردیم - لحظاتی که هوش مصنوعی مجبور بود بین دو گزینه خوب یکی را انتخاب کند. در برنامههای کامپیوتری استاندارد، این فرآیند واضح است: اگر A اتفاق بیفتد، B همیشه اتفاق میافتد. در سیستم های هوش مصنوعی، این فرآیند اغلب بر اساس شانس است. هوش مصنوعی فکر می کند A احتمالا بهترین انتخاب است، اما ممکن است تنها 65٪ مطمئن باشد. در سیستم قرارداد، لحظهای را پیدا کردیم که هوش مصنوعی شرایط مسئولیت را مطابق با قوانین شرکت ما بررسی کرد. به ندرت یک مسابقه کامل بود. هوش مصنوعی باید تصمیم می گرفت که آیا تطابق 90 درصد به اندازه کافی خوب است یا خیر. این یک نقطه تصمیم گیری کلیدی بود.
زمانی که این گره را شناسایی کردیم، آن را در معرض دید کاربر قرار دادیم. بهجای «بازبینی قراردادها»، رابط کاربری بهروزرسانی شد و گفت: «بند مسئولیت با الگوی استاندارد متفاوت است. تجزیه و تحلیل سطح ریسک». این به روز رسانی خاص به کاربران اطمینان داد. آنها می دانستند که نماینده بند مسئولیت را بررسی کرده است. آنها دلیل تأخیر را درک کردند و اطمینان پیدا کردند که عمل مورد نظر در قسمت پشتی رخ می دهد. آنها همچنین میدانستند که به محض اینکه عامل قرارداد را امضا کرد، کجا را عمیقتر کند. برای بررسی نحوه تصمیم گیری هوش مصنوعی، باید با مهندسان، مدیران محصول، تحلیلگران تجاری و افراد کلیدی که انتخاب هایی را انجام می دهند (اغلب پنهان) که بر عملکرد ابزار هوش مصنوعی تأثیر می گذارد، از نزدیک کار کنید. مراحلی را که ابزار طی می کند ترسیم کنید. هر نقطه ای را که فرآیند تغییر جهت می دهد علامت گذاری کنید زیرا یک احتمال برآورده شده است. اینها مکان هایی هستند که باید روی شفافیت بیشتر تمرکز کنید. همانطور که در شکل 2 زیر نشان داده شده است، حسابرسی گره تصمیم شامل این مراحل است:
تیم را گرد هم بیاورید: صاحبان محصول، تحلیلگران کسب و کار، طراحان، تصمیم گیرندگان کلیدی و مهندسانی که هوش مصنوعی را ساخته اند را وارد کنید. به عنوان مثال، به یک تیم محصول فکر کنید که یک ابزار هوش مصنوعی طراحی شده برای بررسی قراردادهای حقوقی نامرتب می سازد. این تیم شامل طراح UX، مدیر محصول، محقق UX، یک وکیل مجرب که به عنوان کارشناس موضوع عمل می کند، و مهندس Backend که کد تجزیه و تحلیل متن را نوشت.
کل فرآیند را ترسیم کنید: هر مرحله ای را که هوش مصنوعی برمی دارد، از اولین اقدام کاربر تا نتیجه نهایی، مستند کنید. تیم در کنار یک تخته سفید می ایستد و کل دنباله را برای یک گردش کار کلیدی ترسیم می کند که شامل جستجوی بند مسئولیت در یک قرارداد پیچیده توسط هوش مصنوعی می شود. وکیل بارگذاری می کندیک PDF پنجاه صفحه ← سیستم سند را به متن قابل خواندن تبدیل می کند. → هوش مصنوعی صفحات را برای بند مسئولیت اسکن می کند. → کاربر منتظر می ماند. ← لحظاتی یا چند دقیقه بعد، ابزار پاراگراف های یافت شده را با رنگ زرد در رابط کاربری برجسته می کند. آنها این کار را برای بسیاری از گردشهای کاری دیگر که این ابزار نیز در خود جای میدهد، انجام میدهند.
مکانهایی را پیدا کنید که همه چیز نامشخص است: به نقشه فرآیند برای هر نقطهای که هوش مصنوعی گزینهها یا ورودیهایی را که یک تطابق کامل ندارند، مقایسه میکند، نگاه کنید. تیم به تخته سفید نگاه می کند تا مراحل مبهم را تشخیص دهد. تبدیل تصویر به متن از قوانین سختگیرانه ای پیروی می کند. یافتن یک بند بدهی خاص مستلزم حدس و گمان است. هر شرکتی این بندها را متفاوت می نویسد، بنابراین هوش مصنوعی باید به جای یافتن یک تطابق دقیق کلمه، چندین گزینه را بسنجید و پیش بینی کند.
مراحل "بهترین حدس" را شناسایی کنید: برای هر نقطه نامشخص، بررسی کنید که آیا سیستم از امتیاز اطمینان استفاده می کند (مثلاً آیا 85٪ مطمئن است؟). اینها نقاطی هستند که هوش مصنوعی انتخاب نهایی را انجام می دهد. سیستم باید حدس بزند (احتمال بدهد) که کدام پاراگراف شباهت زیادی به بند مسئولیت استاندارد دارد. به بهترین حدس خود یک امتیاز اطمینان اختصاص می دهد. این حدس یک گره تصمیم است. رابط باید به وکیل بگوید که یک تطابق بالقوه را برجسته میکند، نه اینکه بگوید بند قطعی را پیدا کرده است.
انتخاب را بررسی کنید: برای هر نقطه انتخاب، ریاضیات داخلی یا مقایسهای را که انجام میشود مشخص کنید (به عنوان مثال، تطبیق بخشی از یک قرارداد با یک خطمشی یا مقایسه تصویر یک ماشین شکسته با کتابخانه عکسهای ماشین آسیبدیده). مهندس توضیح می دهد که این سیستم پاراگراف های مختلف را با پایگاه داده ای از بندهای مسئولیت استاندارد از پرونده های شرکت گذشته مقایسه می کند. امتیاز شباهت متن را برای تصمیم گیری در مورد مطابقت بر اساس احتمالات محاسبه می کند.
توضیحات واضح بنویسید: پیام هایی برای کاربر ایجاد کنید که به وضوح عملکرد داخلی خاصی را که هنگام انتخاب هوش مصنوعی اتفاق می افتد، توصیف می کند. طراح محتوا دقیقاً برای این لحظه پیام خاصی می نویسد. متن به شرح زیر است: مقایسه متن سند با بندهای استاندارد شرکت برای شناسایی خطرات بالقوه بدهی.
به روز رسانی صفحه: این توضیحات جدید و واضح را در رابط کاربری قرار دهید و جایگزین پیام های مبهم مانند «بازبینی قراردادها» کنید. تیم طراحی چرخنده بارگیری PDF پردازش عمومی را حذف می کند. آنها توضیح جدید را در نوار وضعیتی که درست بالای نمایشگر اسناد قرار دارد، در حالی که هوش مصنوعی فکر می کند، وارد می کنند.
بررسی اعتماد: مطمئن شوید که پیامهای صفحه جدید دلیل سادهای برای هر زمان انتظار یا نتیجهای به کاربران ارائه میدهند که باعث میشود آنها احساس اعتماد و اعتماد بیشتری کنند.
ماتریس تاثیر/ریسک هنگامی که به فرآیند هوش مصنوعی نگاه کنید، احتمالاً نقاط زیادی را پیدا خواهید کرد که در آن انتخاب می کند. یک هوش مصنوعی ممکن است ده ها انتخاب کوچک برای یک کار پیچیده انجام دهد. نشان دادن همه آنها اطلاعات غیر ضروری زیادی ایجاد می کند. شما باید این انتخاب ها را گروه بندی کنید. میتوانید از یک ماتریس تأثیر/ریسک برای مرتبسازی این انتخابها بر اساس انواع اقداماتی که هوش مصنوعی انجام میدهد استفاده کنید. در اینجا نمونه هایی از ماتریس های تاثیر/ریسک آورده شده است: ابتدا به دنبال تصمیمات کم ریسک و کم تاثیر باشید. سهام کم / تاثیر کم
مثال: سازماندهی یک ساختار فایل یا تغییر نام یک سند. نیاز به شفافیت: حداقل یک اعلان نان تست ظریف یا ورود به گزارش کافی است. کاربران می توانند این اقدامات را به راحتی لغو کنند.
سپس تصمیمات پرمخاطره و تاثیرگذار را شناسایی کنید. ریسک بالا / تاثیر زیاد
مثال: رد درخواست وام یا اجرای معامله سهام. نیاز به شفافیت: زیاد این اقدامات نیاز به اثبات کار دارند. سیستم باید منطق را قبل یا بلافاصله در حین عمل نشان دهد.
یک ربات تجاری مالی را در نظر بگیرید که با تمام سفارشات خرید/فروش یکسان رفتار می کند. یک معامله 5 دلاری را با همان تیرگی معامله 50000 دلاری انجام می دهد. ممکن است کاربران بپرسند که آیا این ابزار تأثیر بالقوه شفافیت را در تجارت در مقادیر زیاد دلار تشخیص می دهد یا خیر. آنها به سیستم نیاز دارند تا مکث کند و کار خود را برای معاملات پرمخاطره نشان دهد. راه حل این است که برای هر تراکنشی که بیش از یک دلار خاص باشد، یک حالت منطقی بازبینی معرفی کنید، که به کاربر این امکان را می دهد تا عواملی را که باعث تصمیم گیری قبل از اجرا می شود، ببیند. نگاشت گره ها به الگوها: روبریک انتخاب الگوی طراحی هنگامی که گره های تصمیم گیری کلیدی تجربه خود را شناسایی کردید، باید تصمیم بگیرید که کدام الگوی رابط کاربری برای هر یک از مواردی که نمایش می دهید اعمال می شود. در طراحی برای هوش مصنوعی عامل، الگوهایی مانند پیشنمایش قصد (برای کنترل ریسکهای بالا) و حسابرسی اقدام (برای ایمنی گذشتهنگر) را معرفی کردیم. عامل تعیین کننده در انتخاب بین آنها برگشت پذیری است. هر کدام را فیلتر می کنیمگره تصمیم از طریق ماتریس تاثیر به منظور تخصیص الگوی صحیح: ریسک بالا و برگشت ناپذیر: این گره ها نیاز به پیش نمایش قصد دارند. از آنجا که کاربر نمی تواند به راحتی این عمل را لغو کند (به عنوان مثال، حذف دائم پایگاه داده)، لحظه شفافیت باید قبل از اجرا اتفاق بیفتد. سیستم باید مکث کند، هدف خود را توضیح دهد و نیاز به تأیید داشته باشد. ریسک بالا و برگشت پذیر: این گره ها می توانند به الگوی Action Audit & Undo تکیه کنند. اگر عامل فروش مبتنی بر هوش مصنوعی یک سرنخ را به خط لوله دیگری منتقل کند، تا زمانی که کاربر را مطلع کند و یک دکمه لغو فوری ارائه دهد، می تواند به طور مستقل این کار را انجام دهد. با دستهبندی دقیق گرهها از این طریق، از «خستگی هشدار» جلوگیری میکنیم. ما پیشنمایش هدف با اصطکاک بالا را فقط برای لحظات واقعاً برگشتناپذیر رزرو میکنیم، در حالی که برای حفظ سرعت برای هر چیز دیگری به Action Audit تکیه میکنیم.
برگشت پذیر برگشت ناپذیر تاثیر کم نوع: Auto-ExecuteUI: Passive Toast / LogEx: تغییر نام یک فایل نوع: ConfirmUI: Simple Undo optionEx: بایگانی ایمیل تاثیر بالا نوع: ReviewUI: Notification + Review TrailEx: ارسال پیش نویس به مشتری نوع: Intent previewUI: Modal / Explicit PermissionEx: حذف سرور
جدول 1: ماتریس تاثیر و برگشت پذیری می تواند برای ترسیم لحظات شفافیت شما به الگوهای طراحی استفاده شود. اعتبار سنجی کیفی: «انتظار، چرا؟» تست کنید میتوانید گرههای بالقوه را روی تخته سفید شناسایی کنید، اما باید آنها را با رفتار انسانی تأیید کنید. باید بررسی کنید که آیا نقشه شما با مدل ذهنی کاربر مطابقت دارد یا خیر. من از پروتکلی به نام "صبر کن، چرا؟" استفاده می کنم. تست کنید. از یک کاربر بخواهید که مامور انجام یک کار را تماشا کند. به آنها دستور دهید که با صدای بلند صحبت کنند. هر وقت سوالی می پرسند، "صبر کن، چرا این کار را کرد؟" یا "آیا گیر کرده است؟" یا "آیا مرا شنید؟" - شما یک مهر زمانی را علامت گذاری می کنید. این سوالات نشان دهنده سردرگمی کاربران است. کاربر احساس می کند کنترلش از بین می رود. برای مثال، در مطالعهای برای یک دستیار برنامهریزی مراقبتهای بهداشتی، کاربران تماشا کردند که نماینده یک قرار ملاقات رزرو میکرد. صفحه نمایش به مدت چهار ثانیه ثابت ماند. شرکتکنندگان دائماً میپرسیدند: «تقویم من را بررسی میکند یا دکتر؟»
این سوال یک لحظه شفافیت گمشده را آشکار کرد. سیستم باید این انتظار چهار ثانیهای را به دو مرحله مجزا تقسیم میکرد: «بررسی در دسترس بودن» و سپس «همگامسازی با برنامه ارائهدهنده». این تغییر کوچک باعث کاهش سطح اضطراب بیان شده کاربران شد. شفافیت زمانی از کار می افتد که فقط یک عمل سیستم را توصیف کند. رابط باید فرآیند فنی را به هدف خاص کاربر متصل کند. صفحهای که «بررسی در دسترس بودن» را نشان میدهد صاف میافتد زیرا فاقد زمینه است. کاربر میداند که هوش مصنوعی به تقویم نگاه میکند، اما نمیداند چرا. ما باید عمل را با نتیجه جفت کنیم. سیستم باید آن انتظار چهار ثانیه ای را به دو مرحله مجزا تقسیم کند. ابتدا، رابط "بررسی تقویم خود برای یافتن اوقات باز" را نشان می دهد. سپس به "همگام سازی با برنامه ارائه دهنده برای ایمن کردن قرار ملاقات شما" به روز می شود. این فرآیند فنی را در زندگی واقعی کاربر پایه گذاری می کند. یک موجودی مدیریت هوش مصنوعی برای یک کافه محلی را در نظر بگیرید. سیستم با کمبود عرضه مواجه می شود. رابطی که «تماس با فروشنده» یا «بازبینی گزینهها» را میخواند، اضطراب ایجاد میکند. مدیر تعجب می کند که آیا سیستم سفارش را لغو می کند یا یک جایگزین گران قیمت می خرد. یک رویکرد بهتر، توضیح نتیجه مورد نظر است: "ارزیابی تامین کنندگان جایگزین برای حفظ برنامه تحویل جمعه شما." این دقیقاً به کاربر می گوید که هوش مصنوعی در تلاش است به چه چیزی برسد. عملیاتی کردن حسابرسی شما حسابرسی گره تصمیم را تکمیل کرده اید و لیست خود را از طریق ماتریس تأثیر و ریسک فیلتر کرده اید. اکنون فهرستی از لحظات ضروری برای شفاف بودن دارید. بعد، باید آنها را در UI ایجاد کنید. این مرحله نیاز به کار گروهی در بخش های مختلف دارد. شما نمی توانید به تنهایی با استفاده از ابزار طراحی شفافیت را طراحی کنید. شما باید بدانید که چگونه سیستم در پشت صحنه کار می کند. با یک بررسی منطقی شروع کنید. با طراح سیستم اصلی خود ملاقات کنید. نقشه گره های تصمیم خود را بیاورید. باید تأیید کنید که سیستم واقعاً میتواند این حالتها را به اشتراک بگذارد. من اغلب متوجه می شوم که سیستم فنی وضعیت دقیقی را که می خواهم نشان دهم نشان نمی دهد. مهندس ممکن است بگوید که سیستم فقط یک وضعیت کلی "کار" را برمیگرداند. شما باید برای به روز رسانی دقیق فشار بیاورید. برای ارسال اعلان خاص به سیستم نیاز داریدوقتی از خواندن متن به بررسی قوانین تغییر می کند. بدون آن ارتباط فنی، طراحی شما غیرممکن است. در مرحله بعد، تیم طراحی محتوا را درگیر کنید. شما دلیل فنی اقدام هوش مصنوعی را دارید، اما به توضیح واضح و انسان پسند نیاز دارید. مهندسان فرآیند زیربنایی را ارائه می دهند، اما طراحان محتوا راه ارتباطی را ارائه می دهند. این پیام ها را به تنهایی ننویسید. یک توسعه دهنده ممکن است "اجرای تابع 402" را بنویسد که از نظر فنی صحیح است اما برای کاربر بی معنی است. یک طراح ممکن است «تفکر» را بنویسد که دوستانه اما خیلی مبهم است. یک استراتژیست محتوا، حد وسط مناسب را پیدا می کند. آنها عبارات خاصی مانند "اسکن برای خطرات مسئولیت" ایجاد می کنند که نشان می دهد هوش مصنوعی بدون گیج کردن کاربر کار می کند. در نهایت شفافیت پیام های خود را تست کنید. منتظر نمانید تا محصول نهایی ساخته شود تا ببینید آیا متن کار می کند یا خیر. من آزمایش های مقایسه ای را روی نمونه های اولیه ساده انجام می دهم که تنها چیزی که تغییر می کند پیام وضعیت است. به عنوان مثال، من به یک گروه (گروه A) پیامی را نشان میدهم که میگوید «تأیید هویت» و به گروه دیگر (گروه B) پیامی را نشان میدهم که میگوید «بررسی پایگاههای اطلاعاتی دولت» (اینها نمونههای ساختگی هستند، اما شما موضوع را درک میکنید). سپس از آنها می پرسم که کدام هوش مصنوعی احساس امنیت بیشتری می کند. اغلب متوجه می شوید که برخی از کلمات باعث نگرانی می شوند، در حالی که برخی دیگر باعث ایجاد اعتماد می شوند. شما باید جمله بندی را به عنوان چیزی که برای آزمایش و اثبات موثر بودن نیاز دارید، در نظر بگیرید. چگونه این فرآیند طراحی را تغییر می دهد انجام این ممیزی ها این پتانسیل را دارد که نحوه همکاری یک تیم با یکدیگر را تقویت کند. ما تحویل فایل های طراحی جلا داده شده را متوقف می کنیم. ما شروع به استفاده از نمونه های اولیه آشفته و صفحات گسترده مشترک می کنیم. ابزار اصلی تبدیل به یک ماتریس شفافیت می شود. مهندسان و طراحان محتوا این صفحه گسترده را با هم ویرایش می کنند. آنها کدهای فنی دقیق را با کلماتی که کاربر می خواند، ترسیم می کنند. تیم ها در طول بررسی منطقی اصطکاک را تجربه خواهند کرد. تصور کنید یک طراح از مهندس میپرسد که چگونه هوش مصنوعی تصمیم میگیرد تراکنش ارائه شده در گزارش هزینه را رد کند. مهندس ممکن است بگوید backend فقط یک کد وضعیت عمومی مانند "خطا: داده های از دست رفته" را خروجی می دهد. طراح بیان می کند که این اطلاعات عملی روی صفحه نمایش نیست. طراح برای ایجاد یک قلاب فنی خاص با مهندس مذاکره می کند. مهندس قانون جدیدی می نویسد تا سیستم دقیقاً مواردی را که گم شده است، مانند یک تصویر رسید گم شده، گزارش دهد. طراحان محتوا در این مرحله به عنوان مترجم عمل می کنند. یک توسعهدهنده ممکن است یک رشته دقیق فنی مانند «محاسبه آستانه اطمینان برای تطبیق فروشنده» بنویسد. یک طراح محتوا آن رشته را به عبارتی ترجمه می کند که برای یک نتیجه خاص اعتماد ایجاد می کند. استراتژیست آن را به عنوان "مقایسه قیمت های فروشنده محلی برای اطمینان از تحویل جمعه شما" بازنویسی می کند. کاربر عمل و نتیجه را درک می کند. کل تیم متقابل در جلسات تست کاربر می نشیند. آنها مشاهده می کنند که یک شخص واقعی به پیام های وضعیت مختلف واکنش نشان می دهد. مشاهده وحشت کاربر به این دلیل که صفحه نمایش "اجرای تجارت" را نشان می دهد، تیم را مجبور می کند تا در رویکرد خود تجدید نظر کند. مهندسان و طراحان با عبارت بهتر هماهنگ می شوند. آنها قبل از خرید سهام، متن را به "تأیید وجوه کافی" تغییر می دهند. آزمایش با هم تضمین می کند که رابط نهایی هم به منطق سیستم و هم به آرامش کاربر کمک می کند. گنجاندن این فعالیت های اضافی در تقویم تیم به زمان نیاز دارد. با این حال، نتیجه نهایی باید تیمی باشد که بازتر ارتباط برقرار کند و کاربرانی که درک بهتری از آنچه ابزارهای مبتنی بر هوش مصنوعی آنها از طرف آنها انجام میدهند (و چرا) داشته باشند. این رویکرد یکپارچه سنگ بنای طراحی تجربیات هوش مصنوعی واقعا قابل اعتماد است. اعتماد یک انتخاب طراحی است ما اغلب اعتماد را محصول جانبی احساسی یک تجربه کاربری خوب می بینیم. تلقی اعتماد به عنوان یک نتیجه مکانیکی از ارتباطات قابل پیش بینی آسان تر است. ما با نشان دادن اطلاعات درست در زمان مناسب اعتماد ایجاد می کنیم. ما آن را با غلبه بر کاربر یا مخفی کردن کامل ماشین آلات از بین می بریم. با حسابرسی گره تصمیم شروع کنید، به ویژه برای ابزارها و محصولات AI عامل. لحظاتی را که سیستم قضاوت می کند پیدا کنید. آن لحظات را به ماتریس ریسک ترسیم کنید. اگر مخاطرات زیاد است، جعبه را باز کنید. کار را نشان دهید. در مقاله بعدی، نحوه طراحی این لحظات را بررسی خواهیم کرد: نحوه نوشتن کپی، ساختار UI، و رسیدگی به خطاهای اجتناب ناپذیر زمانی که عامل اشتباه می کند. پیوست: چک لیست حسابرسی گره تصمیم فاز 1: راه اندازی و نقشه برداری ✅ تیم را گرد هم بیاورید: صاحبان محصول، تحلیلگران کسب و کار، طراحان،تصمیم گیرندگان کلیدی و مهندسانی که هوش مصنوعی را ساخته اند. نکته: شما به مهندسان نیاز دارید که منطق باطن واقعی را توضیح دهند. این مرحله را به تنهایی انجام ندهید. ✅ کل فرآیند را ترسیم کنید: تمام مراحل هوش مصنوعی از اولین اقدام کاربر تا نتیجه نهایی را مستند کنید. نکته: یک جلسه وایت برد فیزیکی اغلب برای ترسیم این مراحل اولیه بهترین کار را دارد. فاز 2: مکان یابی منطق پنهان ✅ مکانهای نامشخص را پیدا کنید: به نقشه فرآیند برای هر نقطهای که هوش مصنوعی گزینهها یا ورودیهایی را که یک تطابق کامل ندارند، مقایسه میکند نگاه کنید. ✅ شناسایی بهترین مراحل حدس زدن: برای هر نقطه نامشخص، بررسی کنید که آیا سیستم از امتیاز اطمینان استفاده می کند یا خیر. به عنوان مثال، بپرسید که آیا سیستم 85 درصد مطمئن است یا خیر. اینها نقاطی هستند که هوش مصنوعی انتخاب نهایی را انجام می دهد. ✅انتخاب را بررسی کنید: برای هر نقطه انتخاب، ریاضی یا مقایسه داخلی خاصی را که در حال انجام است مشخص کنید. یک مثال تطبیق بخشی از یک قرارداد با یک سیاست است. مثال دیگر شامل مقایسه تصویر یک ماشین شکسته با کتابخانه ای از عکس های ماشین آسیب دیده است. فاز 3: ایجاد تجربه کاربری ✅توضیحات واضح بنویسید: پیام هایی برای کاربر ایجاد کنید که به وضوح عملکرد داخلی خاصی را که هنگام انتخاب هوش مصنوعی اتفاق می افتد، توصیف می کند. نکته: پیام های خود را در واقعیت ملموس قرار دهید. اگر هوش مصنوعی جلسه ای را با مشتری در یک کافه محلی رزرو کرد، به کاربر بگویید که سیستم در حال بررسی سیستم رزرو کافه است. ✅ به روز رسانی صفحه: این توضیحات جدید و واضح را در رابط کاربری قرار دهید. پیام های مبهم مانند بررسی قراردادها را با توضیحات خاص خود جایگزین کنید. ✅ بررسی اعتماد: مطمئن شوید که پیامهای صفحه جدید دلیل سادهای برای هر زمان انتظار یا نتیجهای به کاربران میدهند. این باید باعث شود آنها احساس اعتماد به نفس و اعتماد کنند. نکته: این پیامها را با کاربران واقعی آزمایش کنید تا مطمئن شوید که نتیجه خاصی را که به دست میآید را درک میکنند.
