સ્વાયત્ત એજન્ટો માટે ડિઝાઇનિંગ એક અનન્ય હતાશા રજૂ કરે છે. અમે એક જટિલ કાર્ય એઆઈને સોંપીએ છીએ, તે 30 સેકન્ડ (અથવા 30 મિનિટ) માટે અદૃશ્ય થઈ જાય છે અને પછી પરિણામ સાથે તે પાછું આવે છે. અમે સ્ક્રીન પર નજર કરીએ છીએ. તે કામ કર્યું? શું તે આભાસ થયો? શું તે અનુપાલન ડેટાબેઝને તપાસે છે અથવા તે પગલું છોડી દે છે? અમે સામાન્ય રીતે આ અસ્વસ્થતાનો પ્રતિસાદ બે ચરમસીમાઓમાંથી એક સાથે આપીએ છીએ. અમે કાં તો સિસ્ટમને બ્લેક બોક્સ રાખીએ છીએ, સરળતા જાળવવા માટે બધું છુપાવીએ છીએ, અથવા અમે ગભરાઈએ છીએ અને ડેટા ડમ્પ પ્રદાન કરીએ છીએ, દરેક લોગ લાઇન અને વપરાશકર્તાને API કૉલ સ્ટ્રીમ કરીએ છીએ. કોઈપણ અભિગમ વપરાશકર્તાઓને પારદર્શિતાના આદર્શ સ્તર સાથે પ્રદાન કરવા માટે જરૂરી ઉપદ્રવને સીધી રીતે સંબોધિત કરતું નથી. બ્લેક બોક્સ વપરાશકર્તાઓને શક્તિહીન અનુભવે છે. ડેટા ડમ્પ નોટિફિકેશન અંધત્વ બનાવે છે, એજન્ટે પ્રદાન કરવાનું વચન આપ્યું હતું તે કાર્યક્ષમતાનો નાશ કરે છે. વપરાશકર્તાઓ જ્યાં સુધી કંઈક તૂટી ન જાય ત્યાં સુધી માહિતીના સતત પ્રવાહની અવગણના કરે છે, તે સમયે તેમની પાસે તેને સુધારવા માટેના સંદર્ભનો અભાવ હોય છે. સંતુલન શોધવા માટે અમને સંગઠિત રીતની જરૂર છે. મારા પાછલા લેખમાં, "એજેન્ટિક AI માટે ડિઝાઇનિંગ", અમે ઇન્ટરફેસ ઘટકોને જોયા જે વિશ્વાસ બનાવે છે, જેમ કે AI ની ધારેલી ક્રિયા અગાઉથી દર્શાવવી (ઇન્ટેન્ટ પ્રિવ્યુઝ) અને વપરાશકર્તાઓને AI તેના પોતાના પર કેટલું કરે છે તેના પર નિયંત્રણ આપવું (ઓટોનોમી ડાયલ્સ). પરંતુ કયા ઘટકોનો ઉપયોગ કરવો તે જાણવું એ પડકારનો એક ભાગ છે. ડિઝાઇનર્સ માટે કઠણ પ્રશ્ન એ જાણવું છે કે તેનો ઉપયોગ ક્યારે કરવો. તમે કેવી રીતે જાણો છો કે 30-સેકન્ડના વર્કફ્લોમાં કઈ ચોક્કસ ક્ષણ માટે ઈન્ટેન્ટ પ્રીવ્યૂની જરૂર છે અને જેને સાદી લોગ એન્ટ્રીથી હેન્ડલ કરી શકાય છે? આ લેખ તે પ્રશ્નનો જવાબ આપવા માટે એક પદ્ધતિ પ્રદાન કરે છે. અમે ડિસિઝન નોડ ઓડિટમાંથી પસાર થઈશું. આ પ્રક્રિયા યુઝર ઇન્ટરફેસમાં બેકએન્ડ લોજીકને મેપ કરવા માટે ડિઝાઇનર્સ અને એન્જિનિયરોને એક જ રૂમમાં મેળવે છે. વપરાશકર્તાને એઆઈ શું કરી રહ્યું છે તેના પર અપડેટની જરૂર હોય તે ચોક્કસ ક્ષણોને કેવી રીતે નિર્ધારિત કરવી તે તમે શીખી શકશો. અમે ઇમ્પેક્ટ/રિસ્ક મેટ્રિક્સને પણ આવરી લઈશું જે પ્રદર્શિત કરવા માટે કયા નિર્ણય ગાંઠો અને તે નિર્ણય સાથે જોડાયેલી કોઈપણ ડિઝાઇન પેટર્નને પ્રાથમિકતા આપવામાં મદદ કરશે. પારદર્શિતા ક્ષણો: એક કેસ સ્ટડી ઉદાહરણ મેરિડીયન (વાસ્તવિક નામ નથી) નો વિચાર કરો, એક વીમા કંપની કે જે પ્રારંભિક અકસ્માત દાવાઓ પર પ્રક્રિયા કરવા માટે એજન્ટિક AI નો ઉપયોગ કરે છે. વપરાશકર્તા વાહનના નુકસાનના ફોટા અને પોલીસ રિપોર્ટ અપલોડ કરે છે. પછી એજન્ટ જોખમ મૂલ્યાંકન અને સૂચિત ચૂકવણી શ્રેણી સાથે પાછા ફરતા પહેલા એક મિનિટ માટે અદૃશ્ય થઈ જાય છે. શરૂઆતમાં, મેરિડીયનનું ઇન્ટરફેસ ફક્ત દાવાની સ્થિતિની ગણતરી કરતું હતું. વપરાશકર્તાઓ નિરાશ થયા. તેઓએ ઘણા વિગતવાર દસ્તાવેજો સબમિટ કર્યા હતા અને AI એ પોલીસ રિપોર્ટની સમીક્ષા પણ કરી હતી કે કેમ તે અંગે અનિશ્ચિતતા અનુભવી હતી, જેમાં હળવા સંજોગો હતા. બ્લેક બોક્સે અવિશ્વાસ પેદા કર્યો. આને ઠીક કરવા માટે, ડિઝાઇન ટીમે ડિસિઝન નોડ ઓડિટ હાથ ધર્યું. તેઓએ જોયું કે AI એ ત્રણ અલગ-અલગ, સંભાવના-આધારિત પગલાંઓ કર્યા છે, જેમાં અસંખ્ય નાના પગલાં એમ્બેડેડ છે:
ઈમેજ એનાલિસિસએજન્ટે રિપેર ખર્ચનો અંદાજ કાઢવા માટે સામાન્ય કાર ક્રેશ સિનારીયોના ડેટાબેઝ સાથે નુકસાનના ફોટાની સરખામણી કરી. આમાં આત્મવિશ્વાસનો સ્કોર સામેલ હતો. ટેક્સ્ચ્યુઅલ રિવ્યૂતે જવાબદારીને અસર કરતા કીવર્ડ્સ માટે પોલીસ રિપોર્ટ સ્કેન કરે છે (દા.ત., ખામી, હવામાન પરિસ્થિતિઓ, સ્વસ્થતા). આમાં કાનૂની સ્થિતિનું સંભવિત મૂલ્યાંકન સામેલ હતું. પોલિસી ક્રોસ રેફરન્સ તે વપરાશકર્તાની ચોક્કસ નીતિ શરતો, અપવાદો અથવા કવરેજ મર્યાદાઓ માટે શોધ કરતા દાવાની વિગતો સાથે મેળ ખાય છે. આમાં સંભવિત મેચિંગ પણ સામેલ છે.
ટીમે આ પગલાંને પારદર્શિતાની ક્ષણોમાં ફેરવ્યા. ઇન્ટરફેસ ક્રમ આના પર અપડેટ કરવામાં આવ્યો હતો:
નુકસાનના ફોટાનું મૂલ્યાંકન: 500 વાહનની અસર પ્રોફાઇલ્સ સામે સરખામણી. પોલીસ રિપોર્ટની સમીક્ષા કરવી: જવાબદારી કીવર્ડ્સ અને કાનૂની પૂર્વધારણાનું વિશ્લેષણ. પોલિસી કવરેજની ચકાસણી: તમારા પ્લાનમાં ચોક્કસ બાકાત માટે તપાસ કરી રહ્યાં છીએ.
સિસ્ટમે હજુ પણ એટલો જ સમય લીધો હતો, પરંતુ એજન્ટની આંતરિક કામગીરી વિશે સ્પષ્ટ સંદેશાવ્યવહારથી વપરાશકર્તાનો વિશ્વાસ પુનઃસ્થાપિત થયો. વપરાશકર્તાઓ સમજી ગયા કે AI જટિલ કાર્ય કરી રહ્યું છે જેના માટે તે ડિઝાઇન કરવામાં આવ્યું હતું, અને તેઓ બરાબર જાણતા હતા કે જો અંતિમ મૂલ્યાંકન અચોક્કસ લાગતું હોય તો તેમનું ધ્યાન ક્યાં કેન્દ્રિત કરવું. આ ડિઝાઇન પસંદગીએ અસ્વસ્થતાની ક્ષણને વપરાશકર્તા સાથે જોડાણની ક્ષણમાં પરિવર્તિત કરી. અસર/જોખમ મેટ્રિક્સ લાગુ કરવું: અમે શું છુપાવવાનું પસંદ કર્યું છે મોટાભાગના AI અનુભવોમાં ઇવેન્ટ્સ અને નિર્ણય ગાંઠોની કોઈ અછત હોતી નથી જે પ્રક્રિયા દરમિયાન સંભવિત રીતે પ્રદર્શિત થઈ શકે છે. ઓડિટના સૌથી નિર્ણાયક પરિણામો પૈકી એક એ નક્કી કરવાનું હતું કે શું અદ્રશ્ય રાખવું. મેરિડીયન ઉદાહરણમાં, બેકએન્ડ લોગ પ્રતિ દાવો 50+ ઇવેન્ટ્સ જનરેટ કરે છે. અમે દરેક ઇવેન્ટને પ્રદર્શિત કરવા માટે ડિફોલ્ટ કરી શકીએ છીએ કારણ કે તે UI ના ભાગ રૂપે પ્રક્રિયા કરવામાં આવી હતી. તેના બદલે, અમે તેમને કાપવા માટે જોખમ મેટ્રિક્સ લાગુ કર્યું:
લોગ ઇવેન્ટ: પિંગિંગ સર્વરરિડન્ડન્સી ચેક માટે પશ્ચિમ-2. ફિલ્ટર ચુકાદો: છુપાવો. (લો સ્ટેક્સ, ઉચ્ચ તકનીકીતા).
લોગ ઇવેન્ટ: બ્લુબુક મૂલ્ય સાથે રિપેર અંદાજની તુલના. ફિલ્ટર ચુકાદો: બતાવો. (ઉચ્ચ હિસ્સો, વપરાશકર્તાના ચૂકવણીને અસર કરે છે).
બિનજરૂરી વિગતોને કાપીને, મહત્વપૂર્ણ માહિતી - જેમ કે કવરેજ ચકાસણી - વધુ પ્રભાવશાળી હતી. અમે એક ખુલ્લું ઇન્ટરફેસ બનાવ્યું અને એક ખુલ્લો અનુભવ ડિઝાઇન કર્યો. આ અભિગમ એ વિચારનો ઉપયોગ કરે છે કે જ્યારે તેઓ કામ થઈ રહ્યું હોય ત્યારે લોકોને સેવા વિશે વધુ સારું લાગે છે. ચોક્કસ પગલાં (મૂલ્યાંકન, સમીક્ષા, ચકાસણી) બતાવીને, અમે ચિંતાના સમય ("શું તે તૂટી ગયું છે?") થી કંઈક મૂલ્યવાન બનાવવામાં આવી રહ્યું છે ("તે વિચારી રહ્યું છે") જેવી લાગણીના સમયમાં 30-સેકન્ડની રાહ બદલીએ છીએ. ચાલો હવે સ્પષ્ટ માહિતીની જરૂર હોય તેવા મુખ્ય ક્ષણોને ઓળખવા માટે અમે અમારા ઉત્પાદનોમાં નિર્ણય લેવાની પ્રક્રિયાની સમીક્ષા કેવી રીતે કરી શકીએ તેના પર નજીકથી નજર કરીએ. નિર્ણય નોડ ઓડિટ પારદર્શિતા નિષ્ફળ જાય છે જ્યારે આપણે તેને કાર્યાત્મક જરૂરિયાતને બદલે શૈલીની પસંદગી તરીકે ગણીએ છીએ. અમારી પાસે પૂછવાનું વલણ છે, "UI કેવું દેખાવું જોઈએ?" અમે પૂછીએ તે પહેલાં, "એજન્ટ ખરેખર શું નક્કી કરે છે?" ડિસિઝન નોડ ઓડિટ એ એઆઈ સિસ્ટમને સમજવામાં સરળ બનાવવાની એક સીધી રીત છે. તે સિસ્ટમની આંતરિક પ્રક્રિયાને કાળજીપૂર્વક મેપ કરીને કાર્ય કરે છે. મુખ્ય ધ્યેય એ ચોક્કસ ક્ષણો શોધવા અને સ્પષ્ટપણે વ્યાખ્યાયિત કરવાનો છે જ્યાં સિસ્ટમ તેના નિર્ધારિત નિયમોનું પાલન કરવાનું બંધ કરે છે અને તેના બદલે તક અથવા અંદાજના આધારે પસંદગી કરે છે. આ માળખું મેપ કરીને, નિર્માતાઓ આ અનિશ્ચિતતાના મુદ્દાઓ સીધા જ સિસ્ટમનો ઉપયોગ કરતા લોકોને બતાવી શકે છે. આ સિસ્ટમ અપડેટ્સને અસ્પષ્ટ નિવેદનોથી ચોક્કસ, વિશ્વસનીય રિપોર્ટ્સમાં બદલે છે કે કેવી રીતે AI તેના નિષ્કર્ષ પર પહોંચ્યું. ઉપરોક્ત વીમા કેસ અભ્યાસ ઉપરાંત, મેં તાજેતરમાં પ્રોક્યોરમેન્ટ એજન્ટ બનાવતી ટીમ સાથે કામ કર્યું છે. સિસ્ટમે વિક્રેતા કરાર અને ફ્લેગ કરેલા જોખમોની સમીક્ષા કરી. મૂળરૂપે, સ્ક્રીન એક સરળ પ્રોગ્રેસ બાર પ્રદર્શિત કરે છે: "કોન્ટ્રેક્ટની સમીક્ષા કરવી." વપરાશકર્તાઓ તેને નફરત કરતા હતા. અમારા સંશોધન દર્શાવે છે કે તેઓ ગુમ થયેલ કલમની કાનૂની અસરો વિશે ચિંતિત છે. અમે ડિસિઝન નોડ ઓડિટ કરીને આને ઠીક કર્યું છે. મેં આ લેખના નિષ્કર્ષ પર આ ઑડિટ કરવા માટે એક પગલું-દર-પગલાની ચેકલિસ્ટ શામેલ કરી છે. અમે એન્જિનિયરો સાથે એક સત્ર ચલાવ્યું અને સિસ્ટમ કેવી રીતે કામ કરે છે તેની રૂપરેખા આપી. અમે "ડિસિઝન પોઈન્ટ્સ" ઓળખ્યા — એવી ક્ષણો જ્યાં AI એ બે સારા વિકલ્પો વચ્ચે પસંદગી કરવાની હતી. પ્રમાણભૂત કમ્પ્યુટર પ્રોગ્રામ્સમાં, પ્રક્રિયા સ્પષ્ટ છે: જો A થાય, તો B હંમેશા થશે. AI સિસ્ટમ્સમાં, પ્રક્રિયા ઘણીવાર તક પર આધારિત હોય છે. AI માને છે કે A કદાચ શ્રેષ્ઠ પસંદગી છે, પરંતુ તે માત્ર 65% ચોક્કસ હોઈ શકે છે. કોન્ટ્રાક્ટ સિસ્ટમમાં, અમને એક ક્ષણ મળી જ્યારે AI એ અમારી કંપનીના નિયમો વિરુદ્ધ જવાબદારીની શરતો તપાસી. તે ભાગ્યે જ એક સંપૂર્ણ મેચ હતી. AI એ નક્કી કરવાનું હતું કે શું 90% મેચ પૂરતી સારી હતી. આ એક મુખ્ય નિર્ણય મુદ્દો હતો.
એકવાર અમે આ નોડને ઓળખી લીધા પછી, અમે તેને વપરાશકર્તા સમક્ષ જાહેર કર્યું. "કોન્ટ્રાક્ટ્સની સમીક્ષા કરવા" ને બદલે, ઇન્ટરફેસ અપડેટ કરવામાં આવ્યું છે: "જવાબદારી કલમ પ્રમાણભૂત નમૂનાથી બદલાય છે. જોખમ સ્તરનું વિશ્લેષણ." આ વિશિષ્ટ અપડેટે વપરાશકર્તાઓને વિશ્વાસ આપ્યો. તેઓ જાણતા હતા કે એજન્ટે જવાબદારી કલમ તપાસી છે. તેઓ વિલંબનું કારણ સમજી ગયા અને વિશ્વાસ મેળવ્યો કે ઇચ્છિત ક્રિયા પાછળના છેડે થઈ રહી છે. તેઓ એ પણ જાણતા હતા કે એજન્ટે કોન્ટ્રાક્ટ જનરેટ કર્યા પછી ક્યાં ઊંડા ખોદવું. AI કેવી રીતે નિર્ણયો લે છે તે તપાસવા માટે, તમારે તમારા એન્જિનિયરો, પ્રોડક્ટ મેનેજર્સ, બિઝનેસ વિશ્લેષકો અને મુખ્ય લોકો સાથે નજીકથી કામ કરવાની જરૂર છે કે જેઓ AI ટૂલ કેવી રીતે કાર્ય કરે છે તેને અસર કરે છે (ઘણી વખત છુપાયેલ) પસંદગીઓ કરી રહ્યા છે. સાધન જે પગલાં લે છે તે દોરો. દરેક જગ્યાને ચિહ્નિત કરો જ્યાં પ્રક્રિયાની દિશા બદલાય છે કારણ કે સંભાવના પૂરી થાય છે. આ તે સ્થાનો છે જ્યાં તમારે વધુ પારદર્શક બનવા પર ધ્યાન કેન્દ્રિત કરવું જોઈએ. નીચે આકૃતિ 2 માં બતાવ્યા પ્રમાણે, નિર્ણય નોડ ઓડિટમાં આ પગલાં શામેલ છે:
ટીમને એકસાથે લાવો: પ્રોડક્ટના માલિકો, બિઝનેસ વિશ્લેષકો, ડિઝાઇનર્સ, મુખ્ય નિર્ણય લેનારાઓ અને AI બનાવનાર એન્જિનિયરોને લાવો. ઉદાહરણ તરીકે, અવ્યવસ્થિત કાનૂની કરારોની સમીક્ષા કરવા માટે રચાયેલ AI ટૂલ બનાવવાની પ્રોડક્ટ ટીમ વિશે વિચારો. ટીમમાં UX ડિઝાઇનર, પ્રોડક્ટ મેનેજર, UX સંશોધક, એક પ્રેક્ટિસિંગ વકીલ કે જેઓ વિષય-વિષયના નિષ્ણાત તરીકે કામ કરે છે અને બેકએન્ડ એન્જિનિયરનો સમાવેશ થાય છે જેણે ટેક્સ્ટ-વિશ્લેષણ કોડ લખ્યો છે.
આખી પ્રક્રિયા દોરો: વપરાશકર્તાની પ્રથમ ક્રિયાથી લઈને અંતિમ પરિણામ સુધી AI દ્વારા લેવાયેલા દરેક પગલાનો દસ્તાવેજ કરો. ટીમ વ્હાઇટબોર્ડ પર ઊભી રહે છે અને મુખ્ય વર્કફ્લો માટે સમગ્ર ક્રમનું સ્કેચ કરે છે જેમાં AI એક જટિલ કરારમાં જવાબદારીની કલમની શોધ કરે છે. વકીલ અપલોડ કરે છેપચાસ પાનાની PDF → સિસ્ટમ દસ્તાવેજને વાંચી શકાય તેવા ટેક્સ્ટમાં રૂપાંતરિત કરે છે. → AI જવાબદારી કલમો માટે પૃષ્ઠોને સ્કેન કરે છે. → વપરાશકર્તા રાહ જુએ છે. → ક્ષણો અથવા મિનિટો પછી, ટૂલ યુઝર ઇન્ટરફેસ પર પીળા રંગમાં મળેલા ફકરાઓને હાઇલાઇટ કરે છે. તેઓ આ અન્ય ઘણા વર્કફ્લો માટે કરે છે જેને સાધન પણ સમાવી શકે છે.
જ્યાં વસ્તુઓ અસ્પષ્ટ છે તે શોધો: કોઈપણ સ્થળ માટે પ્રક્રિયા નકશા જુઓ જ્યાં AI વિકલ્પો અથવા ઇનપુટ્સની તુલના કરે છે જેમાં એક પણ સંપૂર્ણ મેળ નથી. ટીમ અસ્પષ્ટ પગલાઓ શોધવા માટે વ્હાઇટબોર્ડને જુએ છે. છબીને ટેક્સ્ટમાં રૂપાંતરિત કરવું સખત નિયમોનું પાલન કરે છે. ચોક્કસ જવાબદારી કલમ શોધવામાં અનુમાનિત કાર્યનો સમાવેશ થાય છે. દરેક પેઢી આ કલમો અલગ રીતે લખે છે, તેથી AI એ ચોક્કસ શબ્દ મેચ શોધવાને બદલે બહુવિધ વિકલ્પોનું વજન કરવું પડશે અને આગાહી કરવી પડશે.
'શ્રેષ્ઠ અનુમાન' પગલાંઓ ઓળખો: દરેક અસ્પષ્ટ સ્થળ માટે, તપાસો કે શું સિસ્ટમ આત્મવિશ્વાસ સ્કોરનો ઉપયોગ કરે છે (ઉદાહરણ તરીકે, શું તે 85% ખાતરી છે?). આ એવા મુદ્દા છે જ્યાં AI અંતિમ પસંદગી કરે છે. સિસ્ટમે અનુમાન લગાવવું પડશે (સંભાવના આપો) કયા ફકરા(ઓ) પ્રમાણભૂત જવાબદારી કલમને નજીકથી મળતા આવે છે. તે તેના શ્રેષ્ઠ અનુમાન માટે આત્મવિશ્વાસનો સ્કોર અસાઇન કરે છે. તે અનુમાન એક નિર્ણય નોડ છે. ઇન્ટરફેસને વકીલને કહેવાની જરૂર છે કે તે સંભવિત મેચને હાઇલાઇટ કરી રહ્યું છે, તેને નિર્ણાયક કલમ મળી હોવાનું કહેવાને બદલે.
પસંદગીની તપાસ કરો: દરેક પસંદગીના મુદ્દા માટે, ચોક્કસ આંતરિક ગણિત અથવા સરખામણી કરવામાં આવી રહી છે તે આંકડો (દા.ત., કરારના ભાગને પોલિસી સાથે મેચ કરવો અથવા તૂટેલી કારના ચિત્રની ક્ષતિગ્રસ્ત કારના ફોટાની લાઇબ્રેરી સાથે સરખામણી કરવી). એન્જિનિયર સમજાવે છે કે સિસ્ટમ ભૂતકાળના પેઢીના કેસોના પ્રમાણભૂત જવાબદારી કલમોના ડેટાબેઝ સામે વિવિધ ફકરાઓની તુલના કરે છે. તે સંભાવનાઓના આધારે મેચ પર નિર્ણય લેવા માટે ટેક્સ્ટ સમાનતા સ્કોરની ગણતરી કરે છે.
સ્પષ્ટ સ્પષ્ટતાઓ લખો: વપરાશકર્તા માટે સંદેશાઓ બનાવો કે જે AI પસંદગી કરે ત્યારે થતી ચોક્કસ આંતરિક ક્રિયાનું સ્પષ્ટપણે વર્ણન કરે. સામગ્રી ડિઝાઇનર આ ચોક્કસ ક્ષણ માટે ચોક્કસ સંદેશ લખે છે. ટેક્સ્ટ વાંચે છે: સંભવિત જવાબદારી જોખમોને ઓળખવા માટે પ્રમાણભૂત પેઢી કલમો સાથે દસ્તાવેજ ટેક્સ્ટની તુલના કરવી.
સ્ક્રીનને અપડેટ કરો: આ નવા, સ્પષ્ટ સમજૂતીઓને યુઝર ઇન્ટરફેસમાં મૂકો, "કોન્ટ્રેક્ટની સમીક્ષા કરવી" જેવા અસ્પષ્ટ સંદેશાઓને બદલીને. ડિઝાઇન ટીમ જેનરિક પ્રોસેસિંગ પીડીએફ લોડિંગ સ્પિનર દૂર કરે છે. જ્યારે AI વિચારે છે ત્યારે તેઓ દસ્તાવેજ દર્શકની ઉપર સ્થિત સ્ટેટસ બારમાં નવો ખુલાસો દાખલ કરે છે.
વિશ્વાસ માટે તપાસો: ખાતરી કરો કે નવા સ્ક્રીન સંદેશાઓ વપરાશકર્તાઓને કોઈપણ રાહ સમય અથવા પરિણામ માટે એક સરળ કારણ આપે છે, જે તેમને વધુ આત્મવિશ્વાસ અને વિશ્વાસની અનુભૂતિ કરાવે છે.
ધ ઇમ્પેક્ટ/રિસ્ક મેટ્રિક્સ એકવાર તમે AI ની પ્રક્રિયાને નજીકથી જોશો, તો તમને સંભવતઃ ઘણા મુદ્દાઓ મળશે જ્યાં તે પસંદગી કરે છે. એક AI એક જટિલ કાર્ય માટે ડઝનેક નાની પસંદગીઓ કરી શકે છે. તે બધાને બતાવવાથી ઘણી બધી બિનજરૂરી માહિતી ઊભી થાય છે. તમારે આ પસંદગીઓને જૂથબદ્ધ કરવાની જરૂર છે. AI જે ક્રિયા(ઓ) કરી રહ્યું છે તેના આધારે આ પસંદગીઓને સૉર્ટ કરવા માટે તમે ઇમ્પેક્ટ/રિસ્ક મેટ્રિક્સનો ઉપયોગ કરી શકો છો. અહીં અસર/જોખમ મેટ્રિસિસના ઉદાહરણો છે: પ્રથમ, ઓછા દાવ અને ઓછી અસરવાળા નિર્ણયો માટે જુઓ. લો સ્ટેક્સ / ઓછી અસર
ઉદાહરણ: ફાઇલ માળખું ગોઠવવું અથવા દસ્તાવેજનું નામ બદલવું. પારદર્શિતાની જરૂરિયાત: ન્યૂનતમ. સૂક્ષ્મ ટોસ્ટ સૂચના અથવા લોગ એન્ટ્રી પૂરતી છે. વપરાશકર્તાઓ આ ક્રિયાઓને સરળતાથી પૂર્વવત્ કરી શકે છે.
પછી ઉચ્ચ દાવ અને ઉચ્ચ અસરવાળા નિર્ણયોને ઓળખો. ઉચ્ચ દાવ / ઉચ્ચ અસર
ઉદાહરણ: લોનની અરજી નકારવી અથવા સ્ટોક ટ્રેડનો અમલ કરવો. પારદર્શિતાની જરૂરિયાત: ઉચ્ચ. આ ક્રિયાઓ માટે કામના પુરાવાની જરૂર છે. સિસ્ટમે કાર્ય કરે તે પહેલાં અથવા તરત જ તર્ક દર્શાવવો આવશ્યક છે.
નાણાકીય ટ્રેડિંગ બૉટનો વિચાર કરો કે જે તમામ ખરીદ/વેચાણના ઓર્ડરને સમાન ગણે છે. તે $50,000ના વેપારની સમાન અસ્પષ્ટતા સાથે $5નો વેપાર કરે છે. વપરાશકર્તાઓ પ્રશ્ન કરી શકે છે કે શું સાધન મોટી ડોલરની રકમ પર ટ્રેડિંગ પર પારદર્શિતાની સંભવિત અસરને ઓળખે છે. તેમને સિસ્ટમને થોભાવવાની જરૂર છે અને ઉચ્ચ-સ્ટેક ટ્રેડ્સ માટે તેનું કાર્ય બતાવવાની જરૂર છે. ઉકેલ એ છે કે ચોક્કસ ડૉલરની રકમથી વધુના કોઈપણ વ્યવહાર માટે રિવ્યુઇંગ લોજિક સ્થિતિ રજૂ કરવી, જે વપરાશકર્તાને અમલ પહેલાં નિર્ણયને આગળ ધપાવતા પરિબળોને જોવાની મંજૂરી આપે છે. પેટર્ન માટે નોડ્સ મેપિંગ: એક ડિઝાઇન પેટર્ન પસંદગી રૂબ્રિક એકવાર તમે તમારા અનુભવના મુખ્ય નિર્ણય ગાંઠો ઓળખી લો, પછી તમારે નક્કી કરવું આવશ્યક છે કે તમે પ્રદર્શિત કરશો તે દરેકને કઈ UI પેટર્ન લાગુ પડે છે. Agentic AI માટે ડિઝાઇનિંગમાં, અમે ઇન્ટેન્ટ પ્રીવ્યુ (ઉચ્ચ-સ્ટેક કંટ્રોલ માટે) અને એક્શન ઑડિટ (પૂર્વવર્તી સલામતી માટે) જેવી પેટર્ન રજૂ કરી છે. તેમની વચ્ચે પસંદગી કરવામાં નિર્ણાયક પરિબળ એ ઉલટાવી શકાય તેવું છે. અમે દરેક ફિલ્ટરયોગ્ય પેટર્ન સોંપવા માટે ઇમ્પેક્ટ મેટ્રિક્સ દ્વારા નિર્ણય નોડ: ઉચ્ચ સ્ટેક્સ અને ઉલટાવી શકાય તેવું: આ નોડ્સને ઇન્ટેન્ટ પૂર્વાવલોકનની જરૂર છે. કારણ કે વપરાશકર્તા ક્રિયાને સરળતાથી પૂર્વવત્ કરી શકતો નથી (દા.ત., ડેટાબેઝને કાયમી ધોરણે કાઢી નાખવું), અમલીકરણ પહેલાં પારદર્શિતાની ક્ષણ થવી જોઈએ. સિસ્ટમે વિરામ લેવો જોઈએ, તેનો હેતુ સમજાવવો જોઈએ અને પુષ્ટિની જરૂર છે. ઉચ્ચ સ્ટેક્સ અને ઉલટાવી શકાય તેવું: આ નોડ્સ એક્શન ઓડિટ અને પૂર્વવત્ પેટર્ન પર આધાર રાખી શકે છે. જો AI-સંચાલિત સેલ્સ એજન્ટ લીડને અલગ પાઈપલાઈન તરફ લઈ જાય છે, તો જ્યાં સુધી તે વપરાશકર્તાને સૂચિત કરે અને તાત્કાલિક પૂર્વવત્ કરવાનું બટન ઓફર કરે ત્યાં સુધી તે સ્વાયત્ત રીતે કરી શકે છે. આ રીતે ગાંઠોને સખત રીતે વર્ગીકૃત કરીને, અમે "ચેતવણી થાક" ટાળીએ છીએ. અમે ઉચ્ચ-ઘર્ષણના ઉદ્દેશ્ય પૂર્વાવલોકનને માત્ર સાચી બદલી ન શકાય તેવી ક્ષણો માટે આરક્ષિત કરીએ છીએ, જ્યારે અન્ય દરેક વસ્તુ માટે ગતિ જાળવવા માટે એક્શન ઑડિટ પર આધાર રાખીએ છીએ.
ઉલટાવી શકાય તેવું ઉલટાવી શકાય તેવું ઓછી અસર પ્રકાર: Auto-ExecuteUI: નિષ્ક્રિય ટોસ્ટ / LogEx: ફાઇલનું નામ બદલવું પ્રકાર: ConfirmUI: સરળ પૂર્વવત્ વિકલ્પઉદાહરણ: ઇમેઇલ આર્કાઇવિંગ ઉચ્ચ અસર પ્રકાર: રીવ્યુયુઆઈ: સૂચના + સમીક્ષા ટ્રેલએક્સ: ક્લાયન્ટને ડ્રાફ્ટ મોકલવો પ્રકાર: ઉદ્દેશ પૂર્વાવલોકન UI: મોડલ / સ્પષ્ટ પરવાનગીEx: સર્વર કાઢી નાખવું
કોષ્ટક 1: ઇમ્પેક્ટ અને રિવર્સિબિલિટી મેટ્રિક્સનો ઉપયોગ પછી તમારી પારદર્શિતાની ક્ષણોને ડિઝાઇન પેટર્નમાં મેપ કરવા માટે કરી શકાય છે. ગુણાત્મક માન્યતા: "પ્રતીક્ષા, શા માટે?" ટેસ્ટ તમે વ્હાઇટબોર્ડ પર સંભવિત ગાંઠો ઓળખી શકો છો, પરંતુ તમારે તેમને માનવ વર્તન સાથે માન્ય કરવું આવશ્યક છે. તમારો નકશો વપરાશકર્તાના માનસિક મોડલ સાથે મેળ ખાય છે કે કેમ તે તમારે ચકાસવાની જરૂર છે. હું “રાહ જુઓ, કેમ?” નામના પ્રોટોકોલનો ઉપયોગ કરું છું. ટેસ્ટ. એજન્ટને કાર્ય પૂર્ણ કરે તે જોવા માટે વપરાશકર્તાને કહો. તેમને મોટેથી બોલવાની સૂચના આપો. જ્યારે પણ તેઓ કોઈ પ્રશ્ન પૂછે છે, "રાહ જુઓ, તે શા માટે કર્યું?" અથવા "શું તે અટકી ગયું છે?" અથવા "તે મને સાંભળ્યું?" - તમે ટાઇમસ્ટેમ્પ ચિહ્નિત કરો છો. આ પ્રશ્નો વપરાશકર્તાની મૂંઝવણનો સંકેત આપે છે. વપરાશકર્તાને લાગે છે કે તેમનું નિયંત્રણ દૂર થઈ રહ્યું છે. ઉદાહરણ તરીકે, હેલ્થકેર શેડ્યુલિંગ સહાયક માટેના અભ્યાસમાં, વપરાશકર્તાઓએ એજન્ટને એપોઇન્ટમેન્ટ બુક કરતા જોયા. સ્ક્રીન ચાર સેકન્ડ માટે સ્થિર બેઠી. સહભાગીઓ સતત પૂછતા હતા, "શું તે મારું કેલેન્ડર તપાસી રહ્યું છે કે ડૉક્ટરનું?"
તે પ્રશ્ને ગુમ થયેલ પારદર્શિતા ક્ષણ જાહેર કરી. સિસ્ટમને તે ચાર-સેકન્ડની રાહને બે અલગ-અલગ પગલાઓમાં વિભાજિત કરવાની જરૂર હતી: "તમારી ઉપલબ્ધતા તપાસી રહ્યું છે" અને "પ્રદાતા શેડ્યૂલ સાથે સમન્વયિત કરવું." આ નાના ફેરફારથી વપરાશકર્તાઓની ચિંતાના સ્તરમાં ઘટાડો થયો. પારદર્શિતા નિષ્ફળ જાય છે જ્યારે તે માત્ર સિસ્ટમ ક્રિયાનું વર્ણન કરે છે. ઈન્ટરફેસ તકનીકી પ્રક્રિયાને વપરાશકર્તાના ચોક્કસ ધ્યેય સાથે જોડવી જોઈએ. "તમારી ઉપલબ્ધતા તપાસી રહ્યું છે" દર્શાવતી સ્ક્રીન ફ્લેટ પડી જાય છે કારણ કે તેમાં સંદર્ભનો અભાવ છે. વપરાશકર્તા સમજે છે કે AI કૅલેન્ડર જોઈ રહ્યું છે, પરંતુ તેઓ જાણતા નથી કે શા માટે. આપણે ક્રિયાને પરિણામ સાથે જોડી દેવી જોઈએ. સિસ્ટમને તે ચાર-સેકન્ડની રાહને બે અલગ-અલગ પગલાઓમાં વિભાજિત કરવાની જરૂર છે. પ્રથમ, ઇન્ટરફેસ "ખુલ્લા સમય શોધવા માટે તમારું કેલેન્ડર તપાસી રહ્યું છે" દર્શાવે છે. પછી તે "તમારી એપોઇન્ટમેન્ટ સુરક્ષિત કરવા માટે પ્રદાતાના શેડ્યૂલ સાથે સમન્વયિત" પર અપડેટ થાય છે. આ વપરાશકર્તાના વાસ્તવિક જીવનમાં તકનીકી પ્રક્રિયાને આધાર આપે છે. સ્થાનિક કાફે માટે AI મેનેજિંગ ઇન્વેન્ટરીનો વિચાર કરો. સિસ્ટમ પુરવઠાની અછતનો સામનો કરે છે. ઇન્ટરફેસ વાંચન "વિક્રેતાનો સંપર્ક કરવો" અથવા "વિકલ્પોની સમીક્ષા કરવી" ચિંતા પેદા કરે છે. મેનેજરને આશ્ચર્ય થાય છે કે શું સિસ્ટમ ઓર્ડર રદ કરી રહી છે અથવા કોઈ ખર્ચાળ વિકલ્પ ખરીદી રહી છે. ઇચ્છિત પરિણામ સમજાવવા માટે વધુ સારો અભિગમ છે: "તમારા શુક્રવારના ડિલિવરી શેડ્યૂલને જાળવવા માટે વૈકલ્પિક સપ્લાયર્સનું મૂલ્યાંકન કરવું." આ વપરાશકર્તાને બરાબર જણાવે છે કે AI શું પ્રાપ્ત કરવાનો પ્રયાસ કરી રહ્યું છે. ઓડિટનું સંચાલન તમે ડિસિઝન નોડ ઓડિટ પૂર્ણ કર્યું છે અને તમારી સૂચિને અસર અને જોખમ મેટ્રિક્સ દ્વારા ફિલ્ટર કર્યું છે. તમારી પાસે હવે પારદર્શક બનવા માટે જરૂરી પળોની સૂચિ છે. આગળ, તમારે તેમને UI માં બનાવવાની જરૂર છે. આ પગલા માટે વિવિધ વિભાગોમાં ટીમ વર્કની જરૂર છે. તમે ડિઝાઇન ટૂલનો ઉપયોગ કરીને જાતે પારદર્શિતા ડિઝાઇન કરી શકતા નથી. તમારે સમજવાની જરૂર છે કે સિસ્ટમ પડદા પાછળ કેવી રીતે કામ કરે છે. લોજિક સમીક્ષા સાથે પ્રારંભ કરો. તમારા મુખ્ય સિસ્ટમ ડિઝાઇનર સાથે મળો. નિર્ણય નોડ્સનો તમારો નકશો લાવો. તમારે પુષ્ટિ કરવાની જરૂર છે કે સિસ્ટમ ખરેખર આ રાજ્યોને શેર કરી શકે છે. હું વારંવાર જોઉં છું કે ટેકનિકલ સિસ્ટમ હું જે બતાવવા માંગુ છું તે ચોક્કસ સ્થિતિ જાહેર કરતી નથી. એન્જિનિયર કહી શકે છે કે સિસ્ટમ ફક્ત સામાન્ય "કાર્યકારી" સ્થિતિ પરત કરે છે. તમારે વિગતવાર અપડેટ માટે દબાણ કરવું આવશ્યક છે. તમારે ચોક્કસ સૂચના મોકલવા માટે સિસ્ટમની જરૂર છેજ્યારે તે ટેક્સ્ટ વાંચવાથી નિયમો તપાસવા તરફ સ્વિચ કરે છે. તે તકનીકી જોડાણ વિના, તમારી ડિઝાઇનનું નિર્માણ કરવું અશક્ય છે. આગળ, સામગ્રી ડિઝાઇન ટીમને સામેલ કરો. તમારી પાસે AI ની ક્રિયા માટે તકનીકી કારણ છે, પરંતુ તમારે સ્પષ્ટ, માનવ-મૈત્રીપૂર્ણ સમજૂતીની જરૂર છે. એન્જીનિયરો અંતર્ગત પ્રક્રિયા પૂરી પાડે છે, પરંતુ સામગ્રી ડિઝાઇનર્સ તેની વાતચીત કરવાની રીત પ્રદાન કરે છે. આ સંદેશાઓ એકલા ન લખો. વિકાસકર્તા "એક્ઝીક્યુટીંગ ફંક્શન 402" લખી શકે છે, જે તકનીકી રીતે સાચું છે પરંતુ વપરાશકર્તા માટે અર્થહીન છે. ડિઝાઇનર "વિચાર" લખી શકે છે, જે મૈત્રીપૂર્ણ છે પરંતુ ખૂબ અસ્પષ્ટ છે. સામગ્રી વ્યૂહરચનાકાર યોગ્ય મધ્યમ જમીન શોધે છે. તેઓ ચોક્કસ શબ્દસમૂહો બનાવે છે, જેમ કે "જવાબદારી જોખમો માટે સ્કેનિંગ", જે દર્શાવે છે કે AI વપરાશકર્તાને મૂંઝવણમાં મૂક્યા વિના કામ કરી રહ્યું છે. છેલ્લે, તમારા સંદેશાઓની પારદર્શિતાનું પરીક્ષણ કરો. ટેક્સ્ટ કામ કરે છે કે નહીં તે જોવા માટે અંતિમ ઉત્પાદન બને ત્યાં સુધી રાહ જોશો નહીં. હું સરળ પ્રોટોટાઇપ્સ પર તુલનાત્મક પરીક્ષણો હાથ ધરું છું જ્યાં માત્ર એક જ વસ્તુ જે બદલાય છે તે સ્થિતિ સંદેશ છે. ઉદાહરણ તરીકે, હું એક જૂથ (ગ્રુપ A)ને એક સંદેશ બતાવું છું જે કહે છે કે "ઓળખની ચકાસણી કરી રહ્યું છે" અને બીજા જૂથ (ગ્રુપ B)ને "સરકારી ડેટાબેસેસ તપાસી રહ્યું છે" કહે છે (આ બનાવેલા ઉદાહરણો છે, પરંતુ તમે મુદ્દાને સમજો છો). પછી હું તેમને પૂછું છું કે કયું AI સુરક્ષિત લાગે છે. તમે વારંવાર જાણશો કે અમુક શબ્દો ચિંતાનું કારણ બને છે, જ્યારે અન્ય લોકો વિશ્વાસ બનાવે છે. તમારે ચકાસવા અને અસરકારક સાબિત કરવા માટે તમારે શબ્દરચનાને કંઈક એવું ગણવું જોઈએ. આ કેવી રીતે ડિઝાઇન પ્રક્રિયામાં ફેરફાર કરે છે આ ઓડિટ હાથ ધરવાથી ટીમ કેવી રીતે એક સાથે કામ કરે છે તેને મજબૂત કરવાની ક્ષમતા ધરાવે છે. અમે પોલિશ્ડ ડિઝાઇન ફાઇલો આપવાનું બંધ કરીએ છીએ. અમે અવ્યવસ્થિત પ્રોટોટાઇપ્સ અને વહેંચાયેલ સ્પ્રેડશીટ્સનો ઉપયોગ કરવાનું શરૂ કરીએ છીએ. મુખ્ય સાધન પારદર્શિતા મેટ્રિક્સ બની જાય છે. એન્જિનિયરો અને સામગ્રી ડિઝાઇનર્સ આ સ્પ્રેડશીટને એકસાથે સંપાદિત કરે છે. તેઓ ચોક્કસ ટેક્નિકલ કોડને વપરાશકર્તા વાંચશે તેવા શબ્દો સાથે મેપ કરે છે. તર્કની સમીક્ષા દરમિયાન ટીમો ઘર્ષણનો અનુભવ કરશે. કલ્પના કરો કે એક ડિઝાઇનર એન્જિનિયરને પૂછે છે કે AI ખર્ચના અહેવાલ પર સબમિટ કરેલા વ્યવહારને નકારવાનો નિર્ણય કેવી રીતે લે છે. એન્જિનિયર કહી શકે છે કે બેકએન્ડ ફક્ત "ભૂલ: ડેટા ખૂટે છે" જેવા સામાન્ય સ્ટેટસ કોડને આઉટપુટ કરે છે. ડિઝાઈનર જણાવે છે કે આ સ્ક્રીન પર કાર્યવાહી કરવા યોગ્ય માહિતી નથી. ડિઝાઇનર ચોક્કસ તકનીકી હૂક બનાવવા માટે એન્જિનિયર સાથે વાટાઘાટો કરે છે. એન્જિનિયર નવો નિયમ લખે છે જેથી સિસ્ટમ બરાબર જાણ કરે કે શું ખૂટે છે, જેમ કે ખૂટતી રસીદની છબી. સામગ્રી ડિઝાઇનર્સ આ તબક્કા દરમિયાન અનુવાદક તરીકે કાર્ય કરે છે. વિકાસકર્તા તકનીકી રીતે સચોટ સ્ટ્રિંગ લખી શકે છે જેમ કે "વિક્રેતા મેચિંગ માટે વિશ્વાસ થ્રેશોલ્ડની ગણતરી કરવી." સામગ્રી ડિઝાઇનર તે શબ્દમાળાને શબ્દસમૂહમાં અનુવાદિત કરે છે જે ચોક્કસ પરિણામ માટે વિશ્વાસ બનાવે છે. વ્યૂહરચનાકાર તેને "તમારી શુક્રવારની ડિલિવરી સુરક્ષિત કરવા માટે સ્થાનિક વિક્રેતાની કિંમતોની તુલના" તરીકે ફરીથી લખે છે. વપરાશકર્તા ક્રિયા અને પરિણામ સમજે છે. સમગ્ર ક્રોસ-ફંક્શનલ ટીમ વપરાશકર્તા પરીક્ષણ સત્રોમાં બેસે છે. તેઓ જુએ છે કે વાસ્તવિક વ્યક્તિ વિવિધ સ્થિતિ સંદેશાઓ પર પ્રતિક્રિયા આપે છે. વપરાશકર્તાને ગભરાટ જોવો કારણ કે સ્ક્રીન કહે છે કે "વેપાર ચલાવવું" ટીમને તેમના અભિગમ પર પુનર્વિચાર કરવા દબાણ કરે છે. ઇજનેરો અને ડિઝાઇનરો વધુ સારા શબ્દો પર સંરેખિત થાય છે. તેઓ સ્ટોક ખરીદતા પહેલા ટેક્સ્ટને "પર્યાપ્ત ભંડોળની ચકાસણી કરી રહ્યાં છે" માં બદલી નાખે છે. એકસાથે પરીક્ષણ કરવાથી અંતિમ ઈન્ટરફેસ સિસ્ટમના તર્ક અને વપરાશકર્તાની માનસિક શાંતિ બંનેની ખાતરી આપે છે. આ વધારાની પ્રવૃત્તિઓને ટીમના કૅલેન્ડરમાં સામેલ કરવા માટે સમયની જરૂર પડે છે. જો કે, અંતિમ પરિણામ એવી ટીમ હોવી જોઈએ જે વધુ ખુલ્લેઆમ વાતચીત કરે અને વપરાશકર્તાઓ કે જેઓ તેમના AI-સંચાલિત સાધનો તેમના વતી (અને શા માટે) કરી રહ્યા છે તેની વધુ સારી સમજ ધરાવતા હોય. આ સંકલિત અભિગમ એ ખરેખર વિશ્વાસપાત્ર AI અનુભવો ડિઝાઇન કરવાનો પાયાનો પથ્થર છે. ટ્રસ્ટ એ ડિઝાઇન પસંદગી છે અમે વારંવાર વિશ્વાસને સારા વપરાશકર્તા અનુભવના ભાવનાત્મક આડપેદાશ તરીકે જોઈએ છીએ. વિશ્વાસને અનુમાનિત સંદેશાવ્યવહારના યાંત્રિક પરિણામ તરીકે જોવાનું સરળ છે. અમે યોગ્ય સમયે યોગ્ય માહિતી બતાવીને વિશ્વાસ બનાવીએ છીએ. અમે તેનો નાશ કરીએ છીએ વપરાશકર્તાને દબાવીને અથવા મશીનરીને સંપૂર્ણપણે છુપાવીને. ડિસિઝન નોડ ઓડિટ સાથે પ્રારંભ કરો, ખાસ કરીને એજન્ટિક AI સાધનો અને ઉત્પાદનો માટે. તે ક્ષણો શોધો જ્યાં સિસ્ટમ નિર્ણય કૉલ કરે છે. તે ક્ષણોને રિસ્ક મેટ્રિક્સ પર મેપ કરો. જો દાવ વધારે હોય, તો બોક્સ ખોલો. કામ બતાવો. આગલા લેખમાં, અમે આ ક્ષણોને કેવી રીતે ડિઝાઇન કરવી તે જોઈશું: નકલ કેવી રીતે લખવી, UI ની રચના કરવી અને જ્યારે એજન્ટને ખોટું લાગે ત્યારે અનિવાર્ય ભૂલોને નિયંત્રિત કરવી. પરિશિષ્ટ: નિર્ણય નોડ ઓડિટ ચેકલિસ્ટ તબક્કો 1: સેટઅપ અને મેપિંગ ✅ ટીમને એકસાથે લાવો: ઉત્પાદનના માલિકો, વ્યવસાય વિશ્લેષકો, ડિઝાઇનરો,મુખ્ય નિર્ણય લેનારાઓ અને એઆઈ બનાવનાર એન્જિનિયરો. સંકેત: તમને વાસ્તવિક બેકએન્ડ તર્ક સમજાવવા માટે એન્જિનિયરોની જરૂર છે. આ પગલું એકલા પ્રયાસ કરશો નહીં. ✅ આખી પ્રક્રિયા દોરો: વપરાશકર્તાની પ્રથમ ક્રિયાથી લઈને અંતિમ પરિણામ સુધી AI દ્વારા લેવાયેલા દરેક પગલાનો દસ્તાવેજ કરો. સંકેત: ભૌતિક વ્હાઇટબોર્ડ સત્ર ઘણીવાર આ પ્રારંભિક પગલાંઓ દોરવા માટે શ્રેષ્ઠ કામ કરે છે. તબક્કો 2: હિડન લોજિક શોધવું ✅ જ્યાં વસ્તુઓ અસ્પષ્ટ છે તે શોધો: કોઈપણ સ્થળ માટે પ્રક્રિયા નકશો જુઓ જ્યાં AI વિકલ્પો અથવા ઇનપુટ્સની તુલના કરે છે કે જેમાં એક પણ સંપૂર્ણ મેળ ન હોય. ✅ શ્રેષ્ઠ અનુમાનના પગલાંને ઓળખો: દરેક અસ્પષ્ટ સ્થળ માટે, સિસ્ટમ આત્મવિશ્વાસ સ્કોરનો ઉપયોગ કરે છે કે કેમ તે તપાસો. ઉદાહરણ તરીકે, પૂછો કે શું સિસ્ટમ 85 ટકા ખાતરી છે. આ એવા મુદ્દા છે જ્યાં AI અંતિમ પસંદગી કરે છે. ✅ પસંદગીની તપાસ કરો: દરેક પસંદગીના મુદ્દા માટે, ચોક્કસ આંતરિક ગણિત અથવા સરખામણી કરવામાં આવી રહી છે તે આકૃતિ કરો. એક ઉદાહરણ પોલિસી સાથે કરારના ભાગને મેચ કરવાનું છે. અન્ય ઉદાહરણમાં ક્ષતિગ્રસ્ત કારના ફોટાની લાઇબ્રેરી સાથે તૂટેલી કારના ચિત્રની તુલના કરવાનો સમાવેશ થાય છે. તબક્કો 3: વપરાશકર્તા અનુભવ બનાવવો ✅ સ્પષ્ટ સ્પષ્ટતાઓ લખો: વપરાશકર્તા માટે એવા સંદેશાઓ બનાવો કે જે AI પસંદગી કરે ત્યારે થતી ચોક્કસ આંતરિક ક્રિયાનું સ્પષ્ટપણે વર્ણન કરે. સંકેત: તમારા સંદેશાને નક્કર વાસ્તવિકતામાં ગ્રાઉન્ડ કરો. જો કોઈ AI સ્થાનિક કાફેમાં ક્લાયન્ટ સાથે મીટિંગ બુક કરે છે, તો વપરાશકર્તાને જણાવો કે સિસ્ટમ કાફે રિઝર્વેશન સિસ્ટમ તપાસી રહી છે. ✅ સ્ક્રીનને અપડેટ કરો: યુઝર ઇન્ટરફેસમાં આ નવા, સ્પષ્ટ સ્પષ્ટતાઓ મૂકો. અસ્પષ્ટ સંદેશાઓને બદલો જેમ કે કોન્ટ્રાક્ટની સમીક્ષા તમારા ચોક્કસ સ્પષ્ટતાઓ સાથે. ✅ વિશ્વાસ માટે તપાસો: ખાતરી કરો કે નવા સ્ક્રીન સંદેશાઓ વપરાશકર્તાઓને કોઈપણ રાહ સમય અથવા પરિણામ માટે એક સરળ કારણ આપે છે. આનાથી તેમને આત્મવિશ્વાસ અને વિશ્વાસની લાગણી થવી જોઈએ. સંકેત: વાસ્તવિક વપરાશકર્તાઓ સાથે આ સંદેશાઓનું પરીક્ષણ કરો કે તેઓ ચોક્કસ પરિણામ પ્રાપ્ત કરે છે તે સમજે છે.
