ჩემს ბოლო სტატიაში ჩვენ დავადგინეთ ფუნდამენტური ჭეშმარიტება: იმისათვის, რომ მომხმარებლებმა აითვისონ და დაეყრდნონ AI-ს, მათ უნდა ენდონ მას. ჩვენ ვისაუბრეთ იმაზე, რომ ნდობა მრავალმხრივი კონსტრუქციაა, რომელიც აგებულია ხელოვნური ინტელექტის უნარის, კეთილგანწყობის, მთლიანობისა და პროგნოზირებადობის აღქმაზე. მაგრამ რა ხდება, როდესაც ხელოვნური ინტელექტი, თავისი ჩუმი, ალგორითმული სიბრძნით, იღებს გადაწყვეტილებას, რომელიც მომხმარებელს დაბნეულს, იმედგაცრუებას ან თუნდაც ტკივილს ტოვებს? იპოთეკის განაცხადი უარყოფილია, საყვარელი სიმღერა მოულოდნელად არ ჩნდება პლეილისტის სიაში და კვალიფიცირებული რეზიუმე უარყოფილია, სანამ ადამიანი ნახავს მას. ამ მომენტებში, უნარი და პროგნოზირებადობა ირღვევა და კეთილგანწყობა სამყაროს შორს გრძნობს. ჩვენი საუბარი ახლა უნდა განვითარდეს ნდობის რატომიდან გამჭვირვალობამდე. ახსნადი ხელოვნური ინტელექტის სფერო (XAI), რომელიც ფოკუსირებულია მეთოდების შემუშავებაზე, რათა ხელოვნური ინტელექტის შედეგების ადამიანებისთვის გასაგები გახდეს, გაჩნდა ამის გადასაჭრელად, მაგრამ ის ხშირად ყალიბდება, როგორც წმინდა ტექნიკური გამოწვევა მონაცემთა მეცნიერებისთვის. მე ვამტკიცებ, რომ ეს არის კრიტიკული დიზაინის გამოწვევა პროდუქტებისთვის, რომლებიც ეყრდნობა AI-ს. ჩვენი, როგორც UX პროფესიონალების მოვალეობაა გადავლახოთ უფსკრული ალგორითმული გადაწყვეტილების მიღებასა და ადამიანის გაგებას შორის. ეს სტატია გვაწვდის პრაქტიკულ, ქმედით სახელმძღვანელოს იმის შესახებ, თუ როგორ უნდა გამოვიკვლიოთ და შეიმუშავოთ ახსნა-განმარტებისთვის. ჩვენ გადავალთ ბულგარულ სიტყვებს მიღმა და მაკეტებში, რთულ XAI ცნებებს ვთარგმნით კონკრეტული დიზაინის ნიმუშებად, რომელთა გამოყენება შეგიძლიათ დღესვე დაიწყოთ. დემისტიფიკატორი XAI: ძირითადი ცნებები UX პრაქტიკოსებისთვის XAI არის მომხმარებლის კითხვაზე პასუხის გაცემა: "რატომ?" რატომ მაჩვენეს ეს რეკლამა? რატომ მირჩევთ ამ ფილმს? რატომ უარყვეს ჩემი მოთხოვნა? იფიქრეთ იმაზე, როგორც AI აჩვენებს თავის მუშაობას მათემატიკის პრობლემაზე. ამის გარეშე, თქვენ უბრალოდ გაქვთ პასუხი და იძულებული ხართ მიიღოთ იგი რწმენაზე. ნაბიჯების ჩვენებისას თქვენ აშენებთ გაგებას და ნდობას. თქვენ ასევე უფლებას აძლევთ, რომ თქვენი ნამუშევარი ორმაგად შემოწმდეს და დადასტურდეს სწორედ იმ ადამიანების მიერ, რომლებიც მასზე გავლენას ახდენს. მახასიათებლის მნიშვნელობა და კონტრფაქტები არსებობს მთელი რიგი ტექნიკა, რომლებიც შეგვიძლია გამოვიყენოთ, რათა განვმარტოთ ან ავხსნათ რა ხდება AI-სთან. მიუხედავად იმისა, რომ მეთოდები მერყეობს გადაწყვეტილების ხის მთლიანი ლოგიკის მიწოდებიდან და დამთავრებული შედეგის ბუნებრივი ენობრივი შეჯამების გენერირებამდე, ორი ყველაზე პრაქტიკული და გავლენიანი ტიპის ინფორმაცია, რომელსაც UX პრაქტიკოსი შეუძლია გამოცდილებაში შემოიტანოს, არის მახასიათებლების მნიშვნელობა (სურათი 1) და კონტრფაქტები. ეს ხშირად ყველაზე მარტივია მომხმარებლების გასაგებად და ყველაზე ეფექტური დიზაინერებისთვის.
მახასიათებლის მნიშვნელობა ახსნის ეს მეთოდი პასუხობს: „რა იყო ყველაზე მნიშვნელოვანი ფაქტორები, რომლებიც AI განიხილებოდა? საუბარია საუკეთესო 2-3 ცვლადის იდენტიფიცირებაზე, რომლებმაც ყველაზე დიდი გავლენა მოახდინეს შედეგზე. ეს არის სათაური და არა მთელი ამბავი. მაგალითი: წარმოიდგინეთ ხელოვნური ინტელექტი, რომელიც პროგნოზირებს თუ არა კლიენტი გაქრება (გაუქმებს მათ მომსახურებას). მახასიათებლის მნიშვნელობამ შეიძლება გამოავლინოს, რომ „გასულ თვეში მხარდაჭერის ზარების რაოდენობა“ და „ფასის ბოლო მატება“ იყო ორი ყველაზე მნიშვნელოვანი ფაქტორი იმის დასადგენად, იყო თუ არა მომხმარებელთა გადახვევა.
კონტრფაქტუალები ეს მძლავრი მეთოდი პასუხობს: „რისი შეცვლა დამჭირდება განსხვავებული შედეგის მისაღებად? ეს გადამწყვეტია, რადგან მომხმარებლებს აძლევს აგენტურობის განცდას. ის გარდაქმნის იმედგაცრუებულ „არას“ ქმედებად „ჯერ არა“. მაგალითი: წარმოიდგინეთ სესხის განაცხადის სისტემა, რომელიც იყენებს AI-ს. მომხმარებელს უარი ეთქვა სესხზე. იმის ნაცვლად, რომ ნახოთ „აპლიკაცია უარყოფილია“, კონტრფაქტული ახსნა ასევე იზიარებს: „თუ თქვენი საკრედიტო ქულა იყო 50 ქულით მეტი, ან თუ თქვენი დავალიანება-შემოსავლის თანაფარდობა 10%-ით დაბალი იყო, თქვენი სესხი დამტკიცდებოდა“. ეს აძლევს სარას მკაფიო, ქმედით ნაბიჯებს, რომელიც მას შეუძლია გადადგას პოტენციურად მომავალში სესხის მისაღებად.
მოდელის მონაცემების გამოყენება ახსნის გასაუმჯობესებლად მიუხედავად იმისა, რომ ტექნიკურ სპეციფიკას ხშირად ამუშავებენ მონაცემთა მეცნიერები, UX პრაქტიკოსებისთვის სასარგებლოა იცოდნენ, რომ ინსტრუმენტები, როგორიცაა LIME (ლოკალური ინტერპრეტაციული მოდელი-აგნოსტიკური ახსნა), რომელიც ხსნის ინდივიდუალურ პროგნოზებს მოდელის ადგილობრივად დაახლოებით, და SHAP (SHapley Additive explanations), რომელიც იყენებს თამაშის თეორიის მიდგომას მანქანური სწავლების ასახსნელად. რთული მოდელები. ეს ბიბლიოთეკები არსებითად გვეხმარება AI-ის გადაწყვეტილების დაშლაში, რათა აჩვენოს, რომელი მონაცემები იყო ყველაზე გავლენიანი მოცემული შედეგისთვის. სწორად გაკეთების შემთხვევაში, AI ინსტრუმენტის გადაწყვეტილების საფუძველში არსებული მონაცემები შეიძლება გამოყენებულ იქნას ძლიერი ისტორიის სათქმელად. მოდით გავეცნოთ ფუნქციების მნიშვნელობას და კონტრფაქტებს და ვაჩვენოთ, თუ როგორ შეიძლება გამოყენებულ იქნას გადაწყვეტილების მიღმა არსებული მონაცემთა მეცნიერება მომხმარებლის გამოცდილების გასაუმჯობესებლად. ახლა მოდითდაფარეთ მახასიათებლის მნიშვნელობა ლოკალური ახსნა-განმარტებების (მაგ. LIME) მონაცემების დახმარებით: ეს მიდგომა პასუხობს: „რატომ მომცა AI-მ ეს კონკრეტული რეკომენდაცია ახლავე?“ იმის ნაცვლად, თუ როგორ მუშაობს მოდელი, ის ასახავს ფოკუსირებულ მიზეზს ერთი კონკრეტული მაგალითისთვის. ეს არის პირადი და კონტექსტური. მაგალითი: წარმოიდგინეთ AI-ზე მომუშავე მუსიკალური სარეკომენდაციო სისტემა, როგორიცაა Spotify. ადგილობრივი ახსნა უპასუხებდა: "რატომ გირჩია სისტემამ ადელის ეს კონკრეტული სიმღერა ახლავე?" ახსნა შეიძლება იყოს: „იმიტომ, რომ ახლახან მოისმინე კიდევ რამდენიმე ემოციური ბალადა და ქალი ვოკალისტთა სიმღერა“.
დაბოლოს, მოდი დავფაროთ ღირებულებებზე დაფუძნებული ახსნა-განმარტებების ჩართვა (მაგ. Shapley Additive Explanations (SHAP) მონაცემები გადაწყვეტილების ახსნაში: ეს არის ფუნქციის მნიშვნელობის უფრო ნიუანსირებული ვერსია, რომელიც პასუხობს: „როგორ აიძულა თითოეულმა ფაქტორმა გადაწყვეტილებას ამა თუ იმ გზით? მაგალითი: წარმოიდგინეთ, რომ ბანკი იყენებს ხელოვნური ინტელექტის მოდელს, რათა გადაწყვიტოს დაამტკიცოს თუ არა სესხის განაცხადი.
მახასიათებლის მნიშვნელობა: მოდელის გამომუშავებამ შეიძლება აჩვენოს, რომ განმცხადებლის საკრედიტო ქულა, შემოსავალი და ვალი-შემოსავლის თანაფარდობა იყო მისი გადაწყვეტილების ყველაზე მნიშვნელოვანი ფაქტორები. ეს პასუხობს იმას, რაც მნიშვნელოვანია. მახასიათებლის მნიშვნელობა ღირებულებაზე დაფუძნებული ახსნა-განმარტებით (SHAP): SHAP-ის მნიშვნელობები მოდელის ელემენტებზე დაფუძნებული მახასიათებლის შემდგომ მნიშვნელობას მიიღებს.
დამტკიცებული სესხისთვის SHAP-მა შეიძლება აჩვენოს, რომ მაღალი საკრედიტო ქულა მნიშვნელოვნად უბიძგებს გადაწყვეტილებას დამტკიცებისკენ (პოზიტიური გავლენა), ხოლო საშუალოზე ოდნავ მაღალი ვალი-შემოსავლის თანაფარდობა ოდნავ ჩამოშორდა მას (უარყოფითი გავლენა), მაგრამ არა საკმარისი სესხის უარყოფისთვის. უარის თქმის შემთხვევაში, SHAP-მა შეიძლება გამოავლინოს, რომ დაბალი შემოსავალი და ბოლოდროინდელი საკრედიტო მოთხოვნების დიდი რაოდენობა ძლიერ უბიძგებს გადაწყვეტილებას უარის თქმისკენ, მაშინაც კი, თუ საკრედიტო ქულა იყო ღირსეული.
ეს ეხმარება სესხის ოფიცერს აუხსნას განმცხადებელს განხილულის მიღმა, თუ როგორ შეუწყო ხელი თითოეულმა ფაქტორმა საბოლოო „დიახ“ ან „არა“ გადაწყვეტილებაში. გადამწყვეტი მნიშვნელობა აქვს იმის აღიარებას, რომ კარგი ახსნა-განმარტების მიწოდების უნარი ხშირად განვითარების ციკლში გაცილებით ადრე იწყება. მონაცემთა მეცნიერები და ინჟინრები გადამწყვეტ როლს ასრულებენ მოდელებისა და მონაცემთა მილსადენების განზრახ სტრუქტურირებით ისე, რომ არსებითად მხარს უჭერს ახსნა-განმარტებას, ვიდრე ცდილობდნენ ამის შემდგომ ფიქრს. კვლევისა და დიზაინის გუნდებს შეუძლიათ ხელი შეუწყონ ამას მონაცემთა მეცნიერებთან და ინჟინრებთან ადრეული საუბრების ინიცირებით მომხმარებლის საჭიროებების გაგების შესახებ, წვლილი შეიტანონ ახსნადობის მეტრიკის შემუშავებაში და ერთობლივი პროტოტიპების ახსნა-განმარტებების უზრუნველსაყოფად, რომ ისინი იყოს ზუსტი და მოსახერხებელი. XAI და ეთიკური AI: მიკერძოების და პასუხისმგებლობის ამოხსნა ნდობის ჩამოყალიბების გარდა, XAI მნიშვნელოვან როლს ასრულებს ხელოვნური ინტელექტის* ღრმა ეთიკური შედეგების მოგვარებაში, განსაკუთრებით ალგორითმულ მიკერძოებასთან დაკავშირებით. ახსნის ტექნიკებმა, როგორიცაა SHAP მნიშვნელობების ანალიზი, შეიძლება გამოავლინოს მოდელის გადაწყვეტილებებზე არაპროპორციულად ზეგავლენა სენსიტიური ატრიბუტებით, როგორიცაა რასა, სქესი ან სოციალურ-ეკონომიკური მდგომარეობა, მაშინაც კი, თუ ეს ფაქტორები პირდაპირ არ იყო გამოყენებული, როგორც პირდაპირი მონაცემები. მაგალითად, თუ სესხის დამტკიცების მოდელი თანმიმდევრულად ანიჭებს უარყოფით SHAP მნიშვნელობებს განმცხადებლებს გარკვეული დემოგრაფიიდან, ეს მიანიშნებს პოტენციურ მიკერძოებაზე, რომელიც საჭიროებს გამოკვლევას, რაც აძლევს გუნდებს უფლებას გამოავლინონ და შეარბილონ ასეთი უსამართლო შედეგები. XAI-ს სიმძლავრე ასევე გააჩნია "ახსნადი რეცხვის" პოტენციალი. ისევე, როგორც „მწვანე რეცხვამ“ შეცდომაში შეჰყავს მომხმარებლები გარემოსდაცვითი პრაქტიკის შესახებ, ახსნა-განმარტების რეცხვა შეიძლება მოხდეს, როდესაც ახსნა-განმარტებები შექმნილია პრობლემური ალგორითმული ქცევის ან თანდაყოლილი მიკერძოების გასანათებლად და არა გასანათებლად. ეს შეიძლება გამოვლინდეს, როგორც ზედმეტად გამარტივებული ახსნა, რომელიც გამოტოვებს კრიტიკულ გავლენის ფაქტორებს, ან ახსნას, რომელიც სტრატეგიულად აყალიბებს შედეგებს, რათა გამოიყურებოდეს უფრო ნეიტრალური ან სამართლიანი, ვიდრე სინამდვილეშია. ის ხაზს უსვამს UX პრაქტიკოსების ეთიკურ პასუხისმგებლობას შექმნან ახსნა-განმარტებები, რომლებიც ნამდვილად გამჭვირვალე და შემოწმებადია. UX პროფესიონალებს, მონაცემთა მეცნიერებთან და ეთიკოსებთან თანამშრომლობით, ეკისრებათ გადამწყვეტი პასუხისმგებლობა გადაწყვეტილების მიღების მიზეზის და ასევე AI მოდელის შეზღუდვებისა და პოტენციური მიკერძოების შესახებ. ეს გულისხმობს მომხმარებლის რეალისტური მოლოდინების დადგენას ხელოვნური ინტელექტის სიზუსტის შესახებ, იმის დადგენას, თუ სად შეიძლება იყოს მოდელი ნაკლებად სანდო, და უზრუნველყოს მკაფიო არხები გამოსაყენებლად ან გამოხმაურებისთვის, როდესაც მომხმარებლები აღიქვამენ არასამართლიან ან არასწორ შედეგებს. პროაქტიულად მიმართეთ მათეთიკური ზომები საშუალებას მოგვცემს შევქმნათ AI სისტემები, რომლებიც ნამდვილად სამართლიანი და სანდოა. მეთოდებიდან მაკეტებამდე: პრაქტიკული XAI დიზაინის ნიმუშები ცნებების ცოდნა ერთია; მათი დიზაინი სხვაა. აი, როგორ შეგვიძლია გადავთარგმნოთ ეს XAI მეთოდები ინტუიციურ დიზაინის ნიმუშებად. ნიმუში 1: განცხადება "იმიტომ" (მახასიათებლის მნიშვნელობისთვის) ეს არის უმარტივესი და ხშირად ყველაზე ეფექტური ნიმუში. ეს არის პირდაპირი, უბრალო ენოვანი განცხადება, რომელიც ასახავს AI-ს მოქმედების ძირითად მიზეზს.
ევრისტიკა: იყავით პირდაპირი და ლაკონური. იხელმძღვანელეთ ერთადერთი ყველაზე გავლენიანი მიზეზით. მოერიდეთ ჟარგონს ნებისმიერ ფასად.
მაგალითი: წარმოიდგინეთ მუსიკის ნაკადის სერვისი. იმის ნაცვლად, რომ უბრალოდ წარმოადგინოთ „Discover Weekly“ დასაკრავი სია, თქვენ დაამატეთ მიკროასლის მცირე სტრიქონი. სიმღერის რეკომენდაცია: „Velvet Morning“ რადგან უსმენთ „The Fuzz“-ს და სხვა ფსიქოდელიურ როკს.
ნიმუში 2: "რა-თუ" ინტერაქტიული (კონტრაფაქტოებისთვის) კონტრფაქტუალები თავისებურად ეხება გაძლიერებას. მათი წარმოდგენის საუკეთესო გზაა მომხმარებლებისთვის ინტერაქტიული ინსტრუმენტების მიცემა, რათა თავად გამოიკვლიონ შესაძლებლობები. ეს შესანიშნავია ფინანსური, ჯანმრთელობისთვის ან სხვა მიზნებზე ორიენტირებული აპლიკაციებისთვის.
ევრისტიკა: გახადეთ ახსნა ინტერაქტიული და გამაძლიერებელი. მიეცით საშუალება მომხმარებლებს ნახონ თავიანთი არჩევანის მიზეზი და შედეგი.
მაგალითი: სესხის განაცხადის ინტერფეისი. უარის თქმის შემდეგ, ჩიხის ნაცვლად, მომხმარებელი იღებს ინსტრუმენტს იმის დასადგენად, თუ როგორ შეიძლება მოხდეს სხვადასხვა სცენარი (რა-თუ-ები) (იხ. სურათი 1).
ნიმუში 3: გამორჩეული რგოლი (ადგილობრივი ახსნა) როდესაც AI ასრულებს მოქმედებას მომხმარებლის კონტენტზე (როგორიცაა დოკუმენტის შეჯამება ან სახეების იდენტიფიცირება ფოტოებში), ახსნა ვიზუალურად უნდა იყოს დაკავშირებული წყაროსთან.
ევრისტიკა: გამოიყენეთ ვიზუალური ნიშნები, როგორიცაა ხაზგასმა, კონტურები ან ანოტაციები, რათა დააკავშიროთ ახსნა პირდაპირ ინტერფეისის ელემენტთან, რომელსაც ის ხსნის.
მაგალითი: ხელოვნური ხელოვნური ინტელექტის ინსტრუმენტი, რომელიც აჯამებს გრძელ სტატიებს. ხელოვნური ინტელექტის გენერირებული შემაჯამებელი წერტილი: საწყისმა კვლევამ აჩვენა ბაზრის ხარვეზი მდგრადი პროდუქტებისთვის. წყარო დოკუმენტში: „...ბაზრის ტენდენციების ჩვენმა კვარტალში ჩატარებულმა ანალიზმა საბოლოოდ აჩვენა, რომ არცერთი მთავარი კონკურენტი არ ემსახურება ეფექტურად ეკოლოგიურად შეგნებულ მომხმარებელს, გამოავლინა მნიშვნელოვანი ბაზრის ხარვეზი მდგრადი პროდუქტებისთვის...“
ნიმუში 4: Push-and-Pull Visual (ღირებულებაზე დაფუძნებული ახსნა-განმარტებისთვის) უფრო რთული გადაწყვეტილებებისთვის, მომხმარებლებს შეიძლება დასჭირდეთ ფაქტორების ურთიერთკავშირის გაგება. მონაცემთა მარტივ ვიზუალიზაციას შეუძლია ამის გარკვევა ზედმეტის გარეშე.
ევრისტიკა: გამოიყენეთ მარტივი, ფერადი კოდირებული მონაცემთა ვიზუალიზაცია (როგორიცაა სვეტოვანი დიაგრამები), რათა აჩვენოთ ის ფაქტორები, რომლებიც დადებითად და უარყოფითად მოქმედებდნენ გადაწყვეტილებაზე.
მაგალითი: ხელოვნური ინტელექტი ამოწმებს კანდიდატის პროფილს სამუშაოსთვის. რატომ ემთხვევა ეს კანდიდატი 75%-ს: ფაქტორები, რომლებიც ზრდის ქულას: 5+ წელი UX კვლევის გამოცდილება მცოდნე Python-ში ფაქტორები ამცირებენ ქულას: B2B SaaS-ის გამოცდილება არ არის
ამ დიზაინის შაბლონების სწავლა და გამოყენება თქვენი AI პროდუქტის UX-ში დაგეხმარებათ ახსნადობის გაზრდაში. თქვენ ასევე შეგიძლიათ გამოიყენოთ დამატებითი ტექნიკა, რომელსაც მე აქ სიღრმისეულად არ ვაშუქებ. ეს მოიცავს შემდეგს:
ბუნებრივი ენის ახსნა: ხელოვნური ინტელექტის ტექნიკური შედეგის თარგმნა მარტივ, სასაუბრო ადამიანურ ენაზე, რომელიც არაექსპერტებს ადვილად ესმით. კონტექსტუალური ახსნა: ხელოვნური ინტელექტის გამომუშავების დასაბუთების მიწოდება კონკრეტულ მომენტში და მდებარეობაზე, ეს ყველაზე მეტად შეესაბამება მომხმარებლის ამოცანას. შესაბამისი ვიზუალიზაცია: სქემების, გრაფიკების ან სითბოს რუქების გამოყენება ხელოვნური ინტელექტის გადაწყვეტილების მიღების პროცესის ვიზუალურად წარმოსაჩენად, რაც კომპლექსურ მონაცემებს გახდის ინტუიციურს და უფრო ადვილად აღსაქმელად მომხმარებლებს.
შენიშვნა წინა ნაწილისთვის: ამ ახსნადობის შედეგების თარგმნა მომხმარებლის უწყვეტ გამოცდილებად ასევე წარმოადგენს ტექნიკურ მოსაზრებებს. ფრონტ-ენდის დეველოპერები ხშირად ებრძვიან API დიზაინს, რათა ეფექტურად მიიღონ ახსნა-განმარტების მონაცემები, ხოლო შესრულების შედეგები (როგორიცაა ახსნა-განმარტებების რეალურ დროში წარმოქმნა ყველა მომხმარებლის ურთიერთქმედებისთვის) საჭიროებს ფრთხილად დაგეგმვას, რათა თავიდან აიცილოს შეყოვნება. ზოგიერთი რეალური სამყაროს მაგალითი UPS Capital-ის მიწოდების დაცვა UPS იყენებს AI-ს მისამართებისთვის „მიწოდების ნდობის ქულის“ მინიჭებისთვის, რათა წინასწარ განსაზღვროს პაკეტის მოპარვის ალბათობა. მათი DeliveryDefense პროგრამული უზრუნველყოფა აანალიზებს ისტორიულ მონაცემებს მდებარეობის, დაკარგვის სიხშირისა და სხვა ფაქტორების შესახებ. თუ მისამართს აქვს დაბალი ქულა, სისტემას შეუძლია პროაქტიულად გადააგზავნოს პაკეტი უსაფრთხო UPS-ის წვდომის წერტილში, რაც უზრუნველყოფს გადაწყვეტილების ახსნას (მაგ., „პაკეტი გადამისამართებულია უსაფრთხო ადგილას ქურდობის ისტორიის გამო“). ეს სისტემა აჩვენებს, თუ როგორ შეიძლება XAI-ის გამოყენება რისკის შესამცირებლად და მომხმარებელთა ნდობის გასამყარებლადგამჭვირვალობა. ავტონომიური მანქანები მომავლის ამ მანქანებს დასჭირდებათ ეფექტურად გამოიყენონ XAI, რათა დაეხმარონ თავიანთ მანქანებს უსაფრთხო, ახსნადი გადაწყვეტილებების მიღებაში. როდესაც თვითმართვადი მანქანა მოულოდნელად დამუხრუჭებს, სისტემას შეუძლია რეალურ დროში ახსნას მისი მოქმედება, მაგალითად, გზაზე შემოსული ფეხით მოსიარულეების იდენტიფიცირებით. ეს არ არის მხოლოდ გადამწყვეტი მგზავრების კომფორტისა და ნდობისთვის, არამედ მარეგულირებელი მოთხოვნაა ხელოვნური ინტელექტის სისტემის უსაფრთხოებისა და ანგარიშვალდებულების დასამტკიცებლად. IBM Watson Health (და მისი გამოწვევები) მიუხედავად იმისა, რომ ხშირად მოიხსენიება, როგორც AI-ის ზოგადი მაგალითი ჯანდაცვის სფეროში, ის ასევე არის ღირებული შემთხვევის შესწავლა XAI-ს მნიშვნელობისთვის. მისი Watson for Oncology პროექტის წარუმატებლობა ხაზს უსვამს იმას, თუ რა შეიძლება მოხდეს არასწორი, როდესაც განმარტებები არ არის ნათელი, ან როდესაც ძირითადი მონაცემები არის მიკერძოებული ან ლოკალიზებული. სისტემის რეკომენდაციები ზოგჯერ შეუსაბამო იყო ადგილობრივ კლინიკურ პრაქტიკასთან, რადგან ისინი ეფუძნებოდა აშშ-ზე ორიენტირებულ გაიდლაინებს. ეს ემსახურება როგორც გამაფრთხილებელ ზღაპარს ძლიერი, კონტექსტური ახსნა-განმარტების აუცილებლობის შესახებ. UX მკვლევარის როლი: ახსნა-განმარტებების განსაზღვრა და დადასტურება ჩვენი დიზაინის გადაწყვეტილებები ეფექტურია მხოლოდ იმ შემთხვევაში, თუ ისინი პასუხობენ მომხმარებლის სწორ კითხვებს საჭირო დროს. ახსნა, რომელიც პასუხობს კითხვას, რომელიც მომხმარებელს არ აქვს, არის მხოლოდ ხმაური. ეს არის სადაც UX კვლევა ხდება კრიტიკული შემაერთებელი ქსოვილი XAI სტრატეგიაში, რაც უზრუნველყოფს იმას, რომ ჩვენ ავუხსნათ, რა და როგორ აქვს ამას რეალურად მნიშვნელობა ჩვენი მომხმარებლებისთვის. მკვლევარის როლი ორმხრივია: პირველი, სტრატეგიის ინფორმირება, იმის დადგენა, თუ სად არის საჭირო ახსნა-განმარტებები, და მეორე, დაადასტუროს გეგმები, რომლებიც ამ ახსნას აწვდიან. XAI სტრატეგიის ინფორმირება (რა უნდა ავხსნათ) სანამ ერთ ახსნას შევქმნით, უნდა გვესმოდეს მომხმარებლის გონებრივი მოდელი AI სისტემის შესახებ. რას სჯერათ, რომ ის აკეთებს? სად არის ხარვეზები მათ გაგებასა და სისტემის რეალობას შორის? ეს არის UX მკვლევარის ფუნდამენტური სამუშაო. გონებრივი მოდელის ინტერვიუები: AI სისტემების მომხმარებლის აღქმის ამოხსნა ღრმა, ნახევრად სტრუქტურირებული ინტერვიუების მეშვეობით, UX პრაქტიკოსებს შეუძლიათ მიიღონ ფასდაუდებელი შეხედულებები იმის შესახებ, თუ როგორ აღიქვამენ და ესმით მომხმარებლები AI სისტემებს. ეს სესიები შექმნილია იმისთვის, რომ მომხმარებლებს წაახალისონ, სიტყვასიტყვით დახატონ ან აღწერონ თავიანთი შინაგანი „გონებრივი მოდელი“, თუ როგორ სჯერათ, რომ ხელოვნური ინტელექტი მუშაობს. ეს ხშირად გულისხმობს ღია კითხვების დასმას, რაც მომხმარებლებს უბიძგებს ახსნან სისტემის ლოგიკა, მისი შეყვანები და შედეგები, ისევე როგორც ამ ელემენტებს შორის ურთიერთობები. ეს ინტერვიუები ძლიერია, რადგან ისინი ხშირად ავლენენ ღრმა მცდარ წარმოდგენებს და ვარაუდებს, რომლებიც მომხმარებლებს აქვთ ხელოვნური ინტელექტის შესახებ. მაგალითად, მომხმარებელმა, რომელიც ურთიერთობს სარეკომენდაციო ძრავასთან, შეიძლება დამაჯერებლად ამტკიცებს, რომ სისტემა ეფუძნება მხოლოდ მათ წარსულ ნახვის ისტორიას. მათ შესაძლოა ვერ გააცნობიერონ, რომ ალგორითმი ასევე მოიცავს უამრავ სხვა ფაქტორს, როგორიცაა დღის დრო, რომელსაც ისინი ათვალიერებენ, პლატფორმაზე მიმდინარე ტრენდული ელემენტები ან თუნდაც მსგავსი მომხმარებლების ნახვის ჩვევები. ამ უფსკრულის გამოვლენა მომხმარებლის მენტალურ მოდელსა და AI ლოგიკას შორის კრიტიკულად მნიშვნელოვანია. ის ზუსტად გვეუბნება, თუ რა კონკრეტული ინფორმაცია უნდა მივაწოდოთ მომხმარებლებს, რათა დავეხმაროთ მათ სისტემის უფრო ზუსტი და ძლიერი გონებრივი მოდელის შექმნაში. ეს, თავის მხრივ, ფუნდამენტური ნაბიჯია ნდობის გასაძლიერებლად. როდესაც მომხმარებლები ესმით, თუნდაც მაღალ დონეზე, როგორ აღწევს AI თავის დასკვნებს ან რეკომენდაციებს, ისინი უფრო მეტად ენდობიან მის შედეგებს და დაეყრდნონ მის ფუნქციონირებას. AI Journey Mapping: ღრმა ჩაძირვა მომხმარებლის ნდობასა და განმარტებაში მომხმარებლის მოგზაურობის ზედმიწევნით შედგენით ხელოვნური ინტელექტის მქონე ფუნქციით, ჩვენ მივიღებთ ფასდაუდებელ ინფორმაციას იმ ზუსტი მომენტების შესახებ, სადაც ჩნდება დაბნეულობა, იმედგაცრუება ან თუნდაც ღრმა უნდობლობა. ეს გამოავლენს კრიტიკულ პუნქტებს, სადაც მომხმარებლის გონებრივი მოდელი, თუ როგორ მუშაობს AI, ეწინააღმდეგება მის რეალურ ქცევას. იფიქრეთ მუსიკის ნაკადის სერვისზე: იკლებს თუ არა მომხმარებლის ნდობა, როდესაც დასაკრავი სიის რეკომენდაცია თავს „შემთხვევით“ გრძნობს და არ აქვს რაიმე შესამჩნევი კავშირი მის წარსულ მოსმენის ჩვევებთან ან მითითებულ პრეფერენციებთან? ეს აღქმული შემთხვევითობა არის პირდაპირი გამოწვევა მომხმარებლის მოლოდინის მიმართ ინტელექტუალური კურირების შესახებ და იმპლიციტური დაპირების დარღვევა, რომ AI ესმის მათი გემოვნება. ანალოგიურად, ფოტო მენეჯმენტის აპლიკაციაში, განიცდიან თუ არა მომხმარებლები მნიშვნელოვან იმედგაცრუებას, როდესაც ხელოვნური ინტელექტის ფოტო მონიშვნის ფუნქცია მუდმივად არასწორ იდენტიფიცირებს საყვარელი ოჯახის წევრს? ეს შეცდომა უფრო მეტია, ვიდრე ტექნიკური ხარვეზი; ის ურტყამს სიზუსტეს, პერსონალიზაციას და თანაბრსემოციური კავშირი. ტკივილის ეს წერტილები არის ნათელი სიგნალები, რომლებიც მიუთითებენ ზუსტად სად არის საჭირო კარგად განლაგებული, მკაფიო და ლაკონური ახსნა. ასეთი ახსნა-განმარტებები ემსახურება როგორც გადამწყვეტი სარემონტო მექანიზმები, ასწორებს ნდობის დარღვევას, რომელიც, თუ არ დარჩება, შეიძლება გამოიწვიოს მომხმარებლის მიტოვება. ხელოვნური ინტელექტის მოგზაურობის რუკების ძალა მდგომარეობს იმაში, რომ უნარ-ჩვევები გვაძლევს AI სისტემის საბოლოო შედეგის ახსნას. მიუხედავად იმისა, რომ მნიშვნელოვანია იმის გაგება, თუ რა წარმოქმნა AI, ის ხშირად არასაკმარისია. ამის ნაცვლად, ეს პროცესი გვაიძულებს, ყურადღება გავამახვილოთ პროცესის ახსნაზე კრიტიკულ მომენტებში. ეს ნიშნავს მიმართვას:
რატომ შეიქმნა კონკრეტული გამომავალი: იყო თუ არა ეს კონკრეტული შეყვანის მონაცემების გამო? კონკრეტული მოდელის არქიტექტურა? რა ფაქტორებმა მოახდინა გავლენა ხელოვნური ინტელექტის გადაწყვეტილებაზე: იყო თუ არა გარკვეული მახასიათებლები უფრო მძიმედ შეწონილი? როგორ მივიდა AI თავის დასკვნამდე: შეგვიძლია შემოგთავაზოთ მისი შიდა მუშაობის გამარტივებული, ანალოგიური ახსნა? რა ვარაუდები გააკეთა AI-მ: იყო თუ არა მომხმარებლის განზრახვის ან მონაცემების იმპლიციტური გაგება, რომელიც უნდა გამოქვეყნდეს? რა არის ხელოვნური ინტელექტის შეზღუდვები: ნათლად გადმოცემა იმისა, რისი გაკეთებაც AI-ს არ შეუძლია, ან სადაც მისი სიზუსტე შეიძლება მერყეობდეს, ქმნის რეალისტურ მოლოდინებს.
AI მოგზაურობის რუქა გარდაქმნის XAI-ს აბსტრაქტულ კონცეფციას პრაქტიკულ, ქმედითუნარიან ჩარჩოდ UX პრაქტიკოსებისთვის. ეს საშუალებას გვაძლევს გადავიდეთ ახსნადობის თეორიული დისკუსიების მიღმა და ამის ნაცვლად, ზუსტად დავადგინოთ ის მომენტები, როდესაც მომხმარებლის ნდობა საფრთხის წინაშეა, რაც გვაძლევს აუცილებელ ინფორმაციას ხელოვნური ინტელექტის გამოცდილების შესაქმნელად, რომელიც იქნება ძლიერი, გამჭვირვალე, გასაგები და სანდო. საბოლოო ჯამში, კვლევა არის ის, თუ როგორ აღმოვაჩენთ უცნობებს. თქვენი გუნდი შეიძლება მსჯელობდეს იმაზე, თუ როგორ უნდა აეხსნათ სესხის უარყოფა, მაგრამ კვლევამ შეიძლება გამოავლინოს, რომ მომხმარებლები ბევრად უფრო დაინტერესებულნი არიან იმის გაგებით, თუ როგორ გამოიყენეს მათი მონაცემები თავდაპირველად. კვლევის გარეშე, ჩვენ უბრალოდ ვხვდებით, რა აინტერესებთ ჩვენს მომხმარებლებს. თანამშრომლობა დიზაინზე (როგორ ავხსნათ თქვენი AI) მას შემდეგ, რაც კვლევამ დაადგინა, რა უნდა ახსნას, იწყება ერთობლივი ციკლი დიზაინთან. დიზაინერებს შეუძლიათ შექმნან იმ შაბლონების პროტოტიპები, რომლებიც ადრე განვიხილეთ - განცხადება "იმიტომ", ინტერაქტიული სლაიდერები - და მკვლევარებს შეუძლიათ ეს დიზაინის წარდგენა მომხმარებლების წინაშე, რათა ნახონ, გაუძლებენ თუ არა. მიზნობრივი გამოყენებადობისა და გაგების ტესტირება: ჩვენ შეგვიძლია შევქმნათ კვლევითი კვლევები, რომლებიც კონკრეტულად შეამოწმებენ XAI კომპონენტებს. ჩვენ უბრალოდ არ ვკითხულობთ: "მარტივია თუ არა მისი გამოყენება?" ჩვენ ვეკითხებით: „ამის ნახვის შემდეგ, შეგიძლიათ თქვენი სიტყვებით მითხრათ, რატომ გირჩევთ სისტემამ ეს პროდუქტი?“ ან „მაჩვენე, რას გააკეთებდი, რომ სხვა შედეგს მიაღწიო“. მიზანი აქ არის გაგება და მოქმედების გაზომვა, გამოყენებადობასთან ერთად. ნდობის გაზომვა: ჩვენ შეგვიძლია გამოვიყენოთ მარტივი გამოკითხვები და შეფასების სკალები ახსნა-განმარტების ჩვენებამდე და მის შემდეგ. მაგალითად, ჩვენ შეგვიძლია ვკითხოთ მომხმარებელს 5-ბალიანი შკალით: „რამდენად ენდობით ამ რეკომენდაციას? სანამ ისინი დაინახავენ განცხადებას „რადგან“ და შემდეგ კვლავ ჰკითხეთ მათ. ეს იძლევა რაოდენობრივ მონაცემებს იმის შესახებ, არის თუ არა ჩვენი ახსნა ნემსის ნდობაზე. ეს პროცესი ქმნის ძლიერ, განმეორებით მარყუჟს. კვლევის შედეგები მიუთითებს საწყის დიზაინზე. ეს დიზაინი შემდეგ ტესტირება ხდება და ახალი აღმოჩენები გადაეცემა დიზაინის ჯგუფს დახვეწისთვის. შესაძლოა განცხადება „იმიტომ, რომ“ ძალიან ჟარგონული იყო, ან „რა-თუ“ სლაიდერი უფრო დამაბნეველი იყო, ვიდრე გამაძლიერებელი. ამ ერთობლივი ვალიდაციის მეშვეობით, ჩვენ უზრუნველვყოფთ, რომ საბოლოო ახსნა ტექნიკურად ზუსტი, ჭეშმარიტად გასაგები, სასარგებლო და ნდობის აღმშენებლობაა იმ ადამიანებისთვის, რომლებიც იყენებენ პროდუქტს. Goldilocks ზონის განმარტება კრიტიკული სიფრთხილის სიტყვა: შესაძლებელია ზედმეტი ახსნა. როგორც ზღაპარში, სადაც გოლდილოკსი ეძებდა ფაფას, რომელიც იყო „სწორი“, კარგი ახსნის მიზანია ზუსტი რაოდენობის დეტალების მიწოდება – არც ძალიან ბევრი და არც ძალიან ცოტა. მომხმარებლის დაბომბვა მოდელის ყველა ცვლადით გამოიწვევს კოგნიტურ გადატვირთვას და რეალურად ამცირებს ნდობას. მიზანი არ არის, რომ მომხმარებელი გახდეს მონაცემთა მეცნიერი. ერთი გამოსავალი არის პროგრესული გამჟღავნება.
დაიწყეთ მარტივით. იხელმძღვანელეთ ლაკონური „იმიტომ“ განცხადებით. მომხმარებლების უმეტესობისთვის ეს საკმარისი იქნება. შესთავაზეთ გზა დეტალებისკენ. მოგვაწოდეთ მკაფიო, დაბალი ხახუნის ბმული, როგორიცაა „შეიტყვეთ მეტი“ ან „იხილეთ, როგორ განისაზღვრა ეს“. გამოავლინეთ სირთულე. ამ ბმულის მიღმა შეგიძლიათ შესთავაზოთ ინტერაქტიული სლაიდერები, ვიზუალიზაცია ან ხელშემწყობი ფაქტორების უფრო დეტალური სია.
ეს ფენიანი მიდგომა პატივს სცემს მომხმარებლის ყურადღებას და გამოცდილებას, რაც უზრუნველყოფს სწორ რაოდენობასინფორმაცია მათი საჭიროებისთვის. წარმოვიდგინოთ, რომ იყენებთ ჭკვიანი სახლის მოწყობილობას, რომელიც გირჩევთ ოპტიმალურ გათბობას სხვადასხვა ფაქტორებზე დაყრდნობით. დაიწყეთ მარტივით: „თქვენი სახლი ამჟამად თბება 72 გრადუსამდე, რაც ოპტიმალური ტემპერატურაა ენერგიის დაზოგვისა და კომფორტისთვის“. შესთავაზეთ გზა დეტალებისკენ: მის ქვემოთ, პატარა ბმული ან ღილაკი: "რატომ არის 72 გრადუსი ოპტიმალური?" გამოავლინეთ სირთულე: ამ ბმულზე დაწკაპუნებით შეიძლება გაიხსნას ახალი ეკრანი, რომელიც აჩვენებს:
ინტერაქტიული სლაიდერები გარე ტემპერატურის, ტენიანობისა და თქვენთვის სასურველი კომფორტის დონისთვის, რაც აჩვენებს, თუ როგორ არეგულირებს ისინი რეკომენდებულ ტემპერატურას. ენერგიის მოხმარების ვიზუალიზაცია სხვადასხვა ტემპერატურაზე. ხელშემწყობი ფაქტორების სია, როგორიცაა „დღის დრო“, „მიმდინარე გარე ტემპერატურა“, „ენერგიის ისტორიული მოხმარება“ და „დასაქმების სენსორები“.
ეფექტურია მრავალი XAI მეთოდის გაერთიანება და Goldilocks ზონის ახსნა-განმარტების ნიმუში, რომელიც მხარს უჭერს პროგრესულ გამჟღავნებას, ირიბად ხელს უწყობს ამას. თქვენ შეგიძლიათ დაიწყოთ მარტივი „იმიტომ“ წინადადებით (ნიმუში 1) დაუყოვნებელი გაგებისთვის, შემდეგ კი შესთავაზოთ „შეიტყვეთ მეტი“ ბმული, რომელიც გამოავლენს ინტერაქტიულ „რა-თუ“ (მაგალითი 2) ან „დაძაბეთ-და-გაყვანის ვიზუალს“ (ნიმუში 4) უფრო ღრმა კვლევისთვის. მაგალითად, სესხის განაცხადის სისტემას თავდაპირველად შეუძლია მიუთითოს უარის ძირითადი მიზეზი (ფუნქციის მნიშვნელობა), შემდეგ კი მომხმარებელს ნება დართოს ურთიერთქმედება „What-If“ ინსტრუმენტთან, რათა ნახოს, როგორ შეცვალოს მათი შემოსავალი ან დავალიანება შედეგს (კონტრფაქტუალები), და ბოლოს, უზრუნველყოს დეტალური „დაძაბვა-და-გაყვანის“ დიაგრამა (ღირებულებაზე დაფუძნებული ახსნა) ყველა ფაქტორის და უარყოფითი წვლილის საილუსტრაციოდ. ეს ფენიანი მიდგომა საშუალებას აძლევს მომხმარებლებს წვდომა მიიღონ საჭირო დეტალების დონეზე, როცა ეს სჭირდებათ, თავიდან აიცილონ შემეცნებითი გადატვირთვა და ამავე დროს უზრუნველყოს ყოვლისმომცველი გამჭვირვალობა. იმის დადგენა, თუ რომელი XAI ინსტრუმენტები და მეთოდები უნდა გამოვიყენოთ, უპირველეს ყოვლისა, საფუძვლიანი UX კვლევის ფუნქციაა. გონებრივი მოდელის ინტერვიუები და ხელოვნური ინტელექტის მოგზაურობის რუკა გადამწყვეტია მომხმარებლის საჭიროებებისა და ტკივილის წერტილების დასადგენად, რომლებიც დაკავშირებულია AI-ს გაგებასა და ნდობასთან. გონებრივი მოდელის ინტერვიუები ეხმარება გამოავლინოს მომხმარებელთა მცდარი წარმოდგენები იმის შესახებ, თუ როგორ მუშაობს AI, მიუთითებს ისეთ სფეროებზე, სადაც ფუნდამენტური ახსნა არის საჭირო (როგორიცაა მახასიათებლის მნიშვნელობა ან ადგილობრივი ახსნა). მეორეს მხრივ, AI მოგზაურობის რუქა განსაზღვრავს დაბნეულობის ან უნდობლობის კრიტიკულ მომენტებს მომხმარებლის AI-სთან ურთიერთქმედებაში, რაც მიუთითებს იმაზე, რომ უფრო დეტალური ან ინტერაქტიული ახსნა-განმარტებები (როგორიცაა კონტრფაქტები ან ღირებულებაზე დაფუძნებული ახსნა) ყველაზე მომგებიანი იქნება ნდობის აღსადგენად და სააგენტოს მიწოდებისთვის.
საბოლოო ჯამში, ტექნიკის არჩევის საუკეთესო გზაა, რომ მომხმარებლის კვლევამ წარმართოს თქვენი გადაწყვეტილებები, იმის უზრუნველსაყოფად, რომ თქვენ მიერ შემუშავებული ახსნა-განმარტებები პირდაპირ ეხმიანება მომხმარებლის რეალურ შეკითხვებს და შეშფოთებას, ვიდრე უბრალოდ ტექნიკური დეტალების შეთავაზება საკუთარი გულისთვის. XAI ღრმა მსჯელობის აგენტებისთვის ზოგიერთი უახლესი ხელოვნური ინტელექტის სისტემა, რომელიც ცნობილია როგორც ღრმა მსჯელობის აგენტები, აწარმოებს აშკარა „აზროვნების ჯაჭვს“ ყოველი რთული ამოცანისთვის. ისინი არ ასახელებენ მხოლოდ წყაროებს; ისინი აჩვენებენ ლოგიკურ, ნაბიჯ-ნაბიჯ გზას, რომელიც გაიარეს დასკვნის მისაღებად. მიუხედავად იმისა, რომ ეს გამჭვირვალობა უზრუნველყოფს ღირებულ კონტექსტს, თამაში-თამაში, რომელიც მოიცავს რამდენიმე აბზაცს, შეიძლება აბსოლუტური იყოს მომხმარებლისთვის, რომელიც უბრალოდ ცდილობს დაასრულოს დავალება. XAI-ს პრინციპები, განსაკუთრებით Goldilocks-ის ახსნა-განმარტების ზონა, პირდაპირ აქ მოქმედებს. ჩვენ შეგვიძლია შევასრულოთ მოგზაურობა პროგრესული გამჟღავნების გამოყენებით, რათა პირველ რიგში ვაჩვენოთ მხოლოდ საბოლოო დასკვნა და ყველაზე მნიშვნელოვანი ნაბიჯი აზროვნების პროცესში. შემდეგ მომხმარებლებს შეუძლიათ მიიღონ მონაწილეობა სრული, დეტალური, მრავალსაფეხურიანი მსჯელობის სანახავად, როდესაც მათ სჭირდებათ ლოგიკის ორჯერ შემოწმება ან კონკრეტული ფაქტის პოვნა. ეს მიდგომა პატივს სცემს მომხმარებლის ყურადღებას და ინარჩუნებს აგენტის სრულ გამჭვირვალობას. შემდეგი ნაბიჯები: თქვენი XAI მოგზაურობის გაძლიერება ახსნა-განმარტება არის ფუნდამენტური საყრდენი სანდო და ეფექტური AI პროდუქტების შესაქმნელად. მოწინავე პრაქტიკოსისთვის, რომელიც ცდილობს ამ ცვლილების წარმართვას თავიანთ ორგანიზაციაში, მოგზაურობა სცილდება დიზაინის შაბლონებს ადვოკატირებასა და უწყვეტ სწავლაში. თქვენი გაგებისა და პრაქტიკული გამოყენების გასაღრმავებლად, განიხილეთ ისეთი რესურსების შესწავლა, როგორიცაა AI Explainability 360 (AIX360) ინსტრუმენტარიუმის IBM Research-ისგან ან Google-ის What-If Tool-დან, რომელიც გთავაზობთ ინტერაქტიულ გზებს მოდელის ქცევისა და ახსნა-განმარტების შესასწავლად. საზოგადოებებთან ჩართვა, როგორიცაა პასუხისმგებელი AI ფორუმი ან კონკრეტული კვლევითი ჯგუფები, რომლებიც ორიენტირებულია ადამიანზე ორიენტირებულ AI-ზე, შეუძლია უზრუნველყოს ფასდაუდებელი შეხედულებები და თანამშრომლობის შესაძლებლობები. დაბოლოს, იყავით XAI-ს ადვოკატი თქვენს საკუთარ ორგანიზაციაში.ჩარჩოს განმარტება, როგორც სტრატეგიული ინვესტიცია. განიხილეთ თქვენი ხელმძღვანელობის ან ჯვარედინი ფუნქციური გუნდების მოკლე მიდგომა: „XAI-ში ინვესტიციით ჩვენ სცილდებათ ნდობის ჩამოყალიბებას; ჩვენ დავაჩქარებთ მომხმარებლის მიღებას, შევამცირებთ მხარდაჭერის ხარჯებს მომხმარებლების გაგების უნარის მინიჭებით და შევამსუბუქებთ მნიშვნელოვან ეთიკურ და მარეგულირებელ რისკებს პოტენციური მიკერძოების გამოვლენით. ეს კარგი დიზაინი და ჭკვიანი ბიზნესია.
თქვენი ხმა, რომელიც დაფუძნებულია პრაქტიკულ გაგებაზე, გადამწყვეტია ხელოვნური ინტელექტის შავი ყუთიდან გამოსაყვანად და მომხმარებლებთან თანამშრომლობით პარტნიორობაში.
