AI ya Wakala iko tayari kubadilisha uzoefu wa wateja na ufanisi wa kiutendaji, ikihitaji mbinu mpya ya kimkakati kutoka kwa uongozi. Mageuzi haya ya akili bandia huwezesha mifumo kupanga, kutekeleza, na kuendelea katika majukumu, na kusonga mbele zaidi ya mapendekezo rahisi hadi kuchukua hatua makini. Kwa timu za UX, wasimamizi wa bidhaa na wasimamizi, kuelewa mabadiliko haya ni muhimu kwa kufungua fursa katika uvumbuzi, kurahisisha utendakazi, na kufafanua upya jinsi teknolojia inavyohudumia watu. Ni rahisi kuchanganya AI ya Kiajenti na Uendeshaji wa Mchakato wa Robotic (RPA), ambayo ni teknolojia inayoangazia kazi zinazozingatia sheria zinazofanywa kwenye kompyuta. Tofauti iko katika ugumu dhidi ya hoja. RPA ni bora katika kufuata hati kali: X ikitokea, fanya Y. Inaiga mikono ya binadamu. Agenti AI inaiga mawazo ya binadamu. Haifuati hati ya mstari; inaunda moja. Fikiria mtiririko wa kazi ya kuajiri. Kijibu cha RPA kinaweza kuchanganua wasifu na kuupakia kwenye hifadhidata. Inafanya kazi ya kurudia kikamilifu. Mfumo wa Uajenti hutazama wasifu, hugundua mteuliwa anaorodhesha cheti mahususi, marejeleo mtambuka ambayo yana hitaji jipya la mteja, na kuamua kuandaa barua pepe ya uhamasishaji iliyobinafsishwa inayoangazia mechi hiyo. RPA inatekeleza mpango ulioainishwa awali; Agenti AI huunda mpango kulingana na lengo. Uhuru huu hutenganisha mawakala kutoka kwa zana za ubashiri ambazo tumetumia kwa muongo uliopita. Mfano mwingine ni kudhibiti migogoro ya mikutano. Kielelezo cha ubashiri kilichojumuishwa kwenye kalenda yako kinaweza kuchanganua ratiba yako ya mkutano na ratiba za wenzako. Kisha inaweza kupendekeza migogoro inayoweza kutokea, kama vile mikutano miwili muhimu iliyoratibiwa kwa wakati mmoja, au mkutano ulioratibiwa wakati mshiriki mkuu yuko likizo. Inakupa taarifa na kuripoti masuala yanayoweza kutokea, lakini unawajibika kuchukua hatua. AI ya mawakala, katika hali sawa, inaweza kwenda zaidi ya kupendekeza migogoro ya kuepukwa. Baada ya kutambua mgogoro na mshiriki mkuu, wakala anaweza kutenda kwa:
Kuangalia upatikanaji wa washiriki wote muhimu. Kutambua nafasi mbadala za wakati zinazofaa kwa kila mtu. Kutuma mialiko mipya iliyopendekezwa ya mkutano kwa wahudhuriaji wote. Ikiwa mzozo uko na mshiriki wa nje, wakala anaweza kuandaa na kutuma barua pepe inayoelezea hitaji la kupanga upya na kutoa nyakati mbadala. Kusasisha kalenda yako na kalenda za wenzako na maelezo mapya ya mkutano mara moja kuthibitishwa.
AI hii ya wakala inaelewa lengo (kusuluhisha mzozo wa mkutano), inapanga hatua (kuangalia upatikanaji, kutafuta njia mbadala, kutuma mialiko), kutekeleza hatua hizo, na kuendelea hadi mzozo utatuliwe, yote kwa uingiliaji kati mdogo wa moja kwa moja wa mtumiaji. Hii inaonyesha tofauti ya "mawakala": mfumo huchukua hatua za haraka kwa mtumiaji, badala ya kutoa tu habari kwa mtumiaji. Mifumo ya AI ya Kiajenti inaelewa lengo, inapanga mfululizo wa hatua ili kulifikia, kutekeleza hatua hizo, na hata kurekebisha mambo yakienda vibaya. Ifikirie kama msaidizi makini wa kidijitali. Teknolojia ya msingi mara nyingi huchanganya miundo mikubwa ya lugha (LLMs) kwa kuelewa na kufikiria, pamoja na algoriti za kupanga ambazo hugawanya kazi ngumu katika vitendo vinavyoweza kudhibitiwa. Mawakala hawa wanaweza kuingiliana na zana mbalimbali, API, na hata miundo mingine ya AI ili kutimiza malengo yao, na kwa umakinifu, wanaweza kudumisha hali ya kudumu, kumaanisha wanakumbuka vitendo vya awali na kuendelea kufanyia kazi lengo baada ya muda. Hii inazifanya kuwa tofauti kabisa na AI ya kawaida inayozalisha, ambayo kwa kawaida hukamilisha ombi moja na kisha kuweka upya. Taxonomia Rahisi ya Tabia za Kiajenti Tunaweza kuainisha tabia ya wakala katika njia nne tofauti za uhuru. Ingawa hizi mara nyingi huonekana kama maendeleo, zinafanya kazi kama njia huru za uendeshaji. Mtumiaji anaweza kumwamini wakala kuchukua hatua kwa uhuru katika kuratibu, lakini iweke katika "hali ya pendekezo" kwa miamala ya kifedha. Tumepata viwango hivi kwa kurekebisha viwango vya sekta ya magari yanayojiendesha (viwango vya SAE) hadi miktadha ya matumizi ya kidijitali. Zingatia-na-Pendekeza Wakala hufanya kazi kama mfuatiliaji. Inachanganua mitiririko ya data na kuripoti hitilafu au fursa, lakini inachukua hatua sifuri. TofautiTofauti na kiwango kinachofuata, wakala hutoa mpango wowote changamano. Inaashiria tatizo. MfanoA wakala wa DevOps anatambua ongezeko la CPU kwenye seva na kumtahadharisha mhandisi anayepiga simu. Haijui jinsi au kujaribu kuirekebisha, lakini inajua kuwa kuna kitu kibaya. Athari za muundo na usimamiziKatika kiwango hiki,muundo na uangalizi unapaswa kutanguliza arifa zilizo wazi, zisizo na uingilivu na mchakato uliobainishwa vyema kwa watumiaji kufanyia kazi mapendekezo. Lengo ni kumwezesha mtumiaji habari kwa wakati na muhimu bila kudhibiti. Wataalamu wa UX wanapaswa kuzingatia kufanya mapendekezo yawe wazi na rahisi kueleweka, huku wasimamizi wa bidhaa wanahitaji kuhakikisha kuwa mfumo unatoa thamani bila kumlemea mtumiaji. Panga-na-Pendekeza Wakala hutambua lengo na hutoa mkakati wa hatua nyingi ili kulifikia. Inatoa mpango kamili wa ukaguzi wa kibinadamu. UtofautishajiWakala hufanya kazi kama mwanamkakati. Haitekelezi; inasubiri idhini ya mbinu nzima. Mfano Wakala sawa wa DevOps hutambua ongezeko la CPU, huchanganua kumbukumbu, na kupendekeza mpango wa kurekebisha:
Sogeza mifano miwili ya ziada. Anzisha tena kusawazisha mzigo. Weka kumbukumbu za zamani.
Mwanadamu hukagua mantiki na kubofya "Idhinisha Mpango". Athari kwa muundo na uangaliziKwa mawakala wanaopanga na kupendekeza, muundo lazima uhakikishe kuwa mipango inayopendekezwa inaeleweka kwa urahisi na kwamba watumiaji wana njia angavu za kuirekebisha au kuikataa. Uangalizi ni muhimu katika kufuatilia ubora wa mapendekezo na mantiki ya kupanga ya wakala. Wataalamu wa UX wanapaswa kubuni taswira wazi za mipango inayopendekezwa, na wasimamizi wa bidhaa lazima waanzishe utiririshaji wa kazi wazi na wa kuidhinisha. Tenda-na-Uthibitisho Wakala hukamilisha kazi yote ya maandalizi na kuweka hatua ya mwisho katika hali ya hatua. Inashikilia mlango kwa ufanisi, ikingojea nod. UtofautishajiHii inatofautiana na "Panga-na-Pendekeza" kwa sababu kazi tayari imefanywa na kupangwa. Inapunguza msuguano. Mtumiaji anathibitisha matokeo, sio mkakati. MfanoWakala wa kuajiri huandaa mialiko mitano ya mahojiano, hupata nyakati za wazi kwenye kalenda, na kuunda matukio ya kalenda. Inaonyesha kitufe cha "Tuma Zote". Mtumiaji hutoa idhini ya mwisho ya kuanzisha kitendo cha nje. Athari kwa muundo na uangaliziWakati mawakala wanafanya kazi kwa uthibitisho, muundo unapaswa kutoa muhtasari wa uwazi na mafupi wa hatua inayokusudiwa, ikionyesha wazi matokeo yanayoweza kutokea. Uangalizi unahitaji kuthibitisha kuwa mchakato wa uthibitishaji ni thabiti na kwamba watumiaji hawaombwi kuidhinisha vitendo bila upofu. Wataalamu wa UX wanapaswa kubuni vidokezo vya uthibitishaji ambavyo viko wazi na kutoa taarifa zote muhimu, na wasimamizi wa bidhaa wanapaswa kutanguliza njia thabiti ya ukaguzi kwa vitendo vyote vilivyothibitishwa. Tenda-Kujitegemea Wakala hutekeleza majukumu kwa kujitegemea ndani ya mipaka iliyobainishwa. UtofautishajiMtumiaji huhakiki historia ya vitendo, sio vitendo vyenyewe. Mfano Wakala wa uajiri huona mgongano, anahamisha mahojiano hadi sehemu mbadala, anasasisha mgombeaji, na kumjulisha msimamizi wa kukodisha. Mwanadamu huona arifa pekee: Mahojiano yamepangwa upya hadi Jumanne. Athari kwa muundo na usimamiziKwa mawakala wanaojitegemea, muundo unahitaji kuweka mipaka iliyo wazi iliyoidhinishwa awali na kutoa zana thabiti za ufuatiliaji. Uangalizi unahitaji tathmini endelevu ya utendakazi wa wakala ndani ya mipaka hii, hitaji muhimu la ukataji miti thabiti, mbinu wazi za kubatilisha, na swichi za kuua zilizobainishwa na mtumiaji ili kudumisha udhibiti na uaminifu wa watumiaji. Wataalamu wa UX wanapaswa kuzingatia kubuni dashibodi zinazofaa za kufuatilia tabia ya wakala anayejiendesha, na wasimamizi wa bidhaa lazima wahakikishe kuwa kuna usimamizi na miongozo ya kimaadili iliyo wazi.
Hebu tuangalie programu ya ulimwengu halisi katika teknolojia ya HR ili kuona njia hizi zikifanya kazi. Zingatia "Ajenti wa Kuratibu Mahojiano" iliyoundwa kushughulikia uratibu wa kuajiri.
Katika Njia ya Pendekeza Wakala anatambua kwamba anayehojiwa amewekwa nafasi mara mbili. Inaangazia mzozo kwenye dashibodi ya waajiri: "Onyo: Sarah amewekwa nafasi mbili kwa mahojiano ya 2 PM." Katika Njia ya Mpango Wakala huchanganua kalenda ya Sarah na upatikanaji wa mgombea. Inatoa suluhu: "Ninapendekeza kuhamisha mahojiano hadi Alhamisi saa 10 asubuhi. Hii inahitaji kuhamisha 1:1 ya Sarah na meneja wake." Mwajiri anakagua mantiki hii. Katika Njia ya Uthibitishaji Wakala huandika barua pepe kwa mgombea na meneja. Inajaza mialiko ya kalenda. Msajili huona muhtasari: "Uko tayari kuratibu tena hadi Alhamisi. Ungependa kutuma masasisho?" Msajili anabofya "Thibitisha." Katika Njia ya Kujiendesha Wakala hushughulikia mzozo papo hapo. Inaheshimu sheria iliyowekwa mapema: "Kila mara weka kipaumbele mahojiano ya mgombea badala ya 1:1 ya ndani." Huhamisha mkutano na kutuma arifa. Majiri huona ingizo la kumbukumbu: "Imetatuliwamgongano wa ratiba kwa Mgombea B.”
Kitangulizi cha Utafiti: Nini cha Kutafiti na Jinsi Kutengeneza AI ya kiuajenti yenye ufanisi kunahitaji mbinu mahususi ya utafiti ikilinganishwa na programu za kitamaduni au hata AI genereshi. Asili ya uhuru ya mawakala wa AI, uwezo wao wa kufanya maamuzi, na uwezo wao wa kuchukua hatua makini unahitaji mbinu maalum za kuelewa matarajio ya mtumiaji, kuchora ramani ya tabia changamano za mawakala, na kutazamia kutofaulu kunakoweza kutokea. Kitangulizi kifuatacho cha utafiti kinaelezea mbinu muhimu za kupima na kutathmini vipengele hivi vya kipekee vya AI ya kikali. Mahojiano ya Mfano wa Akili Mahojiano haya yanafichua mawazo ya awali ya watumiaji kuhusu jinsi wakala wa AI anapaswa kufanya. Badala ya kuuliza tu watumiaji wanataka nini, lengo ni kuelewa mifano yao ya ndani ya uwezo na mapungufu ya wakala. Tunapaswa kuepuka kutumia neno “wakala” kwa washiriki. Hubeba mizigo ya sci-fi au ni neno linalochanganyikiwa kwa urahisi na wakala wa kibinadamu anayetoa usaidizi au huduma. Badala yake, weka mjadala kuhusu "wasaidizi" au "mfumo." Tunahitaji kufichua mahali ambapo watumiaji huchora mstari kati ya usaidizi wa kiotomatiki na udhibiti unaoingilia kati.
Mbinu: Waulize watumiaji kuelezea, kuchora, au kusimulia mwingiliano wao unaotarajiwa na wakala katika hali mbalimbali za dhahania. Tafiti Muhimu (zinazoakisi tasnia mbalimbali): Ili kuelewa mipaka ya uwekaji kiotomatiki unaotaka na wasiwasi unaowezekana karibu na otomatiki, uliza: Ikiwa safari yako ya ndege itaghairiwa, ungependa mfumo ufanye nini kiotomatiki? Je, ingekuwa na wasiwasi gani ikiwa itafanya hivyo bila maagizo yako ya wazi?
Ili kuchunguza uelewa wa mtumiaji wa michakato ya ndani ya wakala na mawasiliano muhimu, uliza: Fikiria kuwa msaidizi wa kidijitali anasimamia nyumba yako mahiri. Ikiwa kifurushi kitaletwa, unadhani kitachukua hatua gani, na unatarajia kupokea taarifa gani?
Ili kufichua matarajio kuhusu udhibiti na idhini ndani ya mchakato wa hatua nyingi, uliza: Ukimwomba msaidizi wako wa kidijitali aratibishe mkutano, unafikiria uchukue hatua gani? Ni katika sehemu gani ungependa kushauriwa au kupewa chaguo?
Manufaa ya mbinu: Hufichua dhana dhabiti, huangazia maeneo ambayo tabia iliyopangwa ya wakala inaweza kutofautiana na matarajio ya mtumiaji, na hufahamisha muundo wa udhibiti unaofaa na mbinu za maoni.
Ramani ya Safari ya Wakala: Sawa na upangaji ramani wa safari wa watumiaji wa kitamaduni, uchoraji ramani wa safari ya wakala huangazia hasa vitendo vinavyotarajiwa na pointi za uamuzi za wakala wa AI yenyewe, pamoja na mwingiliano wa mtumiaji. Hii husaidia kutambua kwa vitendo mitego inayoweza kutokea.
Mbinu: Unda ramani inayoonekana inayoonyesha hatua mbalimbali za utendakazi wa wakala, kuanzia kuanzishwa hadi kukamilika, ikijumuisha vitendo vyote vinavyowezekana, maamuzi na mwingiliano na mifumo au watumiaji wa nje. Vipengele Muhimu kwenye Ramani: Vitendo vya Wakala: Ni kazi au maamuzi gani mahususi ambayo wakala hufanya? Ingizo/Matokeo ya Taarifa: Wakala anahitaji data gani, na inazalisha au kuwasiliana na taarifa gani? Vidokezo vya Uamuzi: Wakala hufanya wapi uchaguzi, na ni vigezo gani vya chaguo hizo? Pointi za Mwingiliano wa Mtumiaji: Mtumiaji anatoa wapi ingizo, kukagua, au kuidhinisha vitendo? Hoja za Kushindwa: Muhimu, tambua matukio maalum ambapo wakala anaweza kutafsiri vibaya maagizo, kufanya uamuzi usio sahihi, au kuingiliana na huluki isiyo sahihi. Mifano: Mpokeaji asiye sahihi (k.m., kutuma taarifa nyeti kwa mtu asiye sahihi), rasimu ya ziada (k.m., malipo ya kiotomatiki yanayozidi fedha zinazopatikana), tafsiri isiyo sahihi ya nia (k.m., kuhifadhi nafasi ya ndege kwa tarehe isiyo sahihi kwa sababu ya lugha tatanishi).
Njia za Urejeshaji: Je, wakala au mtumiaji anawezaje kupona kutokana na hitilafu hizi? Je, ni mbinu gani zipo za kusahihisha au kuingilia kati?
Manufaa ya njia: Hutoa mtazamo kamili wa mtiririko wa utendaji wa wakala, hufichua utegemezi uliofichwa, na huruhusu muundo thabiti wa ulinzi, ushughulikiaji wa hitilafu na pointi za uingiliaji kati za mtumiaji ili kuzuia au kupunguza matokeo mabaya.
Mtihani wa Utovu wa Tabia Ulioiga: Mbinu hii imeundwa ili kupima mfumo na kuchunguza miitikio ya mtumiaji wakati wakala wa AI anaposhindwa au kupotoka kutoka kwa matarajio. Ni juu ya kuelewa ukarabati wa uaminifu na majibu ya kihemko katika hali mbaya.
Mbinu: Katika masomo ya maabara yanayodhibitiwa, anzisha matukio kimakusudi ambapo wakala anafanya makosa, anatafsiri vibaya amri, au anatenda bila kutarajiwa. Aina za "Tabia mbaya" za Kuiga: AmriTafsiri potofu: Wakala hufanya kitendo tofauti kidogo na kile ambacho mtumiaji alikusudia (k.m., kuagiza vitu viwili badala ya kimoja). Upakiaji wa Taarifa/Upakiaji Chini: Wakala hutoa taarifa nyingi sana zisizo na umuhimu au maelezo muhimu ya kutosha. Hatua Isiyoombwa: Wakala huchukua hatua ambayo mtumiaji hakutaka au kutarajia (k.m., kununua hisa bila idhini). Kushindwa kwa Mfumo: Wakala huacha kufanya kazi, huacha kuitikia, au hutoa ujumbe wa hitilafu. Matatizo ya Kimaadili: Wakala hufanya uamuzi wenye athari za kimaadili (k.m., kutanguliza kazi moja juu ya nyingine kulingana na kipimo kisichotarajiwa).
Uzingatiaji wa Uangalizi: Maoni ya Mtumiaji: Je, watumiaji hutendaje kihisia (kuchanganyikiwa, hasira, kuchanganyikiwa, kupoteza uaminifu)? Majaribio ya Urejeshaji: Ni hatua gani watumiaji huchukua ili kurekebisha tabia ya wakala au kutendua vitendo vyake? Mbinu za Urekebishaji wa Uaminifu: Je, mbinu za urejeshaji zilizojengewa ndani za mfumo au maoni husaidia kurejesha uaminifu? Watumiaji wanatakaje kufahamishwa kuhusu makosa? Mabadiliko ya Muundo wa Akili: Je, tabia mbaya inabadilisha uelewa wa mtumiaji wa uwezo au mapungufu ya wakala?
Manufaa ya njia: Muhimu kwa kutambua mapungufu ya muundo yanayohusiana na urejeshaji makosa, maoni, na udhibiti wa watumiaji. Inatoa maarifa kuhusu jinsi watumiaji wanavyostahimili kushindwa kwa mawakala na kile kinachohitajika ili kudumisha au kujenga upya uaminifu, na kusababisha mifumo thabiti na ya kusamehe ya mawakala.
Kwa kuunganisha mbinu hizi za utafiti, watendaji wa UX wanaweza kusonga zaidi ya kufanya tu mifumo ya mawakala itumike ili kuifanya iaminike, idhibitiwe, na iwajibike, na kukuza uhusiano mzuri na wenye tija kati ya watumiaji na mawakala wao wa AI. Kumbuka kuwa hizi sio njia pekee zinazofaa kuchunguza AI ya kikali kwa ufanisi. Mbinu nyingine nyingi zipo, lakini hizi zinapatikana zaidi kwa watendaji katika muda mfupi ujao. Hapo awali nilishughulikia mbinu ya Wizard of Oz, mbinu ya juu zaidi ya kupima dhana, ambayo pia ni zana muhimu ya kuchunguza dhana za mawakala za AI. Mazingatio ya Kimaadili Katika Mbinu ya Utafiti Wakati wa kutafiti AI ya mawakala, hasa wakati wa kuiga tabia mbaya au makosa, masuala ya kimaadili ni muhimu kuzingatiwa. Kuna machapisho mengi yanayoangazia utafiti wa kimaadili wa UX, ikijumuisha makala niliyoandika kwa Jarida la Smashing, miongozo hii kutoka Taasisi ya Usanifu ya UX, na ukurasa huu kutoka kwa Zana ya Usanifu Jumuishi. Vipimo Muhimu vya AI ya Wakala Utahitaji seti ya kina ya vipimo muhimu ili kutathmini kwa ufanisi utendakazi na uaminifu wa mifumo ya mawakala ya AI. Vipimo hivi hutoa maarifa kuhusu uaminifu wa watumiaji, usahihi wa mfumo na matumizi ya jumla ya mtumiaji. Kwa kufuatilia viashirio hivi, watengenezaji na wabunifu wanaweza kutambua maeneo ya kuboresha na kuhakikisha kwamba mawakala wa AI wanafanya kazi kwa usalama na kwa ufanisi. 1. Kiwango cha Kuingilia Kwa mawakala wanaojitegemea, tunapima mafanikio kwa ukimya. Ikiwa wakala atafanya kazi na mtumiaji asiingilie kati au kutengua kitendo ndani ya dirisha lililowekwa (k.m., saa 24), tunahesabu hilo kama kukubalika. Tunafuatilia Kiwango cha Kuingilia Kati: ni mara ngapi mwanadamu huruka ili kusimamisha au kusahihisha wakala? Kiwango cha juu cha uingiliaji kati kinaashiria usawazishaji katika uaminifu au mantiki. 2. Masafa ya Vitendo Visivyotarajiwa kwa kila Majukumu 1,000Kipimo hiki muhimu kinabainisha idadi ya vitendo vinavyofanywa na wakala wa AI ambavyo havikutarajiwa au kutarajiwa na mtumiaji, vilivyosawazishwa kwa kila kazi 1,000 zilizokamilishwa. Masafa ya chini ya vitendo visivyotarajiwa huashiria AI iliyopangwa vizuri ambayo inatafsiri kwa usahihi dhamira ya mtumiaji na kufanya kazi ndani ya mipaka iliyobainishwa. Kipimo hiki kinafungamana kwa karibu na uelewaji wa AI wa muktadha, uwezo wake wa kutenganisha amri na uthabiti wa itifaki zake za usalama. 3. Rejesha au Tendua ViwangoHii kipimo hufuatilia ni mara ngapi watumiaji wanahitaji kutendua au kutendua kitendo kilichofanywa na AI. Viwango vya juu vya urejeshaji vinapendekeza kuwa AI inafanya makosa ya mara kwa mara, inatafsiri vibaya maagizo, au inatenda kwa njia ambazo hazilingani na matarajio ya mtumiaji. Kuchanganua sababu za urejeshaji nyuma huu kunaweza kutoa maoni muhimu kwa kuboresha algoriti za AI, uelewa wa mapendeleo ya watumiaji, na uwezo wake wa kutabiri matokeo yanayohitajika. Ili kuelewa ni kwa nini, lazima utekeleze uchunguzi mdogo kwenye hatua ya kutendua. Kwa mfano, wakati mtumiaji anabadilisha mabadiliko ya kuratibu, kidokezo rahisi kinaweza kuuliza: "Saa si sahihi? Mtu mbaya? Au ulitaka tu kuifanya mwenyewe?" Kuruhusu mtumiaji kubofya chaguo ambalo linalingana vyema na hoja zao. 4. Wakati wa Kutatua Baada ya HitilafuHii kipimohupima muda unaotumika kwa mtumiaji kusahihisha hitilafu iliyofanywa na AI au mfumo wa AI wenyewe urejee kutoka katika hali yenye makosa. Muda mfupi wa kusuluhisha unaonyesha mchakato mzuri na wa kirafiki wa kurejesha makosa, ambao unaweza kupunguza kufadhaika kwa mtumiaji na kudumisha tija. Hii ni pamoja na urahisi wa kutambua hitilafu, ufikiaji wa njia za kutendua au kusahihisha, na uwazi wa ujumbe wa hitilafu unaotolewa na AI.
Kukusanya vipimo hivi kunahitaji kutumia mfumo wako kufuatilia Vitambulisho vya Kitendo vya Wakala. Kila hatua mahususi anayochukua wakala, kama vile kupendekeza ratiba au kuhifadhi nafasi ya ndege, lazima itoe kitambulisho cha kipekee ambacho kinaendelea kwenye kumbukumbu. Ili kupima Kiwango cha Kuingilia kati, hatutafuti majibu ya haraka ya mtumiaji. Tunatafuta kutokuwepo kwa kitendo cha kupinga ndani ya dirisha lililobainishwa. Iwapo Kitambulisho cha Kitendo kitatolewa saa 9:00 asubuhi na hakuna mtumiaji wa kibinadamu anayerekebisha au kurudisha Kitambulisho hicho mahususi kufikia 9:00 AM siku inayofuata, mfumo hukiweka kitambulisho kwa mantiki kuwa Kimekubaliwa. Hii huturuhusu kukadiria mafanikio kulingana na ukimya wa mtumiaji badala ya uthibitisho unaoendelea. Kwa Viwango vya Kurudisha nyuma, hesabu ghafi hazitoshi kwa sababu hazina muktadha. Ili kunasa sababu ya msingi, lazima utekeleze mantiki ya kukatiza kwenye kipengele cha Tendua au Rejesha programu yako. Mtumiaji anapogeuza kitendo kilichoanzishwa na wakala, anzisha uchunguzi mdogo sana. Hii inaweza kuwa moduli rahisi ya chaguo tatu inayomwomba mtumiaji kuainisha kosa kuwa si sahihi, halina muktadha, au mapendeleo rahisi kushughulikia kazi mwenyewe. Hii inachanganya telemetry ya kiasi na maarifa ya ubora. Huwezesha timu za uhandisi kutofautisha kati ya algoriti iliyovunjika na kutolingana kwa mapendeleo ya mtumiaji. Vipimo hivi, vinapofuatiliwa kwa uthabiti na kuchambuliwa kikamilifu, hutoa mfumo thabiti wa kutathmini utendakazi wa mifumo ya mawakala ya AI, kuruhusu uboreshaji unaoendelea wa udhibiti, ridhaa na uwajibikaji. Kubuni Dhidi ya Udanganyifu Kadiri mawakala wanavyozidi kuwa na uwezo, tunakabiliwa na hatari mpya: Ajenti Sludge. Tope la kawaida huleta msuguano unaofanya iwe vigumu kughairi usajili au kufuta akaunti. Tope la mawakala hufanya kinyume. Huondoa msuguano hadi hitilafu, na kuifanya iwe rahisi sana kwa mtumiaji kukubaliana na kitendo kinachonufaisha biashara badala ya maslahi yao binafsi. Fikiria wakala anayesaidia kuweka nafasi ya usafiri. Bila ulinzi ulio wazi, mfumo unaweza kuweka kipaumbele kwa shirika la ndege la washirika au hoteli ya kiwango cha juu. Inawasilisha chaguo hili kama njia bora. Mtumiaji, akiamini mamlaka ya mfumo, anakubali pendekezo bila uchunguzi. Hii inaunda muundo wa udanganyifu ambapo mfumo huboresha mapato kwa kisingizio cha urahisi. Hatari ya Umahiri Unaofikiriwa Uongo Udanganyifu hauwezi kutokana na nia mbaya. Mara nyingi hujidhihirisha katika AI kama Umahiri Unaofikiriwa. Miundo Kubwa ya Lugha mara nyingi husikika kuwa na mamlaka hata ikiwa si sahihi. Wanawasilisha uthibitisho wa uwongo wa kuweka nafasi au muhtasari usio sahihi wenye imani sawa na ukweli uliothibitishwa. Watumiaji wanaweza kuamini kwa kawaida sauti hii ya kujiamini. Kutolingana huku kunaleta pengo hatari kati ya uwezo wa mfumo na matarajio ya mtumiaji. Ni lazima tubuni mahususi ili kuziba pengo hili. Ikiwa wakala atashindwa kukamilisha kazi, kiolesura lazima kionyeshe kutofaulu hivyo kwa uwazi. Ikiwa mfumo hauna uhakika, lazima ueleze kutokuwa na uhakika badala ya kuufunika kwa nathari iliyong'aa. Uwazi kupitia Primitives Dawa dhidi ya matope na maono ni mwanzo. Kila kitendo cha uhuru kinahitaji lebo maalum ya metadata inayoelezea asili ya uamuzi. Watumiaji wanahitaji uwezo wa kukagua mlolongo wa mantiki nyuma ya matokeo. Ili kufikia hili, ni lazima tutafsiri mambo ya awali katika majibu ya vitendo. Katika uhandisi wa programu, matoleo ya awali hurejelea vitengo vya msingi vya habari au vitendo ambavyo wakala hufanya. Kwa mhandisi, hii inaonekana kama simu ya API au lango la mantiki. Kwa mtumiaji, lazima ionekane kama maelezo wazi. Changamoto ya muundo iko katika kupanga hatua hizi za kiufundi kwa hoja zinazoweza kusomeka na binadamu. Ikiwa wakala anapendekeza safari ya ndege mahususi, mtumiaji anahitaji kujua ni kwa nini. Kiolesura hakiwezi kujificha nyuma ya pendekezo la jumla. Ni lazima ifichue msingi msingi: Mantiki: Nafuu_Moja_Ndege au Mantiki: Kipaumbele_Cha_Ndege_ya_Mshirika. Kielelezo cha 4 kinaonyesha mtiririko huu wa tafsiri. Tunachukua mfumo mbichi kuwa wa kwanza - mantiki halisi ya msimbo - na kuiweka ramani kwa mfuatano unaowakabili mtumiaji. Kwa mfano, ukaguzi wa awali wa ratiba ya kalenda ya mkutano inakuwa taarifa wazi: Nimependekeza saa kumi jioni.mkutano. Kiwango hiki cha uwazi huhakikisha vitendo vya wakala vinaonekana kuwa vya mantiki na manufaa. Huruhusu mtumiaji kuthibitisha kuwa wakala alitenda kwa maslahi yake. Kwa kufichua mambo ya awali, tunabadilisha kisanduku cheusi kuwa kisanduku cha kioo, ili kuhakikisha watumiaji wanasalia kuwa mamlaka ya mwisho katika maisha yao ya kidijitali.
Kuweka Hatua ya Kubuni Kujenga mfumo wa mawakala kunahitaji kiwango kipya cha uelewa wa kisaikolojia na kitabia. Inatulazimisha kupita zaidi ya majaribio ya kawaida ya utumiaji na kuingia katika nyanja ya uaminifu, ridhaa na uwajibikaji. Mbinu za utafiti ambazo tumejadili, kutoka kwa uchunguzi wa miundo ya akili hadi kuiga tabia mbaya na kuanzisha vipimo vipya, hutoa msingi unaohitajika. Taratibu hizi ndizo zana muhimu za kutambua kwa vitendo ambapo mfumo unaojitegemea unaweza kushindwa na, muhimu zaidi, jinsi ya kurekebisha uhusiano wa wakala wa mtumiaji unapofanya hivyo. Kuhama kwa AI ya mawakala ni ufafanuzi upya wa uhusiano wa mfumo wa mtumiaji. Hatutengenezi tena zana zinazojibu tu amri; tunabuni washirika wanaofanya kazi kwa niaba yetu. Hii inabadilisha sharti la muundo kutoka kwa ufanisi na urahisi wa kutumia hadi uwazi, kutabirika na udhibiti. Wakati AI inaweza kuweka nafasi ya safari ya ndege au kufanya biashara ya hisa bila kubofya mara ya mwisho, muundo wa "kwenye njia panda" na "mbali-mbali" inakuwa muhimu zaidi. Ni jukumu letu kuhakikisha kuwa watumiaji wanahisi kuwa wako kwenye kiti cha udereva, hata wakati wamekabidhi gurudumu. Ukweli huu mpya pia unainua jukumu la mtafiti wa UX. Tunakuwa wasimamizi wa imani ya watumiaji, tukifanya kazi kwa ushirikiano na wahandisi na wasimamizi wa bidhaa ili kufafanua na kujaribu kanuni za uhuru wa wakala. Zaidi ya kuwa watafiti, tunakuwa watetezi wa udhibiti wa watumiaji, uwazi, na ulinzi wa maadili ndani ya mchakato wa maendeleo. Kwa kutafsiri maswali ya awali katika maswali ya vitendo na kuiga hali mbaya zaidi, tunaweza kuunda mifumo thabiti ambayo ni yenye nguvu na salama. Nakala hii imeelezea "nini" na "kwa nini" ya kutafiti AI ya wakala. Imeonyesha kuwa zana zetu za zana za kitamaduni hazitoshi na kwamba ni lazima tuchukue mbinu mpya za kutazama mbele. Makala yanayofuata yatajengwa juu ya msingi huu, yakitoa miundo mahususi ya muundo na desturi za shirika zinazofanya matumizi ya wakala kuwa wazi kwa watumiaji, kuhakikisha kuwa wanaweza kutumia nguvu za AI ya mawakala kwa kujiamini na udhibiti. Mustakabali wa UX unahusu kufanya mifumo iaminike. Kwa uelewa wa ziada wa AI ya mawakala, unaweza kuchunguza rasilimali zifuatazo:
Blogu ya AI ya Google kwenye Agenti AI Utafiti wa Microsoft juu ya Wakala wa AI
