Agentic AI ຢືນຢູ່ພ້ອມທີ່ຈະຫັນປ່ຽນປະສົບການຂອງລູກຄ້າແລະປະສິດທິພາບການດໍາເນີນງານ, ຈໍາເປັນຕ້ອງມີວິທີການຍຸດທະສາດໃຫມ່ຈາກຜູ້ນໍາ. ການວິວັດທະນາການນີ້ໃນປັນຍາປະດິດສ້າງຄວາມເຂັ້ມແຂງໃຫ້ລະບົບໃນການວາງແຜນ, ປະຕິບັດ, ແລະສືບຕໍ່ໃນວຽກງານ, ຍ້າຍອອກໄປນອກເຫນືອຄໍາແນະນໍາທີ່ງ່າຍດາຍໄປສູ່ການປະຕິບັດຢ່າງຫ້າວຫັນ. ສໍາລັບທີມງານ UX, ຜູ້ຈັດການຜະລິດຕະພັນ, ແລະຜູ້ບໍລິຫານ, ຄວາມເຂົ້າໃຈການປ່ຽນແປງນີ້ແມ່ນສໍາຄັນສໍາລັບການປົດລັອກໂອກາດໃນນະວັດຕະກໍາ, ປັບປຸງຂະບວນການເຮັດວຽກ, ແລະກໍານົດວິທີການເຕັກໂນໂລຊີໃຫ້ບໍລິການປະຊາຊົນ. ມັນງ່າຍທີ່ຈະສັບສົນ Agentic AI ກັບອັດຕະໂນມັດຂະບວນການຫຸ່ນຍົນ (RPA), ເຊິ່ງເປັນເຕັກໂນໂລຢີທີ່ສຸມໃສ່ວຽກງານທີ່ອີງໃສ່ກົດລະບຽບທີ່ປະຕິບັດຢູ່ໃນຄອມພິວເຕີ. ຄວາມແຕກຕ່າງແມ່ນຢູ່ໃນຄວາມເຂັ້ມງວດທຽບກັບເຫດຜົນ. RPA ແມ່ນດີເລີດໃນການປະຕິບັດຕາມ script ທີ່ເຄັ່ງຄັດ: ຖ້າ X ເກີດຂຶ້ນ, ເຮັດ Y. ມັນ mimics ມືຂອງມະນຸດ. Agentic AI mimics ເຫດຜົນຂອງມະນຸດ. ມັນບໍ່ໄດ້ປະຕິບັດຕາມ script linear; ມັນສ້າງຫນຶ່ງ. ພິຈາລະນາຂັ້ນຕອນການຈ້າງງານ. RPA bot ສາມາດສະແກນຊີວະປະຫວັດແລະອັບໂຫລດໃສ່ຖານຂໍ້ມູນ. ມັນປະຕິບັດວຽກງານຊ້ໍາຊ້ອນຢ່າງສົມບູນ. ລະບົບ Agentic ເບິ່ງຊີວະປະຫວັດຫຍໍ້, ສັງເກດເຫັນຜູ້ສະຫມັກລາຍຊື່ການຢັ້ງຢືນສະເພາະ, ການອ້າງອິງຂ້າມກັບຄວາມຕ້ອງການຂອງລູກຄ້າໃຫມ່, ແລະຕັດສິນໃຈຮ່າງອີເມວເຜີຍແຜ່ສ່ວນບຸກຄົນທີ່ເນັ້ນໃສ່ຄໍາທີ່ກົງກັນ. RPA ປະຕິບັດແຜນການທີ່ກໍານົດໄວ້ກ່ອນ; Agentic AI ສ້າງແຜນການໂດຍອີງໃສ່ເປົ້າຫມາຍ. ເອກະລາດນີ້ແຍກຕົວແທນຈາກເຄື່ອງມືຄາດຄະເນທີ່ພວກເຮົາໄດ້ໃຊ້ໃນທົດສະວັດທີ່ຜ່ານມາ. ຕົວຢ່າງອີກອັນຫນຶ່ງແມ່ນການຄຸ້ມຄອງການຂັດແຍ້ງໃນກອງປະຊຸມ. ຮູບແບບການຄາດເດົາລວມເຂົ້າໃນປະຕິທິນຂອງເຈົ້າອາດຈະວິເຄາະຕາຕະລາງການປະຊຸມຂອງເຈົ້າແລະຕາຕະລາງຂອງເພື່ອນຮ່ວມງານຂອງເຈົ້າ. ຫຼັງຈາກນັ້ນ, ມັນສາມາດແນະນໍາການຂັດແຍ້ງທີ່ອາດຈະເກີດຂື້ນ, ເຊັ່ນ: ກອງປະຊຸມທີ່ສໍາຄັນສອງຄັ້ງທີ່ກໍານົດເວລາດຽວກັນ, ຫຼືກອງປະຊຸມທີ່ກໍານົດເວລາທີ່ຜູ້ເຂົ້າຮ່ວມທີ່ສໍາຄັນຈະພັກຜ່ອນ. ມັນໃຫ້ຂໍ້ມູນແກ່ເຈົ້າ ແລະຊີ້ບອກບັນຫາທີ່ອາດເກີດຂຶ້ນ, ແຕ່ເຈົ້າຕ້ອງຮັບຜິດຊອບໃນການປະຕິບັດ. AI ຕົວແທນ, ໃນສະຖານະການດຽວກັນ, ຈະໄປນອກເຫນືອຈາກພຽງແຕ່ແນະນໍາການຂັດແຍ້ງເພື່ອຫຼີກເວັ້ນການ. ເມື່ອກໍານົດຄວາມຂັດແຍ້ງກັບຜູ້ເຂົ້າຮ່ວມທີ່ສໍາຄັນ, ຕົວແທນສາມາດປະຕິບັດໂດຍ:
ການກວດສອບຄວາມພ້ອມຂອງຜູ້ເຂົ້າຮ່ວມທີ່ຈໍາເປັນທັງຫມົດ. ການກໍານົດເວລາທາງເລືອກທີ່ເຮັດວຽກສໍາລັບທຸກຄົນ. ສົ່ງໃບເຊີນກອງປະຊຸມໃຫມ່ທີ່ໄດ້ສະເຫນີໃຫ້ຜູ້ເຂົ້າຮ່ວມທັງຫມົດ. ຖ້າຄວາມຂັດແຍ້ງກັບຜູ້ເຂົ້າຮ່ວມພາຍນອກ, ຕົວແທນສາມາດຮ່າງແລະສົ່ງອີເມວອະທິບາຍເຖິງຄວາມຕ້ອງການທີ່ຈະກໍານົດເວລາແລະການສະເຫນີເວລາທາງເລືອກ. ອັບເດດປະຕິທິນຂອງເຈົ້າ ແລະປະຕິທິນຂອງເພື່ອນຮ່ວມງານຂອງເຈົ້າດ້ວຍລາຍລະອຽດການປະຊຸມໃໝ່ເມື່ອຢືນຢັນແລ້ວ.
AI ຕົວແທນນີ້ເຂົ້າໃຈເປົ້າຫມາຍ (ການແກ້ໄຂຂໍ້ຂັດແຍ່ງໃນກອງປະຊຸມ), ວາງແຜນຂັ້ນຕອນ (ການກວດສອບຄວາມພ້ອມ, ຊອກຫາທາງເລືອກ, ການສົ່ງຄໍາເຊີນ), ດໍາເນີນຂັ້ນຕອນເຫຼົ່ານັ້ນ, ແລະສືບຕໍ່ຈົນກ່ວາຄວາມຂັດແຍ້ງໄດ້ຖືກແກ້ໄຂ, ທັງຫມົດດ້ວຍການແຊກແຊງໂດຍກົງຂອງຜູ້ໃຊ້ຫນ້ອຍທີ່ສຸດ. ນີ້ສະແດງໃຫ້ເຫັນຄວາມແຕກຕ່າງຂອງ "ຕົວແທນ": ລະບົບຈະດໍາເນີນຂັ້ນຕອນຢ່າງຕັ້ງຫນ້າສໍາລັບຜູ້ໃຊ້, ແທນທີ່ຈະພຽງແຕ່ສະຫນອງຂໍ້ມູນໃຫ້ກັບຜູ້ໃຊ້. ລະບົບ AI Agentic ເຂົ້າໃຈເປົ້າຫມາຍໃດຫນຶ່ງ, ວາງແຜນຂັ້ນຕອນຕ່າງໆເພື່ອບັນລຸມັນ, ປະຕິບັດຂັ້ນຕອນເຫຼົ່ານັ້ນ, ແລະເຖິງແມ່ນວ່າຈະປັບຕົວຖ້າສິ່ງຜິດພາດ. ຄິດວ່າມັນຄືກັບຜູ້ຊ່ວຍດິຈິຕອນທີ່ຕັ້ງໃຈ. ເຕັກໂນໂລຢີທີ່ຕິດພັນມັກຈະປະສົມປະສານແບບຈໍາລອງພາສາຂະຫນາດໃຫຍ່ (LLMs) ສໍາລັບຄວາມເຂົ້າໃຈແລະການສົມເຫດສົມຜົນ, ດ້ວຍສູດການວາງແຜນການວາງແຜນທີ່ທໍາລາຍວຽກງານທີ່ສັບສົນເຂົ້າໄປໃນການປະຕິບັດທີ່ຄຸ້ມຄອງໄດ້. ຕົວແທນເຫຼົ່ານີ້ສາມາດພົວພັນກັບເຄື່ອງມືຕ່າງໆ, APIs, ແລະແມ້ກະທັ້ງຕົວແບບ AI ອື່ນໆເພື່ອບັນລຸຈຸດປະສົງຂອງພວກເຂົາ, ແລະສໍາຄັນ, ພວກເຂົາສາມາດຮັກສາສະຖານະຄົງທີ່, ຊຶ່ງຫມາຍຄວາມວ່າພວກເຂົາຈື່ຈໍາການກະທໍາທີ່ຜ່ານມາແລະສືບຕໍ່ເຮັດວຽກໄປສູ່ເປົ້າຫມາຍໃນໄລຍະເວລາ. ນີ້ເຮັດໃຫ້ພວກເຂົາມີຄວາມແຕກຕ່າງກັນໂດຍພື້ນຖານຈາກ AI ທົ່ວໄປ, ເຊິ່ງປົກກະຕິແລ້ວເຮັດສໍາເລັດຄໍາຮ້ອງຂໍດຽວແລະຫຼັງຈາກນັ້ນຕັ້ງຄ່າໃຫມ່. ການຈັດໝວດໝູ່ແບບງ່າຍໆຂອງພຶດຕິກຳຕົວແທນ ພວກເຮົາສາມາດຈັດປະເພດພຶດຕິກໍາຕົວແທນເປັນສີ່ຮູບແບບທີ່ແຕກຕ່າງກັນຂອງການເປັນເອກະລາດ. ໃນຂະນະທີ່ສິ່ງເຫຼົ່ານີ້ມັກຈະເບິ່ງຄືວ່າມີຄວາມຄືບຫນ້າ, ພວກມັນເຮັດຫນ້າທີ່ເປັນຮູບແບບການດໍາເນີນງານເອກະລາດ. ຜູ້ໃຊ້ອາດຈະໄວ້ວາງໃຈຕົວແທນເພື່ອປະຕິບັດການກໍານົດເວລາອັດຕະໂນມັດ, ແຕ່ຮັກສາມັນໄວ້ໃນ "ຮູບແບບການແນະນໍາ" ສໍາລັບທຸລະກໍາທາງດ້ານການເງິນ. ພວກເຮົາໄດ້ຮັບລະດັບເຫຼົ່ານີ້ໂດຍການປັບມາດຕະຖານອຸດສາຫະກໍາສໍາລັບຍານພາຫະນະອັດຕະໂນມັດ (ລະດັບ SAE) ກັບສະພາບການປະສົບການຂອງຜູ້ໃຊ້ດິຈິຕອນ. ສັງເກດ ແລະ ແນະນຳ ຕົວແທນເຮັດຫນ້າທີ່ເປັນຈໍພາບ. ມັນວິເຄາະການຖ່າຍທອດຂໍ້ມູນ ແລະລາຍງານຄວາມຜິດປົກກະຕິ ຫຼືໂອກາດ, ແຕ່ບໍ່ດຳເນີນການ. ຄວາມແຕກຕ່າງບໍ່ຄືກັບລະດັບຕໍ່ໄປ, ຕົວແທນບໍ່ໄດ້ສ້າງແຜນການທີ່ສັບສົນ. ມັນຊີ້ໃຫ້ເຫັນບັນຫາ. ຕົວແທນ ExampleA DevOps ສັງເກດເຫັນ CPU ຂອງເຊີບເວີເພີ່ມຂຶ້ນ ແລະແຈ້ງເຕືອນວິສະວະກອນທີ່ໂທມາ. ມັນບໍ່ຮູ້ວິທີ ຫຼືພະຍາຍາມແກ້ໄຂມັນ, ແຕ່ມັນຮູ້ວ່າມີບາງຢ່າງຜິດພາດ. ຜົນສະທ້ອນສໍາລັບການອອກແບບແລະການກວດສອບໃນລະດັບນີ້,ການອອກແບບແລະການກວດກາຄວນຈັດລໍາດັບຄວາມສໍາຄັນຂອງການແຈ້ງເຕືອນທີ່ຊັດເຈນ, ບໍ່ລົບກວນແລະຂະບວນການທີ່ກໍານົດໄວ້ດີສໍາລັບຜູ້ໃຊ້ເພື່ອປະຕິບັດຄໍາແນະນໍາ. ຈຸດສຸມແມ່ນກ່ຽວກັບການສ້າງຄວາມເຂັ້ມແຂງໃຫ້ຜູ້ໃຊ້ທີ່ມີຂໍ້ມູນທີ່ກ່ຽວຂ້ອງແລະທັນເວລາໂດຍບໍ່ມີການຄວບຄຸມ. ຜູ້ປະຕິບັດ UX ຄວນສຸມໃສ່ການເຮັດໃຫ້ຄໍາແນະນໍາທີ່ຊັດເຈນແລະເຂົ້າໃຈງ່າຍ, ໃນຂະນະທີ່ຜູ້ຈັດການຜະລິດຕະພັນຕ້ອງຮັບປະກັນວ່າລະບົບສະຫນອງມູນຄ່າໂດຍບໍ່ມີການ overwhelming ຜູ້ໃຊ້. ວາງແຜນ ແລະ ສະເໜີ ຕົວແທນກໍານົດເປົ້າຫມາຍແລະສ້າງຍຸດທະສາດຫຼາຍຂັ້ນຕອນເພື່ອບັນລຸມັນ. ມັນນໍາສະເຫນີແຜນການຢ່າງເຕັມທີ່ສໍາລັບການທົບທວນຄືນຂອງມະນຸດ. ຄວາມແຕກຕ່າງຕົວແທນເຮັດຫນ້າທີ່ເປັນນັກຍຸດທະສາດ. ມັນບໍ່ໄດ້ປະຕິບັດ; ມັນລໍຖ້າການອະນຸມັດກ່ຽວກັບວິທີການທັງຫມົດ. ຕົວຢ່າງຕົວແທນ DevOps ດຽວກັນສັງເກດເຫັນການເພີ່ມຂື້ນຂອງ CPU, ວິເຄາະບັນທຶກ, ແລະສະເຫນີແຜນການແກ້ໄຂ:
ໝຸນຂຶ້ນສອງຕົວຢ່າງເພີ່ມເຕີມ. ຣີສະຕາດຕົວດຸ່ນດ່ຽງການໂຫຼດ. ເກັບບັນທຶກເກົ່າ.
ມະນຸດທົບທວນເຫດຜົນແລະກົດ "ອະນຸມັດແຜນການ". ຜົນສະທ້ອນສໍາລັບການອອກແບບແລະການຄວບຄຸມສໍາລັບຕົວແທນທີ່ວາງແຜນແລະສະເຫນີ, ການອອກແບບຕ້ອງຮັບປະກັນວ່າແຜນການທີ່ສະເຫນີແມ່ນເຂົ້າໃຈໄດ້ງ່າຍແລະຜູ້ໃຊ້ມີວິທີການດັດແປງຫຼືປະຕິເສດພວກມັນ. ການກວດກາແມ່ນມີຄວາມສຳຄັນໃນການຕິດຕາມຄຸນນະພາບຂອງຂໍ້ສະເໜີ ແລະເຫດຜົນການວາງແຜນຂອງຕົວແທນ. ຜູ້ປະຕິບັດ UX ຄວນອອກແບບການເບິ່ງເຫັນທີ່ຊັດເຈນຂອງແຜນການທີ່ສະເຫນີ, ແລະຜູ້ຈັດການຜະລິດຕະພັນຕ້ອງສ້າງການທົບທວນທີ່ຊັດເຈນແລະຂັ້ນຕອນການອະນຸມັດ. ກົດຫມາຍວ່າດ້ວຍການຢືນຢັນ ຕົວແທນເຮັດສໍາເລັດວຽກງານການກະກຽມທັງຫມົດແລະວາງການປະຕິບັດສຸດທ້າຍຢູ່ໃນສະຖານະຂັ້ນຕອນ. ມັນເປີດປະຕູຢ່າງມີປະສິດທິພາບ, ລໍຖ້າການ nod. ຄວາມແຕກຕ່າງນີ້ແຕກຕ່າງຈາກ "ແຜນການແລະການສະເຫນີ" ເພາະວ່າວຽກງານໄດ້ຖືກເຮັດແລ້ວແລະຂັ້ນຕອນ. ມັນຫຼຸດຜ່ອນ friction. ຜູ້ໃຊ້ຢືນຢັນຜົນໄດ້ຮັບ, ບໍ່ແມ່ນຍຸດທະສາດ. ExampleA ຕົວແທນການຈ້າງງານຮ່າງຄໍາເຊີນສໍາພາດຫ້າ, ຊອກຫາເວລາເປີດຢູ່ໃນປະຕິທິນ, ແລະສ້າງກິດຈະກໍາປະຕິທິນ. ມັນນໍາສະເຫນີປຸ່ມ "ສົ່ງທັງຫມົດ". ຜູ້ໃຊ້ສະຫນອງການອະນຸຍາດສຸດທ້າຍເພື່ອກະຕຸ້ນການດໍາເນີນການພາຍນອກ. ຜົນກະທົບສໍາລັບການອອກແບບແລະການກວດສອບເມື່ອຕົວແທນປະຕິບັດການຢືນຢັນ, ການອອກແບບຄວນໃຫ້ຂໍ້ສະຫຼຸບທີ່ໂປ່ງໃສແລະຫຍໍ້ຂອງການປະຕິບັດທີ່ມີຈຸດປະສົງ, ອະທິບາຍຢ່າງຊັດເຈນເຖິງຜົນສະທ້ອນທີ່ອາດເກີດຂື້ນ. ການກວດກາຕ້ອງການກວດສອບວ່າຂະບວນການຢືນຢັນແມ່ນເຂັ້ມແຂງແລະຜູ້ໃຊ້ບໍ່ໄດ້ຖືກຮ້ອງຂໍໃຫ້ອະນຸມັດການປະຕິບັດໂດຍຕາບອດ. ຜູ້ປະຕິບັດ UX ຄວນອອກແບບການກະຕຸ້ນເຕືອນທີ່ຊັດເຈນແລະໃຫ້ຂໍ້ມູນທີ່ຈໍາເປັນທັງຫມົດ, ແລະຜູ້ຈັດການຜະລິດຕະພັນຄວນຈັດລໍາດັບຄວາມສໍາຄັນຂອງເສັ້ນທາງການກວດສອບທີ່ເຂັ້ມແຂງສໍາລັບການປະຕິບັດທີ່ໄດ້ຮັບການຢືນຢັນທັງຫມົດ. ປະຕິບັດ - ອັດຕະໂນມັດ ຕົວແທນປະຕິບັດວຽກງານເປັນເອກະລາດພາຍໃນຂອບເຂດທີ່ກໍານົດໄວ້. ຄວາມແຕກຕ່າງຜູ້ໃຊ້ທົບທວນປະຫວັດຂອງການກະທໍາ, ບໍ່ແມ່ນການກະທໍາຂອງຕົນເອງ. ຕົວແທນການຮັບສະຫມັກເຫັນຄວາມຂັດແຍ່ງ, ຍ້າຍການສໍາພາດໄປຊ່ອງສໍາຮອງຂໍ້ມູນ, ການປັບປຸງຜູ້ສະຫມັກ, ແລະແຈ້ງໃຫ້ຜູ້ຈັດການການຈ້າງ. ມະນຸດພຽງແຕ່ເຫັນການແຈ້ງເຕືອນ: ການສໍາພາດໄດ້ກໍານົດຄືນເປັນວັນອັງຄານ. ຜົນສະທ້ອນສໍາລັບການອອກແບບແລະການຄວບຄຸມສໍາລັບຕົວແທນເອກະລາດ, ການອອກແບບຈໍາເປັນຕ້ອງສ້າງຂອບເຂດທີ່ຊັດເຈນກ່ອນການອະນຸມັດແລະສະຫນອງເຄື່ອງມືຕິດຕາມກວດກາທີ່ເຂັ້ມແຂງ. ການກວດກາຮຽກຮ້ອງໃຫ້ມີການປະເມີນຜົນຢ່າງຕໍ່ເນື່ອງຂອງການປະຕິບັດຂອງຕົວແທນພາຍໃນຂອບເຂດເຫຼົ່ານີ້, ຄວາມຕ້ອງການທີ່ສໍາຄັນສໍາລັບການເຂົ້າສູ່ລະບົບທີ່ເຂັ້ມແຂງ, ກົນໄກການລົບລ້າງທີ່ຊັດເຈນ, ແລະປຸ່ມ kill ທີ່ກໍານົດໂດຍຜູ້ໃຊ້ເພື່ອຮັກສາການຄວບຄຸມແລະຄວາມໄວ້ວາງໃຈຂອງຜູ້ໃຊ້. ຜູ້ປະຕິບັດ UX ຄວນສຸມໃສ່ການອອກແບບ dashboards ທີ່ມີປະສິດທິພາບສໍາລັບການຕິດຕາມພຶດຕິກໍາຂອງຕົວແທນທີ່ເປັນເອກະລາດ, ແລະຜູ້ຈັດການຜະລິດຕະພັນຕ້ອງຮັບປະກັນການປົກຄອງທີ່ຊັດເຈນແລະຄໍາແນະນໍາດ້ານຈັນຍາບັນ.
ໃຫ້ເບິ່ງຄໍາຮ້ອງສະຫມັກໃນໂລກທີ່ແທ້ຈິງໃນເຕັກໂນໂລຢີ HR ເພື່ອເບິ່ງຮູບແບບເຫຼົ່ານີ້ຢູ່ໃນການປະຕິບັດ. ພິຈາລະນາ "ຕົວແທນການປະສານງານການສໍາພາດ" ທີ່ຖືກອອກແບບເພື່ອຈັດການກັບການຂົນສົ່ງຂອງການຈ້າງ.
ໃນຮູບແບບການແນະນໍາຕົວແທນໄດ້ສັງເກດເຫັນຜູ້ສໍາພາດໄດ້ຖືກຈອງສອງຄັ້ງ. ມັນຊີ້ໃຫ້ເຫັນຄວາມຂັດແຍ້ງຢູ່ໃນ dashboard ຂອງຜູ້ຮັບສະຫມັກ: "ຄໍາເຕືອນ: Sarah ຖືກຈອງສອງຄັ້ງສໍາລັບການສໍາພາດ 2 PM." ໃນໂໝດແຜນຕົວແທນຈະວິເຄາະປະຕິທິນຂອງ Sarah ແລະຄວາມພ້ອມຂອງຜູ້ສະໝັກ. ມັນສະເຫນີການແກ້ໄຂ: "ຂ້ອຍແນະນໍາໃຫ້ຍ້າຍການສໍາພາດໄປວັນພະຫັດເວລາ 10 ໂມງເຊົ້າ. ນີ້ຮຽກຮ້ອງໃຫ້ມີການເຄື່ອນຍ້າຍຂອງ Sarah 1: 1 ກັບຜູ້ຈັດການຂອງນາງ." ພະນັກງານທົບທວນເຫດຜົນນີ້. ໃນໂຫມດການຢືນຢັນຕົວແທນຈະຮ່າງອີເມວໄປຫາຜູ້ສະຫມັກແລະຜູ້ຈັດການ. ມັນຕື່ມຂໍ້ມູນການເຊີນປະຕິທິນ. ຜູ້ຮັບສະໝັກເຫັນບົດສະຫຼຸບ: "ພ້ອມກຳນົດເວລາເປັນວັນພະຫັດ. ສົ່ງອັບເດດບໍ?" ຜູ້ຮັບສະໝັກເລືອກ "ຢືນຢັນ." ໃນຮູບແບບ Autonomous ຕົວແທນຈັດການກັບຂໍ້ຂັດແຍ່ງທັນທີ. ມັນເຄົາລົບກົດລະບຽບທີ່ຕັ້ງໄວ້ກ່ອນ: "ຈັດລໍາດັບຄວາມສໍາຄັນຂອງການສໍາພາດຜູ້ສະຫມັກຕະຫຼອດ 1: 1s ພາຍໃນ." ມັນຍ້າຍກອງປະຊຸມແລະສົ່ງການແຈ້ງເຕືອນ. ຜູ້ຮັບສະໝັກເຫັນບັນທຶກການເຂົ້າ: “ແກ້ໄຂແລ້ວການຂັດແຍ້ງກ່ຽວກັບຕາຕະລາງສໍາລັບຜູ້ສະຫມັກ B."
ການຄົ້ນຄວ້າ Primer: ສິ່ງທີ່ຄວນຄົ້ນຄ້ວາແລະວິທີການ ການພັດທະນາ AI ຕົວແທນທີ່ມີປະສິດທິພາບຮຽກຮ້ອງໃຫ້ມີວິທີການຄົ້ນຄ້ວາທີ່ແຕກຕ່າງກັນເມື່ອທຽບກັບຊອບແວພື້ນເມືອງຫຼືແມ້ກະທັ້ງການຜະລິດ AI. ລັກສະນະທີ່ເປັນເອກະລາດຂອງຕົວແທນ AI, ຄວາມສາມາດໃນການຕັດສິນໃຈຂອງເຂົາເຈົ້າ, ແລະທ່າແຮງສໍາລັບການປະຕິບັດຢ່າງຫ້າວຫັນ, ຈໍາເປັນຕ້ອງມີວິທີການພິເສດສໍາລັບການເຂົ້າໃຈຄວາມຄາດຫວັງຂອງຜູ້ໃຊ້, ການສ້າງແຜນທີ່ພຶດຕິກໍາຕົວແທນທີ່ສັບສົນ, ແລະຄາດຄະເນຄວາມລົ້ມເຫຼວທີ່ອາດຈະເກີດຂຶ້ນ. primer ການຄົ້ນຄວ້າຕໍ່ໄປນີ້ອະທິບາຍວິທີການທີ່ສໍາຄັນໃນການວັດແທກແລະປະເມີນລັກສະນະທີ່ເປັນເອກະລັກເຫຼົ່ານີ້ຂອງ AI ຕົວແທນ. ການສໍາພາດ Mental-Model ການສໍາພາດເຫຼົ່ານີ້ເປີດເຜີຍແນວຄວາມຄິດທີ່ຄາດໄວ້ລ່ວງໜ້າຂອງຜູ້ໃຊ້ກ່ຽວກັບວິທີທີ່ຕົວແທນ AI ຄວນປະພຶດ. ແທນທີ່ຈະພຽງແຕ່ຖາມວ່າຜູ້ໃຊ້ຕ້ອງການຫຍັງ, ຈຸດສຸມແມ່ນການເຂົ້າໃຈຕົວແບບພາຍໃນຂອງພວກເຂົາກ່ຽວກັບຄວາມສາມາດແລະຂໍ້ຈໍາກັດຂອງຕົວແທນ. ພວກເຮົາຄວນຫຼີກເວັ້ນການໃຊ້ຄໍາວ່າ "ຕົວແທນ" ກັບຜູ້ເຂົ້າຮ່ວມ. ມັນບັນຈຸກະເປົາ sci-fi ຫຼືເປັນຄໍາສັບທີ່ສັບສົນເກີນໄປກັບຕົວແທນຂອງມະນຸດທີ່ສະເຫນີການສະຫນັບສະຫນູນຫຼືການບໍລິການ. ແທນທີ່ຈະ, ຕັ້ງການສົນທະນາກ່ຽວກັບ "ຜູ້ຊ່ວຍ" ຫຼື "ລະບົບ." ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ເປີດເຜີຍບ່ອນທີ່ຜູ້ໃຊ້ແຕ້ມເສັ້ນລະຫວ່າງອັດຕະໂນມັດທີ່ເປັນປະໂຫຍດແລະການຄວບຄຸມ intrusive.
ວິທີການ: ຂໍໃຫ້ຜູ້ໃຊ້ອະທິບາຍ, ແຕ້ມ, ຫຼືບັນຍາຍການໂຕ້ຕອບທີ່ຄາດວ່າຈະຂອງເຂົາເຈົ້າກັບຕົວແທນໃນສະຖານະການສົມມຸດຕິຖານຕ່າງໆ. Key Probes (ສະທ້ອນໃຫ້ເຫັນຄວາມຫລາກຫລາຍຂອງອຸດສາຫະກໍາ): ເພື່ອເຂົ້າໃຈຂອບເຂດຂອງລະບົບອັດຕະໂນມັດທີ່ຕ້ອງການ ແລະຄວາມກັງວົນທີ່ອາດເກີດຂຶ້ນກ່ຽວກັບການອັດຕະໂນມັດເກີນ, ຖາມ: ຖ້າຖ້ຽວບິນຂອງທ່ານຖືກຍົກເລີກ, ທ່ານຕ້ອງການໃຫ້ລະບົບເຮັດວຽກອັດຕະໂນມັດແນວໃດ? ເຈົ້າຈະກັງວົນຫຍັງຖ້າມັນເຮັດແບບນັ້ນໂດຍບໍ່ມີການສັ່ງສອນຂອງເຈົ້າຢ່າງຈະແຈ້ງ?
ເພື່ອຄົ້ນຫາຄວາມເຂົ້າໃຈຂອງຜູ້ໃຊ້ກ່ຽວກັບຂະບວນການພາຍໃນຂອງຕົວແທນແລະການສື່ສານທີ່ຈໍາເປັນ, ໃຫ້ຖາມ: ຈິນຕະນາການວ່າຜູ້ຊ່ວຍດິຈິຕອນກໍາລັງຈັດການເຮືອນອັດສະລິຍະຂອງເຈົ້າ. ຖ້າມີການຈັດສົ່ງຊຸດ, ເຈົ້າຈິນຕະນາການຂັ້ນຕອນໃດແດ່, ແລະເຈົ້າຄາດວ່າຈະໄດ້ຮັບຂໍ້ມູນອັນໃດ?
ເພື່ອເປີດເຜີຍຄວາມຄາດຫວັງກ່ຽວກັບການຄວບຄຸມ ແລະ ການຍິນຍອມພາຍໃນຂະບວນການຫຼາຍຂັ້ນຕອນ, ໃຫ້ຖາມ: ຖ້າທ່ານຂໍໃຫ້ຜູ້ຊ່ວຍດິຈິຕອນຂອງທ່ານຈັດຕາຕະລາງການປະຊຸມ, ທ່ານຄິດວ່າມັນດໍາເນີນຂັ້ນຕອນໃດ? ທ່ານຕ້ອງການໃຫ້ຄຳປຶກສາ ຫຼືເລືອກຈຸດໃດແດ່?
ຜົນປະໂຫຍດຂອງວິທີການ: ເປີດເຜີຍການສົມມຸດຕິຖານ implicit, ເນັ້ນໃສ່ພື້ນທີ່ທີ່ພຶດຕິກໍາການວາງແຜນຂອງຕົວແທນອາດຈະແຕກຕ່າງຈາກຄວາມຄາດຫວັງຂອງຜູ້ໃຊ້, ແລະແຈ້ງການອອກແບບຂອງກົນໄກການຄວບຄຸມທີ່ເຫມາະສົມແລະຄໍາຄຶດຄໍາເຫັນ.
ແຜນທີ່ການເດີນທາງຂອງຕົວແທນ: ຄ້າຍຄືກັນກັບແຜນທີ່ການເດີນທາງຂອງຜູ້ໃຊ້ແບບດັ້ງເດີມ, ແຜນທີ່ການເດີນທາງຂອງຕົວແທນແມ່ນເນັ້ນໃສ່ການກະທຳທີ່ຄາດໄວ້ ແລະຈຸດຕັດສິນໃຈຂອງຕົວແທນ AI ເອງ, ຄຽງຄູ່ກັບການໂຕ້ຕອບຂອງຜູ້ໃຊ້. ນີ້ຊ່ວຍໃນການກໍານົດຢ່າງຕັ້ງຫນ້າ pitfalls ທີ່ເປັນໄປໄດ້.
ວິທີການ: ສ້າງແຜນທີ່ສາຍຕາທີ່ອະທິບາຍຂັ້ນຕອນຕ່າງໆຂອງການດໍາເນີນງານຂອງຕົວແທນ, ຕັ້ງແຕ່ເລີ່ມຕົ້ນຈົນເຖິງການສໍາເລັດ, ລວມທັງການປະຕິບັດທີ່ເປັນໄປໄດ້ທັງຫມົດ, ການຕັດສິນໃຈແລະການພົວພັນກັບລະບົບພາຍນອກຫຼືຜູ້ໃຊ້. ອົງປະກອບຫຼັກໃນແຜນທີ່: ການກະທໍາຂອງຕົວແທນ: ວຽກງານ ຫຼືການຕັດສິນໃຈສະເພາະໃດແດ່ທີ່ຕົວແທນປະຕິບັດ? ຂໍ້ມູນຂາເຂົ້າ/ຜົນໄດ້ຮັບ: ຕົວແທນຕ້ອງການຂໍ້ມູນອັນໃດ ແລະຂໍ້ມູນອັນໃດທີ່ມັນສ້າງ ຫຼືສື່ສານ? ຈຸດຕັດສິນໃຈ: ຕົວແທນເລືອກບ່ອນໃດ, ແລະເງື່ອນໄຂຂອງການເລືອກເຫຼົ່ານັ້ນແມ່ນຫຍັງ? ຈຸດການໂຕ້ຕອບຂອງຜູ້ໃຊ້: ຜູ້ໃຊ້ສະຫນອງການປ້ອນຂໍ້ມູນ, ທົບທວນ, ຫຼືອະນຸມັດການດໍາເນີນການຢູ່ໃສ? ຈຸດຂອງຄວາມລົ້ມເຫລວ: ສໍາຄັນ, ກໍານົດຕົວຢ່າງສະເພາະທີ່ຕົວແທນສາມາດຕີຄວາມຫມາຍຄໍາແນະນໍາຜິດ, ການຕັດສິນໃຈທີ່ບໍ່ຖືກຕ້ອງ, ຫຼືພົວພັນກັບຫນ່ວຍງານທີ່ບໍ່ຖືກຕ້ອງ. ຕົວຢ່າງ: ຜູ້ຮັບບໍ່ຖືກຕ້ອງ (ເຊັ່ນ: ການສົ່ງຂໍ້ມູນທີ່ລະອຽດອ່ອນໄປໃຫ້ຄົນຜິດ), ເງິນເກີນ (ເຊັ່ນ: ການຈ່າຍເງິນອັດຕະໂນມັດເກີນທຶນທີ່ມີຢູ່), ການຕີຄວາມຕັ້ງໃຈຜິດ (ເຊັ່ນ: ການຈອງປີ້ຍົນສໍາລັບວັນທີທີ່ຜິດພາດເນື່ອງຈາກພາສາທີ່ບໍ່ຊັດເຈນ).
ເສັ້ນທາງການຟື້ນຕົວ: ຕົວແທນຫຼືຜູ້ໃຊ້ສາມາດຟື້ນຕົວຈາກຄວາມລົ້ມເຫລວເຫຼົ່ານີ້ໄດ້ແນວໃດ? ມີກົນໄກໃດແດ່ໃນການແກ້ໄຂ ຫຼືການແຊກແຊງ?
ຜົນປະໂຫຍດຂອງວິທີການ: ສະຫນອງທັດສະນະລວມຂອງກະແສການດໍາເນີນງານຂອງຕົວແທນ, ເປີດເຜີຍຄວາມເພິ່ງພາອາໄສທີ່ເຊື່ອງໄວ້, ແລະອະນຸຍາດໃຫ້ອອກແບບຢ່າງຫ້າວຫັນຂອງການປົກປ້ອງ, ການຈັດການຄວາມຜິດພາດ, ແລະຈຸດແຊກແຊງຂອງຜູ້ໃຊ້ເພື່ອປ້ອງກັນຫຼືຫຼຸດຜ່ອນຜົນໄດ້ຮັບທາງລົບ.
ການທົດສອບຄວາມຜິດພາດຈໍາລອງ: ວິທີການນີ້ຖືກອອກແບບມາເພື່ອທົດສອບຄວາມຄຽດຂອງລະບົບແລະສັງເກດເຫັນປະຕິກິລິຍາຂອງຜູ້ໃຊ້ໃນເວລາທີ່ຕົວແທນ AI ລົ້ມເຫລວຫຼື deviates ຈາກຄວາມຄາດຫວັງ. ມັນແມ່ນກ່ຽວກັບການເຂົ້າໃຈການສ້ອມແປງຄວາມໄວ້ວາງໃຈແລະການຕອບສະຫນອງທາງດ້ານຈິດໃຈໃນສະຖານະການທີ່ບໍ່ດີ.
ວິທີການ: ໃນການສຶກສາຫ້ອງທົດລອງຄວບຄຸມ, ເຈດຕະນາແນະນໍາສະຖານະການທີ່ຕົວແທນເຮັດຜິດພາດ, ແປຄໍາສັ່ງຜິດ, ຫຼືປະຕິບັດຕົວບໍ່ຄາດຄິດ. ປະເພດຂອງ "ພຶດຕິກໍາທີ່ບໍ່ດີ" ເພື່ອຈໍາລອງ: ຄໍາສັ່ງການຕີຄວາມຜິດ: ຕົວແທນປະຕິບັດການກະທໍາທີ່ແຕກຕ່າງຈາກສິ່ງທີ່ຜູ້ໃຊ້ຕັ້ງໃຈ (ເຊັ່ນ: ສັ່ງສອງລາຍການແທນຫນຶ່ງ). ຂໍ້ມູນຫຼາຍເກີນໄປ / Underload: ຕົວແທນໃຫ້ຂໍ້ມູນທີ່ບໍ່ກ່ຽວຂ້ອງຫຼາຍເກີນໄປຫຼືບໍ່ມີລາຍລະອຽດທີ່ສໍາຄັນພຽງພໍ. ການກະທໍາທີ່ບໍ່ໄດ້ຮັບການຮ້ອງຂໍ: ຕົວແທນຈະດໍາເນີນການທີ່ຜູ້ໃຊ້ບໍ່ຕ້ອງການຫຼືຄາດຫວັງຢ່າງຊັດເຈນ (ເຊັ່ນ: ການຊື້ຫຼັກຊັບໂດຍບໍ່ມີການອະນຸມັດ). ຄວາມລົ້ມເຫຼວຂອງລະບົບ: ຕົວແທນຂັດຂ້ອງ, ບໍ່ຕອບສະໜອງ, ຫຼືໃຫ້ຂໍ້ຄວາມສະແດງຂໍ້ຜິດພາດ. ຄວາມຫຍຸ້ງຍາກດ້ານຈັນຍາບັນ: ຕົວແທນເຮັດການຕັດສິນໃຈໂດຍມີຜົນກະທົບດ້ານຈັນຍາບັນ (ເຊັ່ນ: ການຈັດລໍາດັບຄວາມສໍາຄັນຂອງວຽກງານຫນຶ່ງຫຼາຍກວ່າອີກອັນຫນຶ່ງໂດຍອີງໃສ່ຕົວຊີ້ວັດທີ່ບໍ່ໄດ້ຄາດຄິດ).
ຈຸດສຸມການສັງເກດ: ປະຕິກິລິຍາຂອງຜູ້ໃຊ້: ຜູ້ໃຊ້ມີປະຕິກິລິຍາທາງອາລົມແນວໃດ (ຄວາມອຸກອັ່ງ, ຄວາມໂກດແຄ້ນ, ຄວາມສັບສົນ, ການສູນເສຍຄວາມໄວ້ວາງໃຈ)? ຄວາມພະຍາຍາມໃນການຟື້ນຟູ: ຜູ້ໃຊ້ປະຕິບັດຂັ້ນຕອນໃດແດ່ເພື່ອແກ້ໄຂພຶດຕິກໍາຂອງຕົວແທນ ຫຼືຍົກເລີກການກະທຳຂອງມັນ? ກົນໄກການສ້ອມແປງຄວາມໄວ້ວາງໃຈ: ກົນໄກການຟື້ນຕົວ ຫຼືການຕອບໂຕ້ໃນຕົວຂອງລະບົບຊ່ວຍຟື້ນຟູຄວາມໄວ້ວາງໃຈບໍ? ຜູ້ໃຊ້ຕ້ອງການທີ່ຈະໄດ້ຮັບການແຈ້ງໃຫ້ຊາບກ່ຽວກັບຄວາມຜິດພາດແນວໃດ? Mental Model Shift: ການປະພຶດທີ່ບໍ່ຖືກຕ້ອງປ່ຽນແປງຄວາມເຂົ້າໃຈຂອງຜູ້ໃຊ້ກ່ຽວກັບຄວາມສາມາດຫຼືຂໍ້ຈໍາກັດຂອງຕົວແທນບໍ?
ຜົນປະໂຫຍດຂອງວິທີການ: ສໍາຄັນສໍາລັບການກໍານົດຊ່ອງຫວ່າງການອອກແບບທີ່ກ່ຽວຂ້ອງກັບການຟື້ນຕົວຄວາມຜິດພາດ, ຄໍາຄຶດຄໍາເຫັນ, ແລະການຄວບຄຸມຜູ້ໃຊ້. ມັນສະຫນອງຄວາມເຂົ້າໃຈກ່ຽວກັບວິທີການທີ່ຜູ້ໃຊ້ທົນທານຕໍ່ກັບຄວາມລົ້ມເຫຼວຂອງຕົວແທນແລະສິ່ງທີ່ຈໍາເປັນເພື່ອຮັກສາຫຼືສ້າງຄວາມໄວ້ວາງໃຈໃຫມ່, ນໍາໄປສູ່ລະບົບຕົວແທນທີ່ເຂັ້ມແຂງແລະໃຫ້ອະໄພ.
ໂດຍການລວມເອົາວິທີການຄົ້ນຄ້ວາເຫຼົ່ານີ້, ຜູ້ປະຕິບັດ UX ສາມາດຍ້າຍອອກໄປນອກເຫນືອການເຮັດໃຫ້ລະບົບຕົວແທນສາມາດນໍາໃຊ້ໄດ້ເພື່ອເຮັດໃຫ້ພວກເຂົາເຊື່ອຖືໄດ້, ຄວບຄຸມ, ແລະຮັບຜິດຊອບ, ສົ່ງເສີມຄວາມສໍາພັນທາງບວກແລະຜະລິດຕະພັນລະຫວ່າງຜູ້ໃຊ້ແລະຕົວແທນ AI ຂອງພວກເຂົາ. ໃຫ້ສັງເກດວ່ານີ້ບໍ່ແມ່ນວິທີດຽວທີ່ກ່ຽວຂ້ອງກັບການຂຸດຄົ້ນ AI ຕົວແທນຢ່າງມີປະສິດທິພາບ. ມີວິທີການອື່ນໆຈໍານວນຫຼາຍ, ແຕ່ເຫຼົ່ານີ້ແມ່ນສາມາດເຂົ້າເຖິງໄດ້ຫຼາຍທີ່ສຸດກັບຜູ້ປະຕິບັດໃນໄລຍະໃກ້. ກ່ອນຫນ້ານີ້ຂ້າພະເຈົ້າໄດ້ກວມເອົາວິທີການຂອງ Wizard of Oz, ວິທີການທົດສອບແນວຄວາມຄິດທີ່ກ້າວຫນ້າເລັກນ້ອຍ, ເຊິ່ງຍັງເປັນເຄື່ອງມືທີ່ມີຄຸນຄ່າສໍາລັບການຂຸດຄົ້ນແນວຄວາມຄິດ AI ຕົວແທນ. ການພິຈາລະນາດ້ານຈັນຍາບັນໃນວິທີການຄົ້ນຄ້ວາ ເມື່ອຄົ້ນຄ້ວາ AI ຕົວແທນ, ໂດຍສະເພາະໃນເວລາທີ່ຈໍາລອງການປະພຶດທີ່ບໍ່ຖືກຕ້ອງຫຼືຄວາມຜິດພາດ, ການພິຈາລະນາດ້ານຈັນຍາບັນແມ່ນສໍາຄັນທີ່ຈະພິຈາລະນາ. ມີຫຼາຍສິ່ງພິມທີ່ສຸມໃສ່ການຄົ້ນຄວ້າ UX ດ້ານຈັນຍາບັນ, ລວມທັງບົດຄວາມທີ່ຂ້ອຍຂຽນສໍາລັບ Smashing Magazine, ຄໍາແນະນໍາເຫຼົ່ານີ້ຈາກສະຖາບັນການອອກແບບ UX, ແລະຫນ້ານີ້ຈາກ Inclusive Design Toolkit. ຕົວຊີ້ວັດຫຼັກສໍາລັບ Agent AI ທ່ານຈະຕ້ອງການທີ່ສົມບູນແບບຂອງການວັດແທກທີ່ສໍາຄັນເພື່ອປະເມີນປະສິດທິຜົນປະສິດທິພາບແລະຄວາມຫນ້າເຊື່ອຖືຂອງລະບົບ AI ຕົວແທນ. ຕົວຊີ້ວັດເຫຼົ່ານີ້ໃຫ້ຄວາມເຂົ້າໃຈກ່ຽວກັບຄວາມໄວ້ວາງໃຈຂອງຜູ້ໃຊ້, ຄວາມຖືກຕ້ອງຂອງລະບົບ, ແລະປະສົບການຂອງຜູ້ໃຊ້ໂດຍລວມ. ໂດຍການຕິດຕາມຕົວຊີ້ວັດເຫຼົ່ານີ້, ນັກພັດທະນາແລະຜູ້ອອກແບບສາມາດກໍານົດພື້ນທີ່ສໍາລັບການປັບປຸງແລະຮັບປະກັນວ່າຕົວແທນ AI ດໍາເນີນການຢ່າງປອດໄພແລະມີປະສິດທິພາບ. 1. ອັດຕາການແຊກແຊງສຳລັບຕົວແທນທີ່ເປັນເອກະລາດ, ພວກເຮົາວັດແທກຄວາມສຳເລັດໂດຍຄວາມງຽບ. ຖ້າຕົວແທນປະຕິບັດວຽກງານໃດຫນຶ່ງແລະຜູ້ໃຊ້ບໍ່ໄດ້ແຊກແຊງຫຼືປະຕິເສດການປະຕິບັດພາຍໃນປ່ອງຢ້ຽມທີ່ກໍານົດໄວ້ (ເຊັ່ນ: 24 ຊົ່ວໂມງ), ພວກເຮົານັບວ່າເປັນການຍອມຮັບ. ພວກເຮົາຕິດຕາມອັດຕາການແຊກແຊງ: ມະນຸດມັກຈະໂດດເຂົ້າໄປເພື່ອຢຸດ ຫຼືແກ້ໄຂຕົວແທນແນວໃດ? ອັດຕາການແຊກແຊງທີ່ສູງສົ່ງສັນຍານຄວາມບໍ່ສອດຄ່ອງໃນຄວາມໄວ້ວາງໃຈ ຫຼືເຫດຜົນ. 2. ຄວາມຖີ່ຂອງການກະທໍາທີ່ບໍ່ໄດ້ຕັ້ງໃຈຕໍ່ 1,000 ວຽກງານນີ້ metric ທີ່ສໍາຄັນ quantifies ຈໍານວນຂອງການດໍາເນີນການໂດຍຕົວແທນ AI ບໍ່ຕ້ອງການຫຼືຄາດຫວັງໂດຍຜູ້ໃຊ້, normalized ຕໍ່ 1,000 ວຽກສໍາເລັດ. ຄວາມຖີ່ຂອງການກະທຳທີ່ບໍ່ໄດ້ຕັ້ງໃຈຕ່ຳໝາຍເຖິງ AI ທີ່ສອດຄ່ອງກັນດີ ເຊິ່ງຕີຄວາມຕັ້ງໃຈຂອງຜູ້ໃຊ້ໄດ້ຢ່າງຖືກຕ້ອງ ແລະ ດຳເນີນການພາຍໃນຂອບເຂດທີ່ກຳນົດໄວ້. ຕົວຊີ້ວັດນີ້ແມ່ນຕິດພັນຢ່າງໃກ້ຊິດກັບຄວາມເຂົ້າໃຈຂອງ AI ກ່ຽວກັບສະພາບການ, ຄວາມສາມາດໃນການຂັດຂວາງຄໍາສັ່ງ, ແລະຄວາມຫມັ້ນຄົງຂອງໂປໂຕຄອນຄວາມປອດໄພຂອງມັນ. 3. Rollback ຫຼື Undo Rates ຕົວຊີ້ວັດນີ້ຕິດຕາມວ່າຜູ້ໃຊ້ຕ້ອງການປີ້ນຄືນ ຫຼືຍົກເລີກການກະທຳທີ່ AI ປະຕິບັດໄດ້ເລື້ອຍໆສໍ່າໃດ. ອັດຕາການລ້າສູງຊີ້ໃຫ້ເຫັນວ່າ AI ກໍາລັງເຮັດຄວາມຜິດພາດເລື້ອຍໆ, ການແປຄໍາແນະນໍາທີ່ບໍ່ຖືກຕ້ອງ, ຫຼືການປະຕິບັດໃນວິທີທີ່ບໍ່ສອດຄ່ອງກັບຄວາມຄາດຫວັງຂອງຜູ້ໃຊ້. ການວິເຄາະເຫດຜົນທີ່ຢູ່ເບື້ອງຫລັງການ rollbacks ເຫຼົ່ານີ້ສາມາດໃຫ້ຄໍາຄິດເຫັນທີ່ມີຄຸນຄ່າສໍາລັບການປັບປຸງລະບົບຂອງ AI, ຄວາມເຂົ້າໃຈກ່ຽວກັບຄວາມມັກຂອງຜູ້ໃຊ້, ແລະຄວາມສາມາດໃນການຄາດຄະເນຜົນໄດ້ຮັບທີ່ຕ້ອງການ. ເພື່ອເຂົ້າໃຈວ່າເປັນຫຍັງ, ທ່ານຕ້ອງປະຕິບັດ microsurvey ກ່ຽວກັບການປະຕິບັດການຍົກເລີກ. ຕົວຢ່າງ, ເມື່ອຜູ້ໃຊ້ປະຕິເສດການປ່ຽນແປງການກໍານົດເວລາ, ການເຕືອນແບບງ່າຍໆສາມາດຖາມວ່າ: "ຜິດເວລາ? ຄົນຜິດ? ຫຼືເຈົ້າພຽງແຕ່ຕ້ອງການເຮັດມັນເອງ?" ອະນຸຍາດໃຫ້ຜູ້ໃຊ້ຄລິກໃສ່ທາງເລືອກທີ່ເຫມາະສົມທີ່ສຸດກັບເຫດຜົນຂອງເຂົາເຈົ້າ. 4. ເວລາທີ່ຈະແກ້ໄຂຫຼັງຈາກ Error This metricວັດແທກໄລຍະເວລາທີ່ຜູ້ໃຊ້ຕ້ອງການແກ້ໄຂຂໍ້ຜິດພາດທີ່ເຮັດໂດຍ AI ຫຼືລະບົບ AI ຕົວຂອງມັນເອງທີ່ຈະຟື້ນຕົວຈາກສະຖານະການທີ່ຜິດພາດ. ໄລຍະເວລາສັ້ນໆໃນການແກ້ໄຂຊີ້ໃຫ້ເຫັນເຖິງຂະບວນການຟື້ນຕົວຄວາມຜິດພາດທີ່ມີປະສິດທິພາບແລະເປັນມິດກັບຜູ້ໃຊ້, ເຊິ່ງສາມາດຫຼຸດຜ່ອນຄວາມອຸກອັ່ງຂອງຜູ້ໃຊ້ແລະຮັກສາຜົນຜະລິດ. ນີ້ປະກອບມີຄວາມງ່າຍຂອງການກໍານົດຄວາມຜິດພາດ, ການເຂົ້າຫາກົນໄກການຍົກເລີກຫຼືການແກ້ໄຂ, ແລະຄວາມຊັດເຈນຂອງຂໍ້ຄວາມຄວາມຜິດພາດທີ່ສະຫນອງໂດຍ AI.
ການລວບລວມຕົວຊີ້ບອກເຫຼົ່ານີ້ຮຽກຮ້ອງໃຫ້ມີເຄື່ອງມືຂອງລະບົບຂອງທ່ານເພື່ອຕິດຕາມ ID ການປະຕິບັດຕົວແທນ. ທຸກໆການກະທຳທີ່ແຕກຕ່າງທີ່ຕົວແທນເຮັດ, ເຊັ່ນ: ການສະເໜີກຳນົດເວລາ ຫຼື ການຈອງຖ້ຽວບິນ, ຈະຕ້ອງສ້າງ ID ທີ່ບໍ່ຊໍ້າກັນທີ່ຍັງຄົງຢູ່ໃນບັນທຶກ. ເພື່ອວັດແທກອັດຕາການແຊກແຊງ, ພວກເຮົາບໍ່ໄດ້ຊອກຫາປະຕິກິລິຍາຂອງຜູ້ໃຊ້ທັນທີ. ພວກເຮົາຊອກຫາການບໍ່ມີປະຕິກິລິຍາໂຕ້ຕອບພາຍໃນປ່ອງຢ້ຽມທີ່ກຳນົດໄວ້. ຖ້າ Action ID ຖືກສ້າງຂຶ້ນໃນເວລາ 9:00 AM ແລະບໍ່ມີຜູ້ໃຊ້ໃດໆແກ້ໄຂຫຼືກັບຄືນ ID ສະເພາະນັ້ນພາຍໃນ 9:00 AM ໃນມື້ຕໍ່ມາ, ລະບົບຈະແທັກມັນຢ່າງສົມເຫດສົມຜົນວ່າຍອມຮັບ. ນີ້ອະນຸຍາດໃຫ້ພວກເຮົາປະເມີນຜົນສໍາເລັດໂດຍອີງໃສ່ຄວາມງຽບຂອງຜູ້ໃຊ້ແທນທີ່ຈະເປັນການຢືນຢັນຢ່າງຫ້າວຫັນ. ສໍາລັບອັດຕາ Rollback, ຈໍານວນດິບແມ່ນບໍ່ພຽງພໍເພາະວ່າພວກເຂົາຂາດບໍລິບົດ. ເພື່ອເກັບກໍາເຫດຜົນພື້ນຖານ, ທ່ານຕ້ອງປະຕິບັດເຫດຜົນຂັດຂວາງໃນຫນ້າທີ່ຍົກເລີກຫຼືກັບຄືນຂອງແອັບພລິເຄຊັນຂອງທ່ານ. ເມື່ອຜູ້ໃຊ້ປະຕິເສດການກະທຳທີ່ລິເລີ່ມໂດຍຕົວແທນ, ກະຕຸ້ນການສຳຫຼວດຂະໜາດນ້ອຍ. ນີ້ສາມາດເປັນໂມດູນສາມທາງເລືອກທີ່ງ່າຍດາຍທີ່ຂໍໃຫ້ຜູ້ໃຊ້ຈັດປະເພດຄວາມຜິດພາດເປັນຄວາມຈິງທີ່ບໍ່ຖືກຕ້ອງ, ຂາດສະພາບການ, ຫຼືຄວາມຕ້ອງການງ່າຍດາຍທີ່ຈະຈັດການກັບວຽກງານດ້ວຍຕົນເອງ. ນີ້ສົມທົບການ telemetry ປະລິມານທີ່ມີຄວາມເຂົ້າໃຈດ້ານຄຸນນະພາບ. ມັນຊ່ວຍໃຫ້ທີມງານວິສະວະກອນສາມາດຈໍາແນກລະຫວ່າງລະບົບທີ່ແຕກຫັກ ແລະຄວາມມັກຂອງຜູ້ໃຊ້ບໍ່ກົງກັນ. metrics ເຫຼົ່ານີ້, ເມື່ອຕິດຕາມຢ່າງສະຫມໍ່າສະເຫມີແລະການວິເຄາະແບບລວມສູນ, ສະຫນອງກອບທີ່ເຂັ້ມແຂງສໍາລັບການປະເມີນປະສິດທິພາບຂອງລະບົບ AI ຕົວແທນ, ອະນຸຍາດໃຫ້ມີການປັບປຸງຢ່າງຕໍ່ເນື່ອງໃນການຄວບຄຸມ, ການຍິນຍອມ, ແລະຄວາມຮັບຜິດຊອບ. ການອອກແບບຕ້ານການຫຼອກລວງ ເມື່ອຕົວແທນກາຍເປັນຄວາມສາມາດເພີ່ມຂຶ້ນ, ພວກເຮົາປະເຊີນກັບຄວາມສ່ຽງໃຫມ່: Agentic Sludge. sludge ແບບດັ້ງເດີມສ້າງ friction ທີ່ເຮັດໃຫ້ມັນຍາກທີ່ຈະຍົກເລີກການສະຫມັກຫຼືລຶບບັນຊີ. sludge ທາດແທ້ເຮັດຫນ້າທີ່ໃນທາງກັບກັນ. ມັນເອົາ friction ກັບຄວາມຜິດ, ເຮັດໃຫ້ມັນງ່າຍເກີນໄປສໍາລັບຜູ້ໃຊ້ທີ່ຈະຕົກລົງກັບການກະທໍາທີ່ໃຫ້ຜົນປະໂຫຍດທຸລະກິດແທນທີ່ຈະເປັນຜົນປະໂຫຍດຂອງຕົນເອງ. ພິຈາລະນາຕົວແທນທີ່ຊ່ວຍໃນການຈອງການເດີນທາງ. ຖ້າບໍ່ມີບ່ອນປ້ອງກັນທີ່ຊັດເຈນ, ລະບົບອາດຈະຈັດລໍາດັບຄວາມສໍາຄັນຂອງສາຍການບິນຄູ່ຮ່ວມງານຫຼືໂຮງແຮມທີ່ມີກໍາໄລສູງກວ່າ. ມັນນໍາສະເຫນີທາງເລືອກນີ້ເປັນເສັ້ນທາງທີ່ດີທີ່ສຸດ. ຜູ້ໃຊ້, ໄວ້ວາງໃຈສິດອໍານາດຂອງລະບົບ, ຍອມຮັບຄໍາແນະນໍາໂດຍບໍ່ມີການກວດສອບ. ນີ້ສ້າງຮູບແບບການຫຼອກລວງທີ່ລະບົບເພີ່ມປະສິດທິພາບສໍາລັບລາຍຮັບພາຍໃຕ້ການລໍ້ລວງຂອງຄວາມສະດວກ. ຄວາມສ່ຽງຂອງຄວາມສາມາດຈິນຕະນາການທີ່ບໍ່ຖືກຕ້ອງ ການຫຼອກລວງອາດຈະບໍ່ມາຈາກຄວາມຕັ້ງໃຈທີ່ເປັນອັນຕະລາຍ. ມັນມັກຈະສະແດງອອກໃນ AI ເປັນຄວາມສາມາດຈິນຕະນາການ. ຮູບແບບພາສາຂະຫນາດໃຫຍ່ມັກຈະມີສຽງເປັນສິດອໍານາດເຖິງແມ່ນວ່າໃນເວລາທີ່ບໍ່ຖືກຕ້ອງ. ເຂົາເຈົ້າສະເໜີການຢືນຢັນການຈອງທີ່ບໍ່ຖືກຕ້ອງ ຫຼືບົດສະຫຼຸບທີ່ບໍ່ຖືກຕ້ອງດ້ວຍຄວາມໝັ້ນໃຈຄືກັບຄວາມເປັນຈິງທີ່ຢັ້ງຢືນແລ້ວ. ຜູ້ໃຊ້ອາດຈະເຊື່ອຫມັ້ນຕາມທໍາມະຊາດສຽງຄວາມຫມັ້ນໃຈນີ້. ຄວາມບໍ່ສອດຄ່ອງນີ້ສ້າງຊ່ອງຫວ່າງອັນຕະລາຍລະຫວ່າງຄວາມສາມາດຂອງລະບົບແລະຄວາມຄາດຫວັງຂອງຜູ້ໃຊ້. ພວກເຮົາຕ້ອງອອກແບບໂດຍສະເພາະເພື່ອເຊື່ອມຕໍ່ຊ່ອງຫວ່າງນີ້. ຖ້າຕົວແທນລົ້ມເຫລວໃນການເຮັດສໍາເລັດຫນ້າວຽກ, ການໂຕ້ຕອບຈະຕ້ອງສົ່ງສັນຍານວ່າຄວາມລົ້ມເຫລວນັ້ນຢ່າງຊັດເຈນ. ຖ້າລະບົບບໍ່ແນ່ໃຈ, ມັນຕ້ອງສະແດງຄວາມບໍ່ແນ່ນອນແທນທີ່ຈະເຮັດໃຫ້ຫນ້າກາກດ້ວຍຄໍາເວົ້າທີ່ຂັດ. ຄວາມໂປ່ງໃສຜ່ານ Primitives ຢາແກ້ພິດໃຫ້ທັງຂີ້ຕົມ ແລະ ຄວາມຫຼົງໄຫຼ ແມ່ນການພິສູດ. ທຸກໆການກະ ທຳ ທີ່ເປັນເອກະລາດຮຽກຮ້ອງໃຫ້ມີແທັກ metadata ສະເພາະທີ່ອະທິບາຍຕົ້ນ ກຳ ເນີດຂອງການຕັດສິນໃຈ. ຜູ້ໃຊ້ຕ້ອງການຄວາມສາມາດໃນການກວດກາລະບົບຕ່ອງໂສ້ຕາມເຫດຜົນທີ່ຢູ່ເບື້ອງຫລັງຜົນໄດ້ຮັບ. ເພື່ອບັນລຸສິ່ງດັ່ງກ່າວ, ພວກເຮົາຕ້ອງແປ primitives ເຂົ້າໄປໃນຄໍາຕອບພາກປະຕິບັດ. ໃນວິສະວະກໍາຊອບແວ, primitives ຫມາຍເຖິງຫນ່ວຍງານຫຼັກຂອງຂໍ້ມູນຫຼືການກະທໍາທີ່ຕົວແທນປະຕິບັດ. ສໍາລັບວິສະວະກອນ, ນີ້ຄ້າຍຄືການໂທ API ຫຼືປະຕູທາງເຫດຜົນ. ກັບຜູ້ໃຊ້, ມັນຕ້ອງປາກົດເປັນຄໍາອະທິບາຍທີ່ຊັດເຈນ. ສິ່ງທ້າທາຍໃນການອອກແບບແມ່ນຢູ່ໃນການສ້າງແຜນທີ່ຂັ້ນຕອນດ້ານວິຊາການເຫຼົ່ານີ້ໄປສູ່ເຫດຜົນທີ່ສາມາດອ່ານໄດ້ຂອງມະນຸດ. ຖ້າຕົວແທນແນະນໍາຖ້ຽວບິນສະເພາະ, ຜູ້ໃຊ້ຕ້ອງການຮູ້ວ່າເປັນຫຍັງ. ການໂຕ້ຕອບບໍ່ສາມາດຊ່ອນຢູ່ຫລັງຄໍາແນະນໍາທົ່ວໄປ. ມັນຕ້ອງເປີດເຜີຍພື້ນຖານເບື້ອງຕົ້ນ: Logic: Cheapest_Direct_Flight ຫຼື Logic: Partner_Airline_Priority. ຮູບທີ 4 ສະແດງເຖິງຂັ້ນຕອນການແປນີ້. ພວກເຮົາເອົາລະບົບວັດຖຸດິບເບື້ອງຕົ້ນ - ເຫດຜົນຂອງລະຫັດຕົວຈິງ - ແລະສ້າງແຜນທີ່ມັນໃຫ້ກັບສະຕຣິງທີ່ປະເຊີນກັບຜູ້ໃຊ້. ຕົວຢ່າງເຊັ່ນ, ການກວດສອບຕາຕະລາງປະຕິທິນການປະຊຸມເບື້ອງຕົ້ນກາຍເປັນຄໍາຖະແຫຼງທີ່ຊັດເຈນ: ຂ້ອຍໄດ້ສະເຫນີເວລາ 4 ໂມງແລງກອງປະຊຸມ. ລະດັບຄວາມໂປ່ງໃສນີ້ຮັບປະກັນການກະທຳຂອງຕົວແທນປະກົດວ່າມີເຫດຜົນ ແລະເປັນປະໂຫຍດ. ມັນອະນຸຍາດໃຫ້ຜູ້ໃຊ້ກວດສອບວ່າຕົວແທນໄດ້ປະຕິບັດຜົນປະໂຫຍດທີ່ດີທີ່ສຸດຂອງພວກເຂົາ. ໂດຍການເປີດເຜີຍສິ່ງເບື້ອງຕົ້ນ, ພວກເຮົາຫັນປ່ຽນກ່ອງດໍາເຂົ້າໄປໃນກ່ອງແກ້ວ, ໃຫ້ແນ່ໃຈວ່າຜູ້ໃຊ້ຍັງຄົງເປັນສິດອໍານາດສຸດທ້າຍໃນຊີວິດດິຈິຕອນຂອງຕົນເອງ.
ການຕັ້ງຄ່າຂັ້ນຕອນສໍາລັບການອອກແບບ ການສ້າງລະບົບຕົວແທນຮຽກຮ້ອງໃຫ້ມີຄວາມເຂົ້າໃຈທາງດ້ານຈິດໃຈແລະພຶດຕິກໍາໃຫມ່. ມັນບັງຄັບໃຫ້ພວກເຮົາຍ້າຍອອກໄປນອກເໜືອຈາກການທົດສອບການໃຊ້ງານແບບດັ້ງເດີມ ແລະໄປສູ່ຄວາມໄວ້ວາງໃຈ, ການຍິນຍອມ, ແລະຄວາມຮັບຜິດຊອບ. ວິທີການຄົ້ນຄ້ວາທີ່ພວກເຮົາໄດ້ສົນທະນາ, ຕັ້ງແຕ່ການພິຈາລະນາແບບຈໍາລອງທາງດ້ານຈິດໃຈຈົນເຖິງການຈໍາລອງການປະພຶດທີ່ບໍ່ດີແລະການສ້າງຕົວຊີ້ວັດໃຫມ່, ສະຫນອງພື້ນຖານທີ່ຈໍາເປັນ. ການປະຕິບັດເຫຼົ່ານີ້ແມ່ນເຄື່ອງມືທີ່ຈໍາເປັນສໍາລັບການກໍານົດຢ່າງຈິງຈັງບ່ອນທີ່ລະບົບປົກຄອງຕົນເອງອາດຈະລົ້ມເຫລວແລະສໍາຄັນກວ່ານັ້ນ, ວິທີການສ້ອມແປງຄວາມສໍາພັນຂອງຜູ້ໃຊ້ກັບຕົວແທນໃນເວລາທີ່ມັນເຮັດ. ການປ່ຽນໄປສູ່ AI ຕົວແທນແມ່ນຄໍານິຍາມໃຫມ່ຂອງຄວາມສໍາພັນກັບລະບົບຜູ້ໃຊ້. ພວກເຮົາບໍ່ໄດ້ອອກແບບສໍາລັບເຄື່ອງມືທີ່ພຽງແຕ່ຕອບສະຫນອງຄໍາສັ່ງ; ພວກເຮົາກໍາລັງອອກແບບສໍາລັບຄູ່ຮ່ວມງານທີ່ປະຕິບັດໃນນາມຂອງພວກເຮົາ. ນີ້ຈະປ່ຽນຄວາມຈໍາເປັນໃນການອອກແບບຈາກປະສິດທິພາບແລະຄວາມງ່າຍຂອງການນໍາໃຊ້ໄປສູ່ຄວາມໂປ່ງໃສ, ການຄາດຄະເນ, ແລະການຄວບຄຸມ. ເມື່ອ AI ສາມາດຈອງຖ້ຽວບິນຫຼືຊື້ຂາຍຫຼັກຊັບໂດຍບໍ່ມີການຄລິກສຸດທ້າຍ, ການອອກແບບຂອງ "on-ramps" ແລະ "off-ramps" ຂອງມັນກາຍເປັນສິ່ງທີ່ສໍາຄັນທີ່ສຸດ. ມັນເປັນຄວາມຮັບຜິດຊອບຂອງພວກເຮົາທີ່ຈະຮັບປະກັນວ່າຜູ້ໃຊ້ຮູ້ສຶກວ່າພວກເຂົາຢູ່ໃນບ່ອນນັ່ງຂອງຜູ້ຂັບຂີ່, ເຖິງແມ່ນວ່າພວກເຂົາໄດ້ມອບລໍ້ແລ້ວ. ຄວາມເປັນຈິງໃຫມ່ນີ້ຍັງຍົກສູງບົດບາດຂອງນັກຄົ້ນຄວ້າ UX. ພວກເຮົາກາຍເປັນຜູ້ຮັກສາຄວາມໄວ້ວາງໃຈຂອງຜູ້ໃຊ້, ເຮັດວຽກຮ່ວມກັນກັບວິສະວະກອນ ແລະຜູ້ຈັດການຜະລິດຕະພັນເພື່ອກໍານົດ ແລະທົດສອບການປົກຄຸມຂອງຄວາມເປັນເອກະລາດຂອງຕົວແທນ. ນອກເຫນືອຈາກການເປັນນັກຄົ້ນຄວ້າ, ພວກເຮົາກາຍເປັນຜູ້ສະຫນັບສະຫນູນການຄວບຄຸມຜູ້ໃຊ້, ຄວາມໂປ່ງໃສ, ແລະການປົກປ້ອງດ້ານຈັນຍາບັນພາຍໃນຂະບວນການພັດທະນາ. ໂດຍການແປເບື້ອງຕົ້ນເປັນຄໍາຖາມປະຕິບັດ ແລະຈໍາລອງສະຖານະການທີ່ຮ້າຍແຮງທີ່ສຸດ, ພວກເຮົາສາມາດສ້າງລະບົບທີ່ເຂັ້ມແຂງທີ່ມີທັງປະສິດທິພາບ ແລະຄວາມປອດໄພ. ບົດຄວາມນີ້ໄດ້ອະທິບາຍ "ສິ່ງທີ່" ແລະ "ເປັນຫຍັງ" ຂອງການຄົ້ນຄວ້າ AI ຕົວແທນ. ມັນໄດ້ສະແດງໃຫ້ເຫັນວ່າຊຸດເຄື່ອງມືແບບດັ້ງເດີມຂອງພວກເຮົາແມ່ນບໍ່ພຽງພໍແລະວ່າພວກເຮົາຕ້ອງໄດ້ຮັບຮອງເອົາວິທີການໃຫມ່, ການເບິ່ງໄປຫນ້າ. ບົດຄວາມຕໍ່ໄປຈະສ້າງພື້ນຖານນີ້, ສະຫນອງຮູບແບບການອອກແບບສະເພາະແລະການປະຕິບັດການຈັດຕັ້ງທີ່ເຮັດໃຫ້ຜົນປະໂຫຍດຂອງຕົວແທນໂປ່ງໃສຕໍ່ຜູ້ໃຊ້, ຮັບປະກັນວ່າພວກເຂົາສາມາດໃຊ້ອໍານາດຂອງຕົວແທນ AI ດ້ວຍຄວາມຫມັ້ນໃຈແລະການຄວບຄຸມ. ອະນາຄົດຂອງ UX ແມ່ນກ່ຽວກັບການເຮັດໃຫ້ລະບົບທີ່ເຊື່ອຖືໄດ້. ສໍາລັບຄວາມເຂົ້າໃຈເພີ່ມເຕີມຂອງ AI ຕົວແທນ, ທ່ານສາມາດຄົ້ນຫາຊັບພະຍາກອນຕໍ່ໄປນີ້:
Blog AI ຂອງ Google ກ່ຽວກັບ Agentic AI ການຄົ້ນຄວ້າຂອງ Microsoft ກ່ຽວກັບຕົວແທນ AI
