Agentic AI ஆனது வாடிக்கையாளர் அனுபவத்தையும் செயல்பாட்டுத் திறனையும் மாற்றத் தயாராக உள்ளது, இது தலைமையின் புதிய மூலோபாய அணுகுமுறையை அவசியமாக்குகிறது. செயற்கை நுண்ணறிவின் இந்த பரிணாமம், எளிய பரிந்துரைகளுக்கு அப்பால் செயலூக்கமான செயலுக்கு நகர்ந்து, பணிகளைத் திட்டமிடவும், செயல்படுத்தவும் மற்றும் தொடர்ந்து செயல்படவும் அமைப்புகளுக்கு அதிகாரம் அளிக்கிறது. UX குழுக்கள், தயாரிப்பு மேலாளர்கள் மற்றும் நிர்வாகிகளுக்கு, இந்த மாற்றத்தைப் புரிந்துகொள்வது புதுமைக்கான வாய்ப்புகளைத் திறப்பதற்கும், பணிப்பாய்வுகளை நெறிப்படுத்துவதற்கும், தொழில்நுட்பம் மக்களுக்கு எவ்வாறு சேவை செய்கிறது என்பதை மறுவரையறை செய்வதற்கும் முக்கியமானது. ரோபோடிக் செயல்முறை ஆட்டோமேஷன் (RPA) உடன் Agentic AI ஐ குழப்புவது எளிது, இது கணினிகளில் செய்யப்படும் விதிகள் அடிப்படையிலான பணிகளில் கவனம் செலுத்தும் தொழில்நுட்பமாகும். பகுத்தறிவுக்கு எதிராக விறைப்புத்தன்மையில் வேறுபாடு உள்ளது. கடுமையான ஸ்கிரிப்டைப் பின்பற்றுவதில் RPA சிறப்பாக உள்ளது: X நடந்தால், Y செய்யுங்கள். இது மனித கைகளைப் பிரதிபலிக்கிறது. ஏஜென்டிக் AI மனித பகுத்தறிவை பிரதிபலிக்கிறது. இது நேரியல் ஸ்கிரிப்டைப் பின்பற்றவில்லை; அது ஒன்றை உருவாக்குகிறது. ஆட்சேர்ப்பு பணிப்பாய்வுகளைக் கவனியுங்கள். ஒரு RPA போட் ஒரு விண்ணப்பத்தை ஸ்கேன் செய்து தரவுத்தளத்தில் பதிவேற்றலாம். இது மீண்டும் மீண்டும் செய்யும் பணியைச் சரியாகச் செய்கிறது. ஒரு ஏஜென்டிக் சிஸ்டம் ரெஸ்யூமைப் பார்க்கிறது, வேட்பாளர் ஒரு குறிப்பிட்ட சான்றிதழைப் பட்டியலிடுவதைக் கவனிக்கிறது, புதிய கிளையன்ட் தேவையுடன் குறுக்கு-குறிப்புகளை வழங்குகிறது, மேலும் அந்த பொருத்தத்தை முன்னிலைப்படுத்தும் தனிப்பயனாக்கப்பட்ட அவுட்ரீச் மின்னஞ்சலை உருவாக்க முடிவு செய்கிறது. RPA ஒரு முன் வரையறுக்கப்பட்ட திட்டத்தை செயல்படுத்துகிறது; ஏஜென்டிக் AI ஒரு இலக்கின் அடிப்படையில் திட்டத்தை உருவாக்குகிறது. கடந்த தசாப்தத்தில் நாம் பயன்படுத்திய முன்கணிப்பு கருவிகளிலிருந்து இந்த சுயாட்சி முகவர்களை பிரிக்கிறது. மற்றொரு உதாரணம் சந்திப்பு மோதல்களை நிர்வகித்தல். உங்கள் காலெண்டரில் ஒருங்கிணைக்கப்பட்ட ஒரு முன்கணிப்பு மாதிரி உங்கள் சந்திப்பு அட்டவணையையும் உங்கள் சக ஊழியர்களின் அட்டவணையையும் பகுப்பாய்வு செய்யலாம். ஒரே நேரத்தில் திட்டமிடப்பட்ட இரண்டு முக்கியமான சந்திப்புகள் அல்லது முக்கிய பங்கேற்பாளர் விடுமுறையில் இருக்கும்போது திட்டமிடப்பட்ட சந்திப்பு போன்ற சாத்தியமான முரண்பாடுகளை இது பரிந்துரைக்கலாம். இது உங்களுக்கு தகவலை வழங்குகிறது மற்றும் சாத்தியமான சிக்கல்களைக் கொடியிடுகிறது, ஆனால் நடவடிக்கை எடுப்பதற்கு நீங்கள் பொறுப்பு. ஒரு ஏஜென்டிக் AI, அதே சூழ்நிலையில், தவிர்க்க முரண்பாடுகளை பரிந்துரைப்பதைத் தாண்டி செல்லும். முக்கிய பங்கேற்பாளருடன் மோதலை அடையாளம் கண்டவுடன், முகவர் இவ்வாறு செயல்படலாம்:
தேவையான அனைத்து பங்கேற்பாளர்களின் இருப்பையும் சரிபார்க்கிறது. அனைவருக்கும் வேலை செய்யும் மாற்று நேர இடங்களைக் கண்டறிதல். பங்கேற்பாளர்கள் அனைவருக்கும் முன்மொழியப்பட்ட புதிய சந்திப்பு அழைப்பிதழ்களை அனுப்புதல். வெளிப்புற பங்கேற்பாளருடன் மோதல் ஏற்பட்டால், முகவர் வரைவு செய்து, மறுஅட்டவணை மற்றும் மாற்று நேரங்களை வழங்குவதன் அவசியத்தை விளக்கி மின்னஞ்சலை அனுப்பலாம். உறுதிசெய்யப்பட்டவுடன் புதிய சந்திப்பு விவரங்களுடன் உங்கள் காலெண்டரையும் உங்கள் சக ஊழியர்களின் காலெண்டர்களையும் புதுப்பித்தல்.
இந்த ஏஜென்டிக் AI இலக்கைப் புரிந்துகொள்கிறது (சந்திப்பு மோதலைத் தீர்ப்பது), படிகளைத் திட்டமிடுகிறது (கிடைப்பதைச் சரிபார்த்தல், மாற்றுகளைக் கண்டறிதல், அழைப்பிதழ்களை அனுப்புதல்), அந்தப் படிகளைச் செயல்படுத்துகிறது, மேலும் முரண்பாடுகள் தீர்க்கப்படும் வரை, இவை அனைத்தும் குறைந்தபட்ச நேரடி பயனர் தலையீட்டுடன். இது "ஏஜெண்டிக்" வேறுபாட்டை நிரூபிக்கிறது: பயனருக்கு தகவலை வழங்குவதை விட, கணினி பயனருக்காக செயலூக்கமான நடவடிக்கைகளை எடுக்கிறது. ஏஜென்டிக் AI அமைப்புகள் ஒரு இலக்கைப் புரிந்துகொள்கின்றன, அதை அடைய தொடர்ச்சியான படிகளைத் திட்டமிடுகின்றன, அந்த படிகளைச் செயல்படுத்துகின்றன, மேலும் விஷயங்கள் தவறாக நடந்தால் கூட மாற்றியமைக்கின்றன. ஒரு செயல்திறனுள்ள டிஜிட்டல் உதவியாளர் போல் நினைத்துப் பாருங்கள். அடிப்படைத் தொழில்நுட்பம் பெரும்பாலும் பெரிய மொழி மாதிரிகளை (LLMகள்) புரிந்துகொள்வதற்கும் நியாயப்படுத்துவதற்கும் ஒருங்கிணைக்கிறது, சிக்கலான பணிகளைச் சமாளிக்கக்கூடிய செயல்களாக உடைக்கும் திட்டமிடல் வழிமுறைகளுடன். இந்த முகவர்கள் பல்வேறு கருவிகள், APIகள் மற்றும் பிற AI மாடல்களுடன் தங்கள் நோக்கங்களை நிறைவேற்ற முடியும், மேலும் விமர்சன ரீதியாக, அவர்கள் ஒரு நிலையான நிலையை பராமரிக்க முடியும், அதாவது அவர்கள் முந்தைய செயல்களை நினைவில் வைத்து, காலப்போக்கில் ஒரு இலக்கை நோக்கி தொடர்ந்து பணியாற்றுகிறார்கள். இது வழக்கமான ஜெனரேட்டிவ் AI இலிருந்து அடிப்படையில் வேறுபட்டதாக ஆக்குகிறது, இது வழக்கமாக ஒரு கோரிக்கையை நிறைவு செய்து பின்னர் மீட்டமைக்கும். ஏஜென்டிக் நடத்தைகளின் ஒரு எளிய வகைபிரித்தல் முகவர் நடத்தையை நான்கு வெவ்வேறு சுயாட்சி முறைகளாக வகைப்படுத்தலாம். இவை பெரும்பாலும் முன்னேற்றம் போல் தோன்றினாலும், அவை சுயாதீன இயக்க முறைகளாக செயல்படுகின்றன. திட்டமிடுதலுக்காக ஒரு ஏஜென்ட்டை தன்னாட்சி முறையில் செயல்பட ஒரு பயனர் நம்பலாம், ஆனால் நிதி பரிவர்த்தனைகளுக்கு அதை "பரிந்துரை முறையில்" வைத்திருக்கலாம். தன்னாட்சி வாகனங்களுக்கான தொழில் தரநிலைகளை (SAE நிலைகள்) டிஜிட்டல் பயனர் அனுபவச் சூழல்களுக்கு மாற்றியமைப்பதன் மூலம் இந்த நிலைகளைப் பெற்றுள்ளோம். கவனிக்கவும்-பரிந்துரைக்கவும் முகவர் ஒரு மானிட்டராக செயல்படுகிறது. இது தரவு ஸ்ட்ரீம்களை பகுப்பாய்வு செய்கிறது மற்றும் முரண்பாடுகள் அல்லது வாய்ப்புகளை கொடியிடுகிறது, ஆனால் பூஜ்ஜிய நடவடிக்கை எடுக்கிறது. வேறுபாடு அடுத்த நிலை போலல்லாமல், முகவர் சிக்கலான திட்டத்தை உருவாக்கவில்லை. இது ஒரு சிக்கலை சுட்டிக்காட்டுகிறது. ExampleA DevOps ஏஜென்ட் ஒரு சர்வர் CPU ஸ்பைக்கைக் கவனித்து, ஆன்-கால் பொறியாளரை எச்சரிக்கிறது. அதை எவ்வாறு சரிசெய்வது அல்லது அதைச் சரிசெய்வது என்று அதற்குத் தெரியாது, ஆனால் ஏதோ தவறு இருப்பதாக அதற்குத் தெரியும். இந்த நிலையில் வடிவமைப்பு மற்றும் மேற்பார்வைக்கான தாக்கங்கள்,வடிவமைப்பு மற்றும் மேற்பார்வை தெளிவான, ஊடுருவாத அறிவிப்புகளுக்கு முன்னுரிமை அளிக்க வேண்டும் மற்றும் பயனர்கள் பரிந்துரைகளின் மீது செயல்படுவதற்கு நன்கு வரையறுக்கப்பட்ட செயல்முறை. கட்டுப்பாட்டை எடுக்காமல், சரியான நேரத்தில் மற்றும் பொருத்தமான தகவல்களைப் பயன்படுத்தி பயனரை மேம்படுத்துவதில் கவனம் செலுத்தப்படுகிறது. UX பயிற்சியாளர்கள் பரிந்துரைகளை தெளிவாகவும் எளிதாகவும் புரிந்துகொள்வதில் கவனம் செலுத்த வேண்டும், அதே நேரத்தில் தயாரிப்பு மேலாளர்கள் கணினி பயனரை அதிகப்படுத்தாமல் மதிப்பை வழங்குவதை உறுதி செய்ய வேண்டும். திட்டமிடுதல் மற்றும் முன்மொழிதல் முகவர் ஒரு இலக்கை அடையாளம் கண்டு அதை அடைவதற்கான பல-படி உத்தியை உருவாக்குகிறார். மனித மதிப்பாய்வுக்கான முழுத் திட்டத்தையும் இது வழங்குகிறது. வேறுபாடு முகவர் ஒரு மூலோபாயவாதியாக செயல்படுகிறார். அது செயல்படாது; இது முழு அணுகுமுறையின் ஒப்புதலுக்காக காத்திருக்கிறது. உதாரணம் அதே DevOps முகவர் CPU ஸ்பைக்கைக் கவனித்து, பதிவுகளை பகுப்பாய்வு செய்து, தீர்வுத் திட்டத்தை முன்மொழிகிறார்:
இரண்டு கூடுதல் நிகழ்வுகளை சுழற்றவும். சுமை சமநிலையை மீண்டும் துவக்கவும். பழைய பதிவுகளை காப்பகப்படுத்தவும்.
மனிதன் தர்க்கத்தை மதிப்பாய்வு செய்து “திட்டத்தை அங்கீகரி” என்பதைக் கிளிக் செய்கிறான். வடிவமைப்பு மற்றும் மேற்பார்வைக்கான தாக்கங்கள் திட்டமிடும் மற்றும் முன்மொழியும் முகவர்களுக்காக, வடிவமைப்பு முன்மொழியப்பட்ட திட்டங்களை எளிதில் புரிந்துகொள்ளக்கூடியதாக இருப்பதையும், பயனர்கள் அவற்றை மாற்ற அல்லது நிராகரிப்பதற்கான உள்ளுணர்வு வழிகளைக் கொண்டிருப்பதையும் உறுதிசெய்ய வேண்டும். முன்மொழிவுகளின் தரம் மற்றும் முகவரின் திட்டமிடல் தர்க்கத்தைக் கண்காணிப்பதில் மேற்பார்வை முக்கியமானது. UX பயிற்சியாளர்கள் முன்மொழியப்பட்ட திட்டங்களின் தெளிவான காட்சிப்படுத்தல்களை வடிவமைக்க வேண்டும், மேலும் தயாரிப்பு மேலாளர்கள் தெளிவான மதிப்பாய்வு மற்றும் ஒப்புதல் பணிப்பாய்வுகளை நிறுவ வேண்டும். உறுதியுடன் செயல்படவும் முகவர் அனைத்து தயாரிப்பு வேலைகளையும் முடித்து, இறுதிச் செயலை ஒரு கட்ட நிலையில் வைக்கிறார். அது திறம்பட கதவைத் திறந்து வைத்திருக்கிறது, தலையசைப்பதற்காகக் காத்திருக்கிறது. வேறுபாடு இது "திட்டமிடுதல் மற்றும் முன்மொழிதல்" என்பதிலிருந்து வேறுபடுகிறது, ஏனெனில் வேலை ஏற்கனவே செய்யப்பட்டு அரங்கேற்றப்பட்டுள்ளது. இது உராய்வைக் குறைக்கிறது. பயனர் முடிவை உறுதிப்படுத்துகிறார், உத்தி அல்ல. எடுத்துக்காட்டு ஒரு ஆட்சேர்ப்பு முகவர் ஐந்து நேர்காணல் அழைப்பிதழ்களை உருவாக்குகிறார், காலெண்டர்களில் திறந்த நேரத்தைக் கண்டறிந்து, காலண்டர் நிகழ்வுகளை உருவாக்குகிறார். இது "அனைத்தையும் அனுப்பு" பொத்தானை வழங்குகிறது. வெளிப்புறச் செயலைத் தூண்டுவதற்கான இறுதி அங்கீகாரத்தை பயனர் வழங்குகிறார். வடிவமைப்பு மற்றும் மேற்பார்வைக்கான தாக்கங்கள், முகவர்கள் உறுதிப்படுத்தலுடன் செயல்படும் போது, வடிவமைப்பு, சாத்தியமான விளைவுகளைத் தெளிவாகக் கோடிட்டுக் காட்டும் நோக்கம் கொண்ட செயலின் வெளிப்படையான மற்றும் சுருக்கமான சுருக்கங்களை வழங்க வேண்டும். உறுதிப்படுத்தல் செயல்முறை வலுவானதா என்பதையும், செயல்களை கண்மூடித்தனமாக அங்கீகரிக்கும்படி பயனர்கள் கேட்கப்படவில்லை என்பதையும் மேற்பார்வை சரிபார்க்க வேண்டும். UX பயிற்சியாளர்கள் தெளிவான மற்றும் தேவையான அனைத்து தகவல்களையும் வழங்கும் உறுதிப்படுத்தல் தூண்டுதல்களை வடிவமைக்க வேண்டும், மேலும் தயாரிப்பு மேலாளர்கள் அனைத்து உறுதிப்படுத்தப்பட்ட செயல்களுக்கும் வலுவான தணிக்கை பாதைக்கு முன்னுரிமை அளிக்க வேண்டும். செயல்-தன்னாட்சி முகவர் வரையறுக்கப்பட்ட எல்லைகளுக்குள் சுயாதீனமாக பணிகளைச் செய்கிறார். வேறுபாடு பயனர் செயல்களின் வரலாற்றை மதிப்பாய்வு செய்கிறார், செயல்களை அல்ல. எடுத்துக்காட்டு, ஆட்சேர்ப்பு முகவர் ஒரு முரண்பாட்டைக் காண்கிறார், நேர்காணலை ஒரு காப்புப்பிரதிக்கு நகர்த்துகிறார், வேட்பாளரைப் புதுப்பிக்கிறார் மற்றும் பணியமர்த்தல் மேலாளருக்குத் தெரிவிக்கிறார். ஒரு அறிவிப்பை மட்டுமே மனிதன் பார்க்கிறான்: நேர்காணல் செவ்வாய்க்கிழமைக்கு மாற்றப்பட்டது. வடிவமைப்பு மற்றும் மேற்பார்வைக்கான தாக்கங்கள் தன்னாட்சி முகவர்களுக்கு, வடிவமைப்பு தெளிவான முன்-அங்கீகரிக்கப்பட்ட எல்லைகளை நிறுவ வேண்டும் மற்றும் வலுவான கண்காணிப்பு கருவிகளை வழங்க வேண்டும். மேற்பார்வைக்கு இந்த எல்லைகளுக்குள் ஏஜெண்டின் செயல்திறனின் தொடர்ச்சியான மதிப்பீடு தேவைப்படுகிறது, வலுவான பதிவுக்கான முக்கியமான தேவை, தெளிவான மேலெழுதுதல் வழிமுறைகள் மற்றும் பயனர் கட்டுப்பாட்டையும் நம்பிக்கையையும் பராமரிக்க பயனர் வரையறுக்கப்பட்ட கொலை சுவிட்சுகள். UX பயிற்சியாளர்கள் தன்னாட்சி முகவர் நடத்தையை கண்காணிப்பதற்கான பயனுள்ள டாஷ்போர்டுகளை வடிவமைப்பதில் கவனம் செலுத்த வேண்டும், மேலும் தயாரிப்பு மேலாளர்கள் தெளிவான நிர்வாகத்தையும் நெறிமுறை வழிகாட்டுதல்களையும் உறுதி செய்ய வேண்டும்.
இந்த முறைகள் செயல்படுவதைக் காண HR தொழில்நுட்பத்தில் நிஜ உலக பயன்பாட்டைப் பார்ப்போம். பணியமர்த்தல் தளவாடங்களைக் கையாள வடிவமைக்கப்பட்ட "நேர்காணல் ஒருங்கிணைப்பு முகவரை" கருதுங்கள்.
பரிந்துரை பயன்முறையில், நேர்காணல் செய்பவர் இருமுறை முன்பதிவு செய்யப்பட்டிருப்பதை முகவர் கவனிக்கிறார். ஆட்சேர்ப்பு செய்பவரின் டாஷ்போர்டில் உள்ள மோதலை இது எடுத்துக்காட்டுகிறது: "எச்சரிக்கை: சாரா பிற்பகல் 2 மணிக்கு நேர்காணலுக்கு இருமுறை முன்பதிவு செய்யப்பட்டுள்ளார்." திட்ட பயன்முறையில், முகவர் சாராவின் காலெண்டரையும், வேட்பாளரின் இருப்பையும் பகுப்பாய்வு செய்கிறார். இது ஒரு தீர்வை அளிக்கிறது: "நேர்காணலை வியாழன் காலை 10 மணிக்கு மாற்றுமாறு நான் பரிந்துரைக்கிறேன். இதற்கு சாராவின் 1:1ஐ அவரது மேலாளரிடம் கொண்டு செல்ல வேண்டும்." பணியமர்த்துபவர் இந்த தர்க்கத்தை மதிப்பாய்வு செய்கிறார். உறுதிப்படுத்தல் பயன்முறையில், முகவர் விண்ணப்பதாரர் மற்றும் மேலாளருக்கு மின்னஞ்சல்களை வரைவார். இது காலண்டர் அழைப்புகளை நிரப்புகிறது. பணியமர்த்துபவர் ஒரு சுருக்கத்தைப் பார்க்கிறார்: "வியாழனன்று மீண்டும் திட்டமிடத் தயாரா. புதுப்பிப்புகளை அனுப்பவா?" தேர்வாளர் "உறுதிப்படுத்து" என்பதைக் கிளிக் செய்கிறார். தன்னாட்சி பயன்முறையில், முகவர் மோதலை உடனடியாகக் கையாளுகிறார். இது முன்னரே அமைக்கப்பட்ட விதியை மதிக்கிறது: "எப்போதும் உள் 1:1 வினாடிகளை விட வேட்பாளர் நேர்காணல்களுக்கு முன்னுரிமை கொடுங்கள்." இது கூட்டத்தை நகர்த்தி அறிவிப்புகளை அனுப்புகிறது. பணியமர்த்துபவர் ஒரு பதிவு உள்ளீட்டைப் பார்க்கிறார்: “தீர்ந்ததுவேட்பாளர் பிக்கான அட்டவணை முரண்பாடு."
ரிசர்ச் ப்ரைமர்: என்ன ஆராய்ச்சி செய்வது எப்படி பயனுள்ள ஏஜென்டிக் AI ஐ உருவாக்குவதற்கு பாரம்பரிய மென்பொருள் அல்லது உருவாக்கும் AI உடன் ஒப்பிடும்போது ஒரு தனித்துவமான ஆராய்ச்சி அணுகுமுறை தேவைப்படுகிறது. AI முகவர்களின் தன்னாட்சி தன்மை, முடிவெடுக்கும் அவர்களின் திறன் மற்றும் செயலில் செயல்படுவதற்கான அவர்களின் திறன் ஆகியவை பயனர் எதிர்பார்ப்புகளைப் புரிந்துகொள்வதற்கும், சிக்கலான முகவர் நடத்தைகளை வரைபடமாக்குவதற்கும் மற்றும் சாத்தியமான தோல்விகளை எதிர்நோக்குவதற்கும் சிறப்பு வழிமுறைகளை அவசியமாக்குகிறது. ஏஜென்டிக் AI இன் தனித்துவமான அம்சங்களை அளவிடுவதற்கும் மதிப்பிடுவதற்கும் பின்வரும் ஆராய்ச்சி ப்ரைமர் முக்கிய முறைகளை கோடிட்டுக் காட்டுகிறது. மன மாதிரி நேர்காணல்கள் இந்த நேர்காணல்கள் AI முகவர் எவ்வாறு நடந்து கொள்ள வேண்டும் என்பது பற்றிய பயனர்களின் முன்கூட்டிய கருத்துக்களை வெளிப்படுத்துகிறது. பயனர்கள் என்ன விரும்புகிறார்கள் என்பதைக் கேட்பதற்குப் பதிலாக, முகவரின் திறன்கள் மற்றும் வரம்புகளின் உள் மாதிரிகளைப் புரிந்துகொள்வதில் கவனம் செலுத்தப்படுகிறது. பங்கேற்பாளர்களுடன் "ஏஜெண்ட்" என்ற வார்த்தையைப் பயன்படுத்துவதைத் தவிர்க்க வேண்டும். இது அறிவியல் புனைகதை சாமான்களைக் கொண்டுள்ளது அல்லது ஆதரவு அல்லது சேவைகளை வழங்கும் மனித முகவருடன் மிகவும் எளிதில் குழப்பமடையக்கூடிய சொல். அதற்கு பதிலாக, "உதவியாளர்கள்" அல்லது "அமைப்பு" பற்றி விவாதத்தை வடிவமைக்கவும். பயனுள்ள ஆட்டோமேஷன் மற்றும் ஊடுருவும் கட்டுப்பாடு ஆகியவற்றுக்கு இடையே பயனர்கள் எங்கே கோடு வரைகிறார்கள் என்பதை நாம் கண்டறிய வேண்டும்.
முறை: பல்வேறு அனுமானக் காட்சிகளில் முகவருடன் எதிர்பார்க்கப்படும் தொடர்புகளை விவரிக்க, வரைய அல்லது விவரிக்க பயனர்களைக் கேளுங்கள். முக்கிய ஆய்வுகள் (பல்வேறு தொழில்களை பிரதிபலிக்கிறது): விரும்பிய ஆட்டோமேஷனின் எல்லைகள் மற்றும் அதிகப்படியான ஆட்டோமேஷனைச் சுற்றியுள்ள சாத்தியமான கவலைகளைப் புரிந்து கொள்ள, கேட்கவும்: உங்கள் விமானம் ரத்து செய்யப்பட்டால், கணினி தானாக என்ன செய்ய வேண்டும் என்று விரும்புகிறீர்கள்? உங்கள் வெளிப்படையான அறிவுறுத்தல் இல்லாமல் அவ்வாறு செய்தால் உங்களுக்கு என்ன கவலை?
முகவரின் உள் செயல்முறைகள் மற்றும் தேவையான தகவல்தொடர்பு பற்றிய பயனரின் புரிதலை ஆராய, கேட்கவும்: ஒரு டிஜிட்டல் உதவியாளர் உங்கள் ஸ்மார்ட் வீட்டை நிர்வகிப்பதாக கற்பனை செய்து பாருங்கள். ஒரு பேக்கேஜ் டெலிவரி செய்யப்பட்டால், அதற்கு என்ன படிகளை எடுக்க வேண்டும் என்று நீங்கள் நினைக்கிறீர்கள், என்ன தகவலைப் பெறுவீர்கள் என்று எதிர்பார்க்கிறீர்கள்?
பல-படி செயல்பாட்டிற்குள் கட்டுப்பாடு மற்றும் ஒப்புதல் பற்றிய எதிர்பார்ப்புகளைக் கண்டறிய, கேளுங்கள்: உங்கள் டிஜிட்டல் அசிஸ்டண்ட் மீட்டிங் ஒன்றைத் திட்டமிடச் சொன்னால், அது என்ன நடவடிக்கை எடுக்க வேண்டும் என்று நினைக்கிறீர்கள்? எந்தெந்த புள்ளிகளில் நீங்கள் கலந்தாலோசிக்க அல்லது தேர்வுகளை வழங்க விரும்புகிறீர்கள்?
முறையின் பலன்கள்: மறைமுகமான அனுமானங்களை வெளிப்படுத்துகிறது, முகவரின் திட்டமிட்ட நடத்தை பயனர் எதிர்பார்ப்புகளிலிருந்து வேறுபடக்கூடிய பகுதிகளை முன்னிலைப்படுத்துகிறது மற்றும் பொருத்தமான கட்டுப்பாடுகள் மற்றும் பின்னூட்ட வழிமுறைகளின் வடிவமைப்பைத் தெரிவிக்கிறது.
முகவர் பயண வரைபடம்: பாரம்பரிய பயனர் பயண மேப்பிங்கைப் போலவே, முகவர் பயண மேப்பிங் குறிப்பாக AI ஏஜெண்டின் எதிர்பார்க்கப்படும் செயல்கள் மற்றும் முடிவெடுக்கும் புள்ளிகளில் பயனரின் தொடர்புடன் கவனம் செலுத்துகிறது. இது சாத்தியமான குறைபாடுகளை முன்கூட்டியே அடையாளம் காண உதவுகிறது.
முறை: அனைத்து சாத்தியமான செயல்கள், முடிவுகள் மற்றும் வெளிப்புற அமைப்புகள் அல்லது பயனர்களுடனான தொடர்புகள் உட்பட, ஏஜென்ட்டின் செயல்பாட்டின் பல்வேறு நிலைகளை, துவக்கம் முதல் நிறைவு வரை கோடிட்டுக் காட்டும் காட்சி வரைபடத்தை உருவாக்கவும். வரைபடத்திற்கான முக்கிய கூறுகள்: முகவர் நடவடிக்கைகள்: முகவர் என்ன குறிப்பிட்ட பணிகள் அல்லது முடிவுகளைச் செய்கிறார்? தகவல் உள்ளீடுகள்/வெளியீடுகள்: முகவருக்கு என்ன தரவு தேவை, அது என்ன தகவலை உருவாக்குகிறது அல்லது தொடர்பு கொள்கிறது? முடிவெடுக்கும் புள்ளிகள்: முகவர் எங்கு தேர்வு செய்கிறார், அந்தத் தேர்வுகளுக்கான அளவுகோல்கள் என்ன? பயனர் தொடர்பு புள்ளிகள்: பயனர் உள்ளீடு, மதிப்பாய்வு அல்லது செயல்களை அங்கீகரிப்பது எங்கே? தோல்வியின் புள்ளிகள்: முக்கியமாக, முகவர் அறிவுறுத்தல்களைத் தவறாகப் புரிந்துகொள்வது, தவறான முடிவை எடுப்பது அல்லது தவறான நிறுவனத்துடன் தொடர்புகொள்வது போன்ற குறிப்பிட்ட நிகழ்வுகளைக் கண்டறிதல். எடுத்துக்காட்டுகள்: தவறான பெறுநர் (எ.கா., முக்கியத் தகவலை தவறான நபருக்கு அனுப்புதல்), ஓவர் டிராஃப்ட் (எ.கா., கிடைக்கும் நிதியை விட தானியங்கி கட்டணம்), நோக்கத்தின் தவறான விளக்கம் (எ.கா., தெளிவற்ற மொழி காரணமாக தவறான தேதிக்கு விமானத்தை முன்பதிவு செய்தல்).
மீட்புப் பாதைகள்: இந்த தோல்விகளில் இருந்து முகவர் அல்லது பயனர் எவ்வாறு மீள முடியும்? திருத்தம் அல்லது தலையீடு செய்ய என்ன வழிமுறைகள் உள்ளன?
முறையின் பலன்கள்: முகவரின் செயல்பாட்டு ஓட்டத்தின் முழுமையான பார்வையை வழங்குகிறது, மறைந்திருக்கும் சார்புகளை வெளிப்படுத்துகிறது மற்றும் எதிர்மறை விளைவுகளைத் தடுக்க அல்லது குறைக்க பாதுகாப்புகள், பிழை கையாளுதல் மற்றும் பயனர் தலையீட்டு புள்ளிகளின் செயல்திறன் வடிவமைப்பு ஆகியவற்றை அனுமதிக்கிறது.
உருவகப்படுத்தப்பட்ட தவறான நடத்தை சோதனை: இந்த அணுகுமுறை கணினியை அழுத்த-சோதனை செய்ய வடிவமைக்கப்பட்டுள்ளது மற்றும் AI ஏஜென்ட் தோல்வியுற்றால் அல்லது எதிர்பார்ப்புகளிலிருந்து விலகும்போது பயனர் எதிர்வினைகளைக் கவனிக்க வடிவமைக்கப்பட்டுள்ளது. இது பாதகமான சூழ்நிலைகளில் நம்பிக்கை சரிசெய்தல் மற்றும் உணர்ச்சிபூர்வமான பதில்களைப் புரிந்துகொள்வது பற்றியது.
முறை: கட்டுப்படுத்தப்பட்ட ஆய்வக ஆய்வுகளில், முகவர் தவறு செய்யும், கட்டளையைத் தவறாகப் புரிந்துகொள்ளும் அல்லது எதிர்பாராத விதமாக நடந்துகொள்ளும் காட்சிகளை வேண்டுமென்றே அறிமுகப்படுத்துங்கள். உருவகப்படுத்துவதற்கான "தவறான நடத்தை" வகைகள்: கட்டளைதவறான விளக்கம்: ஏஜென்ட் பயனர் எண்ணியதில் இருந்து சற்று வித்தியாசமான செயலைச் செய்கிறார் (எ.கா., ஒன்றுக்கு பதிலாக இரண்டு பொருட்களை ஆர்டர் செய்தல்). தகவல் ஓவர்லோட்/அண்டர்லோட்: ஏஜென்ட் அதிக பொருத்தமற்ற தகவலை அல்லது போதுமான முக்கியமான விவரங்களை வழங்கவில்லை. கோரப்படாத செயல்: பயனர் வெளிப்படையாக விரும்பாத அல்லது எதிர்பார்க்காத ஒரு செயலை முகவர் எடுக்கிறார் (எ.கா., ஒப்புதல் இல்லாமல் பங்குகளை வாங்குதல்). கணினி தோல்வி: முகவர் செயலிழக்கிறார், பதிலளிக்கவில்லை அல்லது பிழைச் செய்தியை வழங்குகிறார். நெறிமுறை சிக்கல்கள்: முகவர் நெறிமுறை தாக்கங்களுடன் முடிவெடுக்கிறார் (எ.கா., எதிர்பாராத அளவீட்டின் அடிப்படையில் ஒரு பணியை மற்றொரு பணிக்கு முன்னுரிமை அளித்தல்).
கவனிப்பு கவனம்: பயனர் எதிர்வினைகள்: பயனர்கள் உணர்ச்சிப்பூர்வமாக எவ்வாறு நடந்துகொள்கிறார்கள் (விரக்தி, கோபம், குழப்பம், நம்பிக்கை இழப்பு)? மீட்பு முயற்சிகள்: முகவரின் நடத்தையை சரி செய்ய அல்லது அதன் செயல்களை செயல்தவிர்க்க பயனர்கள் என்ன படிகளை எடுக்கிறார்கள்? நம்பிக்கை பழுதுபார்க்கும் வழிமுறைகள்: கணினியின் உள்ளமைக்கப்பட்ட மீட்பு அல்லது பின்னூட்ட வழிமுறைகள் நம்பிக்கையை மீட்டெடுக்க உதவுமா? பிழைகள் பற்றி பயனர்கள் எவ்வாறு தெரிவிக்க விரும்புகிறார்கள்? மன மாதிரி மாற்றம்: தவறான நடத்தை முகவரின் திறன்கள் அல்லது வரம்புகளைப் பற்றிய பயனரின் புரிதலை மாற்றுகிறதா?
முறையின் நன்மைகள்: பிழை மீட்பு, கருத்து மற்றும் பயனர் கட்டுப்பாடு தொடர்பான வடிவமைப்பு இடைவெளிகளைக் கண்டறிவதில் முக்கியமானது. முகவர் தோல்விகளுக்கு பயனர்கள் எவ்வாறு நெகிழ்ச்சியுடன் இருக்கிறார்கள் மற்றும் நம்பிக்கையை பராமரிக்க அல்லது மீண்டும் கட்டியெழுப்ப என்ன தேவை என்பதைப் பற்றிய நுண்ணறிவுகளை இது வழங்குகிறது, மேலும் வலுவான மற்றும் மன்னிக்கும் முகவர் அமைப்புகளுக்கு வழிவகுக்கிறது.
இந்த ஆராய்ச்சி முறைகளை ஒருங்கிணைப்பதன் மூலம், UX பயிற்சியாளர்கள் வெறுமனே ஏஜென்டிக் அமைப்புகளைப் பயன்படுத்தக்கூடியதாக மாற்றுவதைத் தாண்டி, பயனர்கள் மற்றும் அவர்களது AI முகவர்களிடையே நேர்மறையான மற்றும் உற்பத்தித் தொடர்புகளை வளர்க்கும் வகையில், அவற்றை நம்பகமானதாகவும், கட்டுப்படுத்தக்கூடியதாகவும், பொறுப்பாகவும் மாற்ற முடியும். ஏஜென்டிக் AI ஐ திறம்பட ஆராய்வதற்கு இவை மட்டுமே பொருத்தமான முறைகள் அல்ல என்பதை நினைவில் கொள்ளவும். வேறு பல முறைகள் உள்ளன, ஆனால் இவை நெருங்கிய காலத்தில் பயிற்சியாளர்களுக்கு மிகவும் அணுகக்கூடியவை. நான் முன்பு Wizard of Oz முறையைப் பற்றிக் கூறியுள்ளேன், இது சற்று மேம்பட்ட கருத்து சோதனை முறையாகும், இது ஏஜென்டிக் AI கருத்துகளை ஆராய்வதற்கான மதிப்புமிக்க கருவியாகும். ஆராய்ச்சி முறையின் நெறிமுறைக் கருத்தாய்வுகள் ஏஜென்டிக் AI ஐ ஆராயும் போது, குறிப்பாக தவறான நடத்தை அல்லது பிழைகளை உருவகப்படுத்தும் போது, நெறிமுறைக் கருத்தாய்வுகள் கணக்கில் எடுத்துக்கொள்ளப்பட வேண்டும். ஸ்மாஷிங் இதழுக்காக நான் எழுதிய கட்டுரை, யுஎக்ஸ் டிசைன் இன்ஸ்டிட்யூட்டில் இருந்து இந்த வழிகாட்டுதல்கள் மற்றும் உள்ளடக்கிய டிசைன் டூல்கிட்டில் இருந்து இந்தப் பக்கம் உட்பட நெறிமுறை UX ஆராய்ச்சியில் கவனம் செலுத்தும் பல வெளியீடுகள் உள்ளன. ஏஜென்டிக் AIக்கான முக்கிய அளவீடுகள் ஏஜென்டிக் AI அமைப்புகளின் செயல்திறன் மற்றும் நம்பகத்தன்மையை திறம்பட மதிப்பிடுவதற்கு, முக்கிய அளவீடுகளின் விரிவான தொகுப்பு உங்களுக்குத் தேவைப்படும். இந்த அளவீடுகள் பயனர் நம்பிக்கை, கணினி துல்லியம் மற்றும் ஒட்டுமொத்த பயனர் அனுபவத்தைப் பற்றிய நுண்ணறிவை வழங்குகிறது. இந்தக் குறிகாட்டிகளைக் கண்காணிப்பதன் மூலம், டெவலப்பர்களும் வடிவமைப்பாளர்களும் முன்னேற்றத்திற்கான பகுதிகளைக் கண்டறிந்து, AI முகவர்கள் பாதுகாப்பாகவும் திறமையாகவும் செயல்படுவதை உறுதிசெய்ய முடியும். 1. தலையீடு விகிதம் தன்னாட்சி முகவர்களுக்காக, நாங்கள் வெற்றியை அமைதியின் மூலம் அளவிடுகிறோம். ஒரு முகவர் ஒரு பணியைச் செய்தால், பயனர் ஒரு குறிப்பிட்ட சாளரத்தில் (எ.கா., 24 மணிநேரம்) தலையிடவோ அல்லது செயலை மாற்றவோ செய்யவில்லை என்றால், அதை ஏற்றுக்கொண்டதாகக் கருதுகிறோம். தலையீட்டு விகிதத்தை நாங்கள் கண்காணிக்கிறோம்: முகவரை நிறுத்த அல்லது சரிசெய்ய ஒரு மனிதன் எவ்வளவு அடிக்கடி குதிக்கிறான்? ஒரு உயர் தலையீடு விகிதம் நம்பிக்கை அல்லது தர்க்கத்தில் தவறான அமைப்பைக் குறிக்கிறது. 2. 1,000 பணிகளுக்கு திட்டமிடப்படாத செயல்களின் அதிர்வெண், 1,000 பணிகளுக்கு இயல்பாக்கப்பட்ட, பயனரால் விரும்பப்படாத அல்லது எதிர்பார்க்கப்படாத AI முகவரால் செய்யப்படும் செயல்களின் எண்ணிக்கையை இந்த முக்கியமான அளவீடு கணக்கிடுகிறது. திட்டமிடப்படாத செயல்களின் குறைந்த அதிர்வெண், நன்கு சீரமைக்கப்பட்ட AI ஐக் குறிக்கிறது, இது பயனர் நோக்கத்தை துல்லியமாக விளக்குகிறது மற்றும் வரையறுக்கப்பட்ட எல்லைகளுக்குள் செயல்படுகிறது. இந்த அளவீடு AI இன் சூழல் பற்றிய புரிதல், கட்டளைகளை தெளிவுபடுத்தும் திறன் மற்றும் அதன் பாதுகாப்பு நெறிமுறைகளின் வலிமை ஆகியவற்றுடன் நெருக்கமாக இணைக்கப்பட்டுள்ளது. 3. திரும்பப் பெறுதல் அல்லது செயல்தவிர்க்கும் விகிதங்கள், AI ஆல் செய்யப்படும் செயலை பயனர்கள் எவ்வளவு அடிக்கடி மாற்ற வேண்டும் அல்லது செயல்தவிர்க்க வேண்டும் என்பதை இந்த மெட்ரிக் கண்காணிக்கிறது. AI அடிக்கடி பிழைகள் செய்வதோ, வழிமுறைகளை தவறாகப் புரிந்துகொள்வதோ அல்லது பயனர் எதிர்பார்ப்புகளுடன் ஒத்துப்போகாத வழிகளில் செயல்படுவதோ என உயர் திரும்பப் பெறுதல் விகிதங்கள் தெரிவிக்கின்றன. இந்த ரோல்பேக்குகளுக்குப் பின்னால் உள்ள காரணங்களை பகுப்பாய்வு செய்வது, AI இன் வழிமுறைகளை மேம்படுத்துவதற்கும், பயனர் விருப்பங்களைப் புரிந்துகொள்வதற்கும், விரும்பத்தக்க விளைவுகளைக் கணிக்கும் திறனுக்கும் மதிப்புமிக்க கருத்துக்களை வழங்க முடியும். ஏன் என்பதைப் புரிந்து கொள்ள, செயல்தவிர்க்கும் செயலில் மைக்ரோ சர்வேயைச் செயல்படுத்த வேண்டும். எடுத்துக்காட்டாக, ஒரு பயனர் திட்டமிடல் மாற்றத்தை மாற்றியமைக்கும்போது, ஒரு எளிய வரியில் கேட்கலாம்: "தவறான நேரமா? தவறான நபரா? அல்லது அதை நீங்களே செய்ய விரும்புகிறீர்களா?" பயனரின் பகுத்தறிவுக்கு மிகவும் பொருத்தமான விருப்பத்தை கிளிக் செய்ய அனுமதிக்கிறது. 4. ஒரு பிழைக்குப் பிறகு தீர்வுக்கான நேரம் இந்த மெட்ரிக்AI ஆல் செய்யப்பட்ட பிழையை சரிசெய்வதற்கு அல்லது AI அமைப்பே ஒரு பிழையான நிலையில் இருந்து மீள்வதற்கு ஒரு பயனர் எடுக்கும் கால அளவை அளவிடுகிறது. தீர்வுக்கான குறுகிய நேரமானது திறமையான மற்றும் பயனர் நட்பு பிழை மீட்பு செயல்முறையைக் குறிக்கிறது, இது பயனர் விரக்தியைத் தணித்து உற்பத்தித்திறனைப் பராமரிக்கும். பிழையைக் கண்டறிவதற்கான எளிமை, செயல்தவிர் அல்லது திருத்தும் வழிமுறைகளின் அணுகல் மற்றும் AI வழங்கிய பிழைச் செய்திகளின் தெளிவு ஆகியவை இதில் அடங்கும்.
இந்த அளவீடுகளைச் சேகரிப்பதற்கு, ஏஜென்ட் ஆக்ஷன் ஐடிகளைக் கண்காணிக்க உங்கள் சிஸ்டத்தைக் கருவியாக்க வேண்டும். ஒரு அட்டவணையை முன்மொழிவது அல்லது விமானத்தை முன்பதிவு செய்வது போன்ற ஏஜென்ட் எடுக்கும் ஒவ்வொரு தனித்துவமான செயலும் பதிவுகளில் தொடர்ந்து இருக்கும் தனிப்பட்ட ஐடியை உருவாக்க வேண்டும். தலையீட்டு விகிதத்தை அளவிட, உடனடி பயனர் எதிர்வினைக்காக நாங்கள் பார்க்க மாட்டோம். வரையறுக்கப்பட்ட சாளரத்தில் எதிர் நடவடிக்கை இல்லாததை நாங்கள் தேடுகிறோம். காலை 9:00 மணிக்கு அதிரடி ஐடி உருவாக்கப்பட்டு, அடுத்த நாள் காலை 9:00 மணிக்கு எந்த மனித பயனரும் அந்த குறிப்பிட்ட ஐடியை மாற்றவில்லை அல்லது மாற்றவில்லை என்றால், கணினி தர்க்கரீதியாக அதை ஏற்றுக்கொண்டதாகக் குறிக்கும். செயலில் உள்ள உறுதிப்பாட்டைக் காட்டிலும் பயனர் அமைதியின் அடிப்படையில் வெற்றியைக் கணக்கிட இது அனுமதிக்கிறது. ரோல்பேக் விகிதங்களுக்கு, மூல எண்ணிக்கைகள் போதுமானதாக இல்லை, ஏனெனில் அவை சூழல் இல்லாததால். அடிப்படைக் காரணத்தைக் கண்டறிய, உங்கள் பயன்பாட்டின் செயல்தவிர் அல்லது மாற்றியமைத்தல் செயல்பாடுகளில் இடைமறிப்பு தர்க்கத்தைச் செயல்படுத்த வேண்டும். முகவர்-தொடங்கிய செயலை பயனர் மாற்றியமைக்கும்போது, இலகுரக மைக்ரோ சர்வேயைத் தூண்டவும். இது ஒரு எளிய மூன்று-விருப்ப மாதிரியாக இருக்கலாம், பிழையை உண்மையாகத் தவறானது, சூழல் இல்லாதது அல்லது பணியை கைமுறையாகக் கையாள்வதற்கான எளிய விருப்பம் என வகைப்படுத்துமாறு பயனரைக் கேட்கும். இது குவாண்டிடேட்டிவ் டெலிமெட்ரியை தரமான நுண்ணறிவுடன் இணைக்கிறது. உடைந்த அல்காரிதம் மற்றும் பயனர் விருப்பப் பொருத்தமின்மை ஆகியவற்றை வேறுபடுத்திப் பார்க்க இது பொறியியல் குழுக்களுக்கு உதவுகிறது. இந்த அளவீடுகள், தொடர்ந்து கண்காணித்து, முழுமையாக பகுப்பாய்வு செய்யும் போது, ஏஜென்டிக் AI அமைப்புகளின் செயல்திறனை மதிப்பிடுவதற்கான வலுவான கட்டமைப்பை வழங்குகிறது, இது கட்டுப்பாடு, ஒப்புதல் மற்றும் பொறுப்புக்கூறலில் தொடர்ச்சியான முன்னேற்றத்தை அனுமதிக்கிறது. வஞ்சகத்திற்கு எதிராக வடிவமைத்தல் முகவர்கள் பெருகிய முறையில் திறன் பெறுவதால், நாங்கள் ஒரு புதிய ஆபத்தை எதிர்கொள்கிறோம்: ஏஜென்டிக் ஸ்லட்ஜ். பாரம்பரிய கசடு உராய்வுகளை உருவாக்குகிறது, இது சந்தாவை ரத்து செய்வதையோ அல்லது கணக்கை நீக்குவதையோ கடினமாக்குகிறது. ஏஜென்டிக் கசடு தலைகீழாக செயல்படுகிறது. இது ஒரு தவறுக்கான உராய்வை நீக்குகிறது, ஒரு பயனர் தங்கள் சொந்த நலன்களுக்குப் பதிலாக வணிகத்திற்குப் பயனளிக்கும் செயலை ஏற்றுக்கொள்வதை மிகவும் எளிதாக்குகிறது. பயண முன்பதிவுக்கு உதவும் முகவரைக் கவனியுங்கள். தெளிவான பாதுகாப்புகள் இல்லாமல், இந்த அமைப்பு ஒரு கூட்டாளர் விமான நிறுவனம் அல்லது அதிக விளிம்பு ஹோட்டலுக்கு முன்னுரிமை அளிக்கலாம். இது இந்த தேர்வை உகந்த பாதையாக முன்வைக்கிறது. பயனர், கணினியின் அதிகாரத்தை நம்பி, ஆய்வு இல்லாமல் பரிந்துரையை ஏற்றுக்கொள்கிறார். வசதி என்ற போர்வையில் வருவாயை சிஸ்டம் மேம்படுத்தும் ஒரு ஏமாற்றும் வடிவத்தை இது உருவாக்குகிறது. தவறான கற்பனைத் திறனின் ஆபத்து வஞ்சகம் தீங்கிழைக்கும் நோக்கத்திலிருந்து தோன்றாமல் இருக்கலாம். இது பெரும்பாலும் AI இல் கற்பனைத் திறனாக வெளிப்படுகிறது. பெரிய மொழி மாதிரிகள் தவறாக இருந்தாலும் கூட அடிக்கடி அதிகாரப்பூர்வமாக ஒலிக்கும். அவர்கள் தவறான முன்பதிவு உறுதிப்படுத்தல் அல்லது துல்லியமற்ற சுருக்கத்தை சரிபார்க்கப்பட்ட உண்மையின் அதே நம்பிக்கையுடன் வழங்குகிறார்கள். பயனர்கள் இந்த நம்பிக்கையான தொனியை இயல்பாகவே நம்பலாம். இந்த பொருத்தமின்மை கணினி திறன் மற்றும் பயனர் எதிர்பார்ப்புகளுக்கு இடையே ஆபத்தான இடைவெளியை உருவாக்குகிறது. இந்த இடைவெளியைக் குறைக்க நாம் குறிப்பாக வடிவமைக்க வேண்டும். ஒரு முகவர் ஒரு பணியை முடிக்கத் தவறினால், இடைமுகம் தோல்வியைத் தெளிவாகக் குறிக்க வேண்டும். கணினி உறுதியாக தெரியவில்லை என்றால், மெருகூட்டப்பட்ட உரைநடை மூலம் அதை மறைப்பதற்கு பதிலாக நிச்சயமற்ற தன்மையை வெளிப்படுத்த வேண்டும். ப்ரிமிடிவ்ஸ் மூலம் வெளிப்படைத்தன்மை கசடு மற்றும் மாயத்தோற்றம் இரண்டிற்கும் மாற்று மருந்து ஆதாரம். ஒவ்வொரு தன்னாட்சி செயலுக்கும் முடிவின் தோற்றத்தை விளக்கும் ஒரு குறிப்பிட்ட மெட்டாடேட்டா டேக் தேவைப்படுகிறது. முடிவுக்குப் பின்னால் உள்ள தர்க்கச் சங்கிலியை ஆய்வு செய்யும் திறன் பயனர்களுக்குத் தேவை. இதை அடைய, நாம் பழமையானவற்றை நடைமுறை பதில்களாக மொழிபெயர்க்க வேண்டும். மென்பொருள் பொறியியலில், primitives என்பது ஒரு முகவர் செய்யும் தகவல் அல்லது செயல்களின் முக்கிய அலகுகளைக் குறிக்கிறது. பொறியாளருக்கு, இது API அழைப்பு அல்லது லாஜிக் கேட் போல் தெரிகிறது. பயனருக்கு, இது தெளிவான விளக்கமாகத் தோன்ற வேண்டும். இந்த தொழில்நுட்ப படிகளை மனிதர்கள் படிக்கக்கூடிய பகுத்தறிவுகளுக்கு வரைபடமாக்குவதில் வடிவமைப்பு சவால் உள்ளது. ஒரு குறிப்பிட்ட விமானத்தை ஏஜென்ட் பரிந்துரைத்தால், அதற்கான காரணத்தை பயனர் தெரிந்து கொள்ள வேண்டும். இடைமுகம் ஒரு பொதுவான பரிந்துரையின் பின்னால் மறைக்க முடியாது. இது அடிப்படையான ஆதிநிலையை வெளிப்படுத்த வேண்டும்: தர்க்கம்: மலிவான_நேரடி_விமானம் அல்லது தர்க்கம்: பார்ட்னர்_ஏர்லைன்_முன்னுரிமை. படம் 4 இந்த மொழிபெயர்ப்பு ஓட்டத்தை விளக்குகிறது. நாங்கள் மூல அமைப்பை பழமையானதாக எடுத்துக்கொள்கிறோம் - உண்மையான குறியீடு தர்க்கம் - மற்றும் அதை பயனர் எதிர்கொள்ளும் சரத்திற்கு வரைபடமாக்குகிறோம். உதாரணமாக, ஒரு காலெண்டர் அட்டவணையை ஒரு பழமையான சரிபார்ப்பு ஒரு தெளிவான அறிக்கையாக மாறும்: நான் மாலை 4 மணிக்கு முன்மொழிந்தேன்சந்திப்பு. வெளிப்படைத்தன்மையின் இந்த நிலை ஏஜெண்டின் செயல்கள் தர்க்கரீதியாகவும் நன்மையாகவும் இருப்பதை உறுதி செய்கிறது. முகவர் அவர்களின் நலனுக்காகச் செயல்பட்டார் என்பதைச் சரிபார்க்க இது பயனரை அனுமதிக்கிறது. பழமையானவற்றை அம்பலப்படுத்துவதன் மூலம், கருப்புப் பெட்டியை கண்ணாடிப் பெட்டியாக மாற்றுகிறோம், பயனர்கள் தங்களுடைய சொந்த டிஜிட்டல் வாழ்க்கையில் இறுதி அதிகாரமாக இருப்பதை உறுதிசெய்கிறோம்.
வடிவமைப்பிற்கான மேடை அமைத்தல் ஒரு முகவர் அமைப்பை உருவாக்குவதற்கு உளவியல் மற்றும் நடத்தை சார்ந்த புரிதலின் புதிய நிலை தேவைப்படுகிறது. வழக்கமான பயன்பாட்டினைச் சோதனைக்கு அப்பால், நம்பிக்கை, ஒப்புதல் மற்றும் பொறுப்புக்கூறல் ஆகிய துறைகளுக்குச் செல்ல இது நம்மைத் தூண்டுகிறது. நாங்கள் விவாதித்த ஆராய்ச்சி முறைகள், மன மாதிரிகளை ஆராய்வது முதல் தவறான நடத்தையை உருவகப்படுத்துவது மற்றும் புதிய அளவீடுகளை நிறுவுவது வரை, தேவையான அடித்தளத்தை வழங்குகிறது. இந்த நடைமுறைகள் ஒரு தன்னாட்சி அமைப்பு எங்கே தோல்வியடையும் என்பதை முன்கூட்டியே கண்டறிவதற்கான இன்றியமையாத கருவிகளாகும், மேலும் முக்கியமாக, பயனர் முகவர் உறவை எவ்வாறு சரிசெய்வது. ஏஜென்டிக் AIக்கு மாறுவது என்பது பயனர்-அமைப்பு உறவின் மறுவரையறை ஆகும். கட்டளைகளுக்குப் பதிலளிக்கும் கருவிகளை நாங்கள் இனி வடிவமைக்கவில்லை; எங்கள் சார்பாக செயல்படும் கூட்டாளர்களுக்காக நாங்கள் வடிவமைக்கிறோம். இது செயல்திறன் மற்றும் பயன்பாட்டின் எளிமையிலிருந்து வெளிப்படைத்தன்மை, முன்கணிப்பு மற்றும் கட்டுப்பாடு ஆகியவற்றிற்கு வடிவமைப்பின் கட்டாயத்தை மாற்றுகிறது. ஒரு AI விமானத்தை முன்பதிவு செய்யும்போது அல்லது இறுதிக் கிளிக் இல்லாமல் பங்குகளை வர்த்தகம் செய்யும்போது, அதன் "ஆன்-ரேம்ப்ஸ்" மற்றும் "ஆஃப்-ரேம்ப்ஸ்" வடிவமைப்பு மிக முக்கியமானது. சக்கரத்தை ஒப்படைத்தாலும், ஓட்டுநர் இருக்கையில் இருப்பதாக பயனர்கள் உணர்வதை உறுதி செய்வது எங்கள் பொறுப்பு. இந்த புதிய உண்மை UX ஆராய்ச்சியாளரின் பங்கையும் உயர்த்துகிறது. நாங்கள் பயனர் நம்பிக்கையின் பாதுகாவலர்களாகி, பொறியாளர்கள் மற்றும் தயாரிப்பு மேலாளர்களுடன் இணைந்து, ஏஜென்ட்டின் சுயாட்சியின் பாதுகாப்பை வரையறுத்து சோதிக்கிறோம். ஆராய்ச்சியாளர்கள் என்பதற்கு அப்பால், வளர்ச்சிச் செயல்பாட்டில் பயனர் கட்டுப்பாடு, வெளிப்படைத்தன்மை மற்றும் நெறிமுறைப் பாதுகாப்புகளுக்கு நாங்கள் வக்கீல்களாக மாறுகிறோம். பழமையானவற்றை நடைமுறை கேள்விகளாக மொழிபெயர்ப்பதன் மூலமும், மோசமான சூழ்நிலைகளை உருவகப்படுத்துவதன் மூலமும், சக்திவாய்ந்த மற்றும் பாதுகாப்பான அமைப்புகளை நாம் உருவாக்க முடியும். இந்தக் கட்டுரையில் ஏஜென்டிக் AI ஆராய்ச்சியின் "என்ன" மற்றும் "ஏன்" கோடிட்டுக் காட்டப்பட்டுள்ளது. நமது பாரம்பரிய கருவித்தொகுப்புகள் போதுமானதாக இல்லை என்பதையும், புதிய, முன்னோக்கி நோக்கும் முறைகளை நாம் பின்பற்ற வேண்டும் என்பதையும் இது காட்டுகிறது. அடுத்த கட்டுரை இந்த அடித்தளத்தை உருவாக்குகிறது, குறிப்பிட்ட வடிவமைப்பு முறைகள் மற்றும் நிறுவன நடைமுறைகளை வழங்குகிறது, இது ஒரு முகவரின் பயன்பாட்டை பயனர்களுக்கு வெளிப்படையானதாக ஆக்குகிறது, மேலும் அவர்கள் நம்பிக்கையுடனும் கட்டுப்பாட்டுடனும் ஏஜென்டிக் AI இன் ஆற்றலைப் பயன்படுத்துவதை உறுதிசெய்கிறது. UX இன் எதிர்காலம் அமைப்புகளை நம்பகமானதாக மாற்றுவதாகும். ஏஜென்டிக் AI பற்றிய கூடுதல் புரிதலுக்கு, பின்வரும் ஆதாரங்களை நீங்கள் ஆராயலாம்:
ஏஜென்டிக் AI பற்றிய Google AI வலைப்பதிவு AI முகவர்கள் பற்றிய மைக்ரோசாப்டின் ஆராய்ச்சி
