எனது கடைசிப் பகுதியில், நாங்கள் ஒரு அடிப்படை உண்மையை நிறுவியுள்ளோம்: பயனர்கள் AI ஐ ஏற்றுக்கொண்டு நம்புவதற்கு, அவர்கள் அதை நம்ப வேண்டும். AI இன் திறன், நன்மை, ஒருமைப்பாடு மற்றும் முன்கணிப்பு ஆகியவற்றின் அடிப்படையில் கட்டமைக்கப்பட்ட ஒரு பன்முகக் கட்டமைப்பைப் பற்றி நாங்கள் பேசினோம். ஆனால் ஒரு AI, அதன் அமைதியான, அல்காரிதமிக் ஞானத்தில், ஒரு பயனரை குழப்பி, விரக்தியடையச் செய்யும் அல்லது காயப்படுத்தும் முடிவை எடுக்கும்போது என்ன நடக்கும்? ஒரு அடமான விண்ணப்பம் நிராகரிக்கப்பட்டது, ஒரு பிடித்தமான பாடல் திடீரென்று பிளேலிஸ்ட்டில் இல்லை, மேலும் தகுதியான விண்ணப்பம் ஒரு நபர் பார்க்கும் முன் நிராகரிக்கப்படுகிறது. இந்த தருணங்களில், திறன் மற்றும் முன்கணிப்பு சிதைந்துவிடும், மேலும் நற்பண்பு ஒரு உலகத்தை உணர்கிறது. இப்போது நமது உரையாடல் ஏன் நம்பிக்கை என்பதில் இருந்து வெளிப்படைத்தன்மைக்கு எப்படி உருவாக வேண்டும். AI வெளியீடுகளை மனிதர்களுக்குப் புரிய வைக்கும் முறைகளை மேம்படுத்துவதில் கவனம் செலுத்தும் AI (XAI) புலம், இதை நிவர்த்தி செய்ய வெளிப்பட்டுள்ளது, ஆனால் இது பெரும்பாலும் தரவு விஞ்ஞானிகளுக்கு முற்றிலும் தொழில்நுட்ப சவாலாக வடிவமைக்கப்பட்டுள்ளது. AI ஐ நம்பியிருக்கும் தயாரிப்புகளுக்கு இது ஒரு முக்கியமான வடிவமைப்பு சவால் என்று நான் வாதிடுகிறேன். அல்காரிதம் முடிவெடுப்பதற்கும் மனித புரிதலுக்கும் இடையிலான இடைவெளியைக் குறைப்பது UX நிபுணர்களாகிய எங்கள் வேலை. இக்கட்டுரையானது எவ்வாறு ஆராய்ச்சி செய்து விளக்கமளிப்பதற்காக வடிவமைப்பது என்பதற்கான நடைமுறை, செயல்வழி வழிகாட்டுதலை வழங்குகிறது. சிக்கலான XAI கான்செப்ட்களை கான்க்ரீட் டிசைன் பேட்டர்ன்களாக மொழிபெயர்த்து, இன்று நீங்கள் பயன்படுத்தத் தொடங்கும் வார்த்தைகளுக்கு அப்பால் நகர்த்துவோம். டி-மிஸ்டிஃபைங் XAI: UX பயிற்சியாளர்களுக்கான முக்கிய கருத்துக்கள் XAI என்பது பயனரின் கேள்விக்கு பதிலளிப்பதாகும்: "ஏன்?" எனக்கு ஏன் இந்த விளம்பரம் காட்டப்பட்டது? இந்தப் படம் எனக்கு ஏன் பரிந்துரைக்கப்பட்டது? எனது கோரிக்கை ஏன் நிராகரிக்கப்பட்டது? ஒரு கணிதப் பிரச்சனையில் AI தனது வேலையைக் காட்டும் என நினைத்துப் பாருங்கள். அது இல்லாமல், உங்களிடம் ஒரு பதில் இருக்கிறது, மேலும் நீங்கள் அதை விசுவாசத்தில் எடுத்துக்கொள்ள வேண்டிய கட்டாயத்தில் உள்ளீர்கள். படிகளைக் காண்பிப்பதில், நீங்கள் புரிதலையும் நம்பிக்கையையும் உருவாக்குகிறீர்கள். உங்கள் வேலையை அது பாதிக்கும் மனிதர்களால் இருமுறை சரிபார்க்கவும் சரிபார்க்கவும் அனுமதிக்கிறீர்கள். அம்சம் முக்கியத்துவம் மற்றும் எதிர் உண்மைகள் AI உடன் என்ன நடக்கிறது என்பதை தெளிவுபடுத்த அல்லது விளக்குவதற்கு நாம் பயன்படுத்தக்கூடிய பல நுட்பங்கள் உள்ளன. முறைகள் முடிவெடுக்கும் மரத்தின் முழு தர்க்கத்தையும் வழங்குவது முதல் ஒரு வெளியீட்டின் இயல்பான மொழி சுருக்கங்களை உருவாக்குவது வரை இருக்கும் போது, UX பயிற்சியாளர்கள் அனுபவத்தில் அறிமுகப்படுத்தக்கூடிய இரண்டு மிகவும் நடைமுறை மற்றும் தாக்கமான தகவல்களில் அம்ச முக்கியத்துவம் (படம் 1) மற்றும் எதிர் உண்மைகள். இவை பெரும்பாலும் பயனர்கள் புரிந்துகொள்வதற்கு மிகவும் நேரடியானவை மற்றும் வடிவமைப்பாளர்கள் செயல்படுத்துவதற்கு மிகவும் செயல்படக்கூடியவை.
அம்சம் முக்கியத்துவம் இந்த விளக்கமளிக்கும் முறை பதிலளிக்கிறது, "AI கருதிய மிக முக்கியமான காரணிகள் யாவை?" இது முடிவில் மிகப்பெரிய தாக்கத்தை ஏற்படுத்திய முதல் 2-3 மாறிகளை அடையாளம் காண்பது. இது தலைப்பு, முழு கதையும் அல்ல. உதாரணம்: ஒரு வாடிக்கையாளரை (அவர்களது சேவையை ரத்து செய்வாரா) என்று கணிக்கும் AIயை கற்பனை செய்து பாருங்கள். "கடந்த மாதத்தில் வந்த ஆதரவு அழைப்புகளின் எண்ணிக்கை" மற்றும் "சமீபத்திய விலை உயர்வுகள்" ஆகிய இரண்டு முக்கிய காரணிகள் வாடிக்கையாளர் குழப்பமடையுமா என்பதைத் தீர்மானிப்பதில் முக்கியத்துவத்தை வெளிப்படுத்தலாம்.
எதிர் உண்மைகள் இந்த சக்திவாய்ந்த முறை பதிலளிக்கிறது, "வேறு முடிவைப் பெற நான் என்ன மாற்ற வேண்டும்?" இது மிகவும் முக்கியமானது, ஏனெனில் இது பயனர்களுக்கு ஏஜென்சி உணர்வை அளிக்கிறது. இது ஏமாற்றமளிக்கும் "இல்லை" என்பதை செயல்படக்கூடிய "இன்னும் இல்லை" ஆக மாற்றுகிறது. எடுத்துக்காட்டு: AI ஐப் பயன்படுத்தும் கடன் விண்ணப்ப முறையை கற்பனை செய்து பாருங்கள். ஒரு பயனருக்கு கடன் மறுக்கப்படுகிறது. "விண்ணப்பம் நிராகரிக்கப்பட்டது" என்று பார்ப்பதற்குப் பதிலாக, "உங்கள் கிரெடிட் ஸ்கோர் 50 புள்ளிகள் அதிகமாக இருந்தாலோ அல்லது உங்கள் கடன்-வருமான விகிதம் 10% குறைவாக இருந்தாலோ, உங்கள் கடன் அங்கீகரிக்கப்பட்டிருக்கும்" என்று ஒரு எதிர் விளக்கமும் பகிரப்படும். இது சாரா எதிர்காலத்தில் கடனைப் பெறுவதற்கு அவர் எடுக்கக்கூடிய தெளிவான, செயல்படக்கூடிய நடவடிக்கைகளை வழங்குகிறது.
விளக்கத்தை மேம்படுத்த மாதிரி தரவைப் பயன்படுத்துதல் தொழில்நுட்ப விவரக்குறிப்புகள் பெரும்பாலும் தரவு விஞ்ஞானிகளால் கையாளப்பட்டாலும், UX பயிற்சியாளர்கள், LIME (உள்ளூர் விளக்கமளிக்கும் மாதிரி-அஞ்ஞான விளக்கங்கள்) போன்ற கருவிகளை உள்நாட்டில் தோராயமாக மதிப்பிடுவதன் மூலம் தனிப்பட்ட கணிப்புகளை விளக்கும் மற்றும் SHAP (ஷாப்லி சேர்க்கை விளக்கங்கள்) போன்ற கருவிகளை அறிந்து கொள்வது உதவியாக இருக்கும். சிக்கலான மாதிரிகளிலிருந்து நுண்ணறிவு. கொடுக்கப்பட்ட முடிவுக்கு எந்த உள்ளீடுகள் மிகவும் செல்வாக்கு செலுத்துகின்றன என்பதைக் காண்பிப்பதற்கான AI இன் முடிவை உடைக்க இந்த நூலகங்கள் முக்கியமாக உதவுகின்றன. சரியாகச் செய்யும்போது, AI கருவியின் முடிவின் அடிப்படையிலான தரவு சக்திவாய்ந்த கதையைச் சொல்லப் பயன்படும். அம்சம் முக்கியத்துவம் மற்றும் எதிர்விளைவுகள் மூலம் நடப்போம் மற்றும் பயனரின் அனுபவத்தை மேம்படுத்த முடிவின் பின்னால் உள்ள தரவு அறிவியலை எவ்வாறு பயன்படுத்தலாம் என்பதைக் காண்பிப்போம். இப்போது நாம்உள்ளூர் விளக்கங்கள் (எ.கா., LIME) தரவுகளின் உதவியுடன் அம்ச முக்கியத்துவத்தை உள்ளடக்கியது: இந்த அணுகுமுறை பதிலளிக்கிறது, "ஏன் AI எனக்கு இந்தக் குறிப்பிட்ட பரிந்துரையை இப்போது செய்தது?" மாதிரி எவ்வாறு செயல்படுகிறது என்பதற்கான பொதுவான விளக்கத்திற்குப் பதிலாக, இது ஒரு குறிப்பிட்ட, ஒரு குறிப்பிட்ட நிகழ்விற்கான ஒரு மையப்படுத்தப்பட்ட காரணத்தை வழங்குகிறது. இது தனிப்பட்ட மற்றும் சூழல் சார்ந்தது. எடுத்துக்காட்டு: Spotify போன்ற AI-இயங்கும் இசை பரிந்துரை அமைப்பை கற்பனை செய்து பாருங்கள். ஒரு உள்ளூர் விளக்கம் பதிலளிக்கும், "அடீலின் இந்த குறிப்பிட்ட பாடலை கணினி இப்போது உங்களுக்கு ஏன் பரிந்துரைத்தது?" விளக்கமாக இருக்கலாம்: "ஏனென்றால் நீங்கள் சமீபத்தில் பல உணர்ச்சிகரமான பாடல்களையும் பெண் பாடகர்களின் பாடல்களையும் கேட்டீர்கள்."
இறுதியாக, ஒரு முடிவின் விளக்கத்திற்கு மதிப்பு அடிப்படையிலான விளக்கங்களை (எ.கா. ஷேப்லி சேர்க்கும் விளக்கங்கள் (SHAP) தரவைச் சேர்ப்போம்: இது அம்ச முக்கியத்துவத்தின் மிகவும் நுணுக்கமான பதிப்பாகும், இது "ஒவ்வொரு காரணியும் எவ்வாறு முடிவை ஒரு வழி அல்லது மற்றொன்றாகத் தள்ளியது?" இது முக்கியமானவற்றைக் கற்பனை செய்ய உதவுகிறது மற்றும் அதன் செல்வாக்கு நேர்மறையா அல்லது எதிர்மறையானதா என்பதைக் கண்டறிய உதவுகிறது. உதாரணம்: கடன் விண்ணப்பத்தை அங்கீகரிக்க வேண்டுமா என்பதை முடிவு செய்ய வங்கி AI மாதிரியைப் பயன்படுத்துகிறது என்று கற்பனை செய்து பாருங்கள்.
அம்சம் முக்கியத்துவம்: விண்ணப்பதாரரின் கிரெடிட் ஸ்கோர், வருமானம் மற்றும் கடன்-வருமான விகிதம் ஆகியவை அதன் முடிவில் மிக முக்கியமான காரணிகளாக இருந்தன என்பதை மாதிரி வெளியீடு காட்டலாம். இது முக்கியமானது என்பதற்கு விடையளிக்கிறது. மதிப்பு அடிப்படையிலான விளக்கங்களுடன் (SHAP) அம்ச முக்கியத்துவம்: SHAP மதிப்புகள் மாதிரியின் கூறுகளின் அடிப்படையில் மேலும் அம்ச முக்கியத்துவத்தைப் பெறும்.
அங்கீகரிக்கப்பட்ட கடனுக்கு, SHAP ஆனது, அதிக கிரெடிட் ஸ்கோர் முடிவை ஒப்புதலுக்கு (நேர்மறையான செல்வாக்கு) கணிசமாகத் தள்ளியது, அதே சமயம் சராசரியை விட சற்றே அதிகமான கடன்-வருமான விகிதம் அதைச் சிறிது தூரத்தில் இழுத்தது (எதிர்மறை தாக்கம்), ஆனால் கடனை மறுக்க போதுமானதாக இல்லை. மறுக்கப்பட்ட கடனுக்கு, குறைந்த வருமானம் மற்றும் அதிக எண்ணிக்கையிலான சமீபத்திய கிரெடிட் விசாரணைகள், கிரெடிட் ஸ்கோர் ஒழுக்கமானதாக இருந்தாலும், மறுப்பை நோக்கி முடிவை வலுவாகத் தள்ளியது என்பதை SHAP வெளிப்படுத்தலாம்.
ஒவ்வொரு காரணியும் இறுதி "ஆம்" அல்லது "இல்லை" முடிவிற்கு எவ்வாறு பங்களித்தது என்பதை கருத்தில் கொள்ளப்பட்டதைத் தாண்டி விண்ணப்பதாரருக்கு விளக்க இது கடன் அதிகாரி உதவுகிறது. நல்ல விளக்கங்களை வழங்கும் திறன் பெரும்பாலும் வளர்ச்சி சுழற்சியில் மிகவும் முன்னதாகவே தொடங்குகிறது என்பதை அங்கீகரிப்பது முக்கியம். தரவு விஞ்ஞானிகள் மற்றும் பொறியியலாளர்கள் ஒரு முக்கிய பங்கை வேண்டுமென்றே மாதிரிகள் மற்றும் தரவுக் குழாய்களை உருவாக்குவதன் மூலம் ஒரு முக்கிய பங்கை வகிக்கிறார்கள், அதை ஒரு பின் சிந்தனையாக மாற்ற முயற்சிப்பதை விட, இயல்பாகவே விளக்கத்தை ஆதரிக்கின்றனர். ஆராய்ச்சி மற்றும் வடிவமைப்புக் குழுக்கள், தரவு விஞ்ஞானிகள் மற்றும் பொறியாளர்களுடன் பயனர்களைப் புரிந்துகொள்வதற்கான தேவைகளைப் பற்றி ஆரம்பகால உரையாடல்களைத் தொடங்குதல், விளக்கமளிக்கும் அளவீடுகளின் வளர்ச்சிக்கு பங்களித்தல் மற்றும் துல்லியமான மற்றும் பயனர் நட்புடன் இருப்பதை உறுதிசெய்யும் வகையில் விளக்கங்களை ஒத்துழைத்து முன்மாதிரி செய்வதன் மூலம் இதை ஊக்குவிக்க முடியும். XAI மற்றும் நெறிமுறை AI: சார்பு மற்றும் பொறுப்பை அன்பேக்கிங் நம்பிக்கையை வளர்ப்பதற்கு அப்பால், AI*யின் ஆழமான நெறிமுறை தாக்கங்களை நிவர்த்தி செய்வதில் XAI முக்கிய பங்கு வகிக்கிறது, குறிப்பாக அல்காரிதம் சார்பு பற்றியது. SHAP மதிப்புகளை பகுப்பாய்வு செய்வது போன்ற விளக்கமளிக்கும் நுட்பங்கள், இந்த காரணிகள் நேரடியாக உள்ளீடுகளாக வெளிப்படையாகப் பயன்படுத்தப்படாவிட்டாலும் கூட, இனம், பாலினம் அல்லது சமூகப் பொருளாதார நிலை போன்ற உணர்வுப்பூர்வமான பண்புகளால் ஒரு மாதிரியின் முடிவுகள் விகிதாச்சாரத்தில் பாதிக்கப் பட்டுள்ளனவா என்பதை வெளிப்படுத்தலாம். எடுத்துக்காட்டாக, ஒரு குறிப்பிட்ட மக்கள்தொகையில் இருந்து விண்ணப்பதாரர்களுக்கு கடன் ஒப்புதல் மாதிரியானது எதிர்மறையான SHAP மதிப்புகளைத் தொடர்ந்து ஒதுக்கினால், அது விசாரணை தேவைப்படும் ஒரு சாத்தியமான சார்புநிலையைக் குறிக்கிறது, இது போன்ற நியாயமற்ற விளைவுகளை வெளிப்படுத்தவும் குறைக்கவும் குழுக்களுக்கு அதிகாரம் அளிக்கிறது. XAI இன் சக்தியானது "விளக்கத்திறன் கழுவுதல்" சாத்தியத்துடன் வருகிறது. "கிரீன்வாஷிங்" சுற்றுச்சூழல் நடைமுறைகளைப் பற்றி நுகர்வோரை தவறாக வழிநடத்துவது போல, விளக்கங்கள் தெளிவுபடுத்துவதற்குப் பதிலாக, சிக்கலான வழிமுறை நடத்தை அல்லது உள்ளார்ந்த சார்புகளை மறைக்க வடிவமைக்கப்படும்போது, விளக்கத்திறன் கழுவுதல் ஏற்படலாம். இது மிகவும் எளிமையான விளக்கங்களாக வெளிப்படலாம், அவை முக்கியமான தாக்கத்தை ஏற்படுத்தும் காரணிகளைத் தவிர்க்கின்றன, அல்லது உத்திரீதியாக முடிவுகளை அவை உண்மையாக இருப்பதை விட நடுநிலையாகவோ அல்லது நியாயமானதாகவோ தோன்றும். உண்மையான வெளிப்படையான மற்றும் சரிபார்க்கக்கூடிய விளக்கங்களை வடிவமைப்பதில் UX பயிற்சியாளர்களின் நெறிமுறைப் பொறுப்பை இது அடிக்கோடிட்டுக் காட்டுகிறது. யுஎக்ஸ் வல்லுநர்கள், தரவு விஞ்ஞானிகள் மற்றும் நெறிமுறையாளர்களுடன் இணைந்து, ஒரு முடிவின் காரணத்தைத் தொடர்புகொள்வதில் முக்கியமான பொறுப்பைக் கொண்டுள்ளனர், மேலும் அடிப்படை AI மாதிரியின் வரம்புகள் மற்றும் சாத்தியமான சார்புகள். AI துல்லியம் பற்றிய யதார்த்தமான பயனர் எதிர்பார்ப்புகளை அமைப்பது, மாடல் நம்பகத்தன்மை குறைவாக இருக்கும் இடத்தைக் கண்டறிதல் மற்றும் பயனர்கள் நியாயமற்ற அல்லது தவறான விளைவுகளை உணரும் போது, உதவி அல்லது கருத்துக்கான தெளிவான சேனல்களை வழங்குதல் ஆகியவை இதில் அடங்கும். இவற்றைத் தீவிரமாக நிவர்த்தி செய்தல்நெறிமுறை பரிமாணங்கள் உண்மையிலேயே நியாயமான மற்றும் நம்பகமான AI அமைப்புகளை உருவாக்க அனுமதிக்கும். முறைகள் முதல் மாக்கப் வரை: நடைமுறை XAI வடிவமைப்பு வடிவங்கள் கருத்துகளை அறிவது ஒன்றுதான்; அவற்றை வடிவமைப்பது வேறு. இந்த XAI முறைகளை உள்ளுணர்வு வடிவமைப்பு வடிவங்களாக எப்படி மொழிபெயர்க்கலாம் என்பது இங்கே. முறை 1: "ஏனெனில்" அறிக்கை (அம்ச முக்கியத்துவத்திற்காக) இது எளிமையான மற்றும் பெரும்பாலும் மிகவும் பயனுள்ள முறை. இது ஒரு நேரடியான, எளிய மொழி அறிக்கையாகும், இது AI இன் செயல்பாட்டிற்கான முதன்மைக் காரணத்தை வெளிப்படுத்துகிறது.
ஹியூரிஸ்டிக்: நேரடியாகவும் சுருக்கமாகவும் இருங்கள். மிகவும் தாக்கத்தை ஏற்படுத்தும் ஒற்றைக் காரணத்தைக் கொண்டு வழிநடத்துங்கள். எல்லா விலையிலும் வாசகங்களைத் தவிர்க்கவும்.
எடுத்துக்காட்டு: ஒரு இசை ஸ்ட்ரீமிங் சேவையை கற்பனை செய்து பாருங்கள். "டிஸ்கவர் வீக்லி" பிளேலிஸ்ட்டை வழங்குவதற்குப் பதிலாக, மைக்ரோகாப்பியின் சிறிய வரியைச் சேர்க்கிறீர்கள். பாடல் பரிந்துரை: "வெல்வெட் மார்னிங்"ஏனென்றால் நீங்கள் "தி ஃபஸ்ஸ்" மற்றும் பிற சைகடெலிக் ராக் ஆகியவற்றைக் கேட்கிறீர்கள்.
முறை 2: "என்ன என்றால்" ஊடாடுதல் (எதிர் உண்மைகளுக்கு) எதிர்நிலைகள் இயல்பாகவே அதிகாரமளித்தல் பற்றியவை. அவற்றைப் பிரதிநிதித்துவப்படுத்துவதற்கான சிறந்த வழி, சாத்தியக்கூறுகளை ஆராய்வதற்கு பயனர்களுக்கு ஊடாடும் கருவிகளை வழங்குவதாகும். இது நிதி, ஆரோக்கியம் அல்லது பிற இலக்கு சார்ந்த பயன்பாடுகளுக்கு ஏற்றது.
ஹியூரிஸ்டிக்: விளக்கங்களை ஊடாடும் மற்றும் அதிகாரமளிக்கச் செய்யுங்கள். பயனர்கள் தங்கள் தேர்வுகளின் காரணத்தையும் விளைவையும் பார்க்கட்டும்.
எடுத்துக்காட்டு: கடன் விண்ணப்ப இடைமுகம். மறுப்புக்குப் பிறகு, முட்டுச்சந்திற்குப் பதிலாக, பல்வேறு காட்சிகள் (what-ifs) எவ்வாறு இயங்கக்கூடும் என்பதைத் தீர்மானிக்க பயனர் ஒரு கருவியைப் பெறுகிறார் (படம் 1 ஐப் பார்க்கவும்).
பேட்டர்ன் 3: ஹைலைட் ரீல் (உள்ளூர் விளக்கங்களுக்கு) ஒரு AI பயனரின் உள்ளடக்கத்தில் ஒரு செயலைச் செய்யும்போது (ஆவணத்தைச் சுருக்குவது அல்லது புகைப்படங்களில் முகங்களை அடையாளம் காண்பது போன்றவை), விளக்கம் பார்வைக்கு ஆதாரத்துடன் இணைக்கப்பட வேண்டும்.
ஹியூரிஸ்டிக்: விளக்கத்தை அது விளக்கும் இடைமுக உறுப்புடன் நேரடியாக இணைக்க, ஹைலைட், அவுட்லைன்கள் அல்லது சிறுகுறிப்புகள் போன்ற காட்சி குறிப்புகளைப் பயன்படுத்தவும்.
எடுத்துக்காட்டு: நீண்ட கட்டுரைகளைச் சுருக்கமாகக் கூறும் AI கருவி. AI-உருவாக்கப்பட்ட சுருக்கம்: ஆரம்ப ஆராய்ச்சியானது நிலையான தயாரிப்புகளுக்கான சந்தை இடைவெளியைக் காட்டியது. ஆவணத்தின் ஆதாரம்:“...எங்கள் சந்தைப் போக்குகளின் Q2 பகுப்பாய்வு, எந்த ஒரு பெரிய போட்டியாளரும் திறம்பட சேவை செய்யவில்லை என்பதை உறுதியாக நிரூபித்தது.
முறை 4: புஷ்-அண்ட்-புல் விஷுவல் (மதிப்பு அடிப்படையிலான விளக்கங்களுக்கு) மிகவும் சிக்கலான முடிவுகளுக்கு, பயனர்கள் காரணிகளின் இடைவினையைப் புரிந்து கொள்ள வேண்டும். எளிமையான தரவு காட்சிப்படுத்தல்கள் இதை அதிகமாக இல்லாமல் தெளிவுபடுத்தும்.
ஹியூரிஸ்டிக்: ஒரு முடிவை நேர்மறையாகவும் எதிர்மறையாகவும் பாதிக்கும் காரணிகளைக் காட்ட எளிய, வண்ண-குறியிடப்பட்ட தரவு காட்சிப்படுத்தல்களைப் பயன்படுத்தவும் (பார் விளக்கப்படங்கள் போன்றவை).
உதாரணம்: வேலைக்கான விண்ணப்பதாரரின் சுயவிவரத்தை AI திரையிடுகிறது. இந்த வேட்பாளர் ஏன் 75% பொருத்தமாக இருக்கிறார்: மதிப்பெண்ணை உயர்த்தும் காரணிகள்: 5+ வருட யுஎக்ஸ் ஆராய்ச்சி அனுபவம் மதிப்பெண்ணைக் குறைக்கும் பைதான் காரணிகளில் திறமையானவர்: B2B SaaS உடன் அனுபவம் இல்லை
உங்கள் AI தயாரிப்பின் UX இல் இந்த வடிவமைப்பு வடிவங்களைக் கற்றுக்கொள்வதும் பயன்படுத்துவதும் விளக்கத்தை அதிகரிக்க உதவும். நான் இங்கே ஆழமாக விவரிக்காத கூடுதல் நுட்பங்களையும் நீங்கள் பயன்படுத்தலாம். இதில் பின்வருவன அடங்கும்:
இயல்பான மொழி விளக்கங்கள்: AI இன் தொழில்நுட்ப வெளியீட்டை எளிய, உரையாடல் மனித மொழியில் மொழிபெயர்ப்பது நிபுணர்கள் அல்லாதவர்கள் எளிதில் புரிந்து கொள்ள முடியும். சூழ்நிலை விளக்கங்கள்: குறிப்பிட்ட தருணம் மற்றும் இருப்பிடத்தில் AI இன் வெளியீட்டிற்கான காரணத்தை வழங்குதல், இது பயனரின் பணிக்கு மிகவும் பொருத்தமானது. தொடர்புடைய காட்சிப்படுத்தல்கள்: விளக்கப்படங்கள், வரைபடங்கள் அல்லது ஹீட்மேப்களைப் பயன்படுத்தி AI இன் முடிவெடுக்கும் செயல்முறையை பார்வைக்கு பிரதிநிதித்துவப்படுத்துகிறது, சிக்கலான தரவை உள்ளுணர்வு மற்றும் பயனர்கள் புரிந்துகொள்வதை எளிதாக்குகிறது.
முன் முனைக்கான குறிப்பு: இந்த விளக்கமளிக்கும் வெளியீடுகளை தடையற்ற பயனர் அனுபவங்களாக மொழிபெயர்ப்பது அதன் சொந்த தொழில்நுட்பக் கருத்தாய்வுகளையும் வழங்குகிறது. முன்-இறுதி டெவலப்பர்கள் விளக்கத் தரவைத் திறமையாகப் பெற ஏபிஐ வடிவமைப்புடன் அடிக்கடி பிடிப்பார்கள், மேலும் செயல்திறன் தாக்கங்கள் (ஒவ்வொரு பயனர் தொடர்புக்கும் நிகழ்நேர உருவாக்கம் போன்றவை) தாமதத்தைத் தவிர்க்க கவனமாக திட்டமிடல் தேவை. சில நிஜ உலக உதாரணங்கள் யுபிஎஸ் கேபிட்டலின் டெலிவரி டிஃபென்ஸ் ஒரு தொகுப்பு திருடப்படுவதற்கான சாத்தியக்கூறுகளை கணிக்க முகவரிகளுக்கு "டெலிவரி கான்ஃபிடன்ஸ் ஸ்கோரை" ஒதுக்க UPS AI ஐப் பயன்படுத்துகிறது. அவர்களின் டெலிவரி டிஃபென்ஸ் மென்பொருள் இருப்பிடம், இழப்பு அதிர்வெண் மற்றும் பிற காரணிகள் பற்றிய வரலாற்றுத் தரவை பகுப்பாய்வு செய்கிறது. முகவரிக்கு குறைந்த மதிப்பெண் இருந்தால், சிஸ்டம் முன்கூட்டியே பேக்கேஜை பாதுகாப்பான யுபிஎஸ் அணுகல் புள்ளிக்கு மாற்றியமைத்து, முடிவிற்கான விளக்கத்தை அளிக்கிறது (எ.கா., "திருட்டு வரலாறு காரணமாக பேக்கேஜ் பாதுகாப்பான இடத்திற்கு மாற்றப்பட்டது"). இந்த அமைப்பு XAI எவ்வாறு இடர் குறைப்பு மற்றும் வாடிக்கையாளர் நம்பிக்கையை உருவாக்க பயன்படுகிறது என்பதை விளக்குகிறதுவெளிப்படைத்தன்மை. தன்னாட்சி வாகனங்கள் எதிர்காலத்தின் இந்த வாகனங்கள் தங்கள் வாகனங்கள் பாதுகாப்பான, விளக்கக்கூடிய முடிவுகளை எடுக்க உதவும் வகையில் XAIஐ திறம்பட பயன்படுத்த வேண்டும். ஒரு சுய-ஓட்டுநர் கார் திடீரென பிரேக் செய்யும் போது, அதன் செயலுக்கான நிகழ்நேர விளக்கத்தை கணினி வழங்க முடியும், எடுத்துக்காட்டாக, சாலையில் அடியெடுத்து வைக்கும் பாதசாரியை அடையாளம் காண்பதன் மூலம். இது பயணிகளின் ஆறுதல் மற்றும் நம்பிக்கைக்கு முக்கியமானது மட்டுமல்ல, AI அமைப்பின் பாதுகாப்பு மற்றும் பொறுப்புணர்வை நிரூபிக்கும் ஒரு ஒழுங்குமுறைத் தேவையாகும். IBM Watson Health (மற்றும் அதன் சவால்கள்) ஹெல்த்கேரில் AI இன் பொதுவான எடுத்துக்காட்டு என்று அடிக்கடி குறிப்பிடப்பட்டாலும், இது XAI இன் முக்கியத்துவத்திற்கான மதிப்புமிக்க ஆய்வு ஆகும். அதன் வாட்சன் ஃபார் ஆன்காலஜி திட்டத்தின் தோல்வியானது, விளக்கங்கள் தெளிவாக இல்லாதபோது, அல்லது அடிப்படைத் தரவு பக்கச்சார்பானதாகவோ அல்லது உள்ளூர்மயமாக்கப்படாமலோ இருக்கும்போது என்ன தவறு நேரலாம் என்பதை எடுத்துக்காட்டுகிறது. அமைப்பின் பரிந்துரைகள் சில சமயங்களில் உள்ளூர் மருத்துவ நடைமுறைகளுடன் முரணாக இருந்தன, ஏனெனில் அவை யு.எஸ்-மையப்படுத்தப்பட்ட வழிகாட்டுதல்களை அடிப்படையாகக் கொண்டவை. இது உறுதியான, சூழல்-விளக்கத்திறனுக்கான தேவை பற்றிய எச்சரிக்கைக் கதையாக செயல்படுகிறது. யுஎக்ஸ் ஆராய்ச்சியாளரின் பங்கு: விளக்கங்களைச் சுட்டிக்காட்டுதல் மற்றும் சரிபார்த்தல் எங்கள் வடிவமைப்பு தீர்வுகள் சரியான நேரத்தில் சரியான பயனர் கேள்விகளைக் கேட்டால் மட்டுமே பயனுள்ளதாக இருக்கும். பயனரிடம் இல்லாத கேள்விக்கு பதிலளிக்கும் விளக்கம் சத்தம் மட்டுமே. இங்குதான் UX ஆராய்ச்சி ஒரு XAI மூலோபாயத்தில் முக்கியமான இணைப்பு திசுக்களாக மாறுகிறது, இது உண்மையில் என்ன, எப்படி எங்கள் பயனர்களுக்கு முக்கியமானது என்பதை நாங்கள் விளக்குவதை உறுதிசெய்கிறோம். ஆய்வாளரின் பங்கு இரண்டு மடங்கு ஆகும்: முதலில், விளக்கங்கள் தேவைப்படுவதைக் கண்டறிவதன் மூலம் மூலோபாயத்தைத் தெரிவிக்கவும், இரண்டாவதாக, அந்த விளக்கங்களை வழங்கும் வடிவமைப்புகளை சரிபார்க்கவும். XAI மூலோபாயத்தைத் தெரிவிக்கவும் (என்ன விளக்க வேண்டும்) ஒற்றை விளக்கத்தை வடிவமைக்கும் முன், AI அமைப்பின் பயனரின் மன மாதிரியைப் புரிந்து கொள்ள வேண்டும். அது என்ன செய்கிறது என்று அவர்கள் நம்புகிறார்கள்? அவர்களின் புரிதலுக்கும் அமைப்பின் யதார்த்தத்திற்கும் இடையில் எங்கே இடைவெளிகள் உள்ளன? இது ஒரு UX ஆராய்ச்சியாளரின் அடிப்படை வேலை. மன மாதிரி நேர்காணல்கள்: AI அமைப்புகளின் பயனர் உணர்வுகளை அன்பேக்கிங் செய்தல் ஆழமான, அரை-கட்டமைக்கப்பட்ட நேர்காணல்கள் மூலம், UX பயிற்சியாளர்கள் AI அமைப்புகளை பயனர்கள் எவ்வாறு உணர்கிறார்கள் மற்றும் புரிந்துகொள்கிறார்கள் என்பதைப் பற்றிய மதிப்புமிக்க நுண்ணறிவுகளைப் பெற முடியும். இந்த அமர்வுகள் பயனர்கள் AI எவ்வாறு செயல்படும் என்று நம்புகிறார்கள் என்பதை அவர்களின் உள் "மன மாதிரியை" வரைய அல்லது விவரிக்க ஊக்குவிக்கும் வகையில் வடிவமைக்கப்பட்டுள்ளது. கணினியின் தர்க்கம், அதன் உள்ளீடுகள் மற்றும் அதன் வெளியீடுகள் மற்றும் இந்த உறுப்புகளுக்கு இடையிலான உறவுகளை விளக்குவதற்கு பயனர்களைத் தூண்டும் திறந்தநிலை கேள்விகளை இது அடிக்கடி கேட்கிறது. இந்த நேர்காணல்கள் சக்திவாய்ந்தவை, ஏனெனில் அவை AI பற்றி பயனர்கள் வைத்திருக்கும் ஆழமான தவறான எண்ணங்களையும் அனுமானங்களையும் அடிக்கடி வெளிப்படுத்துகின்றன. எடுத்துக்காட்டாக, சிபாரிசு எஞ்சினுடன் தொடர்பு கொள்ளும் ஒரு பயனர், கணினியானது அவர்களின் கடந்தகால பார்வை வரலாற்றை அடிப்படையாகக் கொண்டது என்று நம்பிக்கையுடன் வலியுறுத்தலாம். அல்காரிதம் அவர்கள் உலாவும் நாளின் நேரம், பிளாட்ஃபார்ம் முழுவதும் தற்போதைய டிரெண்டிங் உருப்படிகள் அல்லது ஒத்த பயனர்களின் பார்க்கும் பழக்கம் போன்ற பல காரணிகளையும் உள்ளடக்கியிருப்பதை அவர்கள் உணராமல் இருக்கலாம். பயனரின் மன மாதிரிக்கும் உண்மையான AI தர்க்கத்திற்கும் இடையிலான இந்த இடைவெளியைக் கண்டறிவது மிகவும் முக்கியமானது. கணினியின் மிகவும் துல்லியமான மற்றும் வலுவான மன மாதிரியை உருவாக்க பயனர்களுக்கு உதவுவதற்கு நாம் என்ன குறிப்பிட்ட தகவலைத் தெரிவிக்க வேண்டும் என்பதை இது நமக்குத் துல்லியமாகக் கூறுகிறது. இது, நம்பிக்கையை வளர்ப்பதில் ஒரு அடிப்படை படியாகும். பயனர்கள் உயர் மட்டத்தில் கூட, AI அதன் முடிவுகள் அல்லது பரிந்துரைகளை எவ்வாறு அடைகிறது என்பதைப் புரிந்து கொள்ளும்போது, அவர்கள் அதன் வெளியீடுகளை நம்புவதற்கும் அதன் செயல்பாட்டை நம்புவதற்கும் அதிக வாய்ப்புள்ளது. AI ஜர்னி மேப்பிங்: பயனர் நம்பிக்கை மற்றும் விளக்கத்திற்கு ஒரு ஆழமான டைவ் AI-இயங்கும் அம்சத்துடன் பயனரின் பயணத்தை உன்னிப்பாக வரைபடமாக்குவதன் மூலம், குழப்பம், விரக்தி அல்லது ஆழ்ந்த அவநம்பிக்கை கூட வெளிப்படும் துல்லியமான தருணங்களைப் பற்றிய விலைமதிப்பற்ற நுண்ணறிவுகளைப் பெறுகிறோம். AI எவ்வாறு இயங்குகிறது என்பதற்கான பயனரின் மன மாதிரியானது அதன் உண்மையான நடத்தையுடன் முரண்படும் முக்கியமான தருணங்களை இது வெளிப்படுத்துகிறது. மியூசிக் ஸ்ட்ரீமிங் சேவையைக் கவனியுங்கள்: பிளேலிஸ்ட் பரிந்துரை "சீரற்றதாக" உணரும் போது பயனரின் நம்பிக்கை வீழ்ச்சியடைகிறதா, அவர்களின் கடந்தகால கேட்கும் பழக்கம் அல்லது கூறப்பட்ட விருப்பங்களுடன் எந்தத் தெளிவான தொடர்பும் இல்லை? இந்த உணரப்பட்ட சீரற்ற தன்மையானது, புத்திசாலித்தனமான க்யூரேஷன் குறித்த பயனரின் எதிர்பார்ப்புக்கு நேரடி சவாலாகவும், AI அவர்களின் ரசனையைப் புரிந்து கொள்ளும் என்ற மறைமுகமான வாக்குறுதியை மீறுவதாகவும் உள்ளது. இதேபோல், புகைப்பட மேலாண்மைப் பயன்பாட்டில், AI புகைப்படக் குறியிடல் அம்சம் நேசத்துக்குரிய குடும்ப உறுப்பினரைத் தொடர்ந்து தவறாக அடையாளம் காணும்போது பயனர்கள் குறிப்பிடத்தக்க விரக்தியை அனுபவிக்கிறார்களா? இந்தப் பிழை தொழில்நுட்பக் கோளாறை விட அதிகம்; இது துல்லியம், தனிப்பயனாக்கம் மற்றும் கூட இதயத்தில் தாக்குகிறதுஉணர்ச்சி இணைப்பு. இந்த வலிப்புள்ளிகள் தெளிவான சமிக்ஞைகள் ஆகும், இது ஒரு நன்கு வைக்கப்பட்ட, தெளிவான மற்றும் சுருக்கமான விளக்கம் அவசியம் என்பதைத் துல்லியமாகக் குறிக்கிறது. இத்தகைய விளக்கங்கள் முக்கியமான பழுதுபார்க்கும் வழிமுறைகளாகச் செயல்படுகின்றன, நம்பிக்கை மீறலைச் சரிசெய்கிறது, அது கவனிக்கப்படாமல் விட்டால், பயனர் கைவிடப்படுவதற்கு வழிவகுக்கும். AI பயண மேப்பிங்கின் ஆற்றல், AI அமைப்பின் இறுதி வெளியீட்டை விளக்குவதற்கு அப்பால் நம்மை நகர்த்தும் திறனில் உள்ளது. AI உருவாக்கியது என்ன என்பதைப் புரிந்துகொள்வது முக்கியம், அது பெரும்பாலும் போதுமானதாக இல்லை. மாறாக, முக்கியமான தருணங்களில் செயல்முறையை விளக்குவதில் கவனம் செலுத்த இந்த செயல்முறை நம்மைத் தூண்டுகிறது. இதன் பொருள்:
ஒரு குறிப்பிட்ட வெளியீடு ஏன் உருவாக்கப்பட்டது: இது குறிப்பிட்ட உள்ளீட்டு தரவு காரணமாக இருந்ததா? ஒரு குறிப்பிட்ட மாதிரி கட்டிடக்கலை? AI இன் முடிவை என்ன காரணிகள் பாதித்தன: சில அம்சங்கள் அதிக எடை கொண்டதா? AI எவ்வாறு அதன் முடிவுக்கு வந்தது: அதன் உள் செயல்பாடுகளுக்கு எளிமையான, ஒத்த விளக்கத்தை வழங்க முடியுமா? AI என்ன அனுமானங்களைச் செய்தது: பயனரின் உள்நோக்கம் அல்லது தரவைப் பற்றிய மறைமுகமான புரிதல்கள் வெளிப்பட வேண்டியதா? AI இன் வரம்புகள் என்ன: AI ஆல் என்ன செய்ய முடியாது என்பதைத் தெளிவாகத் தொடர்புகொள்வது அல்லது அதன் துல்லியம் எங்கே அலையலாம் என்பது யதார்த்தமான எதிர்பார்ப்புகளை உருவாக்குகிறது.
AI பயண மேப்பிங் XAI இன் சுருக்கமான கருத்தை UX பயிற்சியாளர்களுக்கான நடைமுறை, செயல்படக்கூடிய கட்டமைப்பாக மாற்றுகிறது. இது விளக்கமளிக்கும் தத்துவார்த்த விவாதங்களுக்கு அப்பால் செல்லவும், அதற்குப் பதிலாக பயனர் நம்பிக்கை ஆபத்தில் இருக்கும் சரியான தருணங்களைக் குறிப்பிடவும் உதவுகிறது, சக்திவாய்ந்த, வெளிப்படையான, புரிந்துகொள்ளக்கூடிய மற்றும் நம்பகமான AI அனுபவங்களை உருவாக்க தேவையான நுண்ணறிவுகளை வழங்குகிறது. இறுதியில், அறியாதவற்றை நாம் எவ்வாறு வெளிப்படுத்துகிறோம் என்பது ஆராய்ச்சி. கடன் ஏன் மறுக்கப்பட்டது என்பதை எப்படி விளக்குவது என்று உங்கள் குழு விவாதித்துக் கொண்டிருக்கலாம், ஆனால் பயனர்கள் தங்கள் தரவு எவ்வாறு முதலில் பயன்படுத்தப்பட்டது என்பதைப் புரிந்துகொள்வதில் அதிக அக்கறை கொண்டுள்ளனர் என்பதை ஆராய்ச்சி வெளிப்படுத்தலாம். ஆராய்ச்சி இல்லாமல், எங்கள் பயனர்கள் என்ன ஆச்சரியப்படுகிறார்கள் என்பதை நாங்கள் யூகிக்கிறோம். வடிவமைப்பில் ஒத்துழைத்தல் (உங்கள் AI ஐ எவ்வாறு விளக்குவது) என்ன விளக்க வேண்டும் என்பதை ஆராய்ச்சி கண்டறிந்ததும், வடிவமைப்புடன் கூட்டு வளையம் தொடங்குகிறது. வடிவமைப்பாளர்கள் நாம் முன்பு விவாதித்த வடிவங்களை முன்மாதிரி செய்யலாம் - "ஏனென்றால்" அறிக்கை, ஊடாடும் ஸ்லைடர்கள் - மேலும் ஆராய்ச்சியாளர்கள் அந்த வடிவமைப்புகளை பயனர்களின் முன் வைக்கலாம். இலக்கு உபயோகம் மற்றும் புரிதல் சோதனை: குறிப்பாக XAI கூறுகளை சோதிக்கும் ஆராய்ச்சி ஆய்வுகளை நாம் வடிவமைக்க முடியும். "இது பயன்படுத்த எளிதானதா?" என்று நாங்கள் கேட்கவில்லை. நாங்கள் கேட்கிறோம், "இதைப் பார்த்த பிறகு, இந்த தயாரிப்பை சிஸ்டம் ஏன் பரிந்துரைத்தது என்பதை உங்கள் சொந்த வார்த்தைகளில் சொல்ல முடியுமா?" அல்லது "நீங்கள் வேறு முடிவைப் பெற முடியுமா என்பதைப் பார்க்க நீங்கள் என்ன செய்வீர்கள் என்பதைக் காட்டுங்கள்." பயன்பாட்டினைத் தவிர, புரிதல் மற்றும் செயல்திறனை அளவிடுவதே இங்கு குறிக்கோளாகும். நம்பிக்கையையே அளவிடுதல்: விளக்கம் காட்டப்படுவதற்கு முன்னும் பின்னும் எளிய ஆய்வுகள் மற்றும் மதிப்பீட்டு அளவுகோல்களைப் பயன்படுத்தலாம். உதாரணமாக, ஒரு பயனரிடம் 5-புள்ளி அளவில், "இந்தப் பரிந்துரையை நீங்கள் எவ்வளவு நம்புகிறீர்கள்?" அவர்கள் "ஏனென்றால்" அறிக்கையைப் பார்ப்பதற்கு முன், பின்னர் அவர்களிடம் மீண்டும் கேட்கவும். எங்கள் விளக்கங்கள் உண்மையில் நம்பிக்கையின் மீது ஊசியை நகர்த்துகின்றனவா என்பது குறித்த அளவு தரவுகளை இது வழங்குகிறது. இந்த செயல்முறை ஒரு சக்திவாய்ந்த, மீண்டும் செயல்படும் வளையத்தை உருவாக்குகிறது. ஆராய்ச்சி முடிவுகள் ஆரம்ப வடிவமைப்பை தெரிவிக்கின்றன. அந்த வடிவமைப்பு பின்னர் சோதிக்கப்பட்டது, மேலும் புதிய கண்டுபிடிப்புகள் சுத்திகரிப்புக்காக வடிவமைப்பு குழுவிற்கு மீண்டும் வழங்கப்படுகின்றன. "ஏனென்றால்" அறிக்கை மிகவும் வாசகமாக இருக்கலாம் அல்லது "வாட்-இஃப்" ஸ்லைடர் அதிகாரமளிப்பதை விட குழப்பமாக இருக்கலாம். இந்த கூட்டுச் சரிபார்ப்பின் மூலம், இறுதி விளக்கங்கள் தொழில்நுட்ப ரீதியாக துல்லியமாகவும், உண்மையாக புரிந்துகொள்ளக்கூடியதாகவும், பயனுள்ளதாகவும், தயாரிப்பைப் பயன்படுத்தும் மக்களுக்கு நம்பிக்கையை வளர்ப்பதாகவும் இருப்பதை உறுதிசெய்கிறோம். விளக்கத்தின் கோல்டிலாக்ஸ் மண்டலம் எச்சரிக்கையுடன் ஒரு முக்கியமான வார்த்தை: அதிகமாக விளக்குவது சாத்தியம். விசித்திரக் கதையில், கோல்டிலாக்ஸ் 'சரியான' கஞ்சியைத் தேடியதைப் போல, ஒரு நல்ல விளக்கத்தின் குறிக்கோள் சரியான அளவு விவரங்களை வழங்குவதாகும்-அதிகமாகவும் குறைவாகவும் இல்லை. ஒரு மாதிரியில் உள்ள ஒவ்வொரு மாறிகளுடனும் ஒரு பயனரை குண்டுவீசுவது அறிவாற்றல் சுமைக்கு வழிவகுக்கும் மற்றும் உண்மையில் நம்பிக்கையை குறைக்கும். பயனரை தரவு விஞ்ஞானி ஆக்குவது குறிக்கோள் அல்ல. ஒரு தீர்வு முற்போக்கான வெளிப்பாடு.
எளிமையானவற்றுடன் தொடங்குங்கள். ஒரு சுருக்கமான "ஏனெனில்" அறிக்கையுடன் வழிநடத்துங்கள். பெரும்பாலான பயனர்களுக்கு, இது போதுமானதாக இருக்கும். விவரங்களுக்கு ஒரு பாதையை வழங்குங்கள். "மேலும் அறிக" அல்லது "இது எப்படி தீர்மானிக்கப்பட்டது என்பதைப் பார்க்கவும்" போன்ற தெளிவான, குறைந்த உராய்வு இணைப்பை வழங்கவும். சிக்கலை வெளிப்படுத்துங்கள். அந்த இணைப்பின் பின்னால், ஊடாடும் ஸ்லைடர்கள், காட்சிப்படுத்தல்கள் அல்லது பங்களிக்கும் காரணிகளின் விரிவான பட்டியலை நீங்கள் வழங்கலாம்.
இந்த அடுக்கு அணுகுமுறை பயனர் கவனத்தையும் நிபுணத்துவத்தையும் மதிக்கிறது, சரியான தொகையை வழங்குகிறதுஅவர்களின் தேவைகளுக்கான தகவல்கள். பல்வேறு காரணிகளின் அடிப்படையில் உகந்த வெப்பத்தை பரிந்துரைக்கும் ஸ்மார்ட் ஹோம் சாதனத்தை நீங்கள் பயன்படுத்துகிறீர்கள் என்று வைத்துக்கொள்வோம். எளிமையானவற்றுடன் தொடங்கவும்: "உங்கள் வீடு தற்போது 72 டிகிரிக்கு வெப்பமாக உள்ளது, இது ஆற்றல் சேமிப்பு மற்றும் வசதிக்கான உகந்த வெப்பநிலையாகும்." விவரங்களுக்கு ஒரு பாதையை வழங்கவும்: அதன் கீழே, ஒரு சிறிய இணைப்பு அல்லது பொத்தான்: "ஏன் 72 டிகிரி உகந்தது?" சிக்கலை வெளிப்படுத்தவும்: அந்த இணைப்பைக் கிளிக் செய்வதன் மூலம் புதிய திரையைத் திறக்கலாம்:
வெளிப்புற வெப்பநிலை, ஈரப்பதம் மற்றும் உங்களுக்கு விருப்பமான ஆறுதல் நிலைக்கான ஊடாடும் ஸ்லைடர்கள், இவை பரிந்துரைக்கப்பட்ட வெப்பநிலையை எவ்வாறு சரிசெய்கிறது என்பதை விளக்குகிறது. வெவ்வேறு வெப்பநிலைகளில் ஆற்றல் நுகர்வு ஒரு காட்சிப்படுத்தல். "நாள் நேரம்," "தற்போதைய வெளிப்புற வெப்பநிலை," "வரலாற்று ஆற்றல் பயன்பாடு" மற்றும் "ஆக்கிரமிப்பு உணரிகள்" போன்ற பங்களிக்கும் காரணிகளின் பட்டியல்.
பல XAI முறைகள் மற்றும் இந்த Goldilocks Zone of Explanation வடிவத்தை இணைப்பது பயனுள்ளதாக இருக்கும், இது முற்போக்கான வெளிப்படுத்தலுக்கு ஆதரவாக, மறைமுகமாக இதை ஊக்குவிக்கிறது. நீங்கள் உடனடியாகப் புரிந்துகொள்வதற்காக எளிய "ஏனென்றால்" அறிக்கையுடன் (பேட்டர்ன் 1) தொடங்கலாம், பின்னர் "மேலும் அறிக" இணைப்பை வழங்கலாம், அது "என்ன என்றால்" ஊடாடுதல் (பேட்டர்ன் 2) அல்லது "புஷ் அண்ட்-புல் விஷுவல்" (பேட்டர்ன் 4) ஆகியவற்றை வெளிப்படுத்துகிறது. எடுத்துக்காட்டாக, கடன் விண்ணப்ப அமைப்பு முதலில் மறுப்புக்கான முதன்மைக் காரணத்தைக் கூறலாம் (அம்ச முக்கியத்துவம்), பின்னர் பயனரின் வருமானம் அல்லது கடனில் ஏற்படும் மாற்றங்கள் விளைவுகளை (எதிர் உண்மைகள்) எவ்வாறு மாற்றும் என்பதைப் பார்க்க “What-If” கருவியுடன் தொடர்பு கொள்ள அனுமதிக்கலாம். இந்த அடுக்கு அணுகுமுறை பயனர்கள் தங்களுக்குத் தேவையான விவரங்களின் அளவை அணுக அனுமதிக்கிறது, அவர்களுக்குத் தேவைப்படும்போது, விரிவான வெளிப்படைத்தன்மையை வழங்கும் அதே வேளையில் அறிவாற்றல் சுமைகளைத் தடுக்கிறது. எந்த XAI கருவிகள் மற்றும் முறைகளைப் பயன்படுத்த வேண்டும் என்பதைத் தீர்மானிப்பது முதன்மையாக முழுமையான UX ஆராய்ச்சியின் செயல்பாடாகும். மன மாதிரி நேர்காணல்கள் மற்றும் AI பயண மேப்பிங் ஆகியவை பயனரின் தேவைகள் மற்றும் AI புரிதல் மற்றும் நம்பிக்கை தொடர்பான வலி புள்ளிகளைக் குறிப்பதற்கு முக்கியமானவை. மன மாதிரி நேர்காணல்கள், AI எவ்வாறு செயல்படுகிறது என்பது பற்றிய பயனர் தவறான எண்ணங்களை வெளிப்படுத்த உதவுகிறது, அடிப்படை விளக்கங்கள் (அம்ச முக்கியத்துவம் அல்லது உள்ளூர் விளக்கங்கள் போன்றவை) தேவைப்படும் பகுதிகளைக் குறிக்கிறது. AI பயண மேப்பிங், மறுபுறம், AI உடனான பயனரின் தொடர்புகளில் குழப்பம் அல்லது அவநம்பிக்கையின் முக்கியமான தருணங்களை அடையாளம் காட்டுகிறது, நம்பிக்கையை மீண்டும் உருவாக்குவதற்கும் நிறுவனத்தை வழங்குவதற்கும் அதிக நுண்ணிய அல்லது ஊடாடும் விளக்கங்கள் (எதிர் உண்மைகள் அல்லது மதிப்பு அடிப்படையிலான விளக்கங்கள் போன்றவை) மிகவும் பயனுள்ளதாக இருக்கும்.
இறுதியில், ஒரு நுட்பத்தைத் தேர்ந்தெடுப்பதற்கான சிறந்த வழி, பயனர் ஆராய்ச்சி உங்கள் முடிவுகளை வழிகாட்ட அனுமதிப்பதாகும், நீங்கள் வடிவமைக்கும் விளக்கங்கள் அவர்களின் சொந்த நோக்கத்திற்காக தொழில்நுட்ப விவரங்களை வழங்குவதை விட, உண்மையான பயனர் கேள்விகள் மற்றும் கவலைகளை நேரடியாக நிவர்த்தி செய்வதை உறுதிசெய்கிறது. ஆழமான பகுத்தறிவு முகவர்களுக்கான XAI ஆழமான பகுத்தறிவு முகவர்கள் என அறியப்படும் சில புதிய AI அமைப்புகள், ஒவ்வொரு சிக்கலான பணிக்கும் வெளிப்படையான "சிந்தனைச் சங்கிலியை" உருவாக்குகின்றன. அவர்கள் வெறுமனே ஆதாரங்களை மேற்கோள் காட்டவில்லை; அவர்கள் ஒரு முடிவுக்கு வர அவர்கள் எடுத்த தர்க்கரீதியான, படிப்படியான பாதையைக் காட்டுகிறார்கள். இந்த வெளிப்படைத்தன்மை மதிப்புமிக்க சூழலை வழங்கும் அதே வேளையில், ஒரு பணியை முடிக்க முயற்சிக்கும் ஒரு பயனருக்கு பல பத்திகளைக் கொண்ட ஒரு நாடகம்-மூலம்-விளையாட்டானது பெரும் பாதிப்பை ஏற்படுத்தும். XAI இன் கொள்கைகள், குறிப்பாக கோல்டிலாக்ஸ் மண்டல விளக்கங்கள், நேரடியாக இங்கே பொருந்தும். முற்போக்கான வெளிப்பாட்டைப் பயன்படுத்தி, இறுதி முடிவையும், சிந்தனைச் செயல்பாட்டின் மிக முக்கியமான படியையும் மட்டுமே முதலில் காண்பிப்பதன் மூலம் பயணத்தை நாம் சரிசெய்ய முடியும். பயனர்கள் தர்க்கத்தை இருமுறை சரிபார்த்து அல்லது ஒரு குறிப்பிட்ட உண்மையைக் கண்டறிய வேண்டியிருக்கும் போது, முழுமையான, விரிவான, பல-படி பகுத்தறிவைக் காணத் தேர்வுசெய்யலாம். இந்த அணுகுமுறை முகவரின் முழு வெளிப்படைத்தன்மையைப் பாதுகாக்கும் அதே வேளையில் பயனர் கவனத்தை மதிக்கிறது. அடுத்த படிகள்: உங்கள் XAI பயணத்தை மேம்படுத்துதல் நம்பகமான மற்றும் பயனுள்ள AI தயாரிப்புகளை உருவாக்குவதற்கான ஒரு அடிப்படை தூணாக விளங்குவது. தங்கள் நிறுவனத்திற்குள் இந்த மாற்றத்தை ஏற்படுத்த விரும்பும் மேம்பட்ட பயிற்சியாளருக்கு, பயணம் வடிவமைப்பு வடிவங்களுக்கு அப்பால் வாதிடுதல் மற்றும் தொடர்ச்சியான கற்றல் ஆகியவற்றில் நீண்டுள்ளது. உங்கள் புரிதலையும் நடைமுறை பயன்பாட்டையும் ஆழப்படுத்த, IBM Research அல்லது Google இன் What-If கருவியில் இருந்து AI Explainability 360 (AIX360) கருவித்தொகுப்பு போன்ற ஆதாரங்களை ஆராயவும், இது மாதிரி நடத்தை மற்றும் விளக்கங்களை ஆராய்வதற்கான ஊடாடும் வழிகளை வழங்குகிறது. பொறுப்புள்ள AI மன்றம் அல்லது மனிதனை மையமாகக் கொண்ட AI இல் கவனம் செலுத்தும் குறிப்பிட்ட ஆராய்ச்சிக் குழுக்கள் போன்ற சமூகங்களுடன் ஈடுபடுவது மதிப்புமிக்க நுண்ணறிவு மற்றும் ஒத்துழைப்பு வாய்ப்புகளை வழங்க முடியும். இறுதியாக, உங்கள் சொந்த நிறுவனத்தில் XAI க்கு வக்கீலாக இருங்கள்.விளக்கத்தை ஒரு மூலோபாய முதலீடாக வடிவமைக்கவும். உங்கள் தலைமை அல்லது குறுக்கு-செயல்பாட்டு அணிகளுக்கான சுருக்கமான சுருதியைக் கவனியுங்கள்: "XAI இல் முதலீடு செய்வதன் மூலம், நாங்கள் நம்பிக்கையை வளர்ப்பதைத் தாண்டிச் செல்வோம்; நாங்கள் பயனர் தத்தெடுப்பை விரைவுபடுத்துவோம், புரிதலுடன் பயனர்களை மேம்படுத்துவதன் மூலம் ஆதரவு செலவுகளைக் குறைப்போம், சாத்தியமான சார்புகளை வெளிப்படுத்துவதன் மூலம் குறிப்பிடத்தக்க நெறிமுறை மற்றும் ஒழுங்குமுறை அபாயங்களைக் குறைப்போம். இது நல்ல வடிவமைப்பு மற்றும் ஸ்மார்ட் பிசினஸ்."
உங்கள் குரல், நடைமுறை புரிதலை அடிப்படையாகக் கொண்டது, AI ஐ கருப்புப் பெட்டியிலிருந்து வெளியே கொண்டு வருவதற்கும், பயனர்களுடன் கூட்டு கூட்டுறவிற்கும் முக்கியமானது.
