Insights obtenidos en el camino del diseño para datos

En la actual escena tecnológica, que da pasos agigantados en Machine Learning, procesamiento de lenguaje natural y Computer Vision, la Inteligencia Artificial (AI, por sus siglas en inglés) ha pasado de ser una mera promesa a una realidad omnipresente en nuestra vida diaria. Desde asistentes virtuales hasta recomendaciones personalizadas, la AI ha transformado la forma en que interactuamos con la información y la manera en que diseñamos experiencias digitales. Sumerjámonos en algunas ideas importantes para llevar con vos en tu viaje de diseño para datos. 🏄

Caminando en la cuerda floja

Uno de los grandes desafíos (si no el más grande) al diseñar experiencias para soluciones de AI es descubrir y comprender cuánta explicación se necesita para que el usuario entienda qué sucede en el backend y cómo funciona la interfaz que están utilizando. Con AI, corremos el riesgo de diseñar soluciones que se asemejen a una caja negra donde el usuario está limitado a interactuar solo de manera pasiva, aunque sabemos que tampoco debemos ir al otro extremo donde sobrecargamos a las personas con información.

El nivel de confianza y reputación de cualquier modelo de AI depende del equilibrio en su diseño entre transparencia y simplicidad.

Por un lado, los usuarios demandan cada vez más transparencia sobre cómo los sistemas de AI toman decisiones, particularmente en contextos donde tienen un impacto significativo, como vehículos autónomos o diagnósticos médicos. Las personas quieren saber no solo que se tomó una recomendación o decisión, sino por qué se tomó, y entenderlo. Por otro lado, inundar a los usuarios con detalles técnicos puede resultar abrumador, disminuyendo así la calidad de su experiencia. En un buen proceso de diseño, deberíamos encontrar ese punto medio en el que cumplimos con el nivel de complejidad necesario para nuestra aplicación.

También vale la pena mencionar las famosas “alucinaciones” que pueden producir, como resultado de un prompt, los modelos de Gen AI, donde afirman como verdad a la pregunta que le hicimos información que es inventada o no se condice con la realidad. En este sentido también es nuestro deber trabajar desde el diseño para aportar a la confiabilidad y validación de los datos que alimentan a los modelos y que en consecuencia emergen como outputs para los usuarios, teniendo el cuenta el nivel de rigurosidad necesario para la tarea o el objetivo a realizar (no es lo mismo que una solución con GPT-4 alucine la referencia de un contenido que el diagnóstico de una enfermedad, por ejemplo).

Ese sweet spot

Encontrar ese punto justo donde los usuarios también pueden definir algunos parámetros e interactuar con el modelo basado en su conocimiento del negocio y la industria, constituye una buena práctica para modelos de forecasting, optimización y simulación. No es solo una movida inteligente: es una filosofía de diseño que puede conducir a beneficios sustanciales donde involucramos a la persona activamente en la calidad de las respuestas resultantes a correr estos modelos.

Pensemos esto: un analista de negocios experimentado está utilizando una herramienta de forecasting impulsada por AI, y en lugar de ser un mero observador que aprieta un botón, tiene la capacidad de ajustar variables, probar con diferentes escenarios y personalizar el modelo para que se alinee con sus necesidades específicas o las del negocio, en busca de mejores resultados. Este empoderamiento no solo aumenta la participación del usuario, sino que también aprovecha el conocimiento de la persona para ajustar y mejorar el rendimiento del modelo, dentro de los parámetros que controlen un potencial sesgo resultado del input del usuario. Todos ganan 😎

Power to the people

Otro aspecto a tener en cuenta son los diferentes tipos de usuarios a los que pueden servir las soluciones. Algunos pueden ser personas del negocio que se centran en aspectos prácticos, mientras que otros pueden ser perfiles súper técnicos que quieran adentrarse en cada detalle operativo. ¡Y ambos podrían estar trabajando juntos para lograr el mismo objetivo!

Es muy importante durante nuestro proceso de diseño empatizar con los objetivos, capacidades y habilidades de cada usuario para que diseñemos experiencias que los inviten a un diálogo activo con la interfaz.

Después de todo, el contexto juega un papel clave en el entendimiento de los datos y en desbloquear su valor, por lo que es muy importante entender los aspectos que componen a cada usuario para traducir esas ideas recopiladas en la fase de investigación en los user flows y la UI final.

Una parte más vital: el feedback

Proporcionar soporte y obtener feedback de los usuarios es clave para evolucionar productos que se basan en una lógica de “estado vivo”, de co-creación constante. Eso también significa un proceso de diseño de productos más profundo y más rico donde estás codo a codo trabajando con los usuarios para mejorar las soluciones. Es cierto que esto puede no ser una opción para todos los proyectos, pero definitivamente es la mentalidad correcta para encararlos.

Así que recordá, al diseñar soluciones de AI, tomate un momento para pensar el rol que imaginás para tus usuarios dentro de la narrativa que tu aplicación está tejiendo. Es un punto interesante para pensar la relación de poder y conocimiento que existe entre el modelo de AI y la persona. Se trata de asegurarse de que nuestras interfaces hablen el lenguaje de nuestros usuarios, permitan un diálogo de ida y vuelta, cuenten una historia de valor y brinden información que sirva para tomar cada vez mejores decisiones, mientras caminamos hacia nuevos destinos.