Designing User-Centered AI by Anjana Kumar and Miranda Wu
設計以用戶為中心的 AI — LTUX Taipei Meetup
LTUX Taipei 邀你與兩位講者一同深入探索設計真正以用戶需求為中心的 AI 產品的迷人世界！ Anjana 的分享探討建立既有效又以用戶為導向的 AI 解決方案所需的核心原則、常見誤解以及寶貴見解，並與 Miranda 透過座談會討論用戶體驗設計師和產品經理在 AI 產品開發中扮演的關鍵角色。
「設計以用戶為中心的 AI」活動筆記分成三個部分：
基礎 AI 概念：理解 AI 的核心原理和基礎知識。
AI 產品設計的關鍵要素：設計 AI 產品時需要考慮的主要因素和步驟。
案例研究分析：對實際案例進行深入分析，以了解 AI 解決方案的應用效果和最佳實踐。
AI 基礎觀念
從工程師的視角切入AI的根本
為什麼在投入開發前了解AI如此的重要，AI 開發與傳統軟體開發不同，它不僅僅是製作一個像 Google 幻燈片這樣的小工具。AI 開發需要更深入的思考，從構思到實際應用，每一步都至關重要。常常，連使用者自己也不確定他們對 AI 的期望，因此我們需要預先設想並設計出對使用者友好的產品。此外，管理層或產品經理通常對 AI 有宏大的目標，但最終還是工程師需要將這些想法付諸現實。。
AI就像是一個大型的俄羅斯娃娃。
AI，或稱人工智慧，本質上是一組執行各種需要人類智慧的任務的演算法集合。這些任務範圍從股市預測到內容創作等。AI 包含了機器學習和深度學習等子領域。你可以將 AI 想像成一個「俄羅斯娃娃」，最外層是人工智慧，裡面包含了機器學習，而更深入的層次則是深度學習。這些聽起來複雜的術語，其實都是 AI 演算法的一部分，統稱為人工智慧。
大部分的AI工具可以分成四個分類：傳統機器學習、計算機視覺、自然語言處理、生成式 AI
傳統機器學習：強化學習 Reinforcement Learning
傳統的機器學習應用可以用來開發推薦系統。而強化學習系統則通過不斷嘗試和犯錯來學習做出正確的決策。它與環境互動，根據結果獲得獎勵或懲罰，並根據這些經驗逐漸改進決策，最終達到獲得更多獎勵的目標。這就像在玩遊戲時，你不斷嘗試不同的策略，最終找到最有效的方法來贏得比賽。
舉例來說，基於過去六個月的數據，系統可以推薦你購買某隻股票，因為預測顯示你可能會賺取可觀的收益。這就是機器學習演算法的一個應用範例。幾年前，AI 系統 AlphaGo 能夠擊敗著名的中國圍棋高手，這也是強化學習的一個精彩例子。
應用領域
醫療保健: 疾病診斷、個性化治療計劃。
金融: 欺詐檢測、風險評估。
市場營銷: 客戶細分、預測分析。
製造業: 預測性維護、質量控制。
計算機視覺 Computer vision and image understanding
電腦視覺使計算機能夠解釋和理解來自世界的視覺信息，模仿人類的視覺功能。比如蘋果的 Face ID 或特斯拉的自駕車，AI 可以從影像中辨識出「這是道路」、「那是樹」、「這是一棟建築物」等。任何涉及影像數據的技術都屬於電腦視覺的範疇。
應用領域
醫療保健：醫療影像分析、早期疾病檢測
汽車行業：自動駕駛、交通標誌識別
安全：面部識別、監控系統
零售：自動結帳、貨架管理
自然語言處理 Natural language processing
自然語言處理（NLP）專注於讓計算機能夠理解、解釋並生成人類語言。想像一下你的智能助手，你說幾句話，它便能給你回應；再比如 Google 翻譯，它也是一種自然語言處理技術。這些技術背後運用了先進的 AI 算法，將你的文本進行翻譯，使其更加易於使用。這些技術和算法共同構成了自然語言處理的核心。
應用領域
客戶服務：聊天機器人、虛擬助手
內容創作：文本摘要、語言翻譯
醫療保健：醫療轉錄、病人互動分析
金融：情感分析、自動報告
生成式 AI Generative AI
生成式 AI 專注於利用 AI 模型創建新的內容，例如圖像、文本或音樂。舉例來說，如 Gemini 聊天機器人和 Chat GPT 就是一種生成式 AI。也有模型可以根據輸入的描述生成圖像，這些都是生成式 AI 的應用範例。
應用領域
藝術與設計：數字藝術創作、時尚設計
內容創作：文章和博客寫作、音樂和視頻生成
醫療保健：藥物發現、蛋白質折疊預測
娛樂：遊戲內容生成、虛擬角色和環境
AI 產品設計與傳統產品的差異
AI產品仰賴數據蒐集並利用UI使用戶感受AI的存在
在當今技術領域，傳統軟體產品和 AI 產品有著明顯的區別。傳統軟體產品，如 Microsoft Windows 作業系統或 Google Slides，主要專注於滿足用戶的功能需求，其設計通常較為簡單，並不涉及複雜的數據分析。這些產品的UI固定且一致，不常需要即時變更。
相比之下，AI 產品則以數據為核心，依賴於高規格的數據來解決問題。沒有數據，AI 的功能無法實現。例如，ChatGPT 是基於互聯網上的數據進行訓練的。AI 產品的核心在於如何有效利用數據來增強任務執行、預測結果並提供深入洞察。此外，AI 產品的 UI 設計需要具有自適應能力，以根據 AI 的預測和用戶互動進行調整，AI 產品的UI設計需要考慮如何讓用戶感受到 AI 的存在，並提供清晰的透明性來解釋 AI 的決策過程。
AI 產品需要有專業的團隊持續的數據更新和模型改進，以保持其高效能和可靠性。
在軟體開發領域，傳統軟體產品和 AI 產品的開發過程及維護方式存在顯著差異。傳統軟體產品的開發相對簡單，開發者通常通過編寫條件語句或邏輯語句來完成工作，這類產品只需少量開發人員，如 Windows 開發者或全端開發者即可完成。開發過程主要是將預定義的功能集成到系統中，並通過標準化測試來確保其功能性和性能的穩定。在維護和演進階段，開發者集中於功能增強、添加新功能或修復漏洞，並根據用戶反饋進行改進。此外，定期的穩定性和安全性更新也是傳統軟體維護的重要內容。
相比之下，AI 產品的開發過程更為動態和複雜。首先，需要建立模型並準備大量數據，其次還需要機器學習工程師來開發模型，整個過程需要由軟體工程師、數據科學家等組成的協作團隊支持。AI 產品通常通過雲端處理，模型的輸出結果需要回傳給用戶，這個過程涉及多方協作。維護和更新 AI 產品時，模型的更新至關重要，這需要持續監控、重新訓練和微調，以確保模型能夠穩定運行並保持高性能。同時，對模型漂移和可靠性的持續監控也是 AI 產品長期運行的必要保障。此外，在處理敏感話題時，如用戶要求生成關於大屠殺的內容，AI 需要拒絕此類請求，以確保 AI 的安全性和合規性。
AI 產品設計的關鍵要素
想建構AI功能最關鍵的是評估團隊資源，包含硬體與AI專家。
要在現有公司中構建一個小型 AI 功能，或是開發一個小型 AI 產品，有三個關鍵步驟。首先，需要提出一個具體的想法。其次，評估你所擁有的資源，包括 GPU 等硬體資源，以及是否擁有能勝任此任務的工程師或 AI 專家。GPU 是 AI 開發中不可或缺的資源，而它們的價格昂貴，因此了解資源配置至關重要。在評估完資源的可行性後，才能進入實施階段
第一步：發想AI產品
建議從一個簡單的功能開始，不要超出範疇，使其變得過於複雜。
當你構思一個 AI 產品的點子時，它不需要非常華麗或複雜，但必須有一個強有力的理由來使用 AI，而不僅僅是為了跟風。這個理由應該與您的業務目標一致，並能帶來實質性的好處。
選擇 AI 應用場景時，應該專注於那些能為您的業務帶來最大效益的領域。這些領域通常涉及到可以顯著提升效率或創造價值的部分，因為開發 AI 功能可能會花費大量資金，即便是小型的 AI 功能也不例外。因此，必須確保這些投資能為您的業務帶來實質性的回報。建議從一個簡單的功能開始，不要超出範疇，使其變得過於複雜。
以下是幾個幫助識別適合實施 AI 的要點：
- 找到有說服力的理由或願景：確保引入 AI 背後有一個強而有力的理由，這個理由應該與您的業務目標一致，並能帶來實質性的好處。
- 確定高影響力的領域：專注於那些 AI 可以帶來最大改進的業務領域，無論是效率提升、客戶體驗還是決策制定。
- 從簡單的功能開始：從一個易於實施和測量的簡單功能開始，這樣可以在擴大應用範圍之前先證明 AI 的價值。
範例應用：
- 自動化繁瑣的任務：例如，如果數據標註讓您的團隊感到乏味，可以考慮自動化該過程，以節省時間並提高效率。
- 提升客戶終身價值：實施增強用戶體驗的功能，例如 AI 驅動的句子完成建議，可以讓互動變得更順暢、更令人滿意。
- 從數據中獲取洞察：利用 AI 分析業務中積累的數據，例如根據歷史數據預測股市趨勢，以提供可行的洞察。
第二步：評估資源，滿足條件才實施
在開發 AI 功能時，評估必需資源的可用性是關鍵步驟。以下是這一過程中的重要考量：
- 數據可用性：首先評估你擁有的數據量、數據的準確性以及數據的隱私問題。確保數據足夠支持你的 AI 功能，並且符合相關的隱私和合規要求。
- 設計複雜性：分析設計的複雜性，並評估現有的基礎設施是否能夠支持這
些需求。考慮到可能需要的硬體資源，如 GPU 或 TPU，以及現有系統是否能夠承擔這些負擔。 - 合規性與倫理：確保你的 AI 產品符合相關的法規和倫理標準。例如，遵守像歐盟《AI 法案》這樣的規範，以避免法律和市場銷售上的障礙。
只有在滿足所有這些條件後，才能進入實施階段。
以下分別介紹數據克用性和設計複雜性：
數據可用性
首先，你需要擁有大量的數據來訓練 AI 模型。這些數據應該涵蓋多樣化的場景。例如自駕車公司，收集了來自不同高速公路場景的數據，包括雨天、白天、夜晚、擁擠和空曠的路段，以及不同類型的停車空間。這樣的數據多樣性可以幫助模型更全面地學習和適應各種情況。
此外，數據必須是經過倫理審查的，並且需要定期更新。數據應該被妥善標註，並且應確保所有相關工程師都可以輕鬆查看這些數據。這意味著需要有良好的數據管理和維護流程。
AI 數據應該包含的面相
設計複雜性
在開發 AI 解決方案時，範圍確定、算法選擇以及用戶界面和體驗的設計都是關鍵步驟。以下是一些需要考量的要點：
解決方案的範圍：首先需要確定 AI 解決方案的廣度和深度。這包括決定所需的功能和特性，以便達到項目目標。清晰地界定範圍有助於集中開發資源，避免功能過度擴展或複雜性超出控制。
算法選擇：接下來，需要評估不同的 AI 算法和模型，以找到最適合該任務的選擇。在這一過程中，需要權衡算法的準確性、速度和複雜性，並根據實際需求選擇最佳方案。
用戶界面和體驗：AI 解決方案的用戶界面（UI）和用戶體驗（UX）設計也是至關重要的一環。需要規劃一個用戶友好且易於訪問的界面，確保最終的 AI 解決方案不僅強大，而且使用起來直觀且便利。
在開發 AI 功能時，設計複雜性也是需要重點考慮的方面。隨著 AI 技術的發展，許多公司在投資 AI 時面臨著巨大的壓力。例如，最近美國股市中 AI 和半導體公司的股票下跌，原因之一就是投資者擔心這些公司在 AI 上的巨大投入未能產生足夠的回報。因此，在構建 AI 功能時，你必須先分析是否擁有足夠的資金來支持這個項目，以及在功能推出後，是否擁有足夠的客戶群體來回收這些投資。
設計複雜性涉及到多個方面，從硬件需求（如 GPU 的數量）、所需的工程師和人才，到選擇合適的算法。例如，像 ChatGPT 這樣的生成式 AI 模型需要大量的計算資源來運行，因此在選擇算法時，需要仔細考慮計算資源的需求。同時，還需要考慮用戶體驗。例如，ChatGPT 在生成回應時，實際上會一次性生成整段文字，但在用戶界面上，設計師選擇了逐字顯示，模擬 AI 與用戶對話的感覺，這是一個微妙但重要的設計考量。
在產品推出後，你還需要考慮可擴展性和性能優化。當產品從測試階段的小規模使用轉向成千上萬的用戶時，是否有足夠的資源來支持這種擴展？此外，AI 的響應速度也至關重要。如果 ChatGPT 的回應時間超過五秒，用戶可能會失去耐心並放棄使用該產品。因此，確保系統的快速響應和穩定性是設計中的重要一環。
安全性也是不容忽視的問題。AI 系統的設計比傳統軟件系統更為複雜，因此在開發過程中，需要特別注意可能存在的安全漏洞，並採取相應的措施來保護系統免受潛在威脅。
Speaker / Panelist
Anjana Kumar, Data Science Engineer at Micron Technology
Anjana 擁有國立台灣科技大學電機工程碩士學位。她有六年經驗，曾在 ViewSonic Corporation 擔任高級 AI 開發人員，專注於深度學習、人工智慧、計算機視覺和自然語言處理（NLP），應用於教育科技和協作解決方案。此前，她在 oToBrite Electronics Inc. 開始其職業生涯，擔任研發工程師，專注於 ADAS 解決方案的計算機視覺應用。她的專業知識涵蓋計算機視覺、NLP、影像處理和邊緣計算。
工作之餘，她喜歡印度古典音樂，嘗試製作純素食譜，以及登山健行。
Miranda Wu, General Manager and Chief Product Officer at Maxnion AI
Miranda 現任 Maxnion AI (弘微科技) 的總經理兼產品長，擁有超過 17 年的軟體產品規劃 & B2B 產品行銷規劃經驗，熱愛運用創新科技解決問題，提供用戶更好的服務體驗，Miranda 過去在華碩領導團隊一同開發的智慧醫療解決方案在 20 家以上醫院落地，Miranda 擁有哥倫比亞大學電機碩士學位。
Text/ Lynn Chen
活動預告：呼應氣候變遷的數位實踐策略
IT產業若是一個國家，將是世界第四大污染源，其碳排量與航空業相當！Google數據顯示，2023年的溫室氣體排放量比2019年增加了48%，可能是AI普及所致。LTUX Taipei邀請到遊人設計設計總監、同時也是B型企業顧問與永續數位實踐家的Kirsten來分享，她自2022年起研究如何將永續概念融入使用者體驗設計、介面設計及前後端實作，減少數位資產碳足跡。
參加者將學習永續數位設計策略、聆聽講者經驗分享，並參與永續使用者流程圖繪製練習，適合想在工作中融入永續概念並發展永續職涯者【活動含實作】>> 報名去！
