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!