สรุป New Techniques for Designing for AI จากงาน UXLx 2024 (Part 2)
สำหรับใครที่ยังไม่ได้อ่านพาร์ทแรกของเรื่องนี้สามารถตามไปดูได้ที่ลิงก์นี้เลยครับ
ในส่วนนี้เราจะมาพูดถึง Framework ที่คุณ Dan Saffer แนะนำให้ใช้ครับ ซึ่งทั้งหมดมี 5 ขั้นตอน โดยเราจะมาไล่ไปทีละขั้นตอนพร้อม ๆ กันครับ
1. Capabilities & Matchmaking
ในขั้นตอนแรกเราจะพิจารณาความสามารถของ AI ก่อน โดยถ้าให้อธิบายง่าย ๆ ก็เหมือนการย่อยออกเป็น Features ที่เราจะมาดูว่าทำอะไรได้บ้าง โดยที่จะมีหลักการในการเขียน Capabilities สามข้อคือ
- Simple statements that break down into basic actions
เป็นข้อความที่ง่ายๆ ซึ่งอธิบายเทคโนโลยีให้เป็นการกระทำพื้นฐานที่สามารถทำได้ - It’s the what, not the how
ให้เราอธิบายว่าความสามารถนั้น ๆ ทำอะไรได้บ้าง โดยที่เราจะไม่ได้ลงรายละเอียดว่าเราจะทำสิ่งนั้นได้ยังไง - Capture as action verbs (e.g., discover, identify, generate, etc.)
แทนที่จะใช้ศัพท์แสง อย่าง supervised learning, neural networks เราจะใช้คำที่ระบุการกะทำหรือ action ง่าย ๆ เช่น discovery identify generate
และหลังจากที่เราได้ Capabilities แล้วเราจะนำมา Matchmaking ต่อตามตารางนี้
สุดท้ายในขั้นตอนนี้เราจะได้ concept ที่น่าสนใจสำหรับทำ AI Product ขึ้นมาครับ
2. Rapid Assessment
ขั้นตอนต่อมาเป็นการนำ concept ที่ได้จากขั้นตอนแรกมาประเมินว่าตัวไหนที่น่าสนใจและสามารถนำไปพัฒนาต่อได้จริง ๆ โดยการประเมินนั้นจะใช้เครื่องมือที่เรียกว่า Expertise & Performance
เครื่องมือนี้จะให้เรานำไอเดียมาวางลงบนกราฟ โดยพิจารณาจากทั้งสองแกนคือ
- Expertise: ผู้ใช้จำเป็นต้องเชี่ยวชาญเทคโนโลยีขนาดไหน
- Performance: AI ตัวนี้ต้องมีความแม่นยำในระดับไหน
3. Ranking
หลังจากที่เราได้ concept ที่คัดมาแล้วจาก Expertise & Performance ส่วนต่อมาคือการนำมาให้คะแนน (Ranking) โดยใช้หลักการ 3 ข้อคือ Technically Feasible, Financially Viable และ Valuable to Users
ซึ่งในขั้นตอนนี้เราก็จะถามคำถามย่อยที่อยู่ในหัวข้อนั้น ๆ ยกตัวอย่างคำถามในหัวข้อ Technical Feasibility เช่น Technology ในปัจจุบันมีให้ใช้งานแล้วใช่หรือไม่, ข้อมูลสำหรับเทรน AI นี้มีแล้วหรือยัง ต้องหาเพิ่มหรือไม่ อื่น ๆ
โดยสุดท้ายแล้ว หลังจากที่เรานำมา ranking เสร็จเรียบร้อย เราจะได้คะแนนรวมของ concept นั้น ๆ ซึ่งเมื่อเราใช้การ ranking กับหลาย ๆ concept แล้ว เราจะสามารถแบ่งตามคะแนน และเลือก concept ที่คะแนนสูงที่สุดได้ (AI Sweet Spot)
4. Explainability
หัวข้อนี้เป็นการเสริม concept ที่เราเกลามาอย่างดีจากทั้งสามขั้นตอนก่อนหน้าแล้ว โดยเราจะมาตั้งคำถามที่จะช่วย concept AI นั้น ๆ ในการอธิบายคร่าว ๆ (right level) พอให้ผู้ใช้เข้าใจว่าระบบมันทำงานยังไง
คำอธิบายพวกนี้สำคัญมาก เพราะมันช่วยสร้างความเชื่อใจให้กับ AI ของเรา โดยวิธีการก็มีหลากหลายเหมือนกัน เช่น การแสดงแหล่งข้อมูลอ้างอิง การบอก data set ว่าเทรนมาจากอะไร (อันนี้ open source ทำบ่อย) หรือทำไมฉันถึงเห็นโพสต์นี้ แบบที่ facebook ทำอยู่
แน่นอนว่าเราคววรทำให้ผู้ใช้เชื่อใจใน AI ที่เราสร้าง แต่ก็ไม่ควรให้เชื่อใจมากเกินไปจนส่งผลเสีย เช่น ข้อมูลที่ Sensitive ก็ควรแจ้งเตือนให้ผู้ใช้ตรวจสอบความถูกต้องอีกรอบ หรือข้อมูลที่เก่าก็ควรมีการแจ้ง Scope ของวันที่ของข้อมูลที่ AI หามาได้
5. Consequence Scanning
AI เองก็พลาดได้เหมือนกับระบบอื่น ๆ เพราะงั้นเราควรพิจารณาความเป็นไปได้ที่มันจะพลาดด้วย ดังนั้นในขั้นตอนสุดท้าย เราจะมา validate concept AI ที่เราได้มาถึงความเป็นไปได้ที่มันจะผิดพลาดของ AI ด้วย โดยเราจะใช้รูปด้านล่างในการพิจารณา
ซึ่งเมื่อเราทำครบ 5 ขั้นตอนแล้ว สุดท้ายเราก็จะได้ concepts ของ AI ที่เหมาะสม (Sweet Spot) สำหรับการใช้งานต่อได้ครับ เย่! ⭐️
ก่อนจบคุณ Dan Saffer ก็ฝากคำคม ๆ จากคุณ Marshall McLuhan ไว้ให้ด้วย
We shape our tools and thereafter our tools shape us.
คำพูดนี้สะท้อนถึงความสัมพันธ์ระหว่างมนุษย์และเทคโนโลยี นอกจากที่มนุษย์จะสร้างและควบคุมเทคโนโลยีแล้ว เทคโนโลยีที่สร้างขึ้นยังสามารถส่งผลกลับมาสู่มนุษย์ได้อีกด้วย
ลองนึกถึงโทรศัพท์มือถือหรือ internet ที่มนุษย์เราออกแบบหลายสิบปีก่อน สุดท้ายเทคโนโลยีพวกนี้ก็กลับมาเปลี่ยนแปลงหรือ shape วิธีที่เราสื่อสารและเข้าถึงข้อมูลในยุคนี้อยู่ดี ดังนั้นเราเองก็ควรใช้เครื่องมือพวกนี้แบบมีสติ และไม่ปล่อยให้มันกำหนดชีวิตของเราด้วยครับ
ขอบคุณครับ 🙏
