નફો:
- આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે મેનુ, નેવિગેશન અને કન્ટેન્ટ સ્ટ્રક્ચર (માહિતી આર્કિટેક્ચર) ને ડ્રાફ્ટ કરવાની ક્ષમતા અને કાર્ડ સોર્ટિંગ પરિણામો સાથે તેને ચકાસવાની ક્ષમતા
- કૃત્રિમ બુદ્ધિમત્તામાં વપરાશકર્તા પ્રવાહ અને સ્ક્રીન-ટુ-સ્ક્રીન પગલાઓ દોરવાની ક્ષમતા અને તર્કના અંતર અને ધારના કેસોને કેપ્ચર કરવાની ક્ષમતા
- વાસ્તવિક વપરાશકર્તા ભાષા અને માનસિક મોડલ અનુસાર આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા સૂચવેલ માળખાને વિવેચનાત્મક રીતે અનુકૂલિત કરવાની ક્ષમતા
જો ઉત્પાદનનો ઉપયોગ કરવો મુશ્કેલ બની જાય છે, તો સમસ્યા ઘણીવાર રંગ અથવા બટન સાથે નહીં, પરંતુ બંધારણમાં હોય છે. ઇન્ફોર્મેશન આર્કિટેક્ચર (IA) એ છે કે કેવી રીતે ઉત્પાદનમાં સામગ્રીને નેવિગેશન સ્ટ્રક્ચરમાં જૂથબદ્ધ, નામ અને ગોઠવવામાં આવે છે: મેનુ, કેટેગરીઝ, વંશવેલો. વપરાશકર્તા પ્રવાહ એ સ્ક્રીન-ટુ-સ્ક્રીન પગલાંઓનો ક્રમ છે જે વપરાશકર્તા ચોક્કસ ધ્યેય (રજીસ્ટર કરવા, ઉત્પાદન ખરીદવા) હાંસલ કરવા માટે પસાર કરે છે. બંને અદ્રશ્ય હાડપિંજર બનાવે છે. AI ઝડપથી આ હાડપિંજરની રૂપરેખા બનાવે છે અને લોજિક ગેપ્સને પકડવામાં મદદ કરે છે; પરંતુ બંધારણ વાસ્તવિક વપરાશકર્તાના મનને બંધબેસે છે કે કેમ તે ફક્ત માનવ ચુકાદા અને પરીક્ષણ દ્વારા જ નક્કી કરી શકાય છે.
માહિતી આર્કિટેક્ચર: વપરાશકર્તાની ભાષા બોલતા
IA નું મૂળભૂત તાણ આ છે: શું તમે સંસ્થાના તર્ક અથવા વપરાશકર્તાના મન અનુસાર સામગ્રી ગોઠવશો? મોટાભાગના અસફળ મેનુઓ કંપનીના આંતરિક વિભાગના માળખાને વપરાશકર્તા પર લાદે છે ("એન્ટરપ્રાઇઝ સોલ્યુશન્સ", "ઓપરેશન સેન્ટર"). જો વપરાશકર્તા પૂછે કે "હું મારું બિલ કેવી રીતે ચૂકવું?" તે વિચારે છે.
આર્ટિફિશિયલ ઇન્ટેલિજન્સ અહીં બે-માર્ગી મદદગાર છે. એક તરફ, તે વાજબી પ્રારંભિક શ્રેણી માળખું સૂચવે છે; બીજી બાજુ, તે તમને વપરાશકર્તાની ભાષા સામે તમારી વર્તમાન રચનાનું પરીક્ષણ કરવામાં મદદ કરે છે. પરંતુ મોડેલ સૂચવે છે તે ટેગ સામાન્ય રીતે "સરેરાશ ઇન્ટરનેટ ભાષા" છે; તમારા વપરાશકર્તા ખરેખર જે શબ્દો વાપરે છે તે અલગ હોઈ શકે છે. તેથી, IA ડ્રાફ્ટ કાર્ડ સૉર્ટિંગ દ્વારા ચકાસવામાં આવે છે: વાસ્તવિક વપરાશકર્તાઓને સામગ્રી કાર્ડ આપવામાં આવે છે અને તેઓ તેમને સૉર્ટ કરે છે; તમે તેમના જૂથ અનુસાર માળખું ગોઠવો.
ટીપ: જ્યારે આર્ટિફિશિયલ ઈન્ટેલિજન્સમાંથી કેટેગરી સૂચનો મેળવો, ત્યારે તેને "દરેક કેટેગરીને એક પ્રશ્ન વાક્યમાં અનુવાદિત કરવા માટે પણ કહો કે જે વપરાશકર્તા બનાવશે." આ કોર્પોરેટ જાર્ગનથી વપરાશકર્તા ભાષામાં સંક્રમણને ઝડપી બનાવે છે.
વપરાશકર્તા પ્રવાહ: પગલાં, નિર્ણયો અને ધારના કિસ્સાઓ
સારો ફ્લોચાર્ટ ત્રણ બાબતોને સ્પષ્ટ કરે છે: પગલાંઓ (વપરાશકર્તા શું કરે છે), નિર્ણયના મુદ્દાઓ (હા/ના શાખાઓ), અને ધારના કિસ્સાઓ - મુખ્ય માર્ગની બહારની પરિસ્થિતિઓ: ખાલી કાર્ટ, ખરાબ પાસવર્ડ, ઇન્ટરનેટ આઉટેજ, સમાપ્ત થયેલ સત્ર. બિનઅનુભવી ડિઝાઇન "ખુશ પાથ" દોરે છે (પદૃશ્ય જ્યાં બધું બરાબર ચાલે છે) અને ધારના કિસ્સાઓ ભૂલી જાય છે; વપરાશકર્તા મોટે ભાગે આ ભૂલી ગયેલા સ્થળોએ હેંગ આઉટ કરે છે.
આ તે છે જ્યાં AI શક્તિશાળી છે: જ્યારે તમે સ્ટ્રીમ નિકાસ કરો છો, ત્યારે તમે પૂછો છો કે "કઈ ધારની સ્થિતિ ખૂટે છે?" જ્યારે તમે પૂછો છો, ત્યારે તે સામાન્ય રીતે તમે ચૂકી ગયેલા કેટલાકને પકડે છે. મોડેલ ફ્લો ક્રિટિકની જેમ કામ કરે છે. પરંતુ તમે નક્કી કરો છો કે શું તે દરેક શાખાની ભલામણ કરે છે તે ખરેખર જરૂરી છે, ઉત્પાદનનો અવકાશ અને વપરાશકર્તા વાસ્તવિકતા; નહિંતર, પ્રવાહ બિનજરૂરી રીતે જટિલ બની જાય છે.
સ્ટ્રીમ તત્વ
કૃત્રિમ બુદ્ધિનું યોગદાન
માનવ નિર્ણય
મુખ્ય પગલાં
માનક રેન્કિંગ ડ્રાફ્ટ
ઉત્પાદન-વિશિષ્ટ સરળીકરણ
નિર્ણયના મુદ્દા
શક્ય શાખાઓ
ખરેખર શું જરૂરી છે
ધાર કેસો
ભૂલી ગયેલી વસ્તુઓની યાદ અપાવવી
શું આવરી લેવામાં આવશે
લેબલ/ટેક્સ્ટ
પ્રથમ સૂચન
વપરાશકર્તા ભાષા માટે અનુકૂલન
ભૂલ પાથ
સામાન્ય પેટર્ન
ઉત્પાદનના વાસ્તવિક ભૂલ પ્રકારો
ત્રણ નાના કેસો
કેસ 1 - મેનુ સરળ બની ગયું છે. એક ટીમે કૃત્રિમ બુદ્ધિમત્તાને 9 મુખ્ય મેનૂ શીર્ષકો આપ્યા અને તેમને "વપરાશકર્તાના પ્રશ્ન વાક્યમાં તેનું ભાષાંતર કરવા" કહ્યું. એવું જોવામાં આવ્યું હતું કે 3 મથાળા સમાન પ્રશ્નને અનુરૂપ છે ("હું મારું એકાઉન્ટ કેવી રીતે મેનેજ કરી શકું?"); મેનૂ 9 થી ઘટાડીને 6 કરવામાં આવ્યું. પછી 14 વપરાશકર્તાઓનું કાર્ડ જૂથ સાથે પરીક્ષણ કરવામાં આવ્યું અને મર્જની ચકાસણી કરવામાં આવી. ક્લિક સફળતા 61% થી વધીને 86% થઈ.
કેસ 2 - કેચ એજ કેસ. એક રેકોર્ડિંગ રનમાં, ટીમે માત્ર સફળ રેકોર્ડિંગ જ દોર્યું હતું. AI પૂછે છે કે "જો ઈમેલ પહેલેથી જ નોંધાયેલ હોય તો શું થશે?", "જો વેરિફિકેશન ઈમેલ ન આવે તો?", "જો તે બંધ થઈ જાય અને અધવચ્ચે પરત આવે તો શું?" પેદા થયેલા પ્રશ્નો. ટીમે પ્રવાહમાં 3 ધાર રાજ્યો પણ ઉમેર્યા છે; જ્યારે તે લાઇવ થયું, ત્યારે સપોર્ટ વિનંતીઓમાં નોંધપાત્ર ઘટાડો થયો. પાઠ: મોડેલ એ એક સારું "ભૂલી ગયેલાનું રીમાઇન્ડર" છે.
કેસ 3 — રીડન્ડન્ટ શાખાને નકારી કાઢવામાં આવી હતી. AI એ "ક્રિપ્ટોકરન્સી વિકલ્પ" અને "મલ્ટી-એડ્રેસ મેનેજમેન્ટ" જેવા ચુકવણી પ્રવાહ માટે શાખાઓ સૂચવી. આ ઉત્પાદનના અવકાશમાં સમાવિષ્ટ ન હતા; ડિઝાઇનરે સૂચનો નકારી કાઢ્યા. પાઠ: મોડેલના દરેક સૂચન સ્વીકારવામાં આવતા નથી; અવકાશનો નિર્ણય માણસનો છે, નહીં તો પ્રવાહ ફૂલી જાય છે.
નકલ કરી શકાય તેવા સંકેતો
તમારી ભૂમિકા: માહિતી આર્કિટેક્ચર નિષ્ણાત. નીચેની સામગ્રી/સુવિધાઓની સૂચિને વપરાશકર્તાના મનને અનુરૂપ કેટેગરીમાં જૂથબદ્ધ કરો. દરેક કેટેગરીને ટૂંકા લેબલ અને પ્રશ્ન વાક્ય બંને આપો કે જે વપરાશકર્તા બનાવશે. કોર્પોરેટ જાર્ગન ટાળો. 6 પેરેન્ટ કેટેગરીઝ સુધીનો ઉપયોગ કરો.સૂચિ: <<contents>>
આ વપરાશકર્તા પ્રવાહની તપાસ કરો: <<steps>>.1) ખૂટતા કિનારી કેસો (નિષ્ક્રિય સ્થિતિ, ભૂલ, સમયસમાપ્તિ, ફરીથી લૉગિન) સૂચિબદ્ધ કરો. 2) બિનજરૂરી અથવા અવકાશની બહાર લાગે તેવા પગલાંને ફ્લેગ કરો.3) ટૅગ્સ સૂચવો જે વપરાશકર્તાની ભાષામાં બંધબેસતા નથી. દરેક આઇટમને એક-વાક્યનું સમર્થન આપો. કડક શબ્દોમાં કહીએ તો; "ચકાસાયેલ હોવું જ જોઈએ" કહો.
નીચેના કાર્ય માટે સ્ક્રીન-બાય-સ્ક્રીન વપરાશકર્તા પ્રવાહનું સ્કેચ કરો: "<<task>>". ફોર્મેટ: દરેક પગલું = સ્ક્રીન નામ > વપરાશકર્તા ક્રિયા > સિસ્ટમ પ્રતિસાદ. "IF... THEN" સાથે અલગ નિર્ણય બિંદુઓ. સુખી માર્ગ સાથે ઓછામાં ઓછા 2 ભૂલના રસ્તાઓ બતાવો.
આ મેનુ સ્ટ્રક્ચરને કાર્ડ ગ્રુપિંગ પરિણામ સાથે સરખાવો: ભલામણ કરેલ માળખું: <<a>> વપરાશકર્તા જૂથ: <<b>>. કોષ્ટકમાં અસંગત પ્લેસમેન્ટ્સ બતાવો અને વપરાશકર્તાના મનની નજીક કયું છે તે યોગ્ય ઠેરવો.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા: "મને રેકોર્ડિંગ સ્ટ્રીમ લખો."
પરિણામ: કોઈ ધાર વગરની સામાન્ય પગલાંની સૂચિ, જેમાં માત્ર સુખી માર્ગ છે.
મજબૂત: "આ કાર્ય માટે સ્ક્રીન-બાય-સ્ક્રીન ફ્લો દોરો; દરેક પગલું 'સ્ક્રીન> એક્શન> સિસ્ટમ પ્રતિસાદ' ફોર્મેટમાં આપો; ખુશ પાથની બાજુમાં ઓછામાં ઓછા 2 ભૂલ પાથ બતાવો; IF-THEN સાથે અલગ નિર્ણય બિંદુઓ."
પરિણામ: દૃશ્યમાન ધારની સ્થિતિઓ અને શાખાઓ સાથે કાર્યક્ષમ પ્રવાહ.
તફાવત: મજબૂત પ્રોમ્પ્ટ ફોર્મેટ + ભૂલ પાથ આવશ્યક + નિર્ણય બિંદુ જરૂરી છે; આ પ્રવાહને વાસ્તવિક દુનિયાની નજીક લાવે છે.
સામાન્ય ભૂલો
- માત્ર ખુશ માર્ગ ડિઝાઇન. વપરાશકર્તા મોટાભાગે ધારની પરિસ્થિતિઓમાં અટવાઇ જાય છે; તેમને છોડવું એ સૌથી મોંઘી ભૂલ છે.
- મેનૂમાં કોર્પોરેટ જાર્ગન લાવવું. વપરાશકર્તા "મારો ઓર્ડર ક્યાં છે" શોધે છે, "ઓપરેશન સેન્ટર" માટે નહીં.
- કાર્ડ ગ્રૂપિંગ વિના IA ને અંતિમ સ્વરૂપ આપવું. મોડલ દરખાસ્ત પૂર્વધારણા છે; વપરાશકર્તા પરીક્ષણની પુષ્ટિ કરે છે.
- મોડેલના દરેક પ્રવાહ સૂચનને ઉમેરી રહ્યા છીએ. અવકાશની બહારની શાખાઓ પ્રવાહને ફૂલે છે; નકારવું એ પણ એક નિર્ણય છે.
- બિલકુલ લેબલ્સનું પરીક્ષણ કરતા નથી. એક લેબલ જે તમને "સમજી શકાય તેવું" લાગે છે તે વપરાશકર્તા માટે અજાણ્યું હોઈ શકે છે.
સારાંશમાં
માહિતી આર્કિટેક્ચર અને વપરાશકર્તા પ્રવાહ એ ઉત્પાદનનું અદ્રશ્ય હાડપિંજર છે; વપરાશકર્તા અનુભવની પ્રવાહિતા મોટે ભાગે આમાંથી આવે છે. AI બુદ્ધિગમ્ય કેટેગરી સ્ટ્રક્ચર્સ, ક્રિટીક્સ ફ્લો સૂચવે છે અને ખાસ કરીને ભુલાઈ ગયેલા કિસ્સાઓને પકડવામાં શક્તિશાળી છે. પરંતુ લેબલ્સ વપરાશકર્તાની ભાષા સાથે મેળ ખાય છે કે કેમ તે કાર્ડ જૂથ દ્વારા નક્કી કરવામાં આવે છે, અને પ્રવાહનો અવકાશ અને શાખાની આવશ્યકતા માનવ ચુકાદા દ્વારા નક્કી કરવામાં આવે છે. ડ્રાફ્ટર અને વિવેચક તરીકે મોડેલનો ઉપયોગ કરો; તમે વપરાશકર્તાના મન અનુસાર માળખું માપાંકિત કરો છો.
એપ્લિકેશન કાર્ય
- ઉત્પાદનની 8-10 સામગ્રી/વિશિષ્ટતાઓની યાદી બનાવો અને પ્રથમ પ્રોમ્પ્ટ સાથે શ્રેણી માળખું બનાવો.
- દરેક કેટેગરીને વપરાશકર્તાના પ્રશ્ન વાક્યમાં અનુવાદિત કરો અને જે મૂંઝવણમાં છે તેને જોડો.
- કાર્ય પસંદ કરો અને ત્રીજા પ્રોમ્પ્ટ (ઓછામાં ઓછા 2 ભૂલ પાથ સાથે) સાથે સ્ક્રીન-બાય-સ્ક્રીન ફ્લો દોરો.
- બીજા પ્રોમ્પ્ટ સાથે, પ્રવાહની ટીકા કરો, ખૂટતા કિનારો ઉમેરો અને બિનજરૂરી પગલાંઓ દૂર કરો.
- જો શક્ય હોય તો, 3-5 લોકો સાથે મિની કાર્ડ્સનું જૂથ બનાવો અને પરિણામો અનુસાર માળખું ગોઠવો.
ચેકલિસ્ટ
- [ ] મેં શ્રેણીઓનું વપરાશકર્તા ભાષામાં ભાષાંતર કર્યું અને શબ્દકોષ દૂર કર્યો.
- સુખી માર્ગ ઉપરાંત, મેં પ્રવાહમાં ભૂલના માર્ગો પણ દોર્યા.
- [ ] મેં કૃત્રિમ બુદ્ધિમત્તા વડે ગુમ થયેલા કિનારો સ્કેન કર્યા અને ઉમેર્યા.
- [ ] મેં અવકાશની બહારના સૂચનોને સભાનપણે નકારી કાઢ્યા.
- [ ] મેં કાર્ડ જૂથ અથવા વપરાશકર્તા પરીક્ષણ સાથે IA ડ્રાફ્ટનું પરીક્ષણ કર્યું.
- [ ] મેં વાસ્તવિક વપરાશકર્તા શબ્દો સાથે ટૅગ્સની ચકાસણી કરી.