ವ್ಯಕ್ತಿ ಮತ್ತು ಬಳಕೆದಾರರ ಪ್ರಯಾಣ ನಕ್ಷೆ ಉತ್ಪಾದನೆ

ಲಾಭಗಳು:

• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಸಂಶೋಧನಾ ದತ್ತಾಂಶವನ್ನು ಆಧರಿಸಿ ಪುರಾವೆ ಆಧಾರಿತ ವ್ಯಕ್ತಿತ್ವ ಡ್ರಾಫ್ಟ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸ್ಟೀರಿಯೊಟೈಪ್‌ಗಳು ಮತ್ತು ಕ್ಲೀಷೆಗಳನ್ನು ತೊಡೆದುಹಾಕಲು
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬೆಂಬಲದೊಂದಿಗೆ ಬಳಕೆದಾರರ ಪ್ರಯಾಣದ ನಕ್ಷೆಯ ಹಂತಗಳು, ಕ್ರಿಯೆಗಳು, ಆಲೋಚನೆಗಳು, ಭಾವನೆಗಳು ಮತ್ತು ನೋವಿನ ಅಂಶಗಳನ್ನು ಕರಡು ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ನೈಜ ವಿಭಾಗದ ಡೇಟಾದೊಂದಿಗೆ ನಿರ್ಮಿತ ವ್ಯಕ್ತಿಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೂಲಕ ಡೇಟಾವನ್ನು ಆಧರಿಸಿರದ ಊಹೆಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ

ವ್ಯಕ್ತಿ ಮತ್ತು ಬಳಕೆದಾರರ ಪ್ರಯಾಣದ ನಕ್ಷೆಯು ಸಂಶೋಧನೆಯಿಂದ ಒಳನೋಟಗಳನ್ನು ತಂಡವು ದಿನವಿಡೀ ನೋಡುವ ಸ್ಪಷ್ಟವಾದ ಸಾಧನಗಳಿಗೆ ಅನುವಾದಿಸುತ್ತದೆ. ವ್ಯಕ್ತಿತ್ವವು ಕಾಲ್ಪನಿಕ ಆದರೆ ಡೇಟಾ-ಚಾಲಿತ ಪ್ರೊಫೈಲ್ ಆಗಿದ್ದು ಅದು ನಿಜವಾದ ಬಳಕೆದಾರ ವಿಭಾಗವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ: ಅವರ ಗುರಿಗಳು, ಅವರ ಅಡೆತಡೆಗಳು, ಅವರ ಸಂದರ್ಭ. ಬಳಕೆದಾರ ಪ್ರಯಾಣದ ನಕ್ಷೆಯು ದೃಶ್ಯ ನಿರೂಪಣೆಯಾಗಿದ್ದು, ಬಳಕೆದಾರರು ಏನು ಮಾಡುತ್ತಾರೆ, ಅವರು ಏನು ಯೋಚಿಸುತ್ತಾರೆ, ಅವರು ಏನು ಭಾವಿಸುತ್ತಾರೆ ಮತ್ತು ಗುರಿಯನ್ನು ಸಾಧಿಸುವಾಗ ಅವನು ಎಲ್ಲಿ ಸಿಲುಕಿಕೊಳ್ಳುತ್ತಾನೆ ಎಂಬುದನ್ನು ಹಂತ ಹಂತವಾಗಿ ತೋರಿಸುತ್ತದೆ. ಎಐ ನಿಮಿಷಗಳಲ್ಲಿ ಎರಡರ ಕರಡುಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದರೆ ಇಲ್ಲಿ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಬಲೆ ಅಡಗಿದೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಡೇಟಾ ಇಲ್ಲದೆ "ನೈಜ" ಧ್ವನಿಯ ವ್ಯಕ್ತಿಗಳನ್ನು ರಚಿಸಬಹುದು. ವೇಗವನ್ನು ತ್ಯಾಗ ಮಾಡದೆಯೇ ಪುರಾವೆಗಳಿಗೆ ಅಂಟಿಕೊಳ್ಳಲು ಈ ಘಟಕವು ನಿಮಗೆ ಕಲಿಸುತ್ತದೆ.

ವ್ಯಕ್ತಿತ್ವ: ಸಾಕ್ಷ್ಯವನ್ನು ಆಧರಿಸಿರಬೇಕು, ಫ್ಯಾಂಟಸಿ ಅಲ್ಲ

ಒಳ್ಳೆಯ ವ್ಯಕ್ತಿ ಮತ್ತು ಕೆಟ್ಟ ವ್ಯಕ್ತಿತ್ವದ ನಡುವಿನ ವ್ಯತ್ಯಾಸವೆಂದರೆ ವರ್ತನೆ. ಕೆಟ್ಟ ವ್ಯಕ್ತಿತ್ವವು ವಿನ್ಯಾಸಕರ ಮನಸ್ಸಿನಲ್ಲಿರುವ ಊಹೆಗಳನ್ನು ಸುಂದರವಾದ ಟೆಂಪ್ಲೇಟ್ ಆಗಿ ಇರಿಸುತ್ತದೆ: "ಆಯ್ಸ್, 34 ವರ್ಷ ವಯಸ್ಸಿನವರು, ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ ಉತ್ತಮ, ಪ್ರಾಯೋಗಿಕ ಪರಿಹಾರಗಳನ್ನು ಪ್ರೀತಿಸುತ್ತಾರೆ." ಈ ವಾಕ್ಯಗಳಲ್ಲಿ ಯಾವುದೂ ಸಂಶೋಧನೆಯನ್ನು ಆಧರಿಸಿಲ್ಲದಿದ್ದರೆ, ವ್ಯಕ್ತಿತ್ವವು ಕೇವಲ ಅಲಂಕಾರವಾಗಿದೆ ಮತ್ತು ತಪ್ಪು ನಿರ್ಧಾರಗಳನ್ನು ಕಾನೂನುಬದ್ಧಗೊಳಿಸುತ್ತದೆ.

ಉತ್ತಮ ವ್ಯಕ್ತಿತ್ವವು ಸಂಶೋಧನೆಯ ಮೇಲಿನ ಪ್ರತಿ ಹಕ್ಕುಗಳನ್ನು ಆಧರಿಸಿದೆ. "ಬಳಕೆದಾರರು ಅನುಸ್ಥಾಪನೆಯಲ್ಲಿ ಸಿಲುಕಿಕೊಂಡಿದ್ದಾರೆ" ಎಂಬ ವಾಕ್ಯದ ಹಿಂದೆ "8 ಭಾಗವಹಿಸುವವರಲ್ಲಿ 5 ಮಂದಿ ಆರಂಭಿಕ ಸ್ಥಾಪನೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ" ಡೇಟಾ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ, ನಿಯಮವು ಬದಲಾಗುವುದಿಲ್ಲ: ಮಾದರಿಗೆ ಸಂಶೋಧನಾ ಸಾರಾಂಶವನ್ನು ಮೂಲವಾಗಿ ನೀಡಿ ಮತ್ತು ಈ ಮೂಲದಿಂದ ಮಾತ್ರ ವ್ಯಕ್ತಿತ್ವವನ್ನು ರಚಿಸಲು ಹೇಳಿ, ಯಾವುದೇ ಆಧಾರವಿಲ್ಲದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೇರಿಸಬೇಡಿ.

ಎಚ್ಚರಿಕೆ: AI "ಅಂತರವನ್ನು ತುಂಬಲು" ಬಹಳ ಸಮರ್ಥವಾಗಿದೆ; ನೀವು ಒದಗಿಸದ ವಯಸ್ಸು, ಆದಾಯ ಮತ್ತು ಅಭ್ಯಾಸಗಳಂತಹ ವಿವರಗಳನ್ನು ಇದು ಸ್ವಯಂಪ್ರೇರಿತವಾಗಿ ರಚಿಸಬಹುದು. ಈ ವಿವರಗಳು ಡೇಟಾದಿಂದ ಬರದಿದ್ದರೆ, ವ್ಯಕ್ತಿತ್ವವು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.

ಸ್ಟೀರಿಯೊಟೈಪ್ಸ್ ಮತ್ತು ಪಕ್ಷಪಾತವನ್ನು ತೆಗೆದುಹಾಕುವುದು

AI ಪಕ್ಷಪಾತವು ಹೆಚ್ಚು ಗೋಚರವಾಗಿ ಸೋರಿಕೆಯಾಗುವ ವ್ಯಕ್ತಿಗಳು. ಮಾದರಿಯು ತರಬೇತಿ ಡೇಟಾದಿಂದ ಪ್ರೋಫೈಲ್‌ಗಳಿಗೆ ಸ್ಟೀರಿಯೊಟೈಪ್‌ಗಳನ್ನು ಚಲಿಸುತ್ತದೆ: "ಹಳೆಯ ಬಳಕೆದಾರರು ತಂತ್ರಜ್ಞಾನಕ್ಕೆ ಹೆದರುತ್ತಾರೆ," "ಯುವ ಬಳಕೆದಾರ ಅಸಹನೆ ಹೊಂದಿರುತ್ತಾರೆ," ನಿರ್ದಿಷ್ಟ ವೃತ್ತಿಗಳು ಅಥವಾ ಲಿಂಗಕ್ಕೆ ಕಾರಣವಾದ ನಡವಳಿಕೆಗಳು. ಈ ಸಾಮಾನ್ಯೀಕರಣಗಳು ತಪ್ಪು ಮತ್ತು ನೈತಿಕವಾಗಿ ಆಕ್ಷೇಪಾರ್ಹವಾಗಿವೆ.

ಶುದ್ಧೀಕರಣ ವಿಧಾನವು ಮೂರು ಹಂತಗಳನ್ನು ಹೊಂದಿದೆ:

1. ಗುರುತು: ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಪ್ರತಿ ಸಾಮಾನ್ಯೀಕರಣ ವಾಕ್ಯವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಿ ("ಎಲ್ಲರೂ", "ಸಾಮಾನ್ಯವಾಗಿ", "ಈ ವಯಸ್ಸಿನ ಜನರು").
2. ಪರೀಕ್ಷೆ: ಈ ವಾಕ್ಯವು ಸಂಶೋಧನಾ ಡೇಟಾದಲ್ಲಿ ಸಮಾನತೆಯನ್ನು ಹೊಂದಿದೆಯೇ?
3. ಸರಿಪಡಿಸಿ ಅಥವಾ ತೆಗೆದುಹಾಕಿ: ಅದಕ್ಕೆ ಆಧಾರವಿದ್ದರೆ, ಅದನ್ನು ಸಾಕ್ಷ್ಯಕ್ಕೆ ಲಗತ್ತಿಸಿ, ಇಲ್ಲದಿದ್ದರೆ ಅದನ್ನು ಅಳಿಸಿ. "ಅದನ್ನು ಮೃದುಗೊಳಿಸುವ" ಮೂಲಕ ಕ್ಲೀಷೆ ಇರಿಸಬೇಡಿ; ಯಾವುದೇ ಪುರಾವೆ ಇಲ್ಲದಿದ್ದರೆ, ಅವನು ಬಿಡುತ್ತಾನೆ.

ವ್ಯಕ್ತಿತ್ವದ ಅಭಿವ್ಯಕ್ತಿ

ಸಮಸ್ಯೆ

ಪುರಾವೆ ಆಧಾರಿತ ತಿದ್ದುಪಡಿ

"ಹಳೆಯ ಬಳಕೆದಾರರು ತಂತ್ರಜ್ಞಾನಕ್ಕೆ ಹೆದರುತ್ತಾರೆ"

ವಯಸ್ಸು ಆಧಾರಿತ ಸ್ಟೀರಿಯೊಟೈಪ್

"6 ರಲ್ಲಿ 5 ಭಾಗವಹಿಸುವವರು ಹೊಸ ವೈಶಿಷ್ಟ್ಯದೊಂದಿಗೆ ಹೆಚ್ಚುವರಿ ಭರವಸೆ ಪಠ್ಯವನ್ನು ನಿರೀಕ್ಷಿಸಿದ್ದಾರೆ"

"ಯುವ ಬಳಕೆದಾರರು ಅಸಹನೆ ಹೊಂದಿದ್ದಾರೆ"

ಪೀಳಿಗೆಯ ಸಾಮಾನ್ಯೀಕರಣ

"ಭಾಗವಹಿಸುವವರು 3 ಹಂತಗಳನ್ನು ಮೀರಿದ ಹರಿವನ್ನು ತ್ಯಜಿಸಿದ್ದಾರೆ (ವಯಸ್ಸಿನ ಹೊರತಾಗಿಯೂ)"

"ಮಹಿಳೆಯರಿಗೆ ಸರಳತೆ ಬೇಕು"

ಲಿಂಗ ಊಹೆ

"ಎಲ್ಲಾ ವಿಭಾಗಗಳಲ್ಲಿ ಸರಳ ಹರಿವಿಗೆ ಆದ್ಯತೆ ನೀಡಲಾಗಿದೆ"

"ಅವನ ನೆಚ್ಚಿನ ಬಣ್ಣ ನೀಲಿ"

ಅಲಂಕಾರಿಕ ಮಾಹಿತಿ (ನಿರ್ಧಾರದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವುದಿಲ್ಲ)

(ಕಳೆಯಿರಿ - ವಿನ್ಯಾಸ ನಿರ್ಧಾರದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವುದಿಲ್ಲ)

ಬಳಕೆದಾರರ ಪ್ರಯಾಣದ ನಕ್ಷೆಯ ಅಂಗರಚನಾಶಾಸ್ತ್ರ

ಪ್ರಯಾಣದ ನಕ್ಷೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಸಾಲುಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ:

• ಹಂತ: ಅರಿವು, ಮೌಲ್ಯಮಾಪನ, ಬಳಕೆ ಮತ್ತು ಹಿಂತಿರುಗಿಸುವಿಕೆಯಂತಹ ಪ್ರಮುಖ ಅವಧಿಗಳು.
• ಕ್ರಿಯೆ: ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಬಳಕೆದಾರರು ಏನು ಮಾಡುತ್ತಾರೆ.
• ಆಲೋಚನೆ: ನಿಮ್ಮ ಮನಸ್ಸಿನಲ್ಲಿ ಏನಾಗುತ್ತದೆ.
• ಭಾವನೆ: ಒಬ್ಬನಿಗೆ ಏನು ಅನಿಸುತ್ತದೆ; ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ವಕ್ರರೇಖೆಯಿಂದ ಎಳೆಯಲಾಗುತ್ತದೆ.
• ನೋವಿನ ಬಿಂದು: ಒಬ್ಬರು ಎಲ್ಲಿ ಸಿಲುಕಿಕೊಳ್ಳುತ್ತಾರೆ, ಕೋಪಗೊಳ್ಳುತ್ತಾರೆ, ಬಿಟ್ಟುಕೊಡುತ್ತಾರೆ.
• ಅವಕಾಶ: ವಿನ್ಯಾಸವು ಎಲ್ಲಿ ಮಧ್ಯಪ್ರವೇಶಿಸಬಹುದು.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಈ ಅಸ್ಥಿಪಂಜರದಲ್ಲಿ ತ್ವರಿತವಾಗಿ ತುಂಬುತ್ತದೆ. ಆದರೆ "ಭಾವನೆ" ರೇಖೆಯು ವಿಶೇಷವಾಗಿ ಅಪಾಯಕಾರಿಯಾಗಿದೆ: ಮಾದರಿಯು ಸಮಂಜಸವಾಗಿ ಬಳಕೆದಾರರು ಏನನ್ನು ಅನುಭವಿಸುತ್ತಿದ್ದಾರೆಂದು ಊಹಿಸುತ್ತದೆ, ಆದರೆ ನೈಜ ಡೇಟಾದಿಂದ ಬೆಂಬಲಿಸದ ಹೊರತು ಆ ಭವಿಷ್ಯವು ಊಹೆಯಾಗಿದೆ. ನಕ್ಷೆಯಲ್ಲಿ ಆಧಾರರಹಿತ ಭಾವನೆಗಳನ್ನು ಊಹೆಗಳಾಗಿ ಗುರುತಿಸಿ; ಸಂಶೋಧನಾ ಉಲ್ಲೇಖದ ಮೂಲಕ ದೃಢೀಕರಿಸಿದಾಗ "ಪರಿಶೀಲಿಸಿದ" ಸ್ಥಿತಿಯನ್ನು ಪಡೆಯಿರಿ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ತ್ವರಿತ ಡ್ರಾಫ್ಟ್, ನಿಜವಾದ ಪರಿಹಾರ. ಒಂದು ತಂಡವು 12 ಸಂದರ್ಶನದ ಸಾರಾಂಶಗಳಿಂದ AI ಯೊಂದಿಗೆ 3 ವೈಯಕ್ತಿಕ ರೇಖಾಚಿತ್ರಗಳನ್ನು ತಯಾರಿಸಿತು; ಕೆಲಸವು 25 ನಿಮಿಷಗಳನ್ನು ತೆಗೆದುಕೊಂಡಿತು. ನಂತರ ಅವರು ಸಂಶೋಧನಾ ಡೇಟಾದ ವಿರುದ್ಧ ಪ್ರತಿ ವ್ಯಕ್ತಿಯ 9 ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪರಿಶೀಲಿಸಿದರು; 4 ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಯಾವುದೇ ಆಧಾರವಿಲ್ಲ ಮತ್ತು ತೆಗೆದುಹಾಕಲಾಗಿದೆ. ಉಳಿದ ವ್ಯಕ್ತಿಗಳು ವೇಗವಾಗಿ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹರಾಗಿದ್ದರು.

ಪ್ರಕರಣ 2 - ಲೀಕ್ಡ್ ಕ್ಲೀಷೆ. "ನಿವೃತ್ತ ಬಳಕೆದಾರರು ಡಿಜಿಟಲ್ ಬ್ಯಾಂಕಿಂಗ್ ಅನ್ನು ನಂಬುವುದಿಲ್ಲ" ಎಂದು AI ವ್ಯಕ್ತಿ ಬರೆದಿದ್ದಾರೆ. ತಂಡವು ಡೇಟಾವನ್ನು ನೋಡಿದೆ: 6 ನಿವೃತ್ತ ಭಾಗವಹಿಸುವವರಲ್ಲಿ 5 ಜನರು ಸಾಮಾನ್ಯ ಡಿಜಿಟಲ್ ಬ್ಯಾಂಕಿಂಗ್ ಅನ್ನು ಬಳಸಿದರು. ವಾಕ್ಯವು ಸಂಪೂರ್ಣವಾಗಿ ತಪ್ಪಾಗಿದೆ ಮತ್ತು ತೆಗೆದುಹಾಕಲಾಗಿದೆ; "ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳ ಮೇಲೆ ಬಾಕಿ ಉಳಿದಿರುವ ಹೆಚ್ಚುವರಿ ಭರವಸೆ ಪಠ್ಯ" ದಂತಹ ಪುರಾವೆ-ಆಧಾರಿತ ವೀಕ್ಷಣೆಯೊಂದಿಗೆ ಬದಲಾಯಿಸಲಾಗಿದೆ. ಪಾಠ: ವಯಸ್ಸು-ಆಧಾರಿತ ಸ್ಟೀರಿಯೊಟೈಪ್‌ಗಳನ್ನು ಡೇಟಾದಿಂದ ನಿರಾಕರಿಸಲಾಗಿದೆ.

ಪ್ರಕರಣ 3 - ಸೆಂಟಿಮೆಂಟ್ ಕರ್ವ್ ಉತ್ಪ್ರೇಕ್ಷಿತವಾಗಿದೆ. ಚೆಕ್ಔಟ್ನಲ್ಲಿ ಬಳಕೆದಾರನು "ಉಗ್ರ" ಎಂದು ಮಾಡೆಲ್ ಬರೆದಿದ್ದಾರೆ. ನಿಜವಾದ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳಲ್ಲಿ, ಬಳಕೆದಾರರು ಕೇವಲ "ಹೆಜ್ಜೆಪಡುತ್ತಿದ್ದರು." ಡಿಸೈನರ್ ಭಾವನೆಯನ್ನು ಸರಿಪಡಿಸಿದ್ದಾರೆ; ಏಕೆಂದರೆ "ಕೋಪ" ಮತ್ತು "ಹಿಂಜರಿಕೆ"ಗೆ ವಿಭಿನ್ನ ಪರಿಹಾರಗಳು ಬೇಕಾಗುತ್ತವೆ (ಒಂದು ನಂಬಿಕೆ, ಇನ್ನೊಂದು ಸ್ಪಷ್ಟತೆ). ಪಾಠ: ಎಮೋಷನ್ ಲೈನ್ ಅನ್ನು ಪುರಾವೆಗಳೊಂದಿಗೆ ಮಾಪನಾಂಕ ಮಾಡಲಾಗಿದೆ.

ಎಷ್ಟು ವ್ಯಕ್ತಿಗಳು, ಎಷ್ಟು ವಿವರ?

ಹೊಸ ವಿನ್ಯಾಸಕರು ಬೀಳುವ ಸಾಮಾನ್ಯ ಬಲೆಗೆ ಹಲವಾರು ಮತ್ತು ಹೆಚ್ಚು ವಿವರವಾದ ವ್ಯಕ್ತಿಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು. AI ಈ ಬಲೆಯನ್ನು ವರ್ಧಿಸುತ್ತದೆ: ನಿಮಗೆ ಬೇಕಾದಷ್ಟು ವ್ಯಕ್ತಿಗಳು, ನಿಮಗೆ ಬೇಕಾದಷ್ಟು ವಿವರಗಳೊಂದಿಗೆ, ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಆಗಮಿಸುತ್ತಾರೆ. ಆದಾಗ್ಯೂ, ಮೌಲ್ಯಯುತವಾದದ್ದು ಸ್ವಲ್ಪ ಆದರೆ ಘನವಾಗಿದೆ. ಹೆಚ್ಚಿನ ಉತ್ಪನ್ನಗಳಿಗೆ, 2-3 ಪ್ರಾಥಮಿಕ ವ್ಯಕ್ತಿಗಳು ಸಾಕು; ಪ್ರತಿಯೊಂದೂ ನಿಜವಾದ ಬಳಕೆದಾರ ವಿಭಾಗವನ್ನು ಪ್ರತಿನಿಧಿಸಬೇಕು ಮತ್ತು ವಿನ್ಯಾಸ ನಿರ್ಧಾರಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಎರಡು ವ್ಯಕ್ತಿಗಳು ಬಹುತೇಕ ಒಂದೇ ರೀತಿ ವರ್ತಿಸಿದರೆ, ಅದು ಬಹುಶಃ ಒಬ್ಬ ವ್ಯಕ್ತಿಯಾಗಿರಬಹುದು. ವಿವರದ ಬದಿಯಲ್ಲಿ, ಮಾನದಂಡವು ಹೀಗಿದೆ: ವ್ಯಕ್ತಿತ್ವಕ್ಕೆ ಸೇರಿಸಲಾದ ಪ್ರತಿಯೊಂದು ಮಾಹಿತಿಯು ವಿನ್ಯಾಸ ನಿರ್ಧಾರದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಿದರೆ ಅದು ಮೌಲ್ಯಯುತವಾಗಿರುತ್ತದೆ; ಅದು ಪ್ರಭಾವ ಬೀರದಿದ್ದರೆ (ಉದಾಹರಣೆಗೆ, ಬಳಕೆದಾರರ ನೆಚ್ಚಿನ ಬಣ್ಣ), ಇದು ಅಲಂಕಾರಿಕವಾಗಿದೆ ಮತ್ತು ಅದನ್ನು ತೆಗೆದುಹಾಕಬೇಕು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ವ್ಯಕ್ತಿತ್ವವನ್ನು ವಿನಂತಿಸುವಾಗ, "ವಿನ್ಯಾಸ ನಿರ್ಧಾರದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾತ್ರ ಸೇರಿಸಿ" ಎಂದು ಹೇಳುವುದು ಈ ಬಲೆಗಳನ್ನು ತೊಡೆದುಹಾಕಲು ಅತ್ಯಂತ ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗವಾಗಿದೆ.

ಸಲಹೆ: ವ್ಯಕ್ತಿತ್ವ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪರೀಕ್ಷಿಸಿ: "ನಾನು ಇದನ್ನು ಬದಲಾಯಿಸಿದರೆ ನನ್ನ ವಿನ್ಯಾಸ ಬದಲಾಗುವುದೇ?" ಉತ್ತರ ಇಲ್ಲ ಎಂದಾದರೆ, ಆ ವೈಶಿಷ್ಟ್ಯವು ವ್ಯಕ್ತಿಯಲ್ಲಿ ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್‌ಗಳು

ನಿಮ್ಮ ಪಾತ್ರ: UX ಸಂಶೋಧನಾ ಸಂಯೋಜಕ. ಮೂಲ: ಅನಾಮಧೇಯ ಸಂಶೋಧನಾ ಸಾರಾಂಶ ಕೆಳಗೆ. ಕಾರ್ಯ: ಈ ಮೂಲದಿಂದ 2 ವೈಯಕ್ತಿಕ ರೇಖಾಚಿತ್ರಗಳನ್ನು ರಚಿಸಿ. ನಿಯಮ: ಪ್ರತಿ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಮೂಲದಲ್ಲಿ ಕಂಡುಹಿಡಿಯುವಿಕೆಗೆ ಲಿಂಕ್ ಮಾಡಿ ಮತ್ತು ಆವರಣದಲ್ಲಿ ಆಧಾರವನ್ನು ಬರೆಯಿರಿ. ಯಾವುದೇ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು (ವಯಸ್ಸು, ಆದಾಯ, ಅಭ್ಯಾಸಗಳು) ಸೇರಿಸಬೇಡಿ. << ಸಾರಾಂಶ>>

ಪಕ್ಷಪಾತಕ್ಕಾಗಿ ಈ ವೈಯಕ್ತಿಕ ರೂಪರೇಖೆಯನ್ನು ಪರಿಶೀಲಿಸಿ. ಸಾಮಾನ್ಯೀಕರಣ, ಕ್ಲೀಷೆ ಅಥವಾ ಆಧಾರರಹಿತ ಊಹೆಯನ್ನು ಒಳಗೊಂಡಿರುವ ಪ್ರತಿಯೊಂದು ವಾಕ್ಯವನ್ನು ಗುರುತಿಸಿ, ಅದು ಏಕೆ ಪ್ರಶ್ನಾರ್ಹವಾಗಿದೆ ಎಂದು ಬರೆಯಿರಿ ಮತ್ತು ಮೂಲ ಡೇಟಾದಲ್ಲಿ ಅದನ್ನು ಬೆಂಬಲಿಸಲಾಗಿದೆಯೇ ಎಂದು ಸೂಚಿಸಿ. ವ್ಯಕ್ತಿ: <<ಪಠ್ಯ>> ಮೂಲ ಡೇಟಾ: << ಸಾರಾಂಶ>>

ಕೆಳಗಿನ ವ್ಯಕ್ತಿ ಮತ್ತು ಸಂಶೋಧನೆಯಿಂದ ಕರಡು ಬಳಕೆದಾರ ಪ್ರಯಾಣದ ನಕ್ಷೆಯನ್ನು ರಚಿಸಿ. ಸಾಲುಗಳು: ಹಂತ | ಕ್ರಿಯೆ | ಚಿಂತನೆ | ಭಾವ | ನೋವಿನ ಬಿಂದು | ಅವಕಾಶ. ಪ್ರತಿ "ಭಾವನೆ" ಮತ್ತು "ಪೇನ್‌ಪಾಯಿಂಟ್" ಕೋಶಕ್ಕೆ ಒಂದು ಮೂಲವಿದ್ದರೆ ಅದಕ್ಕೆ ಉಲ್ಲೇಖವನ್ನು ಸೇರಿಸಿ; ಇಲ್ಲದಿದ್ದರೆ, ಸೆಲ್ ಅನ್ನು "[ASSUMPTION]" ಎಂದು ಗುರುತಿಸಿ. ವ್ಯಕ್ತಿ: <<x>> ಸಾರಾಂಶ: <<y>>

ಈ ಪ್ರಯಾಣದ ನಕ್ಷೆಯಲ್ಲಿ [ASSUMPTION] ಎಂದು ಗುರುತಿಸಲಾದ ಕೋಶಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ, ಯಾವ ಹೆಚ್ಚುವರಿ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಯು ಈ ಊಹೆಯನ್ನು ದೃಢೀಕರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ. ನಕ್ಷೆ: <<ಟೇಬಲ್>>

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "ಇ-ಕಾಮರ್ಸ್ ಬಳಕೆದಾರರ ವ್ಯಕ್ತಿತ್ವವನ್ನು ರಚಿಸಿ."

ಫಲಿತಾಂಶ: ಸಂಪೂರ್ಣವಾಗಿ ರಚಿಸಲಾದ, ಡೇಟಾಗೆ ಅಪ್ರಸ್ತುತವಾದ ಮತ್ತು ಕ್ಲೀಷೆಗಳಿಂದ ತುಂಬಿರುವ ಪ್ರೊಫೈಲ್.

ಪ್ರಬಲ: "ಈ ಸಂಶೋಧನಾ ಸಾರಾಂಶದಿಂದ 2 ವ್ಯಕ್ತಿಗಳಿಗಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಹೊರತೆಗೆಯಬೇಡಿ; ಪ್ರತಿ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಕಂಡುಹಿಡಿಯುವಿಕೆಗೆ ಜೋಡಿಸಿ; ಮೂಲದಲ್ಲಿಲ್ಲದ ಯಾವುದೇ ವಿವರಗಳನ್ನು ಸೇರಿಸಬೇಡಿ; ಅಜ್ಞಾತವನ್ನು 'ಡೇಟಾ' ಎಂದು ಬಿಡಿ."

ಫಲಿತಾಂಶ: ಸಾಕ್ಷ್ಯಾಧಾರಗಳ ಆಧಾರದ ಮೇಲೆ ಸಮರ್ಥನೀಯ ವ್ಯಕ್ತಿತ್ವ, ಅಂತರವನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ಎತ್ತಿ ತೋರಿಸಲಾಗಿದೆ.

ವ್ಯತ್ಯಾಸ: ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಮೂಲ ಬಾಧ್ಯತೆಯನ್ನು ತರುತ್ತದೆ + ತಯಾರಿಕೆಯ ನಿಷೇಧ + ಅಜ್ಞಾತವನ್ನು ಗುರುತಿಸುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಡೇಟಾ ಇಲ್ಲದೆ ವ್ಯಕ್ತಿಗಳನ್ನು ರಚಿಸುವುದು. AI ಗೆ "ವ್ಯಕ್ತಿತ್ವವನ್ನು ರೂಪಿಸಲು" ಹೇಳುವುದು ನಿಮ್ಮ ಊಹೆಗಳಿಗೆ ತಪ್ಪು ನ್ಯಾಯಸಮ್ಮತತೆಯನ್ನು ನೀಡುತ್ತದೆ.
• ಅದನ್ನು ಮೃದುಗೊಳಿಸುವ ಮೂಲಕ ಕ್ಲೀಷೆ ಕೀಪಿಂಗ್. "ಸ್ವಲ್ಪ ಜಾಗರೂಕರಾಗಿರಿ" ಎಂದು ಹೇಳುವುದು ಸ್ಟೀರಿಯೊಟೈಪ್ ಅನ್ನು ಸರಿಪಡಿಸುವುದಿಲ್ಲ; ಯಾವುದೇ ಪುರಾವೆಗಳಿಲ್ಲದಿದ್ದರೆ, ಅದನ್ನು ತೆಗೆದುಹಾಕಬೇಕು.
• ಭಾವನೆಯ ರೇಖೆಯನ್ನು ವಾಸ್ತವಕ್ಕಾಗಿ ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಮಾದರಿಯು ಭಾವನೆಯನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ; ಪುರಾವೆಗಳಿಲ್ಲದ ಭಾವನೆಯು ಊಹೆಯಾಗಿದೆ.
• ವ್ಯಕ್ತಿತ್ವವನ್ನು ಅಪ್‌ಡೇಟ್ ಮಾಡುತ್ತಿಲ್ಲ. ಹೊಸ ಸಂಶೋಧನೆ ಲಭ್ಯವಾಗುತ್ತಿದ್ದಂತೆ ವ್ಯಕ್ತಿತ್ವವನ್ನು ಸಹ ನವೀಕರಿಸಬೇಕು; ಘನೀಕೃತ ವ್ಯಕ್ತಿತ್ವವು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ.
• ಹಲವಾರು ವ್ಯಕ್ತಿಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತಿದೆ. 5-6 ವ್ಯಕ್ತಿತ್ವವು ತಂಡವನ್ನು ಪಾರ್ಶ್ವವಾಯುವಿಗೆ ತರುತ್ತದೆ; ಸ್ವಲ್ಪ ಇರಿಸಿಕೊಳ್ಳಿ, ಆದರೆ ದೃಢವಾದದ್ದನ್ನು ಹಿಡಿದುಕೊಳ್ಳಿ.

ಸಾರಾಂಶದಲ್ಲಿ

ವ್ಯಕ್ತಿತ್ವ ಮತ್ತು ಪ್ರಯಾಣದ ನಕ್ಷೆಯು ಸಂಶೋಧನೆಯನ್ನು ತಂಡದ ಸಾಮಾನ್ಯ ಭಾಷೆಗೆ ಭಾಷಾಂತರಿಸುವ ಪ್ರಬಲ ಸಾಧನಗಳಾಗಿವೆ; ಆದರೆ ಅವರ ಶಕ್ತಿಯು ಅವರು ಆಧರಿಸಿದ ಡೇಟಾದಿಂದ ಸಂಪೂರ್ಣವಾಗಿ ಬರುತ್ತದೆ. AI ನಿಮಿಷಗಳಲ್ಲಿ ಈ ಪರಿಕರಗಳಿಗಾಗಿ ಬ್ಲೂಪ್ರಿಂಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ನಿಜವಾದ ಕೆಲಸವು ಪ್ರತಿ ಕ್ಲೈಮ್ ಅನ್ನು ಮೂಲಕ್ಕೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ, ಕ್ಲೀಷೆಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುವುದು ಮತ್ತು ಡೇಟಾದ ವಿರುದ್ಧ ಅವುಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಮತ್ತು ಆಧಾರರಹಿತ ಭಾವನೆ/ನೋವಿನ ಅಂಶಗಳನ್ನು ಊಹೆಗಳಾಗಿ ಪ್ರತ್ಯೇಕಿಸುವುದು. "ಯಾವುದೇ ಡೇಟಾ ಇಲ್ಲ" ಎಂದು ಅಂತರವನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ಬಿಡುವ ವ್ಯಕ್ತಿತ್ವವು "ವಾಸ್ತವಿಕ" ವ್ಯಕ್ತಿತ್ವಕ್ಕಿಂತ ಹೆಚ್ಚು ಮೌಲ್ಯಯುತವಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

1. ಸಂಶೋಧನಾ ಸಂಕ್ಷಿಪ್ತವಾಗಿ (ನೈಜ ಅಥವಾ ಕಾಲ್ಪನಿಕ) ಮೊದಲ ಪ್ರಾಂಪ್ಟ್‌ನೊಂದಿಗೆ 2 ವ್ಯಕ್ತಿತ್ವ ಡ್ರಾಫ್ಟ್‌ಗಳನ್ನು ರಚಿಸಿ.
2. ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್‌ನೊಂದಿಗೆ ಪಕ್ಷಪಾತಕ್ಕಾಗಿ ವ್ಯಕ್ತಿಗಳನ್ನು ಪರಿಶೀಲಿಸಿ; ಪ್ರತಿ ಗುರುತಿಸಲಾದ ವಾಕ್ಯವನ್ನು ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ.
3. ಯಾವುದೇ ದುರ್ಬಲ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು "ಡೇಟಾ ಇಲ್ಲ" ತೆಗೆದುಹಾಕಿ ಅಥವಾ ಮಾಡಿ.
4. ಮೂರನೇ ಪ್ರಾಂಪ್ಟ್‌ನೊಂದಿಗೆ, ವ್ಯಕ್ತಿಯಿಂದ ಪ್ರಯಾಣದ ನಕ್ಷೆಯನ್ನು ರಚಿಸಿ.
5. ನಕ್ಷೆಯಲ್ಲಿನ [ASSUMPTION] ಕೋಶಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ಪರಿಶೀಲನೆ ಪ್ರಶ್ನೆಯನ್ನು ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಸಂಶೋಧನಾ ಸಾರಾಂಶದ ಮೇಲೆ ವ್ಯಕ್ತಿತ್ವವನ್ನು ಆಧರಿಸಿದೆ, ನಾನು ಅದನ್ನು ಕಲ್ಪನೆಯಿಂದ ರಚಿಸಲಿಲ್ಲ.
• [ ] ನಾನು ಮೂಲದಲ್ಲಿಲ್ಲದ ಯಾವುದೇ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ವ್ಯಕ್ತಿತ್ವಕ್ಕೆ ಸೇರಿಸಲಿಲ್ಲ.
• [ ] ನಾನು ಕ್ಲೀಷೆಗಳು ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣಗಳನ್ನು ಗುರುತಿಸಿದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿದೆ.
• [ ] ನಾನು ಭಾವನೆಗಳು ಮತ್ತು ನೋವಿನ ಅಂಶಗಳನ್ನು ಪುರಾವೆಗಳೊಂದಿಗೆ ದೃಢಪಡಿಸಿದೆ ಮತ್ತು ಬೆಂಬಲವಿಲ್ಲದವುಗಳನ್ನು ಗುರುತಿಸಿದೆ.
• [ ] ನಾನು ನಿರ್ವಹಿಸಬಹುದಾದ ವ್ಯಕ್ತಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ಇಟ್ಟುಕೊಂಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಊಹೆಗಳಿಗಾಗಿ ಪರಿಶೀಲನೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಿದ್ದೇನೆ.