Keuntungan:
- Dapat membezakan di mana dalam aliran kerja UX (sintesis penyelidikan, persona, wireframe, teks antara muka, analisis ujian) kecerdasan buatan menjimatkan masa nyata, dan di mana tanggungjawab seperti mendengar pengguna dan keputusan reka bentuk akhir kekal dengan pereka bentuk, mengikut tahap risiko tugas
- Keupayaan untuk membangunkan refleks yang menghubungkan setiap output AI kepada data dan bukti pengguna sebenar, dan mengesahkan halusinasi dan berat sebelah melalui langkah penyelidikan
- Keupayaan untuk menamakan rekod perbualan pengguna dan data peribadi dalam skop KVKK dan memindahkannya kepada kecerdasan buatan dalam had persetujuan
Reka bentuk pengalaman pengguna (UX, iaitu pengalaman orang yang menggunakan produk dari awal hingga akhir) telah meneruskan prinsip "memahami orang itu dahulu, kemudian menyelesaikannya" selama bertahun-tahun. Apabila kecerdasan buatan memasuki kitaran ini, kebanyakan soalan pertama orang ialah: "Adakah kecerdasan buatan melakukan reka bentuk untuk saya?" Jawapan ringkas: tidak. Kecerdasan buatan ialah pembantu reka bentuk; Ia menghasilkan draf, meringkaskan data, menggandakan pilihan dan mempercepatkan tugasan yang berulang. Tetapi ia sentiasa menjadi milik pereka untuk benar-benar mendengar pengguna, memutuskan penyelesaian yang betul, dan memikul tanggungjawab untuk keputusan ini. Unit pertama ini menjelaskan tempat untuk meletakkan AI dalam aliran kerja UX, tempat anda harus berhenti dan cara mengalihkan data pengguna dengan selamat.
Di manakah AI berguna dalam aliran kerja UX?
Projek UX berjalan melalui kira-kira lima peringkat: penemuan (penyelidikan), menentukan (persona dan masalah), menghasilkan (aliran, rangka wayar, prototaip), ujian (kebolehgunaan) dan menyampaikan (sistem reka bentuk, dokumentasi). Kecerdasan buatan memainkan peranan yang berbeza dalam setiap peringkat ini.
- Penemuan: Merumuskan berdozen transkrip temu bual (rakaman transkripsi) dalam beberapa minit dan bukannya jam, mengeluarkan tema awal. Tetapi terpulang kepada individu untuk menentukan tema mana yang penting.
- Penerangan: Menghasilkan Persona (profil fiksyen yang mewakili jenis pengguna tertentu) dan draf peta perjalanan. Tetapi tugas anda untuk memastikan bahawa draf ini adalah berdasarkan data sebenar.
- Penjanaan: Wireframe (rangka garis kotak skrin), carta alir dan teks antara muka menghasilkan semula variasi.
- Pengujian: Mendapatkan dapatan daripada rekod ujian dan menyusunnya mengikut urutan kepentingan.
- Pembentangan: Menulis dokumentasi komponen dan peraturan penggunaan.
Perkara biasa ialah ini: AI menjana draf dan pilihan; Penghakiman dan kelulusan kekal dengan anda.
Petua: Gunakan kecerdasan buatan bukan untuk "beri saya jawapan" tetapi untuk "beri saya pilihan dengan cepat dan biarkan saya memilih." Kecekapan terbesar datang apabila anda mewakilkan kerja penyediaan, bukan keputusan.
Tahap risiko misi: di mana percuma, di mana berhati-hati?
Tidak setiap tugas membawa risiko yang sama. Satu peraturan mudah: lebih banyak output mempengaruhi pengguna secara langsung, lebih tinggi risikonya.
Pencarian
Tahap risiko
Peranan kecerdasan buatan
kelulusan manusia
Ringkasan nota mesyuarat
rendah
Hampir sepenuhnya dipindahkan
skimming ringan
Menghasilkan variasi rangka wayar
rendah-sederhana
Menghasilkan draf
Pereka bentuk memilih dan membetulkan
Mencipta tema penyelidikan
sederhana
Pra-sintesis
Pengesahan melalui sebut harga diperlukan
Teks antara muka (mesej ralat, dsb.)
sederhana tinggi
menghasilkan variasi
Nada, ketepatan, semakan undang-undang
Pengesahan kebolehaksesan
tinggi
pra-imbasan
Ujian sebenar wajib
Tentukan keperluan sebenar pengguna
tertinggi
tak boleh tolong
Semua dalam pereka
Carta ini ialah kompas: apabila anda bergerak ke atas, anda mengurangkan kepercayaan anda terhadap AI dan meningkatkan pengesahan anda sendiri.
Halusinasi dan berat sebelah: dua had asas
Anda mesti menghayati dua titik buta kecerdasan buatan sejak awal lagi.
Halusinasi (fabrikasi): Model bahasa yang besar (mungkin AI meneka perkataan yang dilatih pada jumlah teks yang banyak) boleh menghasilkan maklumat yang fasih tetapi sebenarnya tidak tepat. Sebagai contoh, ia mengatakan "Pengguna meminta kelajuan dalam 20 perbualan", tetapi sebenarnya tidak ada petikan sedemikian. Tidak kira betapa yakin output itu muncul, ia tidak tepat tanpa memaut kepada sumber.
Bias: Model membawa bias yang wujud dalam data di mana ia dilatih. Klise seperti "pengguna lama takut teknologi" boleh menjalar ke dalam persona atau skrip. Ayat ini adalah generalisasi yang tidak disokong dan harus diuji dengan data sebenar.
Awas: Kelancaran dan ketepatan output AI bukanlah perkara yang sama. Keluaran yang paling berbahaya ialah yang ditulis dalam ayat yang salah tetapi sempurna.
Data pengguna, KVKK dan persetujuan
Penyelidikan UX berfungsi dengan data peribadi: log perbualan, nama, tempat kerja, tangkapan skrin, malah audio. Memuat naik data ini ke alat kecerdasan buatan sewenang-wenangnya mungkin melanggar KVKK (Undang-undang Perlindungan Data Peribadi). Peraturan praktikal ialah tiga langkah: tanpa nama, kekal dalam persetujuan, gunakan alat yang diluluskan oleh agensi.
- Topeng pengecam langsung seperti nama, telefon, e-mel, nama syarikat (cth. “Peserta 3”).
- Jangan melebihi skop persetujuan yang diberikan kepada peserta semasa penyelidikan; Jika anda tidak mengatakan "ia akan diproses menjadi kecerdasan buatan", berhati-hati.
- Dalam persekitaran korporat, pilih alat yang jelas di mana data disimpan dan sama ada ia digunakan untuk latihan model.
tiga kes mini
Kes 1 — Penjimat masa, di tempat yang betul. Seorang pereka mempunyai AI meringkaskan 18 transkrip temu bual (jumlah 62 halaman). Prabacaan, yang akan mengambil masa 2 hari dengan tangan, dikurangkan kepada 40 minit. Tetapi pereka bentuk memadankan setiap tema dalam output dengan petikan sebenar dan mendapati bahawa 3 tema tidak mempunyai asas. Keputusan: kelajuan + kebolehpercayaan.
Kes 2 — Output tidak disahkan memasuki pembentangan. Pasukan lain memasukkan ayat "70% pengguna lebih suka mudah alih" yang dihasilkan oleh kecerdasan buatan dalam laporan itu. Apabila ditanya mengenai sumber, ia mendedahkan bahawa tidak ada data sedemikian; model itu telah membuat nombor itu. Kepercayaan pihak berkepentingan telah rosak. Pengajaran: nombor dan dakwaan tidak tersebar tanpa bukti.
Kes 3 — Risiko kebocoran data peribadi. Seorang pelatih memuat naik rakaman audio, bersama-sama dengan nama peserta, ke tapak percuma yang menyalinnya secara automatik. Pasukan keselamatan institusi menandakan ini sebagai risiko KVKK dan proses itu dihentikan. Pelajaran: pemilihan alat dan anonimisasi dilakukan dari awal.
Gesaan boleh disalin
Peranan anda: pembantu penyelidik kanan UX. Tugasan: Ekstrak sehingga 6 tema daripada transkrip temu bual tanpa nama di bawah. Peraturan: Tambahkan SEKURANG-KURANGNYA satu petikan kata kerja di sebelah setiap tema, dengan teg [Peserta X]. Jangan menghasilkan tema yang anda tidak dapat mencari petikan. Apabila ragu-ragu, tulis "sokongan lemah". Transkrip: <<teks>>
Semak output AI ini: Semak asas fakta dalam teks untuk setiap item dalam senarai tema di bawah. Tandai yang tidak mempunyai asas sebagai "TIDAK DISAHKAN" dan tulis sebab anda mencurigakan. Senarai: <<tema>> Teks sumber: <<transkrip>>
Cari semua data peribadi/pengenal pasti (nama, telefon, e-mel, syarikat, alamat) daripada teks di bawah dan gantikan dengan [MASKED]. Juga sediakan senarai perubahan sebagai jadual. Jangan padamkan sebarang maklumat, hanya menutupinya.Teks: <<dump>>
Kelaskan tugas reka bentuk: Tentukan tahap risiko (rendah/sederhana/tinggi) untuk "<<tugas>>", tulis peranan AI dan kelulusan manusia yang diperlukan dalam satu ayat. Jelaskan alasan anda.
Gesaan lemah / Gesaan kuat
Lemah: "Ringkaskan perbualan ini."
Keputusan: Teks tidak bersumber, generik dan tidak boleh disahkan; Tidak jelas ayat mana datang dari mana.
Kuat: "Ekstrak sehingga 6 tema daripada transkrip awanama ini; tambahkan sekurang-kurangnya satu petikan kata kerja yang ditandakan nama [Peserta X] pada setiap tema; jangan hasilkan tema yang anda tidak dapat mencari petikan."
Keputusan: Hasil berasaskan bukti, boleh diaudit, mesra keputusan.
Perbezaannya adalah dalam satu ayat: gesaan kuat memberikan konteks + peraturan + keperluan bukti.
Kesilapan biasa
- Memindahkan output daripada pengesahan kepada keputusan. Kesilapan yang paling biasa dan paling mahal; Satu tema yang direka boleh memesongkan keseluruhan arah reka bentuk.
- Memuat naik data peribadi tanpa menamakannya. Pelanggaran KVKK dan kehilangan kepercayaan korporat.
- Membuat kecerdasan buatan "memutuskan". "Reka bentuk mana yang lebih baik?" Jawapan kepada soalan terletak pada produk, pengguna dan data; bukan dalam model.
- Tidak membaca dasar data kenderaan. Memasukkan data kritikal tanpa mengetahui sama ada data anda pergi ke latihan model atau tidak.
- Tersilap kefasihan untuk ketepatan. Ayat yang ditulis dengan baik tidak bermakna ayat yang betul.
Secara ringkasnya
AI ialah rakan kongsi pemecut dan pelan tindakan dalam aliran kerja UX; Ia menjalankan kerja penyediaan pada setiap peringkat, dari penemuan hingga pembentangan. Tetapi pertimbangan, keputusan dan tanggungjawab kekal dengan pereka bentuk. "Berapa banyak risiko tugas itu mempengaruhi pengguna?" Ukur dengan soalan; tingkatkan pengesahan anda apabila risiko meningkat. Halusinasi dan berat sebelah adalah dua had kekal: menyokong setiap tuntutan dengan bukti, menguji setiap klise dengan data. Mengangkut data pengguna dengan menamakannya dalam rangka kerja KVKK dan persetujuan. Refleks ini adalah asas selamat untuk setiap teknik dalam modul yang lain.
Tugasan permohonan
- Senaraikan 5 tugas reka bentuk daripada projek semasa anda sendiri (atau projek fiksyen).
- Letakkan setiap tugas pada jadual risiko di atas: rendah, sederhana, tinggi.
- Untuk setiap tugas, tulis satu ayat "peranan AI" dan "kelulusan manusia diperlukan."
- Jika anda mempunyai transkrip temu bual, awanamakannya dengan gesaan ketiga dan semak jadual penyamaran.
- Plotkan hasilnya dalam jadual dan terangkan dalam perenggan mengapa tugas berisiko tertinggi memerlukan kelulusan manusia.
senarai semak
- [ ] Saya meletakkan AI sebagai penjana draf, bukan sebagai pembuat keputusan.
- [ ] Saya menentukan tahap risiko setiap misi.
- [ ] Saya telah mengamalkan tabiat mengaitkan output kepada bukti.
- [ ] Saya tidak memuat naik data peribadi ke mana-mana alat tanpa menamakannya.
- [ ] Saya menyemak dasar data kenderaan yang saya gunakan.
- [ ] Saya menambah halusinasi dan pemeriksaan berat sebelah pada aliran kerja saya.