ਲਾਭ:
- ਇਹ ਫਰਕ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ UX ਵਰਕਫਲੋ (ਖੋਜ ਸੰਸਲੇਸ਼ਣ, ਵਿਅਕਤੀ, ਵਾਇਰਫ੍ਰੇਮ, ਇੰਟਰਫੇਸ ਟੈਕਸਟ, ਟੈਸਟ ਵਿਸ਼ਲੇਸ਼ਣ) ਵਿੱਚ ਕਿੱਥੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਸਲ ਸਮੇਂ ਦੀ ਬਚਤ ਕਰਦੀ ਹੈ, ਅਤੇ ਜਿੱਥੇ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਜਿਵੇਂ ਕਿ ਉਪਭੋਗਤਾ ਨੂੰ ਸੁਣਨਾ ਅਤੇ ਅੰਤਮ ਡਿਜ਼ਾਇਨ ਦਾ ਫੈਸਲਾ ਡਿਜ਼ਾਈਨਰ ਕੋਲ ਰਹਿੰਦਾ ਹੈ, ਕਾਰਜ ਜੋਖਮ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ
- ਇੱਕ ਰਿਫਲੈਕਸ ਵਿਕਸਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਨੂੰ ਅਸਲ ਉਪਭੋਗਤਾ ਡੇਟਾ ਅਤੇ ਸਬੂਤ ਨਾਲ ਜੋੜਦੀ ਹੈ, ਅਤੇ ਪੜਤਾਲ ਦੇ ਕਦਮਾਂ ਦੁਆਰਾ ਭਰਮ ਅਤੇ ਪੱਖਪਾਤ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ
- KVKK ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਉਪਭੋਗਤਾ ਗੱਲਬਾਤ ਦੇ ਰਿਕਾਰਡਾਂ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰਨ ਅਤੇ ਸਹਿਮਤੀ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਅੰਦਰ ਉਹਨਾਂ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਵਿੱਚ ਤਬਦੀਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਉਪਭੋਗਤਾ ਅਨੁਭਵ (ਯੂਐਕਸ, ਅਰਥਾਤ, ਉਤਪਾਦ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਵਿਅਕਤੀ ਦਾ ਸ਼ੁਰੂ ਤੋਂ ਲੈ ਕੇ ਅੰਤ ਤੱਕ ਅਨੁਭਵ) ਡਿਜ਼ਾਈਨ ਸਾਲਾਂ ਤੋਂ "ਪਹਿਲਾਂ ਵਿਅਕਤੀ ਨੂੰ ਸਮਝੋ, ਫਿਰ ਇਸਨੂੰ ਹੱਲ ਕਰੋ" ਦੇ ਸਿਧਾਂਤ ਨਾਲ ਅੱਗੇ ਵਧ ਰਿਹਾ ਹੈ। ਜਦੋਂ ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਚੱਕਰ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਜ਼ਿਆਦਾਤਰ ਲੋਕਾਂ ਦਾ ਪਹਿਲਾ ਸਵਾਲ ਹੁੰਦਾ ਹੈ: "ਕੀ ਨਕਲੀ ਬੁੱਧੀ ਮੇਰੇ ਲਈ ਡਿਜ਼ਾਈਨ ਕਰੇਗੀ?" ਛੋਟਾ ਜਵਾਬ: ਨਹੀਂ। ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਡਿਜ਼ਾਈਨ ਸਹਾਇਕ ਹੈ; ਇਹ ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰਦਾ ਹੈ, ਵਿਕਲਪਾਂ ਨੂੰ ਗੁਣਾ ਕਰਦਾ ਹੈ ਅਤੇ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ ਇਹ ਹਮੇਸ਼ਾ ਡਿਜ਼ਾਇਨਰ ਨਾਲ ਸਬੰਧਤ ਹੈ ਕਿ ਉਹ ਉਪਭੋਗਤਾ ਨੂੰ ਸੱਚਮੁੱਚ ਸੁਣਦਾ ਹੈ, ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਸਹੀ ਹੱਲ ਕੀ ਹੈ, ਅਤੇ ਇਸ ਫੈਸਲੇ ਲਈ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਸਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਪਹਿਲੀ ਇਕਾਈ ਸਪਸ਼ਟ ਕਰਦੀ ਹੈ ਕਿ UX ਵਰਕਫਲੋ ਵਿੱਚ AI ਨੂੰ ਕਿੱਥੇ ਰੱਖਣਾ ਹੈ, ਤੁਹਾਨੂੰ ਕਿੱਥੇ ਰੁਕਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਉਪਭੋਗਤਾ ਡੇਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਲਿਜਾਣਾ ਹੈ।
UX ਵਰਕਫਲੋ ਵਿੱਚ AI ਕਿੱਥੇ ਕੰਮ ਆਉਂਦਾ ਹੈ?
ਇੱਕ UX ਪ੍ਰੋਜੈਕਟ ਲਗਭਗ ਪੰਜ ਪੜਾਵਾਂ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ: ਖੋਜ (ਖੋਜ), ਪਰਿਭਾਸ਼ਿਤ (ਵਿਅਕਤੀ ਅਤੇ ਸਮੱਸਿਆ), ਉਤਪਾਦਨ (ਪ੍ਰਵਾਹ, ਵਾਇਰਫ੍ਰੇਮ, ਪ੍ਰੋਟੋਟਾਈਪ), ਟੈਸਟ (ਉਪਯੋਗਤਾ), ਅਤੇ ਡਿਲੀਵਰ (ਡਿਜ਼ਾਇਨ ਸਿਸਟਮ, ਦਸਤਾਵੇਜ਼)। ਇਹਨਾਂ ਪੜਾਵਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਵੱਖਰੀ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੀ ਹੈ।
- ਖੋਜ: ਸ਼ੁਰੂਆਤੀ ਥੀਮਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਦੇ ਹੋਏ ਘੰਟਿਆਂ ਦੀ ਬਜਾਏ ਮਿੰਟਾਂ ਵਿੱਚ ਦਰਜਨਾਂ ਇੰਟਰਵਿਊ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ (ਲਿਪੀ ਰਿਕਾਰਡਿੰਗਾਂ) ਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ। ਪਰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਵਿਅਕਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਵਿਸ਼ਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।
- ਵਰਣਨ: ਪਰਸੋਨਾ (ਇੱਕ ਖਾਸ ਉਪਭੋਗਤਾ ਕਿਸਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਕਾਲਪਨਿਕ ਪ੍ਰੋਫਾਈਲ) ਅਤੇ ਯਾਤਰਾ ਦੇ ਨਕਸ਼ੇ ਦੇ ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਪਰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਤੁਹਾਡਾ ਕੰਮ ਹੈ ਕਿ ਇਹ ਡਰਾਫਟ ਅਸਲ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਹਨ।
- ਜਨਰੇਸ਼ਨ: ਵਾਇਰਫ੍ਰੇਮ (ਇੱਕ ਸਕਰੀਨ ਦਾ ਬਾਕਸ-ਲਾਈਨ ਪਿੰਜਰ), ਫਲੋਚਾਰਟ, ਅਤੇ ਇੰਟਰਫੇਸ ਟੈਕਸਟ ਭਿੰਨਤਾਵਾਂ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਦੇ ਹਨ।
- ਟੈਸਟਿੰਗ: ਟੈਸਟ ਦੇ ਰਿਕਾਰਡਾਂ ਤੋਂ ਖੋਜਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਮਹੱਤਵ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਦਰਜਾ ਦਿੰਦਾ ਹੈ।
- ਪੇਸ਼ਕਾਰੀ: ਕੰਪੋਨੈਂਟ ਦਸਤਾਵੇਜ਼ ਅਤੇ ਵਰਤੋਂ ਦੇ ਨਿਯਮ ਲਿਖਦਾ ਹੈ।
ਆਮ ਧਾਗਾ ਇਹ ਹੈ: AI ਡਰਾਫਟ ਅਤੇ ਵਿਕਲਪ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਨਿਰਣਾ ਅਤੇ ਪ੍ਰਵਾਨਗੀ ਤੁਹਾਡੇ ਕੋਲ ਰਹਿੰਦੀ ਹੈ।
ਨੁਕਤਾ: ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ "ਮੈਨੂੰ ਜਵਾਬ ਦੇਣ" ਲਈ ਨਹੀਂ ਬਲਕਿ "ਮੈਨੂੰ ਜਲਦੀ ਵਿਕਲਪ ਦਿਓ ਅਤੇ ਮੈਨੂੰ ਚੁਣਨ ਦਿਓ।" ਸਭ ਤੋਂ ਵੱਡੀ ਕੁਸ਼ਲਤਾ ਉਦੋਂ ਆਉਂਦੀ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਤਿਆਰੀ ਦਾ ਕੰਮ ਸੌਂਪਦੇ ਹੋ, ਨਾ ਕਿ ਫੈਸਲਾ।
ਮਿਸ਼ਨ ਜੋਖਮ ਪੱਧਰ: ਕਿੱਥੇ ਮੁਫਤ, ਕਿੱਥੇ ਸਾਵਧਾਨ?
ਹਰ ਕੰਮ ਨੂੰ ਇੱਕੋ ਜਿਹਾ ਜੋਖਮ ਨਹੀਂ ਹੁੰਦਾ। ਅੰਗੂਠੇ ਦਾ ਇੱਕ ਸਧਾਰਨ ਨਿਯਮ: ਆਉਟਪੁੱਟ ਉਪਭੋਗਤਾ ਨੂੰ ਜਿੰਨਾ ਸਿੱਧਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ, ਜੋਖਮ ਓਨਾ ਹੀ ਵੱਧ ਹੁੰਦਾ ਹੈ।
ਖੋਜ
ਜੋਖਮ ਦਾ ਪੱਧਰ
ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਭੂਮਿਕਾ
ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ
ਮੀਟਿੰਗ ਨੋਟ ਸਾਰਾਂਸ਼
ਘੱਟ
ਲਗਭਗ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਬਾਦਲਾ ਕੀਤਾ ਗਿਆ
ਹਲਕਾ ਸਕਿਮਿੰਗ
ਇੱਕ ਵਾਇਰਫ੍ਰੇਮ ਪਰਿਵਰਤਨ ਤਿਆਰ ਕਰਨਾ
ਘੱਟ-ਮੱਧਮ
ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ
ਡਿਜ਼ਾਈਨਰ ਚੁਣਦਾ ਹੈ ਅਤੇ ਠੀਕ ਕਰਦਾ ਹੈ
ਇੱਕ ਖੋਜ ਥੀਮ ਬਣਾਉਣਾ
ਮੱਧਮ
ਪੂਰਵ ਸੰਸਲੇਸ਼ਣ
ਹਵਾਲੇ ਦੁਆਰਾ ਤਸਦੀਕ ਦੀ ਲੋੜ ਹੈ
ਇੰਟਰਫੇਸ ਟੈਕਸਟ (ਗਲਤੀ ਸੁਨੇਹਾ, ਆਦਿ)
ਮੱਧਮ-ਉੱਚਾ
ਪਰਿਵਰਤਨ ਪੈਦਾ ਕਰਦਾ ਹੈ
ਟੋਨ, ਸ਼ੁੱਧਤਾ, ਕਾਨੂੰਨ ਦੀ ਜਾਂਚ
ਪਹੁੰਚਯੋਗਤਾ ਦੀ ਪੁਸ਼ਟੀ
ਉੱਚ
ਪ੍ਰੀ-ਸਕੈਨ
ਅਸਲ ਟੈਸਟ ਲਾਜ਼ਮੀ
ਉਪਭੋਗਤਾ ਦੀਆਂ ਅਸਲ ਲੋੜਾਂ ਦਾ ਪਤਾ ਲਗਾਓ
ਸਭ ਤੋਂ ਉੱਚਾ
ਮਦਦ ਨਹੀਂ ਕਰ ਸਕਦਾ
ਸਾਰੇ ਡਿਜ਼ਾਈਨਰ ਵਿੱਚ
ਇਹ ਚਾਰਟ ਇੱਕ ਕੰਪਾਸ ਹੈ: ਜਿਵੇਂ ਤੁਸੀਂ ਉੱਪਰ ਜਾਂਦੇ ਹੋ, ਤੁਸੀਂ AI ਵਿੱਚ ਆਪਣਾ ਭਰੋਸਾ ਘਟਾਉਂਦੇ ਹੋ ਅਤੇ ਆਪਣੀ ਖੁਦ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਨੂੰ ਵਧਾਉਂਦੇ ਹੋ।
ਭਰਮ ਅਤੇ ਪੱਖਪਾਤ: ਦੋ ਬੁਨਿਆਦੀ ਸੀਮਾਵਾਂ
ਤੁਹਾਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਦੋ ਅੰਨ੍ਹੇ ਸਥਾਨਾਂ ਨੂੰ ਅੰਦਰੂਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ।
ਹੇਲੁਸੀਨੇਸ਼ਨ (ਫੈਬਰੀਕੇਸ਼ਨ): ਇੱਕ ਵਿਸ਼ਾਲ ਭਾਸ਼ਾ ਮਾਡਲ (ਸੰਭਵ ਤੌਰ 'ਤੇ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਟੈਕਸਟ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਸ਼ਬਦ-ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਾਲਾ AI) ਤਰਕਸ਼ੀਲ ਪਰ ਅਸਲ ਵਿੱਚ ਗਲਤ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇਹ ਕਹਿੰਦਾ ਹੈ "ਉਪਭੋਗਤਾਵਾਂ ਨੇ 20 ਵਾਰਤਾਲਾਪਾਂ ਵਿੱਚ ਗਤੀ ਲਈ ਕਿਹਾ", ਪਰ ਅਸਲ ਵਿੱਚ ਅਜਿਹਾ ਕੋਈ ਹਵਾਲਾ ਨਹੀਂ ਹੈ। ਆਉਟਪੁੱਟ ਕਿੰਨੀ ਵੀ ਭਰੋਸੇਮੰਦ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ, ਇਹ ਸਰੋਤ ਨਾਲ ਲਿੰਕ ਕੀਤੇ ਬਿਨਾਂ ਸਹੀ ਨਹੀਂ ਹੈ।
ਪੱਖਪਾਤ: ਮਾਡਲ ਉਸ ਡੇਟਾ ਵਿੱਚ ਨਿਹਿਤ ਪੱਖਪਾਤ ਰੱਖਦਾ ਹੈ ਜਿਸ 'ਤੇ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। "ਵੱਡੇ ਉਪਭੋਗਤਾ ਤਕਨਾਲੋਜੀ ਤੋਂ ਡਰਦੇ ਹਨ" ਵਰਗੀਆਂ ਕਲੀਚਾਂ ਵਿਅਕਤੀ ਜਾਂ ਸਕ੍ਰਿਪਟ ਵਿੱਚ ਆ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਵਾਕ ਅਸਮਰਥਿਤ ਸਧਾਰਣਕਰਨ ਹਨ ਅਤੇ ਅਸਲ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ।
ਸਾਵਧਾਨ: AI ਆਉਟਪੁੱਟ ਦੀ ਪ੍ਰਵਾਹ ਅਤੇ ਸ਼ੁੱਧਤਾ ਇੱਕੋ ਚੀਜ਼ ਨਹੀਂ ਹਨ। ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਆਉਟਪੁੱਟ ਉਹ ਹੈ ਜੋ ਗਲਤ ਪਰ ਸੰਪੂਰਨ ਵਾਕਾਂ ਵਿੱਚ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ।
ਉਪਭੋਗਤਾ ਡੇਟਾ, ਕੇਵੀਕੇਕੇ ਅਤੇ ਸਹਿਮਤੀ
UX ਖੋਜ ਨਿੱਜੀ ਡੇਟਾ ਦੇ ਨਾਲ ਕੰਮ ਕਰਦੀ ਹੈ: ਗੱਲਬਾਤ ਲੌਗ, ਨਾਮ, ਕੰਮ ਵਾਲੀ ਥਾਂ, ਸਕ੍ਰੀਨਸ਼ਾਟ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਆਡੀਓ। ਇਸ ਡੇਟਾ ਨੂੰ ਆਰਬਿਟਰੇਰੀ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਟੂਲ 'ਤੇ ਅਪਲੋਡ ਕਰਨਾ KVKK (ਪਰਸਨਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਲਾਅ) ਦੀ ਉਲੰਘਣਾ ਹੋ ਸਕਦਾ ਹੈ। ਅੰਗੂਠੇ ਦਾ ਨਿਯਮ ਤਿੰਨ ਕਦਮ ਹਨ: ਗੁਮਨਾਮ, ਸਹਿਮਤੀ ਦੇ ਅੰਦਰ ਰਹੋ, ਏਜੰਸੀ-ਪ੍ਰਵਾਨਿਤ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰੋ।
- ਸਿੱਧੇ ਪਛਾਣਕਰਤਾਵਾਂ ਨੂੰ ਮਾਸਕ ਕਰੋ ਜਿਵੇਂ ਕਿ ਨਾਮ, ਫ਼ੋਨ, ਈਮੇਲ, ਕੰਪਨੀ ਦਾ ਨਾਮ (ਜਿਵੇਂ ਕਿ “ਭਾਗੀਦਾਰ 3”)।
- ਖੋਜ ਦੌਰਾਨ ਭਾਗੀਦਾਰ ਨੂੰ ਦਿੱਤੀ ਗਈ ਸਹਿਮਤੀ ਦੇ ਦਾਇਰੇ ਤੋਂ ਵੱਧ ਨਾ ਜਾਓ; ਜੇ ਤੁਸੀਂ ਇਹ ਨਹੀਂ ਕਿਹਾ ਕਿ "ਇਸ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਵਿੱਚ ਸੰਸਾਧਿਤ ਕੀਤਾ ਜਾਵੇਗਾ", ਸਾਵਧਾਨ ਰਹੋ।
- ਇੱਕ ਕਾਰਪੋਰੇਟ ਵਾਤਾਵਰਣ ਵਿੱਚ, ਉਹ ਟੂਲ ਚੁਣੋ ਜੋ ਸਪਸ਼ਟ ਹੋਣ ਕਿ ਡੇਟਾ ਕਿੱਥੇ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕੀ ਇਹ ਮਾਡਲ ਸਿਖਲਾਈ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਸਮਾਂ ਬਚਾਉਣ ਵਾਲਾ, ਸਹੀ ਥਾਂ 'ਤੇ। ਇੱਕ ਡਿਜ਼ਾਈਨਰ ਕੋਲ 18 ਇੰਟਰਵਿਊ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ (ਕੁੱਲ ਵਿੱਚ 62 ਪੰਨਿਆਂ) ਦਾ AI ਸੰਖੇਪ ਸੀ। ਪੂਰਵ-ਪੜ੍ਹਨ, ਜਿਸ ਵਿੱਚ ਹੱਥਾਂ ਨਾਲ 2 ਦਿਨ ਲੱਗਣੇ ਸਨ, ਨੂੰ ਘਟਾ ਕੇ 40 ਮਿੰਟ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਪਰ ਡਿਜ਼ਾਈਨਰ ਨੇ ਆਉਟਪੁੱਟ ਵਿੱਚ ਹਰੇਕ ਥੀਮ ਨੂੰ ਅਸਲ ਹਵਾਲੇ ਨਾਲ ਮੇਲਿਆ ਅਤੇ ਪਾਇਆ ਕਿ 3 ਥੀਮ ਦਾ ਕੋਈ ਆਧਾਰ ਨਹੀਂ ਸੀ। ਨਤੀਜਾ: ਗਤੀ + ਭਰੋਸੇਯੋਗਤਾ.
ਕੇਸ 2 - ਅਸਪਸ਼ਟ ਆਉਟਪੁੱਟ ਪ੍ਰਸਤੁਤੀ ਵਿੱਚ ਦਾਖਲ ਹੋਈ। ਇੱਕ ਹੋਰ ਟੀਮ ਨੇ ਰਿਪੋਰਟ ਵਿੱਚ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ "70% ਉਪਭੋਗਤਾ ਮੋਬਾਈਲ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ" ਵਾਕ ਸ਼ਾਮਲ ਕੀਤਾ। ਸਰੋਤ ਬਾਰੇ ਪੁੱਛੇ ਜਾਣ 'ਤੇ, ਇਹ ਖੁਲਾਸਾ ਹੋਇਆ ਕਿ ਅਜਿਹਾ ਕੋਈ ਡਾਟਾ ਨਹੀਂ ਸੀ; ਮਾਡਲ ਨੇ ਨੰਬਰ ਬਣਾਇਆ ਸੀ। ਸਟੇਕਹੋਲਡਰ ਟਰੱਸਟ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਿਆ ਹੈ। ਸਬਕ: ਨੰਬਰ ਅਤੇ ਦਾਅਵੇ ਬਿਨਾਂ ਸਬੂਤ ਦੇ ਨਹੀਂ ਫੈਲਦੇ।
ਕੇਸ 3 - ਨਿੱਜੀ ਡਾਟਾ ਲੀਕ ਹੋਣ ਦਾ ਜੋਖਮ। ਇੱਕ ਇੰਟਰਨ ਨੇ ਆਡੀਓ ਰਿਕਾਰਡਿੰਗ ਨੂੰ, ਭਾਗੀਦਾਰਾਂ ਦੇ ਨਾਵਾਂ ਦੇ ਨਾਲ, ਇੱਕ ਮੁਫਤ ਸਾਈਟ ਤੇ ਅਪਲੋਡ ਕੀਤਾ ਜੋ ਇਸਨੂੰ ਆਪਣੇ ਆਪ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਦੀ ਹੈ। ਸੰਸਥਾ ਦੀ ਸੁਰੱਖਿਆ ਟੀਮ ਨੇ ਇਸ ਨੂੰ ਕੇਵੀਕੇਕੇ ਜੋਖਮ ਵਜੋਂ ਮਾਰਕ ਕੀਤਾ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਰੋਕ ਦਿੱਤਾ ਗਿਆ। ਪਾਠ: ਟੂਲ ਦੀ ਚੋਣ ਅਤੇ ਅਗਿਆਤਕਰਨ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਕਾਪੀ ਕਰਨ ਯੋਗ ਉਤਪ੍ਰੇਰਕ
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸੀਨੀਅਰ UX ਖੋਜ ਸਹਾਇਕ। ਟਾਸਕ: ਹੇਠਾਂ ਅਗਿਆਤ ਇੰਟਰਵਿਊ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਤੋਂ 6 ਥੀਮ ਤੱਕ ਐਕਸਟਰੈਕਟ ਕਰੋ। ਨਿਯਮ: ਟੈਗ [ਪ੍ਰਤੀਭਾਗੀ X] ਦੇ ਨਾਲ, ਹਰੇਕ ਥੀਮ ਦੇ ਅੱਗੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸ਼ਬਦਾਵਲੀ ਹਵਾਲਾ ਸ਼ਾਮਲ ਕਰੋ। ਅਜਿਹਾ ਥੀਮ ਨਾ ਬਣਾਓ ਜਿਸ ਲਈ ਤੁਹਾਨੂੰ ਕੋਈ ਹਵਾਲਾ ਨਹੀਂ ਮਿਲ ਸਕਦਾ। ਜਦੋਂ ਸ਼ੱਕ ਹੋਵੇ, ਤਾਂ "ਕਮਜ਼ੋਰ ਸਮਰਥਨ" ਲਿਖੋ. ਪ੍ਰਤੀਲਿਪੀ: <<text>>
ਇਸ AI ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰੋ: ਹੇਠਾਂ ਦਿੱਤੀ ਥੀਮ ਸੂਚੀ ਵਿੱਚ ਹਰੇਕ ਆਈਟਮ ਲਈ ਟੈਕਸਟ ਵਿੱਚ ਤੱਥਾਂ ਦੇ ਅਧਾਰ ਦੀ ਜਾਂਚ ਕਰੋ। ਉਹਨਾਂ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ ਜਿਨ੍ਹਾਂ ਦਾ ਕੋਈ ਆਧਾਰ ਨਹੀਂ ਹੈ "ਨਟ ਵੈਰੀਫਾਈਡ" ਅਤੇ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਸ਼ੱਕੀ ਕਿਉਂ ਹੋ। ਸੂਚੀ: <<themes>> ਸਰੋਤ ਟੈਕਸਟ: <<transcript>>
ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਤੋਂ ਸਾਰਾ ਨਿੱਜੀ/ਪਛਾਣ ਵਾਲਾ ਡੇਟਾ (ਨਾਮ, ਫ਼ੋਨ, ਈਮੇਲ, ਕੰਪਨੀ, ਪਤਾ) ਲੱਭੋ ਅਤੇ [ਮਾਸਕੇਡ] ਨਾਲ ਬਦਲੋ। ਇੱਕ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਤਬਦੀਲੀ ਸੂਚੀ ਵੀ ਪ੍ਰਦਾਨ ਕਰੋ। ਕੋਈ ਵੀ ਜਾਣਕਾਰੀ ਨਾ ਮਿਟਾਓ, ਬਸ ਇਸ ਨੂੰ ਮਾਸਕ ਕਰੋ। ਟੈਕਸਟ: <<dump>>
ਇੱਕ ਡਿਜ਼ਾਇਨ ਟਾਸਕ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰੋ: "<<task>>" ਲਈ ਜੋਖਮ ਪੱਧਰ (ਘੱਟ/ਮੱਧਮ/ਉੱਚ) ਦਾ ਪਤਾ ਲਗਾਓ, ਇੱਕ ਵਾਕ ਵਿੱਚ AI ਦੀ ਭੂਮਿਕਾ ਅਤੇ ਲੋੜੀਂਦੀ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਲਿਖੋ। ਆਪਣੇ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਕਰੋ.
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਇਹਨਾਂ ਗੱਲਬਾਤ ਨੂੰ ਸੰਖੇਪ ਕਰੋ।"
ਨਤੀਜਾ: ਇੱਕ ਗੈਰ-ਸਰੋਤ, ਆਮ ਅਤੇ ਅਪ੍ਰਮਾਣਿਤ ਟੈਕਸਟ; ਇਹ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੈ ਕਿ ਕਿਹੜਾ ਵਾਕ ਕਿੱਥੋਂ ਆਇਆ ਹੈ।
ਮਜਬੂਤ: "ਇਸ ਅਗਿਆਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਤੋਂ 6 ਥੀਮ ਤੱਕ ਐਕਸਟਰੈਕਟ ਕਰੋ; ਹਰੇਕ ਥੀਮ ਵਿੱਚ ਟੈਗ ਕੀਤੇ [ਪ੍ਰਤੀਭਾਗੀ X] ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸ਼ਬਦਾਵਲੀ ਹਵਾਲਾ ਸ਼ਾਮਲ ਕਰੋ; ਅਜਿਹਾ ਥੀਮ ਨਾ ਬਣਾਓ ਜਿਸ ਲਈ ਤੁਹਾਨੂੰ ਕੋਈ ਹਵਾਲਾ ਨਾ ਮਿਲੇ।"
ਨਤੀਜਾ: ਇੱਕ ਸਬੂਤ-ਆਧਾਰਿਤ, ਲੇਖਾ-ਜੋਖਾ, ਫੈਸਲਾ-ਅਨੁਕੂਲ ਨਤੀਜਾ।
ਫਰਕ ਇੱਕ ਵਾਕ ਵਿੱਚ ਹੈ: ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਪ੍ਰਸੰਗ + ਨਿਯਮ + ਸਬੂਤ ਦੀ ਲੋੜ ਦਿੰਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਮਾਣਿਕਤਾ ਤੋਂ ਫੈਸਲੇ ਤੱਕ ਲਿਜਾਣਾ। ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਗਲਤੀ; ਇੱਕ ਵਿਵਾਦਿਤ ਥੀਮ ਪੂਰੀ ਡਿਜ਼ਾਈਨ ਦਿਸ਼ਾ ਨੂੰ ਵਿਗਾੜ ਸਕਦਾ ਹੈ।
- ਬਿਨਾਂ ਗੁਪਤ ਰੱਖੇ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਅਪਲੋਡ ਕਰਨਾ। KVKK ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਕਾਰਪੋਰੇਟ ਟਰੱਸਟ ਦਾ ਨੁਕਸਾਨ।
- ਨਕਲੀ ਬੁੱਧੀ ਬਣਾਉਣਾ "ਫੈਸਲਾ" ਕਰਨਾ. "ਕਿਹੜਾ ਡਿਜ਼ਾਈਨ ਬਿਹਤਰ ਹੈ?" ਸਵਾਲ ਦਾ ਜਵਾਬ ਉਤਪਾਦ, ਉਪਭੋਗਤਾ ਅਤੇ ਡੇਟਾ ਵਿੱਚ ਹੈ; ਮਾਡਲ ਵਿੱਚ ਨਹੀਂ।
- ਵਾਹਨ ਦੀ ਡੇਟਾ ਨੀਤੀ ਨੂੰ ਨਹੀਂ ਪੜ੍ਹਨਾ. ਇਹ ਜਾਣੇ ਬਿਨਾਂ ਕਿ ਤੁਹਾਡਾ ਡੇਟਾ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਜਾਂਦਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਮਹੱਤਵਪੂਰਨ ਡੇਟਾ ਦਾਖਲ ਕਰਨਾ।
- ਸ਼ੁੱਧਤਾ ਲਈ ਰਵਾਨਗੀ ਨੂੰ ਭੁਲਾਉਣਾ। ਚੰਗੀ ਤਰ੍ਹਾਂ ਲਿਖੇ ਵਾਕ ਦਾ ਮਤਲਬ ਸਹੀ ਵਾਕ ਨਹੀਂ ਹੁੰਦਾ।
ਸਾਰੰਸ਼ ਵਿੱਚ
AI UX ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ ਐਕਸਲੇਟਰ ਅਤੇ ਬਲੂਪ੍ਰਿੰਟ ਭਾਈਵਾਲ ਹੈ; ਇਹ ਖੋਜ ਤੋਂ ਲੈ ਕੇ ਪੇਸ਼ਕਾਰੀ ਤੱਕ ਹਰ ਪੜਾਅ 'ਤੇ ਤਿਆਰੀ ਦਾ ਕੰਮ ਕਰਦਾ ਹੈ। ਪਰ ਨਿਰਣਾ, ਫੈਸਲਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਡਿਜ਼ਾਈਨਰ ਦੇ ਨਾਲ ਰਹਿੰਦੀ ਹੈ. "ਉਪਭੋਗਤਾ ਨੂੰ ਕੰਮ ਦਾ ਜੋਖਮ ਕਿੰਨਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?" ਸਵਾਲ ਦੇ ਨਾਲ ਮਾਪ; ਜਿਵੇਂ-ਜਿਵੇਂ ਜੋਖਮ ਵਧਦਾ ਹੈ, ਆਪਣੀ ਪੁਸ਼ਟੀ ਨੂੰ ਵਧਾਓ। ਭਰਮ ਅਤੇ ਪੱਖਪਾਤ ਦੋ ਸਥਾਈ ਸੀਮਾਵਾਂ ਹਨ: ਸਬੂਤ ਦੇ ਨਾਲ ਹਰ ਦਾਅਵੇ ਨੂੰ ਵਾਪਸ ਕਰੋ, ਡੇਟਾ ਦੇ ਨਾਲ ਹਰ ਕਲੀਚ ਦੀ ਜਾਂਚ ਕਰੋ। KVKK ਅਤੇ ਸਹਿਮਤੀ ਦੇ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਇਸਨੂੰ ਅਗਿਆਤ ਕਰਕੇ ਉਪਭੋਗਤਾ ਡੇਟਾ ਨੂੰ ਟ੍ਰਾਂਸਪੋਰਟ ਕਰੋ। ਇਹ ਪ੍ਰਤੀਬਿੰਬ ਬਾਕੀ ਦੇ ਮੋਡੀਊਲ ਵਿੱਚ ਹਰ ਤਕਨੀਕ ਲਈ ਸੁਰੱਖਿਅਤ ਆਧਾਰ ਹਨ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
- ਤੁਹਾਡੇ ਆਪਣੇ ਮੌਜੂਦਾ ਪ੍ਰੋਜੈਕਟ (ਜਾਂ ਇੱਕ ਕਾਲਪਨਿਕ ਪ੍ਰੋਜੈਕਟ) ਤੋਂ 5 ਡਿਜ਼ਾਈਨ ਕਾਰਜਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ।
- ਉਪਰੋਕਤ ਜੋਖਮ ਸਾਰਣੀ 'ਤੇ ਹਰੇਕ ਕੰਮ ਨੂੰ ਰੱਖੋ: ਨੀਵਾਂ, ਦਰਮਿਆਨਾ, ਉੱਚਾ।
- ਹਰੇਕ ਕੰਮ ਲਈ, ਇੱਕ ਵਾਕ "AI ਦੀ ਭੂਮਿਕਾ" ਅਤੇ "ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਹੈ" ਲਿਖੋ।
- ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਇੰਟਰਵਿਊ ਦੀ ਪ੍ਰਤੀਲਿਪੀ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਤੀਜੇ ਪ੍ਰੋਂਪਟ ਨਾਲ ਅਗਿਆਤ ਕਰੋ ਅਤੇ ਮਾਸਕਿੰਗ ਟੇਬਲ ਦੀ ਸਮੀਖਿਆ ਕਰੋ।
- ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਪਲਾਟ ਕਰੋ ਅਤੇ ਇੱਕ ਪੈਰੇ ਵਿੱਚ ਦੱਸੋ ਕਿ ਸਭ ਤੋਂ ਵੱਧ ਜੋਖਮ ਵਾਲੇ ਕਾਰਜ ਲਈ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਕਿਉਂ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ AI ਨੂੰ ਇੱਕ ਡਰਾਫਟ ਜਨਰੇਟਰ ਦੇ ਤੌਰ 'ਤੇ ਰੱਖਿਆ ਹੈ, ਨਾ ਕਿ ਇੱਕ ਨਿਰਣਾਇਕ ਵਜੋਂ।
- [ ] ਮੈਂ ਹਰੇਕ ਮਿਸ਼ਨ ਦਾ ਜੋਖਮ ਪੱਧਰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਆਉਟਪੁੱਟ ਨੂੰ ਸਬੂਤ ਨਾਲ ਜੋੜਨ ਦੀ ਆਦਤ ਅਪਣਾ ਲਈ ਹੈ।
- [ ] ਮੈਂ ਕਿਸੇ ਵੀ ਟੂਲ 'ਤੇ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕੀਤੇ ਬਿਨਾਂ ਅਪਲੋਡ ਨਹੀਂ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਉਸ ਵਾਹਨ ਦੀ ਡਾਟਾ ਨੀਤੀ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜੋ ਮੈਂ ਵਰਤ ਰਿਹਾ ਹਾਂ।
- [ ] ਮੈਂ ਆਪਣੇ ਵਰਕਫਲੋ ਵਿੱਚ ਭਰਮ ਅਤੇ ਪੱਖਪਾਤ ਦੀ ਜਾਂਚ ਸ਼ਾਮਲ ਕੀਤੀ।