Mga nadagdag:
- Ang kakayahang matukoy kung saan sa UX workflow (research synthesis, persona, wireframe, interface text, test analysis) ang artificial intelligence ay nakakatipid ng real time, at kung saan ang mga responsibilidad tulad ng pakikinig sa user at ang panghuling desisyon sa disenyo ay nananatili sa taga-disenyo, ayon sa antas ng panganib sa gawain.
- Kakayahang bumuo ng reflex na nag-uugnay sa bawat output ng AI sa totoong data at ebidensya ng user, at nagpapatunay ng mga guni-guni at bias sa pamamagitan ng mga hakbang sa pagsisiyasat
- Kakayahang i-anonymize ang mga talaan ng pag-uusap ng user at personal na data sa loob ng saklaw ng KVKK at ilipat ang mga ito sa artificial intelligence sa loob ng mga limitasyon ng pahintulot
Ang karanasan ng gumagamit (UX, iyon ay, ang karanasan ng taong gumagamit ng isang produkto mula simula hanggang katapusan) na disenyo ay nagpapatuloy sa prinsipyo ng "unahin ang tao, pagkatapos ay lutasin ito" sa loob ng maraming taon. Kapag ang artificial intelligence ay pumasok sa cycle na ito, ang unang tanong ng karamihan sa mga tao ay: "Ang artificial intelligence ba ang gagawa ng disenyo para sa akin?" Maikling sagot: hindi. Ang artificial intelligence ay isang katulong sa disenyo; Gumagawa ito ng mga draft, nagbubuod ng data, nagpaparami ng mga opsyon at nagpapabilis ng mga paulit-ulit na gawain. Ngunit palaging pag-aari ng taga-disenyo ang talagang makinig sa gumagamit, magpasya kung ano ang tamang solusyon, at pasanin ang responsibilidad para sa desisyong ito. Nililinaw ng unang unit na ito kung saan ilalagay ang AI sa UX workflow, kung saan ka dapat huminto, at kung paano ilipat ang data ng user nang ligtas.
Saan nagagamit ang AI sa UX workflow?
Ang isang proyekto ng UX ay umuusad sa halos limang yugto: pagtuklas (pananaliksik), pagtukoy (katauhan at problema), paggawa (daloy, wireframe, prototype), pagsubok (kagamitan), at paghahatid (sistema ng disenyo, dokumentasyon). Ang artificial intelligence ay gumaganap ng ibang papel sa bawat isa sa mga yugtong ito.
- Pagtuklas: Nagbubuod ng dose-dosenang mga transcript ng panayam (na-transcribe na mga recording) sa ilang minuto sa halip na mga oras, na kumukuha ng mga paunang tema. Ngunit nasa indibidwal ang pagpapasya kung aling tema ang mahalaga.
- Paglalarawan: Gumagawa ng Persona (fictional na profile na kumakatawan sa isang partikular na uri ng user) at mga draft ng mapa ng paglalakbay. Ngunit tungkulin mong tiyakin na ang mga draft na ito ay batay sa totoong data.
- Generation: Wireframe (ang box-line skeleton ng isang screen), flowchart, at interface na text ay nagpaparami ng mga variation.
- Pagsubok: Nakukuha ang mga natuklasan mula sa mga talaan ng pagsusulit at niraranggo ang mga ito ayon sa kahalagahan.
- Pagtatanghal: Sumulat ng bahaging dokumentasyon at mga panuntunan sa paggamit.
Ang karaniwang thread ay ito: AI ay bumubuo ng mga draft at mga pagpipilian; Ang paghatol at pag-apruba ay nananatili sa iyo.
Tip: Gumamit ng artificial intelligence hindi para "ibigay sa akin ang sagot" ngunit para "bigyan ako ng mga opsyon nang mabilis at hayaan akong pumili." Ang pinakamalaking kahusayan ay dumarating kapag itinalaga mo ang gawaing paghahanda, hindi ang desisyon.
Antas ng panganib sa misyon: kung saan libre, kung saan maingat?
Hindi lahat ng gawain ay may parehong panganib. Isang simpleng tuntunin ng thumb: mas direktang nakakaapekto ang output sa isang user, mas mataas ang panganib.
Paghanap
Antas ng panganib
Ang papel ng artificial intelligence
pagsang-ayon ng tao
Buod ng tala ng pulong
mababa
Halos fully transfered na
light skimming
Bumubuo ng pagkakaiba-iba ng wireframe
low-medium
Bumubuo ng draft
Pinipili at inaayos ng taga-disenyo
Paglikha ng tema ng pananaliksik
daluyan
Pre-synthesis
Kinakailangan ang pagpapatunay sa pamamagitan ng panipi
Interface text (error message, atbp.)
katamtaman-mataas
nagdudulot ng pagkakaiba-iba
Tono, katumpakan, pagsusuri ng batas
Pagkumpirma sa pagiging naa-access
mataas
pre-scan
Sapilitan ang totoong pagsubok
Tukuyin ang mga tunay na pangangailangan ng gumagamit
pinakamataas
hindi makakatulong
Lahat sa taga-disenyo
Ang chart na ito ay isang compass: habang umaangat ka, binabawasan mo ang iyong tiwala sa AI at pinapataas mo ang iyong sariling pagpapatunay.
Hallucination at bias: dalawang pangunahing limitasyon
Dapat mong i-internalize ang dalawang blind spot ng artificial intelligence sa simula pa lang.
Hallucination (fabrication): Ang isang malaking modelo ng wika (posibleng word-guessing AI na sinanay sa malalaking halaga ng text) ay maaaring makagawa ng matatas ngunit aktwal na hindi tumpak na impormasyon. Halimbawa, sinasabi nito na "Humiling ang mga user ng bilis sa 20 pag-uusap", ngunit sa katotohanan ay walang ganoong quote. Gaano man kumpiyansa ang lumabas na output, hindi ito tumpak nang hindi nagli-link sa pinagmulan.
Bias: Ang modelo ay nagdadala ng mga bias na likas sa data kung saan ito sinanay. Ang mga cliché tulad ng "natatakot sa teknolohiya ang mga matatandang gumagamit" ay maaaring pumasok sa persona o script. Ang mga pangungusap na ito ay hindi sinusuportahang paglalahat at dapat na masuri gamit ang totoong data.
Babala: Ang katatasan at katumpakan ng output ng AI ay hindi pareho. Ang pinaka-mapanganib na output ay ang nakasulat sa mali ngunit perpektong mga pangungusap.
Data ng user, KVKK at pahintulot
Gumagana ang pananaliksik sa UX sa personal na data: mga log ng pag-uusap, pangalan, lugar ng trabaho, mga screenshot, kahit na audio. Ang pag-upload ng data na ito sa isang arbitrary na artificial intelligence tool ay maaaring isang paglabag sa KVKK (Personal Data Protection Law). Ang panuntunan ng thumb ay tatlong hakbang: anonymize, manatili sa loob ng pahintulot, gumamit ng tool na inaprubahan ng ahensya.
- I-mask ang mga direktang pagkakakilanlan gaya ng pangalan, telepono, email, pangalan ng kumpanya (hal. “Kalahok 3”).
- Huwag lumampas sa saklaw ng pahintulot na ibinigay sa kalahok sa panahon ng pananaliksik; Kung hindi mo sinabing "ito ay ipoproseso sa artificial intelligence", maging maingat.
- Sa isang corporate environment, pumili ng mga tool na malinaw kung saan iniimbak ang data at kung ito ay ginagamit para sa pagsasanay ng modelo.
tatlong mini case
Case 1 — Time saver, sa tamang lugar. Ang isang taga-disenyo ay may buod ng AI ng 18 mga transcript ng panayam (62 mga pahina sa kabuuan). Ang paunang pagbabasa, na kukuha sana ng 2 araw sa pamamagitan ng kamay, ay binawasan ng 40 minuto. Ngunit itinugma ng taga-disenyo ang bawat tema sa output sa aktwal na quote at nalaman na walang batayan ang 3 tema. Resulta: bilis + pagiging maaasahan.
Case 2 — Ang hindi na-verify na output ay pumasok sa presentasyon. Kasama sa isa pang team ang pangungusap na "70% ng mga user ay mas gusto ang mobile" na ginawa ng artificial intelligence sa ulat. Nang tanungin ang pinagmulan, napag-alaman na walang ganoong datos; ginawa ng modelo ang numero. Nasira ang tiwala ng stakeholder. Aral: hindi kumakalat ang mga numero at claim nang walang ebidensya.
Kaso 3 — Panganib ng pagtagas ng personal na data. In-upload ng isang intern ang audio recording, kasama ang mga pangalan ng kalahok, sa isang libreng site na awtomatikong nagsasalin nito. Minarkahan ito ng pangkat ng seguridad ng institusyon bilang panganib sa KVKK at ang proseso ay itinigil. Aralin: ang pagpili ng tool at pag-anonymize ay ginagawa mula sa simula.
Nakokopyang mga prompt
Ang iyong tungkulin: senior UX research assistant. Gawain: Kumuha ng hanggang 6 na tema mula sa hindi nakikilalang transcript ng panayam sa ibaba. Mga Panuntunan: Magdagdag ng kahit isang verbatim quote sa tabi ng bawat tema, na may tag na [Kalahok X]. Huwag gumawa ng isang tema kung saan hindi ka makakahanap ng isang quote. Kapag may pagdududa, isulat ang "mahina na suporta". Transcript: <<teksto>>
Suriin ang AI output na ito: Suriin para sa isang makatotohanang batayan sa teksto para sa bawat item sa listahan ng tema sa ibaba. Markahan ang mga walang basehan bilang "NOT VERIFIED" at isulat kung bakit ka naghihinala.List: <<themes>> Source text: <<transcript>>
Hanapin ang lahat ng personal/identifying data (pangalan, telepono, email, kumpanya, address) mula sa text sa ibaba at palitan ng [MASKED]. Ibigay din ang listahan ng pagbabago bilang isang talahanayan. Huwag tanggalin ang anumang impormasyon, i-mask lamang ito. Teksto: <<dump>>
Pag-uri-uriin ang isang gawain sa disenyo: Tukuyin ang antas ng panganib (mababa/medium/mataas) para sa "<<gawain>>", isulat ang papel ng AI at ang pag-apruba ng tao na kinakailangan sa isang pangungusap. Ipaliwanag ang iyong pangangatwiran.
Mahinang prompt / Malakas na prompt
Mahina: "Ibuod ang mga pag-uusap na ito."
Resulta: Isang unsourced, generic at hindi nabe-verify na text; Hindi malinaw kung saan nanggaling ang pangungusap.
Strong: "Mag-extract ng hanggang 6 na tema mula sa hindi nakikilalang transcript na ito; magdagdag ng kahit isang verbatim quote na may tag na [Kalahok X] sa bawat tema; huwag gumawa ng tema kung saan hindi ka makakahanap ng quote."
Resulta: Isang batay sa ebidensiya, naa-audit, nakakapagpasya na resulta.
Ang pagkakaiba ay nasa isang pangungusap: ang malakas na prompt ay nagbibigay ng konteksto + panuntunan + kinakailangan ng patunay.
Mga karaniwang pagkakamali
- Ang paglipat ng output mula sa pagpapatunay hanggang sa desisyon. Ang pinakakaraniwan at pinakamahal na pagkakamali; Maaaring i-distort ng isang contrived theme ang buong direksyon ng disenyo.
- Pag-upload ng personal na data nang hindi ito ina-anonymize. Paglabag sa KVKK at pagkawala ng tiwala ng korporasyon.
- Ang paggawa ng artificial intelligence ay "magpasya". "Aling disenyo ang mas mahusay?" Ang sagot sa tanong ay nasa produkto, user at data; wala sa model.
- Hindi binabasa ang patakaran sa data ng sasakyan. Paglalagay ng kritikal na data nang hindi nalalaman kung ang iyong data ay mapupunta sa pagsasanay sa modelo o hindi.
- Napagkakamalang katatasan para sa katumpakan. Ang maayos na pagkakasulat ng pangungusap ay hindi nangangahulugan ng tamang pangungusap.
Sa buod
Ang AI ay isang accelerator at blueprint partner sa UX workflow; Isinasagawa nito ang paghahanda sa bawat yugto, mula sa pagtuklas hanggang sa pagtatanghal. Ngunit ang paghatol, desisyon at responsibilidad ay nananatili sa taga-disenyo. "Gaano kalaki ang epekto ng panganib ng gawain sa gumagamit?" Sukatin gamit ang tanong; dagdagan ang iyong pag-verify habang tumataas ang panganib. Ang hallucination at bias ay dalawang permanenteng limitasyon: ibalik ang bawat claim na may ebidensya, subukan ang bawat cliché gamit ang data. Ipadala ang data ng user sa pamamagitan ng pag-anonymize nito sa loob ng balangkas ng KVKK at pahintulot. Ang mga reflex na ito ay ang ligtas na batayan para sa bawat pamamaraan sa natitirang bahagi ng module.
Gawain ng aplikasyon
- Maglista ng 5 mga gawain sa disenyo mula sa iyong kasalukuyang proyekto (o isang kathang-isip na proyekto).
- Ilagay ang bawat gawain sa talahanayan ng panganib sa itaas: mababa, katamtaman, mataas.
- Para sa bawat gawain, sumulat ng isang pangungusap na "gampanan ng AI" at "kinakailangan ng pag-apruba ng tao."
- Kung mayroon kang transcript ng panayam, i-anonymize ito gamit ang ikatlong prompt at suriin ang masking table.
- I-plot ang resulta sa isang talahanayan at ipaliwanag sa isang talata kung bakit ang pinakamataas na panganib na gawain ay nangangailangan ng pag-apruba ng tao.
checklist
- [ ] Inilagay ko ang AI bilang draft generator, hindi bilang isang gumagawa ng desisyon.
- [ ] Tinukoy ko ang antas ng panganib ng bawat misyon.
- [ ] Pinagtibay ko ang ugali ng pag-uugnay ng mga output sa ebidensya.
- [ ] Hindi ako nag-upload ng personal na data sa anumang tool nang hindi ito ina-anonymize.
- [ ] Sinuri ko ang data policy ng sasakyan na ginagamit ko.
- [ ] Nagdagdag ako ng hallucination at bias checking sa aking workflow.