Nota: Este artículo es el primero de una serie llamada "Disección de aplicaciones de IA", que presenta un modelo mental para sistemas de IA. El modelo sirve como herramienta para la discusión, planificación y definición de productos de IA por parte de equipos interdisciplinarios de IA y productos, así como para la alineación con el departamento comercial. Su objetivo es reunir las perspectivas de gerentes de producto, diseñadores de UX, científicos de datos, ingenieros y otros miembros del equipo. En este artículo, presento el modelo mental, mientras que artículos futuros demostrarán cómo aplicarlo a productos y funciones de IA específicos.

A menudo, las empresas asumen que todo lo que necesitan para incluir la IA en su oferta es contratar expertos en IA y dejarles hacer la magia técnica. Este enfoque los lleva directamente a la falacia de la integración: incluso si estos expertos e ingenieros producen modelos y algoritmos excepcionales, sus resultados a menudo se quedan estancados en el nivel de áreas de juego, entornos de prueba y demostraciones, y nunca se convierten en partes completas de un producto. A lo largo de los años, he visto una gran frustración por parte de científicos e ingenieros de datos cuyas implementaciones de IA técnicamente sobresalientes no llegaron a los productos orientados al usuario. Más bien, tenían el estatus honorable de experimentos de vanguardia que daban a las partes interesadas internas la impresión de estar subiendo la ola de la IA. Ahora, con la omnipresente proliferación de la IA desde la publicación de ChatGPT en 2022, las empresas ya no pueden permitirse el lujo de utilizar la IA como una característica “faro” para mostrar su perspicacia tecnológica.

¿Por qué es tan difícil integrar la IA? Hay un par de razones:

• A menudo, los equipos se centran en un único aspecto de un sistema de IA. Esto incluso ha llevado al surgimiento de campos separados, como la IA centrada en datos, centrada en modelos y centrada en humanos. Si bien cada uno de ellos ofrece perspectivas interesantes para la investigación, un producto de la vida real debe combinar los datos, el modelo y la interacción hombre-máquina en un sistema coherente.
• El desarrollo de la IA es una empresa altamente colaborativa. En el desarrollo de software tradicional, se trabaja con una dicotomía relativamente clara que consiste en los componentes backend y frontend. En IA, no sólo necesitará agregar roles y habilidades más diversas a su equipo, sino también garantizar una cooperación más estrecha entre las diferentes partes. Los diferentes componentes de su sistema de IA interactuarán entre sí de manera íntima. Por ejemplo, si está trabajando en un asistente virtual, sus diseñadores de UX deberán comprender la ingeniería rápida para crear un flujo de usuario natural. Sus anotadores de datos deben conocer su marca y los "rasgos de carácter" de su asistente virtual para crear datos de capacitación que sean consistentes y alineados con su posicionamiento, y su gerente de producto debe comprender y examinar la arquitectura del canal de datos para garantizar satisface las preocupaciones de gobernanza de sus usuarios.
• Al crear IA, las empresas suelen subestimar la importancia del diseño. Si bien la IA comienza en el backend, un buen diseño es indispensable para que brille en la producción. El diseño de IA traspasa los límites de la UX tradicional. Gran parte de la funcionalidad que ofrece no es per se visible en la interfaz, sino que está “oculta” en el modelo, y necesita educar y guiar a sus usuarios para maximizar estos beneficios. Además, los modelos fundamentales modernos son cosas descabelladas que pueden producir resultados tóxicos, incorrectos y dañinos, por lo que establecerá barreras de seguridad adicionales para reducir estos riesgos. Todo esto puede requerir nuevas habilidades en su equipo, como ingeniería rápida y diseño conversacional. A veces, también significa hacer cosas contrarias a la intuición, como subestimar el valor para gestionar las expectativas de los usuarios y agregar fricción para darles más control y transparencia.
• La exageración de la IA crea presión. Muchas empresas ponen el carro delante del caballo al lanzarse a implementaciones que no están validadas por las necesidades del cliente y del mercado. De vez en cuando, incluir la palabra de moda de la IA puede ayudarlo a promocionarse y posicionarse como una empresa progresista e innovadora, pero a largo plazo, necesitará respaldar su entusiasmo y experimentación con oportunidades reales. Esto se puede lograr con una estrecha coordinación entre las empresas y la tecnología, que se base en una correlación explícita de las oportunidades del mercado con los potenciales tecnológicos.

En este artículo, construiremos un modelo mental para sistemas de IA que integre estos diferentes aspectos (ver figura 1). Alienta a los constructores a pensar de manera integral, crear una comprensión clara de su producto objetivo y actualizarlo con nuevos conocimientos y aportaciones a lo largo del camino. El modelo se puede utilizar como herramienta para facilitar la colaboración, alinear las diversas perspectivas dentro y fuera del equipo de IA y crear productos exitosos basados ​​en una visión compartida. Puede aplicarse no sólo a productos nuevos impulsados ​​por IA, sino también a funciones de IA que se incorporan a productos existentes.

Las siguientes secciones describirán brevemente cada uno de los componentes, centrándose en las partes que son específicas de los productos de IA. Comenzaremos con la perspectiva empresarial (la oportunidad del mercado y el valor) y luego nos sumergiremos en UX y tecnología. Para ilustrar el modelo, utilizaremos el ejemplo en ejecución de un copiloto para la generación de contenido de marketing.

Si este contenido educativo en profundidad es útil para usted, puede suscríbete a nuestra lista de correo de investigación de IA ser alertado cuando lancemos nuevo material. 

1. oportunidad

Con todas las cosas interesantes que ahora puedes hacer con la IA, es posible que estés impaciente por ensuciarte las manos y empezar a construir. Sin embargo, para crear algo que sus usuarios necesitan y aman, debe respaldar su desarrollo con una oportunidad de mercado. En el mundo ideal, las oportunidades nos llegan de los clientes que nos dicen lo que necesitan o quieren.[1] Pueden ser necesidades insatisfechas, puntos débiles o deseos. Puede buscar esta información en los comentarios de los clientes existentes, como en reseñas de productos y notas de sus equipos de ventas y éxito. Además, no se olvide de usted mismo como un usuario potencial de su producto: si se enfrenta a un problema que ha experimentado usted mismo, esta ventaja informativa es una ventaja adicional. Más allá de esto, también puede realizar una investigación proactiva de los clientes utilizando herramientas como encuestas y entrevistas.

Por ejemplo, no necesito mirar demasiado lejos para ver los problemas del marketing de contenidos para las nuevas empresas, pero también para las empresas más grandes. Yo mismo lo he experimentado: a medida que crece la competencia, desarrollar el liderazgo intelectual con contenido individual, regular y (!) de alta calidad se vuelve cada vez más importante para la diferenciación. Mientras tanto, con un equipo pequeño y ocupado, siempre habrá cosas sobre la mesa que parezcan más importantes que escribir la publicación de blog de la semana. También conozco a menudo a personas de mi red que luchan por establecer una rutina de marketing de contenidos coherente. Estas observaciones “locales”, potencialmente sesgadas, pueden validarse mediante encuestas que van más allá de la propia red y confirman un mercado más amplio para una solución.

El mundo real es un poco más confuso y los clientes no siempre acudirán a usted para presentarle oportunidades nuevas y bien formuladas. Más bien, si extiendes tus antenas, las oportunidades te llegarán desde muchas direcciones, como por ejemplo:

• Posicionamiento en el mercado: La IA está de moda: para las empresas establecidas, se puede utilizar para reforzar la imagen de una empresa como innovadora, de alta tecnología, preparada para el futuro, etc. Por ejemplo, puede convertir una agencia de marketing existente en un servicio impulsado por IA y diferenciarlo de sus competidores. Sin embargo, no hagas IA por el bien de la IA. El truco de posicionamiento debe aplicarse con precaución y en combinación con otras oportunidades; de lo contrario, se corre el riesgo de perder credibilidad.
• Competidores: Cuando sus competidores toman un movimiento, es probable que ya hayan realizado la investigación y validación subyacentes. Mírelos después de un tiempo: ¿fue exitoso su desarrollo? Utilice esta información para optimizar su propia solución, adoptar las piezas exitosas y corregir los errores. Por ejemplo, digamos que está observando a un competidor que ofrece un servicio para la generación totalmente automatizada de contenido de marketing. Los usuarios hacen clic en un "gran botón rojo" y la IA avanza para escribir y publicar el contenido. Después de investigar un poco, descubre que los usuarios dudan en utilizar este producto porque quieren mantener más control sobre el proceso y aportar su propia experiencia y personalidad a la escritura. Después de todo, escribir también es cuestión de autoexpresión y creatividad individual. Este es el momento de avanzar con una herramienta versátil que ofrece una rica funcionalidad y configuración para dar forma a su contenido. Aumenta la eficiencia de los usuarios y les permite "inyectarse" en el proceso cuando lo deseen.
• Regulación: megatendencias como la disrupción tecnológica y la globalización obligan a los reguladores a endurecer sus requisitos. Las regulaciones crean presión y son una fuente de oportunidades a prueba de balas. Por ejemplo, imaginemos que entra en vigor una regulación que exige estrictamente que todos anuncien el contenido generado por IA como tal. Aquellas empresas que ya utilizan herramientas para la generación de contenido de IA desaparecerán para debates internos sobre si quieren esto. Muchos de ellos se abstendrán porque quieren mantener una imagen de liderazgo intelectual genuino, en lugar de producir textos repetitivos visiblemente generados por IA. Digamos que fue inteligente y optó por una solución aumentada que brinda a los usuarios suficiente control para que puedan seguir siendo los "autores" oficiales de los textos. A medida que se introduce la nueva restricción, usted es inmune y puede apresurarse a aprovechar la regulación, mientras que sus competidores con soluciones totalmente automatizadas necesitarán tiempo para recuperarse del revés.
• Habilitando tecnologías: Las tecnologías emergentes y los avances significativos en las tecnologías existentes, como la ola de IA generativa en 2022-23, pueden abrir nuevas formas de hacer las cosas o catapultar las aplicaciones existentes a un nuevo nivel. Supongamos que ha dirigido una agencia de marketing tradicional durante la última década. Ahora puede comenzar a introducir soluciones y trucos de inteligencia artificial en su negocio para aumentar la eficiencia de sus empleados, atender a más clientes con los recursos existentes y aumentar sus ganancias. Está aprovechando su experiencia, reputación y base de clientes (con suerte, de buena voluntad) existentes, por lo que introducir mejoras en la IA puede ser mucho más sencillo y menos riesgoso de lo que sería para un recién llegado.

Finalmente, en el mundo moderno de los productos, las oportunidades suelen ser menos explícitas y formales y pueden validarse directamente en experimentos, lo que acelera su desarrollo. Por lo tanto, en el crecimiento impulsado por productos, los miembros del equipo pueden proponer sus propias hipótesis sin un argumento estricto basado en datos. Estas hipótesis se pueden formular de forma gradual, como modificar un mensaje o cambiar el diseño local de algunos elementos de UX, lo que los hace fáciles de implementar, implementar y probar. Al eliminar la presión para proporcionar a priori datos para cada nueva sugerencia, este enfoque aprovecha las intuiciones e imaginaciones de todos los miembros del equipo al tiempo que impone una validación directa de las sugerencias. Digamos que su generación de contenido funciona sin problemas, pero escucha cada vez más quejas sobre una falta general de transparencia y explicabilidad de la IA. Decide implementar un nivel de transparencia adicional y mostrar a sus usuarios los documentos específicos que se utilizaron para generar un contenido. Su equipo pone a prueba la función con un grupo de usuarios y descubre que están felices de utilizarla para rastrear las fuentes de información originales. Por lo tanto, decide establecerlo en el producto principal para aumentar el uso y la satisfacción.

2. Valor

Para comprender y comunicar el valor de su producto o característica de IA, primero debe asignarlo a un caso de uso (un problema comercial específico que resolverá) y calcular el ROI (retorno de la inversión). Esto le obliga a dejar de pensar en la tecnología y centrarse en los beneficios de la solución para el usuario. El ROI se puede medir en diferentes dimensiones. Para la IA, algunos de ellos son:

• Eficiencia incrementada: La IA puede impulsar la productividad de personas, equipos y empresas enteras. Por ejemplo, para la generación de contenido, es posible que en lugar de las 4 a 5 horas que normalmente se necesitan para escribir una publicación de blog [2], ahora pueda hacerlo en 1 a 2 horas y dedicar el tiempo que ahorró a otras tareas. Las ganancias en eficiencia a menudo van de la mano con ahorros de costos, ya que se requiere menos esfuerzo humano para realizar la misma cantidad de trabajo. Así, en el contexto empresarial, este beneficio resulta atractivo tanto para los usuarios como para el liderazgo.
• Una experiencia más personalizada: Por ejemplo, su herramienta de generación de contenido puede pedir a los usuarios que establezcan parámetros de su empresa, como atributos de marca, terminología, beneficios del producto, etc. Además, puede realizar un seguimiento de las ediciones realizadas por un escritor específico y adaptar sus generaciones a la escritura única. estilo de este usuario a lo largo del tiempo.
• Diversión y placer: Aquí nos adentramos en el lado emocional del uso del producto, también llamado nivel “visceral” por Don Norman [3]. En el campo B2C existen categorías enteras de productos para diversión y entretenimiento, como juegos y realidad aumentada. ¿Qué pasa con B2B? ¿No asumiría que los productos B2B existen en un vacío profesional estéril? En realidad, esta categoría puede generar respuestas emocionales aún más fuertes que B2C.[4] Por ejemplo, la escritura puede percibirse como un acto satisfactorio de autoexpresión o como una lucha interna contra el bloqueo del escritor y otros problemas. Piense en cómo su producto puede reforzar las emociones positivas de una tarea y al mismo tiempo aliviar o incluso transformar sus aspectos dolorosos.
• Conveniencia: ¿Qué debe hacer su usuario para aprovechar los poderes mágicos de la IA? Imagine integrar su copiloto de generación de contenido en herramientas de colaboración populares como MS Office, Google Docs y Notion. Los usuarios podrán acceder a la inteligencia y eficiencia de su producto sin abandonar la comodidad de su “hogar” digital. Por lo tanto, minimiza el esfuerzo que los usuarios deben hacer para experimentar el valor del producto y seguir usándolo, lo que a su vez impulsa la adquisición y adopción de usuarios.

Algunos de los beneficios de la IA (por ejemplo, la eficiencia) se pueden cuantificar directamente para determinar el retorno de la inversión. Para obtener beneficios menos tangibles, como la comodidad y el placer, deberá pensar en métricas proxy como la satisfacción del usuario. Tenga en cuenta que pensar en términos de valor para el usuario final no sólo cerrará la brecha entre sus usuarios y su producto. Como efecto secundario bienvenido, puede reducir los detalles técnicos en sus comunicaciones públicas. Esto evitará que invites accidentalmente a competencias no deseadas a la fiesta.

Finalmente, un aspecto fundamental del valor que debes considerar desde el principio es la sostenibilidad. ¿Cómo impacta su solución en la sociedad y el medio ambiente? En nuestro ejemplo, la generación de contenido automatizada o aumentada puede desplazar y eliminar cargas de trabajo humanas a gran escala. Probablemente no quiera ser conocido como el futuro asesino de toda una categoría laboral; después de todo, esto no solo generará preguntas éticas sino que también generará resistencia por parte de los usuarios cuyos trabajos está amenazando. Piensa en cómo puedes abordar estos miedos. Por ejemplo, podría educar a los usuarios sobre cómo pueden utilizar eficientemente su nuevo tiempo libre para diseñar estrategias de marketing aún más sofisticadas. Estos pueden proporcionar un foso defendible incluso cuando otros competidores se ponen al día con la generación automatizada de contenido.

3. Datos

Para cualquier tipo de IA y aprendizaje automático, debe recopilar y preparar sus datos para que reflejen las entradas de la vida real y proporcionen suficientes señales de aprendizaje para su modelo. Hoy en día, vemos una tendencia hacia la IA centrada en los datos, una filosofía de la IA que se aleja de los ajustes y la optimización interminables de los modelos y se centra en solucionar los numerosos problemas de los datos que se introducen en estos modelos. Cuando empiezas, hay diferentes formas de conseguir un conjunto de datos decente:

• solicite utilizar un conjunto de datos existente. Puede ser un conjunto de datos de aprendizaje automático estándar o un conjunto de datos con un propósito inicial diferente que usted adapta para su tarea. Hay algunos conjuntos de datos clásicos, como el Conjunto de datos de reseñas de películas IMDB para el análisis de sentimientos y la conjunto de datos MNIST para el reconocimiento de caracteres escritos a mano. Hay alternativas más exóticas y emocionantes, como Pesca ilegal y Identificación de raza de perroe innumerables conjuntos de datos seleccionados por usuarios en centros de datos como Kaggle. Las posibilidades de que encuentre un conjunto de datos diseñado para su tarea específica y que satisfaga completamente sus requisitos son bastante bajas y, en la mayoría de los casos, también necesitará utilizar otros métodos para enriquecer sus datos.
• solicite anotar o crear los datos manualmente para crear las señales de aprendizaje correctas. La anotación manual de datos (por ejemplo, la anotación de textos con puntuaciones de sentimiento) era el método preferido en los primeros días del aprendizaje automático. Recientemente, ha recuperado la atención como el ingrediente principal de la salsa secreta de ChatGPT. Se dedicó un enorme esfuerzo manual a crear y clasificar las respuestas del modelo para reflejar las preferencias humanas. Esta técnica también se llama aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF). Si tiene los recursos necesarios, puede utilizarlos para crear datos de alta calidad para tareas más específicas, como la generación de contenido de marketing. La anotación se puede realizar internamente o mediante un proveedor externo o un servicio de crowdsourcing como Amazon Mechanical Turk. De todos modos, la mayoría de las empresas no querrán gastar los enormes recursos necesarios para la creación manual de datos RLHF y considerarán algunos trucos para automatizar la creación de sus datos.
• Por lo tanto, puede agregar más ejemplos a un conjunto de datos existente usando aumento de datos. Para tareas más simples como el análisis de sentimientos, se podría introducir algo de ruido adicional en los textos, cambiar un par de palabras, etc. Para tareas de generación más abierta, actualmente existe mucho entusiasmo por el uso de modelos grandes (por ejemplo, modelos fundamentales) para procesos automatizados. Generación de datos de entrenamiento. Una vez que haya identificado el mejor método para aumentar sus datos, podrá escalarlos fácilmente para alcanzar el tamaño de conjunto de datos requerido.

Al crear sus datos, se enfrenta a un equilibrio entre calidad y cantidad. Puede anotar manualmente menos datos con alta calidad o gastar su presupuesto en desarrollar trucos y trucos para el aumento automatizado de datos que introducirán ruido adicional. Si opta por la anotación manual, puede hacerlo internamente y dar forma a una cultura de detalle y calidad, o enviar el trabajo a personas anónimas. El crowdsourcing suele tener una calidad inferior, por lo que es posible que tengas que realizar más anotaciones para compensar el ruido. ¿Cómo encontrar el equilibrio ideal? Aquí no hay recetas preparadas; en última instancia, encontrará la composición de datos ideal a través de un constante ir y venir entre el entrenamiento y la mejora de sus datos. En general, cuando se entrena previamente un modelo, es necesario adquirir conocimientos desde cero, lo que sólo puede ocurrir con una mayor cantidad de datos. Por otro lado, si quieres afinar y dar los últimos toques de especialización a un modelo grande ya existente, quizá prefieras valorar la calidad por encima de la cantidad. La anotación manual controlada de un pequeño conjunto de datos utilizando pautas detalladas podría ser la solución óptima en este caso.

4. Algoritmo

Los datos son la materia prima de la que aprenderá su modelo y, con suerte, podrá compilar un conjunto de datos representativo y de alta calidad. Ahora, el superpoder real de su sistema de inteligencia artificial (su capacidad para aprender de los datos existentes y generalizarlos a datos nuevos) reside en el algoritmo. En términos de los modelos principales de IA, hay tres opciones principales que puedes utilizar:

• Solicitar un modelo existente. Los LLM avanzados (modelos de lenguaje grande) de la familia GPT, como ChatGPT y GPT-4, así como de otros proveedores como Anthropic y AI21 Labs, están disponibles para inferencia a través de API. Con las indicaciones, puede hablar directamente con estos modelos, incluyendo en su solicitud toda la información específica del dominio y de la tarea requerida para una tarea. Esto puede incluir contenido específico que se utilizará, ejemplos de tareas análogas (indicaciones breves), así como instrucciones que el modelo debe seguir. Por ejemplo, si su usuario desea generar una publicación de blog sobre una nueva característica de un producto, puede pedirle que proporcione información básica sobre la característica, como sus beneficios y casos de uso, cómo usarla, la fecha de lanzamiento, etc. Luego, su producto completa esta información en una plantilla de mensaje cuidadosamente diseñada y le pide al LLM que genere el texto. Las indicaciones son excelentes para obtener una ventaja en los modelos previamente entrenados. Sin embargo, el foso que puede construir con indicaciones se reducirá rápidamente con el tiempo; en el mediano plazo, necesitará una estrategia modelo más defendible para mantener su ventaja competitiva.
• Ajuste un modelo previamente entrenado. Este enfoque ha hecho que la IA sea tan popular en los últimos años. A medida que hay más y más modelos previamente entrenados disponibles y portales como Huggingface ofrecen repositorios de modelos, así como código estándar para trabajar con los modelos, el ajuste fino se está convirtiendo en el método de referencia para probar e implementar. Cuando trabaja con un modelo previamente entrenado, puede beneficiarse de la inversión que alguien ya ha realizado en los datos, la capacitación y la evaluación del modelo, que ya "sabe" muchas cosas sobre el lenguaje y el mundo. Todo lo que necesita hacer es ajustar el modelo utilizando un conjunto de datos específico de la tarea, que puede ser mucho más pequeño que el conjunto de datos utilizado originalmente para el entrenamiento previo. Por ejemplo, para la generación de contenido de marketing, puede recopilar un conjunto de publicaciones de blog que tuvieron un buen desempeño en términos de participación y aplicar ingeniería inversa a las instrucciones para ellas. A partir de estos datos, su modelo aprenderá sobre la estructura, el flujo y el estilo de los artículos exitosos. El ajuste es el camino a seguir cuando se utilizan modelos de código abierto, pero los proveedores de API LLM como OpenAI y Cohere también ofrecen cada vez más funciones de ajuste. Especialmente para la vía de código abierto, aún deberá considerar las cuestiones de selección de modelo, los costos generales de capacitación e implementación de modelos más grandes, y los cronogramas de mantenimiento y actualización de su modelo.
• Entrena tu modelo ML desde cero. En general, este enfoque funciona bien para problemas más simples, pero muy específicos, para los cuales se tienen conocimientos específicos o conjuntos de datos decentes. La generación de contenido no entra exactamente en esta categoría: requiere capacidades lingüísticas avanzadas para despegar, y estas sólo pueden adquirirse después de entrenar con cantidades ridículamente grandes de datos. Los problemas más simples, como el análisis de sentimientos para un tipo específico de texto, a menudo se pueden resolver con métodos establecidos de aprendizaje automático, como la regresión logística, que son computacionalmente menos costosos que los sofisticados métodos de aprendizaje profundo. Por supuesto, también existe el punto medio de problemas razonablemente complejos como la extracción de conceptos para dominios específicos, para los cuales se podría considerar entrenar una red neuronal profunda desde cero.

Más allá de la formación, la evaluación es de primordial importancia para el uso exitoso del aprendizaje automático. Las métricas y métodos de evaluación adecuados no sólo son importantes para un lanzamiento seguro de sus funciones de IA, sino que también servirán como un objetivo claro para una mayor optimización y como un terreno común para debates y decisiones internas. Si bien las métricas técnicas como la precisión, la recuperación y la exactitud pueden proporcionar un buen punto de partida, en última instancia querrás buscar métricas que reflejen el valor de la vida real que tu IA ofrece a los usuarios.

5. Experiencia de usuario

La experiencia del usuario de los productos de IA es un tema cautivador; después de todo, los usuarios tienen grandes esperanzas, pero también temores acerca de “asociarse” con una IA que puede potenciar y potencialmente ser más astuta que su inteligencia. El diseño de esta asociación entre humanos e IA requiere un proceso de diseño y descubrimiento reflexivo y sensato. Una de las consideraciones clave es el grado de automatización que desea otorgar a su producto y, tenga en cuenta, la automatización total no siempre es, ni mucho menos, la solución ideal. La siguiente figura ilustra el continuo de la automatización:

Veamos cada uno de estos niveles:

• En la primera etapa, los humanos hacen todo el trabajo y no se realiza ninguna automatización. A pesar del revuelo en torno a la IA, la mayoría de las tareas intensivas en conocimiento en las empresas modernas todavía se llevan a cabo en este nivel, lo que presenta enormes oportunidades para la automatización. Por ejemplo, el escritor de contenidos que se resiste a las herramientas impulsadas por la IA y está convencido de que escribir es un oficio altamente manual y idiosincrásico funciona aquí.
• En la segunda etapa de la IA asistida, los usuarios tienen control total sobre la ejecución de las tareas y realizan gran parte del trabajo manualmente, pero las herramientas de IA les ayudan a ahorrar tiempo y compensar sus puntos débiles. Por ejemplo, al escribir una publicación de blog con una fecha límite ajustada, una revisión lingüística final con Grammarly o una herramienta similar puede convertirse en un bienvenido ahorro de tiempo. Puede eliminar la revisión manual, que requiere gran parte de su escaso tiempo y atención y aún podría dejarle errores y omisiones; después de todo, equivocarse es humano.
• Con la inteligencia aumentada, la IA es un socio que aumenta la inteligencia del ser humano, aprovechando así las fortalezas de ambos mundos. En comparación con la IA asistida, la máquina tiene mucho más que decir en su proceso y cubre un conjunto más amplio de responsabilidades, como la ideación, generación y edición de borradores, y la verificación lingüística final. Los usuarios aún necesitan participar en el trabajo, tomar decisiones y realizar partes de la tarea. La interfaz de usuario debe indicar claramente la distribución del trabajo entre humanos y la IA, resaltar los potenciales errores y brindar transparencia en los pasos que realiza. En resumen, la experiencia "aumentada" guía a los usuarios hacia el resultado deseado mediante iteración y refinamiento.
• Y, por último, tenemos la automatización total, una idea intrigante para los expertos, filósofos y expertos en inteligencia artificial, pero que a menudo no es la opción óptima para productos de la vida real. La automatización total significa que estás ofreciendo un "gran botón rojo" que inicia el proceso. Una vez que la IA está lista, sus usuarios se enfrentan al resultado final y lo toman o lo dejan. Todo lo que sucedió en el medio no lo pueden controlar. Como puedes imaginar, las opciones de UX aquí son bastante limitadas ya que prácticamente no hay interactividad. La mayor parte de la responsabilidad del éxito recae sobre los hombros de sus colegas técnicos, quienes deben garantizar una calidad excepcionalmente alta de los resultados.

Los productos de IA necesitan un tratamiento especial en lo que respecta al diseño. Las interfaces gráficas estándar son deterministas y permiten prever todos los caminos posibles que podría tomar el usuario. Por el contrario, los grandes modelos de IA son probabilísticos e inciertos: exponen una variedad de capacidades asombrosas, pero también riesgos como resultados tóxicos, incorrectos y dañinos. Desde fuera, su interfaz de IA puede parecer simple porque muchas de las capacidades de su producto residen directamente en el modelo. Por ejemplo, un LLM puede interpretar indicaciones, producir texto, buscar información, resumirla, adoptar un determinado estilo y terminología, ejecutar instrucciones, etc. Incluso si su interfaz de usuario es un simple chat o una interfaz de indicaciones, no deje este potencial sin ver. — Para llevar a los usuarios al éxito, es necesario ser explícito y realista. Haga que los usuarios sean conscientes de las capacidades y limitaciones de sus modelos de IA, permítales descubrir y corregir fácilmente los errores cometidos por la IA y enséñeles formas de iterar para obtener resultados óptimos. Al enfatizar la confianza, la transparencia y la educación de los usuarios, puede hacer que sus usuarios colaboren con la IA. Si bien una inmersión profunda en la disciplina emergente del diseño de IA está fuera del alcance de este artículo, le recomiendo encarecidamente que busque inspiración no solo en otras empresas de IA sino también en otras áreas del diseño, como la interacción hombre-máquina. Pronto identificará una variedad de patrones de diseño recurrentes, como autocompletas, sugerencias rápidas y avisos de IA, que puede integrar en su propia interfaz para aprovechar al máximo sus datos y modelos.

Además, para ofrecer un diseño realmente excelente, es posible que necesites agregar nuevas habilidades de diseño a tu equipo. Por ejemplo, si está creando una aplicación de chat para perfeccionar el contenido de marketing, trabajará con un diseñador conversacional que se encarga de los flujos conversacionales y la "personalidad" de su chatbot. Si está creando un producto rico enriquecido que necesita educar y guiar a fondo a sus usuarios a través de las opciones disponibles, un diseñador de contenido puede ayudarlo a construir el tipo correcto de arquitectura de información y agregar la cantidad adecuada de estímulos e indicaciones para sus usuarios.

Y finalmente, esté abierto a las sorpresas. El diseño de IA puede hacerte repensar tus concepciones originales sobre la experiencia del usuario. Por ejemplo, muchos diseñadores de UX y gerentes de productos fueron entrenados para minimizar la latencia y la fricción con el fin de suavizar la experiencia del usuario. Bueno, en los productos de IA, puedes pausar esta lucha y utilizar ambas a tu favor. La latencia y los tiempos de espera son excelentes para educar a los usuarios, por ejemplo, explicándoles qué está haciendo actualmente la IA e indicando los posibles próximos pasos de su parte. Las pausas, como los diálogos y las ventanas emergentes de notificación, pueden introducir fricciones para reforzar la asociación entre humanos y IA y aumentar la transparencia y el control para los usuarios.

6. Requisitos no funcionales

Más allá de los datos, el algoritmo y la UX que le permiten implementar una funcionalidad específica, los llamados requisitos no funcionales (NFR), como precisión, latencia, escalabilidad, confiabilidad y gobernanza de datos, garantizan que el usuario realmente obtenga el valor previsto. El concepto de NFR proviene del desarrollo de software, pero aún no se tiene en cuenta sistemáticamente en el ámbito de la IA. A menudo, estos requisitos se recogen de forma ad hoc a medida que surgen durante la investigación, la ideación, el desarrollo y la operación de las capacidades de IA del usuario.

Debe intentar comprender y definir sus NFR lo antes posible, ya que diferentes NFR cobrarán vida en diferentes puntos de su viaje. Por ejemplo, la privacidad debe considerarse desde el paso inicial de la selección de datos. La precisión es más sensible en la etapa de producción, cuando los usuarios comienzan a utilizar su sistema en línea, lo que podría abrumarlo con entradas inesperadas. La escalabilidad es una consideración estratégica que entra en juego cuando su empresa amplía la cantidad de usuarios y/o solicitudes o el espectro de funcionalidades ofrecidas.

Cuando se trata de NFR, no es posible tenerlos todos. Estas son algunas de las compensaciones típicas que deberá equilibrar:

• Uno de los primeros métodos para aumentar la precisión es utilizar un modelo más grande, lo que afectará la latencia.
• Usar los datos de producción "tal cual" para una mayor optimización puede ser mejor para el aprendizaje, pero puede violar sus reglas de privacidad y anonimización.
• Los modelos más escalables son generalistas, lo que afecta su precisión en tareas específicas de la empresa o del usuario.

La forma de priorizar los diferentes requisitos dependerá de los recursos computacionales disponibles, su concepto de UX, incluido el grado de automatización, y el impacto de las decisiones respaldadas por la IA.

Puntos clave

1. Comenzar con el fin en mente: No asuma que la tecnología por sí sola hará el trabajo; necesita una hoja de ruta clara para integrar su IA en el producto orientado al usuario y educar a sus usuarios sobre sus beneficios, riesgos y limitaciones.
2. Alineación del mercado: Priorizar las oportunidades del mercado y las necesidades de los clientes para guiar el desarrollo de la IA. No apresure las implementaciones de IA impulsadas por exageraciones y sin validación del mercado.
3. Valor de usuario: Definir, cuantificar y comunicar el valor de los productos de IA en términos de eficiencia, personalización, conveniencia y otras dimensiones de valor.
4. Calidad de datos: centrarse en la calidad y relevancia de los datos para entrenar modelos de IA de forma eficaz. Intente utilizar datos pequeños y de alta calidad para realizar ajustes y conjuntos de datos más grandes para entrenar desde cero.
5. Selección de algoritmo/modelo: Elija el nivel adecuado de complejidad y defensa (indicaciones, ajustes, capacitación desde cero) para su caso de uso y evalúe cuidadosamente su desempeño. Con el tiempo, a medida que adquiera la experiencia y la confianza necesarias en su producto, es posible que desee cambiar a estrategias de modelo más avanzadas.
6. Diseño centrado en el usuario: Diseñar productos de IA teniendo en cuenta las necesidades y emociones del usuario, equilibrando la automatización y el control del usuario. Tenga en cuenta la "imprevisibilidad" de los modelos probabilísticos de IA y guíe a sus usuarios para que trabajen con ellos y se beneficien de ellos.
7. Diseño colaborativo: Al enfatizar la confianza, la transparencia y la educación de los usuarios, puede hacer que sus usuarios colaboren con la IA.
8. requerimientos no funcionales: Considere factores como la precisión, la latencia, la escalabilidad y la confiabilidad durante todo el desarrollo e intente evaluar las ventajas y desventajas entre ellos desde el principio.
9. Colaboración: Fomente la colaboración estrecha entre expertos en IA, diseñadores, gerentes de productos y otros miembros del equipo para beneficiarse de la inteligencia interdisciplinaria e integrar con éxito su IA.

Referencias

[1]Teresa Torres (2021). Hábitos de descubrimiento continuo: descubra productos que creen valor para el cliente y valor comercial.

[2] Medios orbitales (2022). Nuevas estadísticas de blogs: ¿Qué estrategias de contenido funcionan en 2022? Le preguntamos a 1016 blogueros.

[3]Don Norman (2013). El diseño de las cosas cotidianas.

[4] Google, Gartner y Motista (2013). De la promoción a la emoción: conectando clientes B2B con marcas.

Nota: Todas las imágenes son del autor.

Este artículo se publicó originalmente el Hacia la ciencia de datos y re-publicado a TOPBOTS con permiso del autor.

¿Disfrutas este artículo? Regístrese para obtener más actualizaciones de investigación de IA.

Le informaremos cuando publiquemos más artículos de resumen como este.

Relacionado:

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• ChartPrime. Eleve su juego comercial con ChartPrime. Accede Aquí.
• Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
• Fuente: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/