1. قبل البدء
في هذا الدرس التطبيقي حول الترميز، ستطبّق أفضل الممارسات من الإصدار الجديد من دليل People + AI Research (PAIR) لتصميم منتج جديد يستند إلى الذكاء الاصطناعي، مع التركيز على الممارسات المتعلقة بالبيانات لخدمة المستخدمين وكسب ثقتهم بشكل صحيح.
المتطلبات الأساسية
- فهم أساسي لماهية الذكاء الاصطناعي
- معرفة سير عمل تطوير المنتجات
أهداف الدورة التعليمية
في هذا الدرس العملي، ستتعرّف على كيفية استخدام دليل People + AI Guidebook من Google Research لإنشاء منتجات ذكاء اصطناعي موثوقة تركّز على المستخدم.
وعلى وجه التحديد، عليك:
- التعرّف على الميزات الجديدة في الإصدار الثاني من "دليل PAIR"
- الاطّلاع على سلسلة من التمارين التي تسلّط الضوء على فرص تحسين ثقة المستخدمين في عملية تطوير الذكاء الاصطناعي، مع التركيز على البيانات وإمكانية التفسير للمستخدمين
- الحصول على مقدّمة حول مجموعة أدوات أوسع من المواد والمراجع المتاحة لاستكشافها بشكل أكبر
المتطلبات
- المتصفح
- حساب Google لعرض دفتر ملاحظات Colaboratory (مثلاً تحليل المشاعر باستخدام BERT)
2. البدء
سنطرح الإصدار الثاني من "دليل PAIR" في مؤتمر Google I/O هذا العام. تم إصدار النسخة الأولى قبل عامَين، ومنذ ذلك الحين، استخدمها أكثر من ربع مليون شخص في مختلف الأدوار (مطوّرون ومصمّمون ومدراء منتجات وطلاب وغيرهم) في جميع أنحاء العالم. يسرّنا الآن تقديم مجموعة من التعديلات لجعلها أكثر فعالية.
على وجه التحديد، في هذا الإصدار الثاني، نقدّم طريقة جديدة للتنقّل في "دليل المساعدة" والعثور على المحتوى حسب المهمة. لقد أعددنا قائمة بالأسئلة الرئيسية التي قد تراودك أنت وفريقك عند تطوير منتج يعتمد على الذكاء الاصطناعي مع التركيز على المستخدم، والتي ستساعدك في العثور على المحتوى الذي تحتاجه في الوقت المناسب:
- متى وكيف يمكنني استخدام الذكاء الاصطناعي في منتجي؟
- كيف يمكنني إنشاء مجموعة بيانات بشكل مسؤول؟
- كيف يمكنني مساعدة المستخدمين في بناء الثقة في نظام الذكاء الاصطناعي الخاص بي ومعايرتها؟
- كيف يمكنني تعريف المستخدمين على ميزات الذكاء الاصطناعي الجديدة؟
- كيف يمكنني شرح نظام الذكاء الاصطناعي للمستخدمين؟
- ما هو التوازن الصحيح بين تحكّم المستخدمين والأتمتة؟
- كيف يمكنني تقديم الدعم للمستخدمين عند حدوث خطأ ما؟
بعد اختيار سؤال، ستحصل على محتوى ذي صلة في وحدات أصغر وأكثر قابلية للتنفيذ.
عدّلنا أيضًا "دليل PAIR" وأضفنا إليه محتوًى جديدًا:
- مجموعة من أنماط تصميم الذكاء الاصطناعي
- دراسات حالة
- الفصول المعدَّلة
- تمارين جديدة ومجموعة أدوات لورشة العمل
في هذا الدرس العملي، ستتعرّف على بعض أنماط التصميم هذه أثناء العمل في سير عمل لتطوير ميزة جديدة باستخدام الذكاء الاصطناعي.
لِنبدأ.
3- ترجمة احتياجات المستخدم إلى مشكلة في الذكاء الاصطناعي
تخيَّل السيناريو التالي:
أنت بصدد تطوير تطبيق لمشاهدة الأفلام، وتريد أن تقدّم للمستخدمين تجربة محسّنة ومخصّصة تساعدهم في العثور على المزيد من الأفلام التي تنال إعجابهم.
تتضمّن الصفحة المقصودة للتطبيق حاليًا الأقسام التالية:
- قائمة بالأفلام الجديدة، مرتّبة حسب تاريخ الإصدار
- كتالوج يضمّ جميع الأفلام، منظَّمة حسب النوع
- مربّع بحث يتيح للمستخدمين البحث حسب عنوان الفيلم أو الممثلين أو غير ذلك
تطبيق أفلام بدون اقتراحات مخصّصة
تريد إضافة قسم جديد يتضمّن اقتراحات أفلام للمستخدم، وتعتقد أنّ الذكاء الاصطناعي يمكن أن يكون خيارًا جيدًا لتنفيذ هذه الميزة. قبل البدء في أي عملية تنفيذ، عليك إجراء ما يلي:
- مراجعة سير العمل الحالي: كيف يتفاعل المستخدمون حاليًا مع التطبيق، وكيف يمكنك تحسين تجربتهم؟
- تحديد ما إذا كان بإمكان الذكاء الاصطناعي تقديم قيمة فريدة: هل تتوافق مشكلتك مع مشكلة يمكن حلّها بشكل جيد باستخدام الذكاء الاصطناعي، وهل من المرجّح أن يحسّن الذكاء الاصطناعي تجربة المستخدم لمنتجك؟
باستخدام فصل احتياجات المستخدم + تحديد النجاح من دليل PAIR، يمكنك مراجعة قائمة حالات الاستخدام التي من المحتمل أن يكون الذكاء الاصطناعي حلاً جيدًا لها، وتجد أنّ احتياجات المستخدمين تندرج ضمن أنواع المشاكل التالية:
- اقتراح محتوى مختلف على مستخدمين مختلفين
- تساهم التخصيصات في تحسين تجربة المستخدم
- عرض المحتوى الديناميكي أكثر فعالية من الواجهة التي يمكن توقّعها
احرص أيضًا على مراجعة قائمة الحالات التي من المحتمل ألا يكون فيها الذكاء الاصطناعي حلاً أفضل.
بعد أن تبيّن لك أنّ الحلّ المستند إلى الذكاء الاصطناعي يبدو خيارًا جيدًا لتلبية حاجة المستخدم هذه، عليك تقييم ما إذا كان سيوفّر تجربة أفضل للمستخدم.
التصميم:
قبل البدء في إنشاء منتج أو ميزة باستخدام الذكاء الاصطناعي، تأكَّد من أنّ المنتج أو الميزة التي تفكّر فيها تتطلّب الذكاء الاصطناعي أو سيتم تحسينها من خلاله.
الذكاء الاصطناعي مناسب تمامًا للتطبيقات التالية:
- اقتراح محتوى مختلف على مستخدمين مختلفين، مثل اقتراحات الأفلام
- توقُّع الأحداث المستقبلية، مثل أحداث الطقس أو التغييرات في أسعار الرحلات الجوية
- فهم اللغة الطبيعية
- التعرّف على الصور
قد يكون الحل المستند إلى قاعدة أو الاستدلال أفضل في الحالات التالية:
- الحفاظ على إمكانية التوقّع أمر مهم
- يحتاج المستخدمون أو العملاء أو المطوّرون إلى الشفافية الكاملة
- لا يريد المستخدمون تنفيذ مهمة بشكل آلي
اطّلِع على فصل "احتياجات المستخدم" لمزيد من المعلومات حول الحالات التي يجب فيها استخدام الذكاء الاصطناعي (أو عدم استخدامه).
رابط إلى النمط الكامل: https://pair.withgoogle.com/guidebook/patterns#determine-if-ai-adds-value
يمكنك إضافة قيمة إلى التطبيق من خلال إبراز الأفلام التي من المرجّح أن يستمتع بها كل مستخدم على وجه التحديد، ما يوفّر له تجربة مستخدم أفضل من مجرد عرض أحدث الأفلام أو الأفلام الأعلى تقييمًا بشكل عام. تتوقّع أيضًا أنّ هذه الميزة ستساعدهم في توفير الوقت عند استكشاف مجموعة متزايدة من الأفلام.
بعد أن قرّرت المضي قدمًا في استخدام حلّ مستنِد إلى الذكاء الاصطناعي، أصبحت مستعدًا لبدء التخطيط لخطواتك التالية.
4. إنشاء مجموعة بيانات للمَهمّة
من أجل تدريب نظام توصيات لتقديم اقتراحات أفلام للمستخدمين، عليك تجميع مجموعة بيانات سيتعلّم منها نموذج الذكاء الاصطناعي.
أول ما عليك فعله هو مطابقة احتياجات المستخدمين مع احتياجات البيانات.
باستخدام تمرين المطابقة من فصل جمع البيانات وتقييمها في دليل PAIR، يمكنك تحديد ما يلي:
- المستخدم: مشاهدو الأفلام (مستخدمو تطبيق الأفلام)
- حاجة المستخدم: العثور على المزيد من الأفلام التي تعجبه بسهولة وسرعة
- إجراء المستخدم: اختيار الأفلام ومشاهدتها من خلال التطبيق
- نتائج نظام الذكاء الاصطناعي: الأفلام التي يجب اقتراحها وسبب ذلك (تصنيفات أو علامات المشاعر)
- تعلُّم نظام الذكاء الاصطناعي: أنماط السلوك المتعلقة بقبول اقتراحات الأفلام ومشاهدة الأفلام بأكملها وكتابة مراجعات لها ومنحها تقييمات عالية
- مجموعات البيانات المطلوبة: بيانات مشاهدة الأفلام من التطبيق ومعلومات الأفلام وتقييماتها ومراجعاتها
- الميزات الرئيسية المطلوبة في مجموعة البيانات: تفضيلات المشاهدين بشأن الأفلام وسجل المشاهدة ومعلومات الأفلام (مثل النوع وفريق التمثيل) وتقييمات الأفلام بنجوم ومراجعات الأفلام
- التصنيفات الرئيسية المطلوبة في مجموعة البيانات: معدّل قبول المشاهدين لاقتراح التطبيق أو رفضه، ومعدّل إكمال المشاهدين للفيلم، وتقييمات المشاهدين ومراجعاتهم، وملاحظات المشاهدين حول سبب رفض الاقتراح
بعد إكمال هذا التمرين، يمكنك البدء في ملاحظة العديد من مصادر البيانات المحتملة:
- بيانات المستخدم من التطبيق (الإعدادات المفضّلة المحدّدة وسجلّ المشاهدة)
- معلومات عن الفيلم من التطبيق (العنوان والسنة والمدة وفريق التمثيل وما إلى ذلك)
- مراجعات الأفلام ومعلومات التقييم من مصادر أخرى، مثل IMDB وMovieLens
بعد أن تتكوّن لديك فكرة عن نوع البيانات التي ستحتاج إليها، يمكنك الاستعانة بمبادئ الذكاء الاصطناعي في Google وممارسات الذكاء الاصطناعي المسؤولة كأمثلة على الأُطر التي تساعدك في التفكير في الاعتبارات الأساسية، مثل الخصوصية (على سبيل المثال، "إتاحة فرص تقديم إشعار والحصول على موافقة") والإنصاف (على سبيل المثال، "إجراء اختبارات متكرّرة للمستخدمين من أجل تضمين مجموعة متنوّعة من احتياجات المستخدمين في دورات التطوير")
وأخيرًا، أثناء إعداد مجموعة بيانات التدريب، احرص على جمع بيانات واقعية تعكس البيانات "المشوشة" المتوفرة في العالم. على سبيل المثال، احرص على تضمين مراجعات للأفلام تتضمّن أخطاء إملائية واختصارات ورموز إيموجي وأحرفًا غير عادية أو غير متوقّعة، لأنّ مستخدمي تطبيقك سيساهمون على الأرجح بمراجعات حقيقية و"صاخبة" مشابهة في المستقبل، بدلاً من المراجعات المنسّقة بشكل مثالي.
التصميم:
أثناء تطوير مجموعة بيانات التدريب، لا تسعَ إلى الحصول على مجموعة بيانات منظَّمة بشكلٍ مثالي. بدلاً من ذلك، اسمح ببعض "التشوّش" لجعل البيانات مشابهة قدر الإمكان للبيانات الفعلية التي تتوقّع الحصول عليها من المستخدمين. يمكن أن يساعد ذلك في تجنُّب الأخطاء والاقتراحات ذات الجودة المنخفضة عند طرح النموذج في العالم الحقيقي.
لإجراء ذلك، فكِّر في أنواع البيانات التي تتوقّع الحصول عليها من المستخدمين، ثم تأكَّد من تمثيل هذه البيانات في مجموعة التدريب.
على سبيل المثال، بالنسبة إلى نظام التعرّف على الصور، يجب مراعاة البيانات التي قد تحصل عليها من المستخدمين. إذا كان من المحتمل ألا يتوفّر لديهم الوقت لالتقاط صور عالية الجودة وكان على النموذج العمل باستخدام صور غير واضحة من الهواتف الذكية، عليك تضمين صور غير واضحة في بيانات التدريب.
رابط إلى النمط الكامل: https://pair.withgoogle.com/guidebook/patterns#embrace-noisy-data
بعد ربط احتياجات المستخدمين بمشكلة الذكاء الاصطناعي واحتياجات مجموعة البيانات، تكون مستعدًا لتدريب الذكاء الاصطناعي على تقديم اقتراحات وتصنيف الأفلام لمستخدمي تطبيقك. على الرغم من أنّنا لن نتناول هذا الجزء من العملية في هذا الدرس العملي، يمكنك الاطّلاع على مزيد من المعلومات عن أنظمة الاقتراحات وتحليل المشاعر في المراجع التالية:
- دورة أنظمة الاقتراح للدراسة الذاتية على Google Developers
- برنامج تعليمي حول تصنيف النصوص لتحليل الآراء باستخدام BERT على TensorFlow.org
5- توضيح إمكانات النظام وقيوده
أثناء تصميم تجربة المستخدم لتطبيقك، عليك التخطيط لعملية إعداد المستخدمين لاستخدام الميزة الجديدة المستندة إلى الذكاء الاصطناعي، ومساعدتهم في تحديد توقعاتهم بشكل مناسب. يجب ألا يثق المستخدمون بشكل ضمني في نظام الذكاء الاصطناعي في جميع الظروف، بل يجب أن يضبطوا مستوى ثقتهم بشكل صحيح.
تحديد التوقعات لدى المستخدمين هو عملية مدروسة تبدأ حتى قبل تفاعلهم الأول مع منتجك. يجب تقديم توضيحات في كل مكان، وخارج تجربة المنتج بطرق متنوعة:
- توضيح المحتوى في الوقت الفعلي: عند الاقتضاء، قدِّم أسبابًا لاستنتاج أو اقتراح أو توصية معيّنة، وما إلى ذلك.
- تقديم توضيحات إضافية في المنتج الاستفادة من لحظات أخرى داخل المنتج، مثل عملية الإعداد، لشرح أنظمة الذكاء الاصطناعي
- تجاوز تجربة المنتج: قد لا تكون المعلومات المتوفّرة داخل المنتج كافية، ولكن يمكنك دعمها بمجموعة متنوّعة من المراجع الإضافية، مثل الحملات التسويقية لزيادة الوعي، والمواد التعليمية وحملات محو الأمية لتطوير النماذج الذهنية.
لنأخذ مثالاً: سجّل مستخدم الدخول إلى التطبيق واختار فيلمًا مقترَحًا من القائمة الجديدة التي تمت إضافتها إلى صفحته المقصودة. بالإضافة إلى المعلومات المعتادة عن الفيلم التي يمكنهم توقّع العثور عليها هناك، يمكنك تضمين شرح لسبب ظهور هذا الفيلم تحديدًا في قائمة الأفلام المقترَحة.
باستخدام ميزة البحث حسب السؤال في "دليل PAIR"، واختيار "كيف يمكنني شرح نظام الذكاء الاصطناعي الخاص بي للمستخدمين؟"، ستعثر على النمط التالي: الشرح بهدف الفهم، وليس الإلمام بكل التفاصيل.
التصميم:
عند شرح الاقتراحات التي يقدّمها نظام الذكاء الاصطناعي، ركِّز على مشاركة المعلومات التي يحتاجها المستخدمون لاتخاذ القرارات والمضي قدمًا. لا تحاول شرح كل ما يحدث في النظام.
في كثير من الأحيان، يكون السبب وراء توقّع معيّن غير معروف أو معقّد جدًا بحيث لا يمكن تلخيصه في عبارة أو جملة بسيطة. قد لا يريد المستخدمون أيضًا أن يتم إرباكهم أو تشتيت انتباههم من خلال التفسيرات الزائدة أثناء استخدام منتجك.
يقدم فصل "إمكانية التفسير والثقة" أمثلة على الأساليب المختلفة لصياغة تفسيرات موجزة وسهلة الاستخدام، بما في ذلك التفسيرات الجزئية والإفصاح التدريجي وعرض مستوى ثقة النموذج.
إذا أردت مشاركة توضيحات أطول أو أكثر تفصيلاً حول طريقة عمل النظام بشكل عام، يمكنك إجراء ذلك خارج مسار المستخدم النشط، مثلاً في المواد التسويقية أو المحتوى الخاص بإعداد المستخدمين.
رابط إلى النمط الكامل: https://pair.withgoogle.com/guidebook/patterns#explain-for-understanding
من خلال تطبيق أفضل الممارسات الموضّحة في هذا النمط، تقرّر عرض شرح على النحو التالي:
اقتراح فيلم، بما في ذلك الأساس المنطقي للاقتراح
في هذا المثال التوضيحي، يتم تطبيق إرشادات "دليل PAIR" في إمكانية التفسير + الثقة واستخدام مصادر البيانات لتقديم تفسير للمستخدم يتضمّن أهم ثلاث مراجعات حصلت على أكبر عدد من الأصوات.
بالإضافة إلى ذلك، سلّطت الضوء على الكلمات المحدّدة التي ساهمت بشكل كبير في إظهار المشاعر الإيجابية تجاه هذا الفيلم، وهي عوامل تهمّ المستخدم عند اختيار فيلم. يمكنك الاطّلاع على مزيد من المعلومات حول استكشاف مصنّف المشاعر في هذا العرض التوضيحي لأداة تفسير اللغة (LIT) من "مبادرة PAIR".
لقطة شاشة لأداة Learning Interpretability Tool (LIT)
يمكن أن تساعدك أداة LIT في فحص سلوك نموذج معالجة اللغة الطبيعية (NLP) من خلال أداة مرئية وتفاعلية وقابلة للتوسيع، ما يتيح لك اختبار الفرضيات والتحقّق من صحتها على مجموعة بيانات باستخدام مقاييس ذات صلة وتفسيرات محلية (مثل خرائط الجاذبية وتصوّرات التوقّعات). يمكن لفِرق المنتجات استخدام LIT في حالات الاستخدام التالية:
- قبل نشر نموذج
- عند اختبار الإنصاف
- تصحيح أخطاء التوقّعات الفردية
- عند مقارنة طراز جديد بطراز قديم
6. تحديد طريقة عرض مستوى الثقة
هناك طريقة أخرى لتحديد التوقعات لدى المستخدمين وهي عرض مستوى ثقة النموذج في الاقتراحات. بدلاً من توضيح سبب اتخاذ الذكاء الاصطناعي لقرار معيّن أو كيفية اتخاذه، تعرض شاشات عرض ثقة النموذج مدى ثقة الذكاء الاصطناعي في توقّعه والبدائل التي أخذها في الاعتبار. بما أنّ معظم النماذج يمكنها عرض تصنيفات n-best ونتائج الثقة، فإنّ عروض نتائج الثقة في النماذج غالبًا ما تكون تفسيرًا متاحًا بسهولة.
قبل إضافة مستوى الثقة إلى صفحات الأفلام المقترَحة التي تظهر للمستخدم، عليك تحديد ما إذا كان مستوى الثقة هذا مفيدًا للمستخدم، وإذا كان كذلك، ما هي أفضل طريقة لعرضه.
التصميم:
في بعض الحالات، يمكنك مساعدة المستخدمين على قياس مدى الثقة في نتائج الذكاء الاصطناعي من خلال عرض مدى ثقة النموذج الذي يوضّح مدى ثقة الذكاء الاصطناعي في توقّعاته والبدائل التي تم أخذها في الاعتبار.
في المقابل، قد يصعب على المستخدمين فهم عروض الثقة في سياقات أخرى.
إذا قرّرت استخدامها، اختبِر أنواعًا مختلفة من العروض في مرحلة مبكرة من عملية تطوير المنتج لمعرفة ما يناسب المستخدمين بشكل أفضل.
رابط إلى النمط الكامل: https://pair.withgoogle.com/guidebook/patterns#how-to-show-model-confidence
عند مراجعة الأساليب المقترَحة لعرض الثقة في فصل إمكانية التفسير + الثقة من دليل PAIR، ستجد الخيارات التالية:
- التصنيفات الأكثر احتمالاً
- مستوى الثقة الرقمي
بما أنّك ستعرض قائمة بالأفلام المقترَحة للمستخدم على الصفحة المقصودة في التطبيق، يمكنك اختيار قائمة منظَّمة، حيث يتم عرض الأفلام الأكثر احتمالاً بالترتيب.
لوحة عرض دوّارة للأفلام المقترَحة، مع عرض الاقتراحات الأكثر ملاءمة أولاً
7. توفير طريقة للمستخدم لتجاوز الأخطاء
في الخطوتَين الأخيرتَين، تعرّفت على بعض أفضل الممارسات لتحديد التوقعات وتقديم التفسيرات للمستخدمين، وذلك أثناء مساعدتهم في بناء ثقتهم في المنتج ومعايرتها.
هناك سؤال مهم آخر عليك الإجابة عنه وهو: كيف تبدو تجربة المستخدم عند حدوث خطأ؟ وتتساوى أهمية طريقة تقدّم المستخدمين في التدفق. إنّ التركيز على ما يمكن للمستخدمين فعله بعد تعذُّر عمل النظام يمنحهم القدرة على مواصلة الاستفادة من منتجك.
كما هو موضّح في فصل الأخطاء + التعطُّل السلس من دليل PAIR، عليك البدء بتحديد ماهية الخطأ في منتجك ونوعه (خطأ في المستخدم أو النظام أو السياق).
إليك الأمثلة التالية:
- يتلقّى المستخدم اقتراحًا بمشاهدة فيلم سبق أن شاهده في السينما. على الرغم من أنّ هذا الاقتراح قد لا يكون غير صحيح، إلا أنّه ليس مفيدًا للمستخدم.
- يتلقّى المستخدم اقتراحًا بمشاهدة فيلم سبق أن شاهده في السينما ولم يعجبه. قد يرى المستخدم أنّ هذه التوصية غير صحيحة، وذلك استنادًا إلى إعداداته المفضّلة في الأفلام.
- يتلقّى المستخدم اقتراحًا بفيلم من نوع لا يفضّله عادةً. وقد يرى المستخدم أنّ هذا خطأ.
- يتلقّى المستخدم اقتراحًا بفيلم لم يعُد متاحًا على التطبيق، وهذا خطأ واضح في النظام.
في المثالَين الثاني والثالث المذكورَين أعلاه، قدّم الذكاء الاصطناعي اقتراحًا غير مفيد لهذا المستخدم. في حال حدوث مثل هذه الأخطاء، عليك أن تتيح للمستخدم فرصة تقديم ملاحظات حول التوقّع، وأن توضّح له الوقت الذي سيظهر فيه التأثير، كما هو مقترَح في فصل الملاحظات والتحكّم من دليل PAIR.
التصميم:
عندما يتصرف نظامك المستند إلى الذكاء الاصطناعي بطريقة لا يتوقعها المستخدم أو لا يريدها، احرص على توفير خيار له لمشاركة ملاحظاته. واستخدِم هذه الملاحظات قدر الإمكان لتحسين النموذج.
يمكن أن تتخذ الملاحظات والآراء في أنظمة الذكاء الاصطناعي أشكالاً مختلفة، بما في ذلك:
- الإشارة إلى أنّ الاقتراح يعجبك أو لا يعجبك
- إخفاء الاقتراحات غير المرغوب فيها
- الإبلاغ عن الاقتراحات التي تتضمّن مشاكل
- طرق تقديم الملاحظات التقليدية، حيث يبلغ المستخدم يدويًا عن مشكلة من خلال نموذج أو آلية أخرى
بعد أن يقدّم المستخدم ملاحظات، عليك إعلامه بأنّك تلقّيتها. إذا أمكن، أخبِرهم كيف سيردّ النظام على الملاحظات.
رابط إلى النمط الكامل: https://pair.withgoogle.com/guidebook/patterns#let-users-give-feedback
في حالة تطبيقك، قد يبدو ذلك على النحو التالي:
يمكن للمستخدمين تقديم ملاحظات حول الاقتراحات...
...ويتم إعلامهم بالإجراءات اللاحقة
8. تهانينا
تهانينا! لقد اطّلعت للتو على مثال لسير عمل يوضّح لك كيفية استخدام بعض الموارد الجديدة في دليل PAIR.
ملخّص
في هذا الدرس العملي، تعرّفت على كيفية:
- ترجمة احتياجات المستخدم إلى مشكلة في الذكاء الاصطناعي
- إنشاء مجموعة بيانات للمَهمّة
- تعريف المستخدمين بالميزة الجديدة
- توضيح النظام وتحديد توقعات المستخدم
- توفير طريقة للمستخدم لتجاوز الأخطاء
- جمع الملاحظات لتحسين المنتج
ما هي الخطوات التالية؟
يمكنك العثور على جميع المراجع المميّزة في هذا الدرس التطبيقي حول الترميز، وغيرها الكثير، من خلال الروابط التالية: