১. শুরু করার আগে
এই কোডল্যাবে, আপনি পিপল + এআই রিসার্চ (PAIR) গাইডবুকের নতুন সংস্করণ থেকে সেরা অনুশীলনগুলো প্রয়োগ করে এআই-এর সাহায্যে একটি নতুন পণ্য ডিজাইন করবেন, যেখানে মানব-কেন্দ্রিক ডেটা অনুশীলন এবং যথাযথভাবে পরিমাপ করা ব্যবহারকারীর আস্থার উপর জোর দেওয়া হবে।
পূর্বশর্ত
- এআই কী, সে সম্পর্কে প্রাথমিক ধারণা।
- পণ্য উন্নয়ন কর্মপ্রবাহ সম্পর্কে জ্ঞান।
আপনি যা শিখবেন
এই কোডল্যাবে আপনি শিখবেন, কীভাবে গুগল রিসার্চের ' পিপল + এআই গাইডবুক' ব্যবহার করে বিশ্বাসযোগ্য ও ব্যবহারকারী-কেন্দ্রিক এআই পণ্য তৈরি করা যায়।
বিশেষভাবে, আপনি যা করবেন:
- PAIR গাইডবুকের দ্বিতীয় সংস্করণে নতুন কী আছে তা জানুন।
- এমন কিছু অনুশীলন করুন যা এআই উন্নয়ন প্রক্রিয়ায় ব্যবহারকারীর আস্থা পরিমাপের সুযোগগুলোকে তুলে ধরে, যেখানে ডেটা এবং ব্যবহারকারীর কাছে ব্যাখ্যাযোগ্যতার উপর বিশেষ মনোযোগ দেওয়া হয়েছে।
- আরও অনুসন্ধানের জন্য উপলব্ধ উপকরণ ও সম্পদের এক বিস্তৃত সম্ভারের সাথে পরিচিত হন।
আপনার যা যা লাগবে
- ব্রাউজার
- কোলাবোরেটরি নোটবুক (যেমন, বার্ট (BERT) দিয়ে সেন্টিমেন্ট অ্যানালাইসিস ) দেখার জন্য গুগল অ্যাকাউন্ট।
২. শুরু করুন
এই বছর Google I/O-তে আমরা PAIR গাইডবুকের দ্বিতীয় সংস্করণটি প্রকাশ করছি! এর প্রথম সংস্করণটি দুই বছর আগে প্রকাশিত হয়েছিল এবং তখন থেকে বিশ্বজুড়ে বিভিন্ন পেশার (ডেভেলপার, ডিজাইনার, প্রোডাক্ট ম্যানেজার, শিক্ষার্থী ইত্যাদি) আড়াই লক্ষেরও বেশি মানুষ এটি ব্যবহার করেছেন। এটিকে আরও বেশি কার্যকরী করে তোলার জন্য আমরা এখন কিছু নতুন সংযোজন নিয়ে আসতে পেরে আনন্দিত।
বিশেষ করে, এই দ্বিতীয় সংস্করণে, আমরা গাইডবুকটি নেভিগেট করার এবং কাজ অনুযায়ী বিষয়বস্তু খুঁজে বের করার একটি নতুন উপায় দিচ্ছি। আমরা কিছু গুরুত্বপূর্ণ প্রশ্নের একটি তালিকা তৈরি করেছি, যা ব্যবহারকারী-কেন্দ্রিক এআই পদ্ধতি ব্যবহার করে কোনো পণ্য তৈরি করার সময় আপনার এবং আপনার দলের মনে আসতে পারে। এই প্রশ্নগুলো আপনাকে সঠিক সময়ে সঠিক বিষয়বস্তু খুঁজে পেতে সাহায্য করবে।
- আমার পণ্যে কখন এবং কীভাবে এআই ব্যবহার করা উচিত?
- আমি কীভাবে দায়িত্বশীলভাবে আমার ডেটাসেট তৈরি করব?
- আমি কীভাবে ব্যবহারকারীদের আমার এআই সিস্টেমের প্রতি আস্থা তৈরি ও পরিমাপ করতে সাহায্য করতে পারি?
- আমি কীভাবে ব্যবহারকারীদের নতুন এআই ফিচারগুলোতে যুক্ত করব?
- আমি ব্যবহারকারীদের কাছে আমার এআই সিস্টেমটি কীভাবে ব্যাখ্যা করব?
- ব্যবহারকারীর নিয়ন্ত্রণ এবং স্বয়ংক্রিয়তার মধ্যে সঠিক ভারসাম্য কী?
- কোনো সমস্যা হলে আমি ব্যবহারকারীদের কীভাবে সহায়তা করব?
একবার প্রশ্ন নির্বাচন করলে, আপনি প্রাসঙ্গিক বিষয়বস্তু ছোট ছোট ও অধিক কার্যকর অংশে পাবেন।
আমরা PAIR গাইডবুকটিও নতুন বিষয়বস্তু দিয়ে হালনাগাদ করেছি:
- এআই ডিজাইন প্যাটার্নের একটি সেট
- কেস স্টাডি
- আপডেট করা অধ্যায়
- নতুন ব্যায়াম এবং একটি কর্মশালা কিট
এই কোডল্যাবে, আপনি এআই ব্যবহার করে একটি নতুন ফিচার তৈরি করার সময় একটি ওয়ার্কফ্লোতে এই ডিজাইন প্যাটার্নগুলোর কয়েকটির প্রয়োগ দেখতে পাবেন।
চলুন শুরু করা যাক!
৩. ব্যবহারকারীর চাহিদাকে এআই সমস্যায় রূপান্তর করুন
নিম্নলিখিত পরিস্থিতিটি কল্পনা করুন:
আপনি একটি সিনেমা দেখার অ্যাপ তৈরি করছেন এবং ব্যবহারকারীদের একটি উন্নত ও নিজস্ব অভিজ্ঞতা দিতে চান, যা তাদের পছন্দের আরও সিনেমা খুঁজে পেতে সাহায্য করবে।
অ্যাপটির ল্যান্ডিং পেজে বর্তমানে নিম্নলিখিত বিভাগগুলো রয়েছে:
- মুক্তির তারিখ অনুসারে সাজানো নতুন চলচ্চিত্রের একটি তালিকা।
- ধরণ অনুযায়ী সাজানো সমস্ত চলচ্চিত্রের একটি তালিকা
- একটি সার্চ বক্স, যেখানে ব্যবহারকারীরা সিনেমার শিরোনাম, অভিনেতা-অভিনেত্রী ইত্যাদি দিয়ে অনুসন্ধান করতে পারবেন।
ব্যক্তিগত সুপারিশ ছাড়া মুভি অ্যাপ
আপনি ব্যবহারকারীর জন্য সিনেমার সুপারিশসহ একটি নতুন বিভাগ যোগ করতে চান এবং আপনার মনে হয় যে এই ফিচারটি বাস্তবায়নের জন্য এআই (AI) একটি ভালো বিকল্প হতে পারে। যেকোনো বাস্তবায়নে হাত দেওয়ার আগে, আপনাকে নিম্নলিখিত কাজগুলো করতে হবে:
- বিদ্যমান কার্যপ্রবাহ পর্যালোচনা করুন : ব্যবহারকারীরা বর্তমানে কীভাবে অ্যাপটি ব্যবহার করেন এবং আপনার মতে তাদের অভিজ্ঞতা কীভাবে আরও উন্নত করা যেতে পারে?
- এআই অনন্য মূল্য যোগ করতে পারে কিনা তা নির্ধারণ করুন : আপনার সমস্যাটি কি এমন কোনো সমস্যার সাথে মিলে যায় যা এআই দিয়ে ভালোভাবে সমাধান করা যেতে পারে, এবং এআই কি আপনার পণ্যের ব্যবহারকারীর অভিজ্ঞতা উন্নত করার সম্ভাবনা রাখে?
PAIR গাইডবুকের ‘ ব্যবহারকারীর চাহিদা + সাফল্যের সংজ্ঞা’ অধ্যায়টি ব্যবহার করে, আপনি সেইসব ব্যবহারের ক্ষেত্রগুলির তালিকা পর্যালোচনা করেন যেখানে AI সম্ভবত একটি ভালো সমাধান, এবং দেখতে পান যে আপনার ব্যবহারকারীদের চাহিদা নিম্নলিখিত ধরণের সমস্যাগুলির অন্তর্ভুক্ত:
- বিভিন্ন ব্যবহারকারীকে বিভিন্ন বিষয়বস্তু সুপারিশ করা
- ব্যক্তিগতকরণ ব্যবহারকারীর অভিজ্ঞতা উন্নত করে।
- একটি অনুমানযোগ্য ইন্টারফেসের চেয়ে ডাইনামিক কন্টেন্ট দেখানো বেশি কার্যকর।
সেইসব ক্ষেত্রের তালিকাটিও পর্যালোচনা করতে ভুলবেন না যেখানে এআই সম্ভবত আরও ভালো সমাধান নয়।
এখন যেহেতু আপনি দেখতে পাচ্ছেন যে ব্যবহারকারীর এই চাহিদাটি মেটানোর জন্য একটি এআই-চালিত সমাধান একটি ভালো বিকল্প হতে পারে, তাই আপনি মূল্যায়ন করতে চাইবেন যে এটি আসলেই আরও ভালো ব্যবহারকারীর অভিজ্ঞতা প্রদান করবে কিনা।
নকশা:
এআই ব্যবহার করে কোনো কিছু তৈরি করা শুরু করার আগে, নিশ্চিত হয়ে নিন যে আপনার পরিকল্পিত পণ্য বা ফিচারটির জন্য এআই প্রয়োজন, অথবা এটি দ্বারা সেটিকে আরও উন্নত করা যাবে।
এআই নিম্নলিখিত অ্যাপ্লিকেশনগুলির জন্য বিশেষভাবে উপযুক্ত:
- বিভিন্ন ব্যবহারকারীকে বিভিন্ন কন্টেন্টের সুপারিশ করা, যেমন সিনেমার পরামর্শ।
- ভবিষ্যৎ ঘটনা, যেমন আবহাওয়ার পূর্বাভাস বা ফ্লাইটের ভাড়ার পরিবর্তন সম্পর্কে ভবিষ্যদ্বাণী করা।
- স্বাভাবিক ভাষা বোঝা
- চিত্র শনাক্তকরণ
একটি নিয়ম বা হিউরিস্টিক-ভিত্তিক সমাধান তখন আরও ভালো হতে পারে যখন:
- পূর্বাভাসযোগ্যতা বজায় রাখা গুরুত্বপূর্ণ
- ব্যবহারকারী, গ্রাহক বা ডেভেলপারদের সম্পূর্ণ স্বচ্ছতা প্রয়োজন।
- মানুষ কোনো কাজ স্বয়ংক্রিয় করতে চায় না।
কখন এআই ব্যবহার করতে হবে (বা হবে না) সে সম্পর্কে আরও জানতে ব্যবহারকারীর চাহিদা অধ্যায়টি দেখুন ।
সম্পূর্ণ প্যাটার্নের লিঙ্ক: https://pair.withgoogle.com/guidebook/patterns#determine-if-ai-adds-value
আপনি প্রতিটি ব্যবহারকারীর জন্য বিশেষভাবে সেই সিনেমাগুলো তুলে ধরে অ্যাপটির মান বাড়াতে পারেন, যেগুলো তাদের ভালো লাগার সম্ভাবনা বেশি। এর ফলে, শুধুমাত্র সাম্প্রতিক বা সামগ্রিকভাবে সর্বোচ্চ রেটিং পাওয়া সিনেমাগুলো দেখানোর চেয়ে তারা আরও সমৃদ্ধ একটি ব্যবহারকারীর অভিজ্ঞতা লাভ করবে। আপনার এও ধারণা যে, এই ফিচারের মাধ্যমে আপনি সিনেমার দ্রুত বর্ধনশীল ক্যাটালগ অন্বেষণ করার ক্ষেত্রে তাদের কিছুটা সময়ও বাঁচাতে পারবেন।
এখন যেহেতু আপনি একটি এআই-চালিত সমাধান নিয়ে এগিয়ে যাওয়ার সিদ্ধান্ত নিয়েছেন, আপনি আপনার পরবর্তী পদক্ষেপগুলোর পরিকল্পনা শুরু করার জন্য প্রস্তুত।
৪. কাজটি করার জন্য একটি ডেটাসেট তৈরি করুন।
ব্যবহারকারীদের সিনেমার পরামর্শ দেওয়ার জন্য একটি সুপারিশ সিস্টেমকে প্রশিক্ষণ দিতে, আপনাকে এমন একটি ডেটাসেট তৈরি করতে হবে যা থেকে আপনার এআই মডেলটি শিখবে।
সর্বপ্রথম আপনাকে ব্যবহারকারীর চাহিদার সাথে ডেটার চাহিদার সমন্বয় করতে হবে।
PAIR গাইডবুকের ' তথ্য সংগ্রহ + মূল্যায়ন' অধ্যায়ের মিলকরণ অনুশীলনটি ব্যবহার করে, আপনি নিম্নলিখিত বিষয়গুলো নির্ধারণ করবেন:
- ব্যবহারকারী : চলচ্চিত্র দর্শক (চলচ্চিত্র অ্যাপ ব্যবহারকারী)
- ব্যবহারকারীর প্রয়োজন : নিজেদের পছন্দের আরও সিনেমা আরও সহজে ও দ্রুত খুঁজে পাওয়া।
- ব্যবহারকারীর কাজ : অ্যাপের মাধ্যমে সিনেমা নির্বাচন করে দেখা।
- এআই সিস্টেমের আউটপুট : কোন সিনেমাগুলো সাজেস্ট করতে হবে এবং কেন (সেন্টমেন্ট লেবেল বা ট্যাগ)
- এআই সিস্টেমের শিখন : সিনেমার সুপারিশ গ্রহণ করা, পুরো সিনেমা দেখা, সিনেমার রিভিউ লেখা এবং সেই সিনেমাগুলোকে উচ্চ রেটিং দেওয়ার মতো আচরণের ধরণ।
- প্রয়োজনীয় ডেটাসেট : অ্যাপ থেকে সিনেমা দেখার ডেটা, সিনেমার তথ্য, এবং সিনেমার রেটিং ও রিভিউ।
- ডেটা সেটে প্রয়োজনীয় মূল বৈশিষ্ট্যগুলো হলো : দর্শকের চলচ্চিত্রের পছন্দ ও দেখার ইতিহাস, চলচ্চিত্রের তথ্য (যেমন, ধরণ, অভিনেতা-অভিনেত্রী), চলচ্চিত্রের তারকা রেটিং, চলচ্চিত্রের পর্যালোচনা।
- ডেটা সেটে প্রয়োজনীয় মূল লেবেলগুলো হলো : অ্যাপের পরামর্শ দর্শকের গ্রহণ বা বর্জনের হার, দর্শকের সিনেমা সম্পূর্ণ দেখার হার, দর্শকের রেটিং ও রিভিউ, এবং কোনো পরামর্শ বর্জনের কারণ হিসেবে দর্শকের মতামত।
এখন যেহেতু আপনি এই অনুশীলনটি সম্পন্ন করেছেন, আপনি বেশ কয়েকটি সম্ভাব্য ডেটা উৎস আবির্ভূত হতে দেখতে শুরু করতে পারেন:
- অ্যাপ থেকে ব্যবহারকারীর ডেটা (নির্দিষ্ট পছন্দ এবং দেখার ইতিহাস)
- অ্যাপ থেকে সিনেমার তথ্য (শিরোনাম, বছর, সময়কাল, অভিনেতা-অভিনেত্রী, ইত্যাদি)।
- IMDB এবং MovieLens-এর মতো অন্যান্য উৎস থেকে প্রাপ্ত চলচ্চিত্রের পর্যালোচনা এবং রেটিং-এর তথ্য।
আপনার কী ধরনের ডেটা প্রয়োজন হবে সে সম্পর্কে ধারণা হয়ে গেলে, কিছু মূল বিষয়, যেমন—গোপনীয়তা (উদাহরণস্বরূপ, "বিজ্ঞপ্তি এবং সম্মতির সুযোগ দিন") এবং ন্যায্যতা (উদাহরণস্বরূপ, "উন্নয়ন চক্রে বিভিন্ন ধরনের ব্যবহারকারীর চাহিদা অন্তর্ভুক্ত করার জন্য পুনরাবৃত্তিমূলক ব্যবহারকারী পরীক্ষা পরিচালনা করুন") নিয়ে কাজ করার জন্য সহায়ক কাঠামো হিসেবে গুগলের এআই নীতিমালা এবং দায়িত্বশীল এআই অনুশীলনসমূহকে উদাহরণ হিসেবে বিবেচনা করুন।
এবং পরিশেষে, আপনার ট্রেনিং ডেটাসেট প্রস্তুত করার সময়, এমন ডেটা সংগ্রহ করুন যা বাস্তবসম্মত এবং বাস্তব জগতের "অসঙ্গতিপূর্ণ" ডেটার প্রতিফলন ঘটায়। উদাহরণস্বরূপ, বানান ভুল, সংক্ষিপ্ত রূপ, ইমোজি এবং অস্বাভাবিক বা অপ্রত্যাশিত অক্ষরযুক্ত মুভি রিভিউ অন্তর্ভুক্ত করতে ভুলবেন না, কারণ আপনার অ্যাপের ব্যবহারকারীরা ভবিষ্যতে নিখুঁতভাবে ফরম্যাট করা রিভিউয়ের পরিবর্তে সম্ভবত একইভাবে বাস্তব এবং "অসঙ্গতিপূর্ণ" রিভিউই দেবেন!
নকশা:
আপনার প্রশিক্ষণ ডেটাসেট তৈরি করার সময়, নিখুঁতভাবে সাজানো ডেটাসেট তৈরির চেষ্টা করবেন না। এর পরিবর্তে, ডেটাতে কিছু "নয়েজ" বা অস্পষ্টতা রাখুন, যাতে এটি আপনার ব্যবহারকারীদের কাছ থেকে পাওয়া বাস্তব ডেটার যতটা সম্ভব কাছাকাছি হয়। এটি আপনার মডেলটি বাস্তব জগতে প্রকাশ করার পর ভুলত্রুটি এবং নিম্নমানের সুপারিশ এড়াতে সাহায্য করতে পারে।
এটি করার জন্য, আপনার ব্যবহারকারীদের কাছ থেকে আপনি কী ধরনের ডেটা পাওয়ার আশা করেন, সে সম্পর্কে ভাবুন এবং তারপর নিশ্চিত করুন যে সেই ডেটা আপনার ট্রেনিং সেটে অন্তর্ভুক্ত আছে।
উদাহরণস্বরূপ, একটি চিত্র শনাক্তকরণ সিস্টেমের জন্য, আপনার ব্যবহারকারীদের কাছ থেকে আপনি যে ডেটা পেতে পারেন তা বিবেচনা করুন। যদি এমন সম্ভাবনা থাকে যে তাদের উচ্চ-মানের ছবি তোলার সময় থাকবে না এবং আপনার মডেলকে ঝাপসা স্মার্টফোন ছবি নিয়ে কাজ করতে হবে, তাহলে আপনার প্রশিক্ষণ ডেটাতে ঝাপসা ছবি অন্তর্ভুক্ত করুন।
সম্পূর্ণ প্যাটার্নের লিঙ্ক: https://pair.withgoogle.com/guidebook/patterns#embrace-noisy-data
ব্যবহারকারীর চাহিদাগুলোকে একটি এআই সমস্যা এবং ডেটাসেটের প্রয়োজনের সাথে সংযুক্ত করার পর, আপনি আপনার অ্যাপের ব্যবহারকারীদের জন্য সুপারিশ প্রদান করতে এবং সিনেমা লেবেল করতে এআই-কে প্রশিক্ষণ দেওয়ার জন্য প্রস্তুত। যদিও আমরা এই কোডল্যাবে প্রক্রিয়ার এই অংশটি আলোচনা করব না, আপনি নিম্নলিখিত রিসোর্সগুলো থেকে সুপারিশ সিস্টেম এবং সেন্টিমেন্ট অ্যানালাইসিস সম্পর্কে আরও জানতে পারেন:
- গুগল ডেভেলপারস-এ সুপারিশ ব্যবস্থা স্ব-অধ্যয়ন কোর্স
- TensorFlow.org-এ BERT ব্যবহার করে সেন্টিমেন্ট অ্যানালাইসিসের জন্য টেক্সট ক্লাসিফিকেশন টিউটোরিয়াল।
৫. সিস্টেমের সক্ষমতা ও সীমাবদ্ধতা সম্পর্কে অবহিত করুন।
আপনার অ্যাপের ইউজার এক্সপেরিয়েন্স ডিজাইন করার সময়, আপনাকে নতুন এআই-চালিত ফিচারটির সাথে ব্যবহারকারীদের পরিচিত করানোর এবং তাদের প্রত্যাশা যথাযথভাবে নির্ধারণে সাহায্য করার পরিকল্পনা করতে হবে। ব্যবহারকারীদের সব পরিস্থিতিতে আপনার এআই সিস্টেমকে অন্ধভাবে বিশ্বাস করা উচিত নয়, বরং তাদের বিশ্বাসকে সঠিকভাবে পরিমাপ করা উচিত।
ব্যবহারকারীদের প্রত্যাশা নির্ধারণ করা একটি সুচিন্তিত প্রক্রিয়া, যা আপনার পণ্যের সাথে তাদের প্রথম যোগাযোগের আগে থেকেই শুরু হবে। আপনাকে পুরো প্রক্রিয়া জুড়ে এবং পণ্য ব্যবহারের অভিজ্ঞতার বাইরেও বিভিন্ন উপায়ে ব্যাখ্যা প্রদান করতে হবে:
- তাৎক্ষণিকভাবে ব্যাখ্যা করুন। প্রয়োজন অনুযায়ী, কোনো সিদ্ধান্ত, সুপারিশ, পরামর্শ ইত্যাদির সপক্ষে কারণ দর্শান।
- পণ্যের মধ্যেই অতিরিক্ত ব্যাখ্যা দিন । এআই সিস্টেমগুলো ব্যাখ্যা করার জন্য অনবোর্ডিং-এর মতো পণ্যের অন্যান্য মুহূর্তগুলোকে কাজে লাগান।
- পণ্যের অভিজ্ঞতার বাইরেও যান । পণ্যের ভেতরের তথ্য হয়তো যথেষ্ট নাও হতে পারে, কিন্তু আপনি বিভিন্ন অতিরিক্ত উপকরণের মাধ্যমে একে সমর্থন করতে পারেন; যেমন—সচেতনতা বৃদ্ধির জন্য বিপণন অভিযান, এবং মানসিক মডেল তৈরির জন্য শিক্ষামূলক উপকরণ ও সাক্ষরতা অভিযান।
চলুন একটি উদাহরণ নেওয়া যাক: একজন ব্যবহারকারী অ্যাপে লগ ইন করেছেন এবং তার ল্যান্ডিং পেজে যোগ করা নতুন তালিকা থেকে একটি প্রস্তাবিত সিনেমা বেছে নিয়েছেন। সিনেমাটি সম্পর্কে সেখানে থাকা সাধারণ তথ্যের পাশাপাশি, আপনি হয়তো একটি ব্যাখ্যাও যোগ করতে চাইতে পারেন যে কেন তারা তাদের প্রস্তাবিত তালিকায় এই নির্দিষ্ট সিনেমাটি দেখছেন।
PAIR গাইডবুকের প্রশ্নভিত্তিক অনুসন্ধান অপশন ব্যবহার করে এবং "আমি ব্যবহারকারীদের কাছে আমার এআই সিস্টেম কীভাবে ব্যাখ্যা করব?" নির্বাচন করলে, আপনি নিম্নলিখিত প্যাটার্নটি দেখতে পাবেন: সম্পূর্ণতার জন্য নয়, বরং বোঝার জন্য ব্যাখ্যা করুন।
নকশা:
আপনার এআই সিস্টেমের সুপারিশগুলো ব্যাখ্যা করার সময়, ব্যবহারকারীদের সিদ্ধান্ত নিতে এবং সামনে এগিয়ে যেতে প্রয়োজনীয় তথ্য দেওয়ার উপর মনোযোগ দিন। সিস্টেমে যা কিছু ঘটছে, তার সবকিছু ব্যাখ্যা করার চেষ্টা করবেন না।
প্রায়শই, কোনো নির্দিষ্ট পূর্বাভাসের পেছনের যুক্তি অজানা থাকে অথবা এতটাই জটিল হয় যে তা একটি সাধারণ শব্দগুচ্ছ বা বাক্যে সংক্ষিপ্ত করা যায় না। ব্যবহারকারীরাও আপনার পণ্য ব্যবহার করার সময় অপ্রয়োজনীয় ব্যাখ্যায় অভিভূত বা বিভ্রান্ত হতে চান না।
‘ ব্যাখ্যাযোগ্যতা + বিশ্বাসযোগ্যতা’ অধ্যায়টিতে সংক্ষিপ্ত ও ব্যবহারবান্ধব ব্যাখ্যা তৈরির বিভিন্ন পদ্ধতির উদাহরণ দেওয়া হয়েছে, যার মধ্যে রয়েছে আংশিক ব্যাখ্যা, পর্যায়ক্রমিক প্রকাশ এবং মডেলের নির্ভরযোগ্যতা প্রদর্শন।
আপনি যদি পুরো সিস্টেমটি কীভাবে কাজ করে তার দীর্ঘতর বা আরও বিশদ ব্যাখ্যা দিতে চান, তবে তা সক্রিয় ব্যবহারকারী প্রবাহের বাইরে করুন, যেমন—মার্কেটিং সামগ্রী বা অনবোর্ডিং কন্টেন্টে।
সম্পূর্ণ প্যাটার্নের লিঙ্ক: https://pair.withgoogle.com/guidebook/patterns#explain-for-understanding
এই প্যাটার্নে বর্ণিত সর্বোত্তম অনুশীলনগুলো প্রয়োগ করে, আপনি এইরকম দেখতে একটি ব্যাখ্যা প্রদর্শন করার সিদ্ধান্ত নিয়েছেন:
চলচ্চিত্রের সুপারিশ, সুপারিশের কারণসহ
এই উদাহরণ ব্যাখ্যায়, আপনি PAIR গাইডবুকের ‘ব্যাখ্যাযোগ্যতা + বিশ্বাসযোগ্যতা’ বিষয়ক নির্দেশনা প্রয়োগ করছেন এবং সর্বাধিক ভোটপ্রাপ্ত তিনটি ব্যবহারকারী পর্যালোচনার মাধ্যমে ব্যবহারকারীকে একটি ব্যাখ্যা দেওয়ার জন্য ডেটা উৎস ব্যবহার করছেন।
এছাড়াও, আপনি সেই নির্দিষ্ট শব্দগুলো চিহ্নিত করেছেন যেগুলো এই সিনেমাটির প্রতি ইতিবাচক অনুভূতি তৈরিতে সবচেয়ে বেশি অবদান রেখেছে, যা ব্যবহারকারীর সিনেমা নির্বাচনের ক্ষেত্রে গুরুত্বপূর্ণ বিষয়। আপনি PAIR-এর ল্যাঙ্গুয়েজ ইন্টারপ্রিটেবিলিটি টুল (LIT)- এর এই ডেমোতে একটি সেন্টিমেন্ট ক্লাসিফায়ার অন্বেষণ করার বিষয়ে আরও জানতে পারবেন।
লার্নিং ইন্টারপ্রেটেবিলিটি টুল (LIT)-এর স্ক্রিনশট
LIT একটি ভিজ্যুয়াল, ইন্টারেক্টিভ এবং সম্প্রসারণযোগ্য টুলের মাধ্যমে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP) মডেলের আচরণ পরীক্ষা করতে সাহায্য করে, যা আপনাকে প্রাসঙ্গিক মেট্রিক্স এবং স্থানীয় ব্যাখ্যা (যেমন, স্যালিয়েন্স ম্যাপ এবং প্রেডিকশন ভিজ্যুয়ালাইজেশন) সহ একটি ডেটাসেটের উপর হাইপোথিসিস পরীক্ষা ও যাচাই করার সুযোগ দেয়। প্রোডাক্ট টিমগুলো নিম্নলিখিত উদাহরণমূলক ব্যবহারের ক্ষেত্রে LIT ব্যবহার করতে পারে:
- একটি মডেল স্থাপন করার আগে
- ন্যায্যতা যাচাই করার সময়
- স্বতন্ত্র পূর্বাভাস ডিবাগ করতে
- একটি নতুন মডেলের সাথে পুরানো মডেলের তুলনা করার সময়
৬. আত্মবিশ্বাস প্রদর্শনের উপায় নির্ধারণ করুন
ব্যবহারকারীদের প্রত্যাশা নির্ধারণের আরেকটি উপায় হতে পারে সুপারিশের ক্ষেত্রে মডেলের আত্মবিশ্বাস প্রদর্শন করা। এআই কেন বা কীভাবে একটি নির্দিষ্ট সিদ্ধান্তে এসেছে তা বলার পরিবর্তে, মডেলের আত্মবিশ্বাস প্রদর্শনে দেখানো হয় যে এআই তার ভবিষ্যদ্বাণীর ব্যাপারে কতটা নিশ্চিত এবং এটি কোন বিকল্পগুলো বিবেচনা করেছে। যেহেতু বেশিরভাগ মডেলই এন-বেস্ট ক্লাসিফিকেশন এবং কনফিডেন্স স্কোর আউটপুট করতে পারে, তাই মডেলের আত্মবিশ্বাস প্রদর্শন প্রায়শই একটি সহজলভ্য ব্যাখ্যা হিসেবে কাজ করে।
ব্যবহারকারীকে দেখানো প্রস্তাবিত সিনেমার পেজগুলোতে কোনো নিশ্চয়তা যোগ করার আগে, আপনাকে নির্ধারণ করতে হবে যে এই নিশ্চয়তাটি ব্যবহারকারীর জন্য সহায়ক কি না, এবং যদি হয়, তবে তা প্রদর্শনের সর্বোত্তম উপায় কী হতে পারে।
নকশা:
কিছু পরিস্থিতিতে, আপনি মডেল কনফিডেন্স ডিসপ্লে-এর মাধ্যমে ব্যবহারকারীদের এআই আউটপুটের উপর কতটা আস্থা রাখা যায় তা বুঝতে সাহায্য করতে পারেন। এই ডিসপ্লে-টি ব্যাখ্যা করে যে, এআই তার ভবিষ্যদ্বাণীর ব্যাপারে কতটা নিশ্চিত এবং কোন বিকল্পগুলো বিবেচনা করা হয়েছে।
তবে, অন্যান্য প্রেক্ষাপটে, আত্মবিশ্বাস প্রদর্শন ব্যবহারকারীদের জন্য বোঝা কঠিন হতে পারে।
আপনি যদি এগুলো ব্যবহার করার সিদ্ধান্ত নেন, তবে পণ্য উন্নয়ন প্রক্রিয়ার শুরুতেই বিভিন্ন ধরনের ডিসপ্লে পরীক্ষা করে দেখুন, যাতে আপনার ব্যবহারকারীদের জন্য কোনটি সবচেয়ে ভালো কাজ করে তা খুঁজে বের করা যায়।
সম্পূর্ণ প্যাটার্নের লিঙ্ক: https://pair.withgoogle.com/guidebook/patterns#how-to-show-model-confidence
PAIR গাইডবুকের ' ব্যাখ্যাযোগ্যতা + বিশ্বাস' অধ্যায়ে আত্মবিশ্বাস প্রদর্শনের জন্য প্রস্তাবিত পদ্ধতিগুলো পর্যালোচনা করলে, আপনি নিম্নলিখিত বিকল্পগুলো খুঁজে পাবেন:
- N-সর্বাধিক সম্ভাব্য শ্রেণিবিন্যাস
- সংখ্যাসূচক আত্মবিশ্বাসের স্তর
যেহেতু আপনি অ্যাপের ল্যান্ডিং পেজে ব্যবহারকারীকে প্রস্তাবিত সিনেমার একটি তালিকা দেখাচ্ছেন, তাই আপনি একটি ক্রমিক তালিকা বেছে নেবেন, যেখানে সর্বাধিক সম্ভাব্য n-সংখ্যক সিনেমা ক্রমানুসারে দেখানো হয়।
সুপারিশকৃত চলচ্চিত্রের ক্যারোসেল, যেখানে সর্বাধিক সম্ভাব্য সুপারিশগুলো প্রথমে প্রদর্শিত হয়।
৭. ব্যবহারকারীকে ত্রুটি থেকে উত্তরণের একটি পথ দেখান।
গত কয়েকটি ধাপে, আপনি ব্যবহারকারীদের প্রত্যাশা নির্ধারণ এবং ব্যাখ্যা প্রদানের কিছু সেরা পদ্ধতি শিখেছেন, যার মাধ্যমে আপনি পণ্যটির প্রতি তাদের আস্থা তৈরি ও পরিমাপ করতে সাহায্য করেন।
আরেকটি গুরুত্বপূর্ণ প্রশ্ন যার উত্তর আপনাকে খুঁজে বের করতে হবে তা হলো: কোনো ত্রুটি ঘটলে ব্যবহারকারীর অভিজ্ঞতা কেমন হয়? ব্যবহারকারীরা কীভাবে সামনে এগিয়ে যায়, সেটাও সমান গুরুত্বপূর্ণ। সিস্টেম বিকল হওয়ার পর আপনার ব্যবহারকারীরা কী করতে পারে, সেদিকে মনোযোগ দিলে তা তাদের ক্ষমতায়ন করে এবং একই সাথে আপনার পণ্যের উপযোগিতাও বজায় রাখে।
PAIR গাইডবুকের ' ত্রুটি + মার্জিত ব্যর্থতা' অধ্যায়ে যেমন ব্যাখ্যা করা হয়েছে, আপনাকে প্রথমে আপনার পণ্যের জন্য ত্রুটি কী এবং এটি কোন ধরনের ত্রুটি (ব্যবহারকারী, সিস্টেম বা প্রেক্ষাপট) তা নির্ধারণ করতে হবে।
নিম্নলিখিত উদাহরণগুলো নিন:
- ব্যবহারকারী এমন একটি সিনেমার সুপারিশ পান যা তিনি ইতিমধ্যেই প্রেক্ষাগৃহে দেখেছেন। এই সুপারিশটি একেবারে ভুল না হলেও, এটি ব্যবহারকারীর জন্য তেমন সহায়কও নয়।
- ব্যবহারকারী এমন একটি সিনেমার সুপারিশ পান যা তিনি ইতিমধ্যেই প্রেক্ষাগৃহে দেখেছেন এবং পছন্দ করেননি। সিনেমার পছন্দের উপর ভিত্তি করে, এই সুপারিশটি ব্যবহারকারীর কাছে একটি ভুল হিসেবে বিবেচিত হতে পারে।
- ব্যবহারকারী এমন একটি ঘরানার সিনেমার সুপারিশ পান যা তিনি সাধারণত উপভোগ করেন না। ব্যবহারকারী এটিকে একটি ত্রুটি হিসেবে দেখতে পারেন।
- ব্যবহারকারী এমন একটি সিনেমার সুপারিশ পান যা অ্যাপটিতে আর নেই। এটি একটি স্পষ্ট সিস্টেম ত্রুটি।
উপরে তালিকাভুক্ত দ্বিতীয় এবং তৃতীয় উদাহরণে, এআই এমন একটি সুপারিশ দিয়েছে যা এই ব্যবহারকারীর জন্য সহায়ক নয়। এই ধরনের ত্রুটি ঘটলে, আপনি ব্যবহারকারীকে পূর্বাভাসটির উপর মতামত জানানোর সুযোগ দিতে চাইবেন এবং এর প্রভাব পড়তে কত সময় লাগবে তাও জানাতে চাইবেন, যেমনটি PAIR গাইডবুকের ' ফিডব্যাক + কন্ট্রোল' অধ্যায়ে সুপারিশ করা হয়েছে।
নকশা:
যখন আপনার এআই-চালিত সিস্টেম ব্যবহারকারীর প্রত্যাশার বা ইচ্ছার বিরুদ্ধে কোনো আচরণ করে, তখন তাদের মতামত জানানোর সুযোগ নিশ্চিত করুন। এবং, যতটা সম্ভব, আপনার মডেলকে উন্নত করতে সেই মতামত ব্যবহার করুন।
এআই সিস্টেমে ফিডব্যাক বিভিন্ন রূপ নিতে পারে, যার মধ্যে রয়েছে,
- কোনো সুপারিশে সম্মতি বা অসম্মতি জানানো
- অবাঞ্ছিত সুপারিশগুলি লুকানো
- সমস্যাযুক্ত সুপারিশ চিহ্নিত করা বা রিপোর্ট করা
- আরও প্রচলিত প্রতিক্রিয়া পদ্ধতি, যেখানে একজন ব্যবহারকারী কোনো ফর্ম বা অন্য কোনো ব্যবস্থার মাধ্যমে নিজে থেকে একটি সমস্যার কথা জানান।
ব্যবহারকারী মতামত দিলে, তা পাওয়ার বিষয়টি নিশ্চিত করুন। সম্ভব হলে, সিস্টেমটি সেই মতামতের জবাবে কী করবে, তাও তাদের জানিয়ে দিন।
সম্পূর্ণ প্যাটার্নের লিঙ্ক: https://pair.withgoogle.com/guidebook/patterns#let-users-give-feedback
আপনার অ্যাপের ক্ষেত্রে, এটি দেখতে এইরকম হতে পারে:
ব্যবহারকারীরা সুপারিশগুলোর বিষয়ে মতামত দিতে পারেন...
...এবং এরপর কী ঘটবে সে সম্পর্কে তাদের জানানো হয়।
৮. অভিনন্দন
অভিনন্দন! আপনি এইমাত্র একটি উদাহরণ কর্মপ্রবাহ দেখলেন, যা আপনাকে PAIR গাইডবুক -এর কিছু নতুন রিসোর্স ব্যবহারের পদ্ধতি শিখিয়ে দেবে।
সারসংক্ষেপ
এই কোডল্যাবে, আপনি শিখেছেন কীভাবে:
- ব্যবহারকারীর চাহিদাকে একটি এআই সমস্যায় রূপান্তর করুন
- কাজটি করার জন্য একটি ডেটাসেট তৈরি করুন
- ব্যবহারকারীদের নতুন ফিচারে যুক্ত করুন।
- সিস্টেমটি ব্যাখ্যা করুন এবং ব্যবহারকারীর প্রত্যাশা নির্ধারণ করুন।
- ব্যবহারকারীকে ত্রুটি থেকে বেরিয়ে আসার একটি উপায় দিন।
- পণ্যটির উন্নতির জন্য মতামত সংগ্রহ করুন।
এরপর কী?
এই কোডল্যাবে তুলে ধরা সমস্ত রিসোর্স এবং আরও অনেক কিছু আপনি নিচের লিঙ্কগুলোতে খুঁজে পাবেন: