1. قبل از شروع
در این نرم‌افزار، بهترین شیوه‌ها را از نسخه جدید کتاب راهنمای People + AI Research (PAIR) برای طراحی یک محصول جدید با هوش مصنوعی، با تمرکز بر روی شیوه‌های داده‌های انسان محور و اعتماد کاربر به درستی کالیبره شده، به کار می‌گیرید.
پیش نیازها
- درک اولیه از هوش مصنوعی چیست.
- آشنایی با گردش کار توسعه محصول
چیزی که یاد خواهید گرفت
در این کد لبه، یاد خواهید گرفت که چگونه از کتاب راهنمای افراد + هوش مصنوعی Google Research برای ساخت محصولات هوش مصنوعی قابل اعتماد و کاربر محور استفاده کنید.
به طور خاص، شما:
- در ویرایش دوم PAIR Guidebook چه جدید است.
- مجموعه‌ای از تمرین‌ها را انجام دهید که فرصت‌های موجود در فرآیند توسعه هوش مصنوعی را برای کالیبره کردن اعتماد کاربر، با تمرکز بر داده‌ها و قابلیت توضیح توسط کاربر برجسته می‌کند.
- مقدمه‌ای برای مجموعه ابزار گسترده‌تری از مواد و منابع موجود برای کاوش بیشتر دریافت کنید.
آنچه شما نیاز دارید
- مرورگر
- حساب Google برای مشاهده یک دفترچه یادداشت مشارکتی (به عنوان مثال، تجزیه و تحلیل احساسات با BERT )
2. شروع کنید
ما امسال در Google I/O نسخه دوم کتاب راهنمای PAIR را معرفی می کنیم! نسخه اول دو سال پیش منتشر شد و از آن زمان تاکنون توسط بیش از یک چهارم میلیون نفر در نقش (توسعه دهندگان، طراحان، مدیران محصول، دانشجویان و غیره) در سراسر جهان استفاده شده است. اکنون مشتاق معرفی مجموعه‌ای از به‌روزرسانی‌ها هستیم تا آن را حتی کاربردی‌تر کنیم.
به طور خاص، در این ویرایش دوم، ما یک راه جدید برای پیمایش در کتاب راهنما و یافتن محتوا بر اساس کار ارائه می دهیم. ما فهرستی از سوالات کلیدی که ممکن است شما و تیمتان هنگام توسعه محصولی با رویکرد کاربر محور هوش مصنوعی داشته باشید، ارائه کرده‌ایم و به شما کمک می‌کند محتوای مورد نیاز خود را در صورت نیاز پیدا کنید:
- چه زمانی و چگونه باید از هوش مصنوعی در محصولم استفاده کنم؟
- چگونه می توانم مجموعه داده خود را مسئولانه بسازم؟
- چگونه می توانم به کاربران کمک کنم تا اعتماد سیستم هوش مصنوعی من را ایجاد و تنظیم کنند؟
- چگونه کاربران را با ویژگی های جدید هوش مصنوعی همراه کنم؟
- چگونه سیستم هوش مصنوعی خود را برای کاربران توضیح دهم؟
- تعادل صحیح بین کنترل کاربر و اتوماسیون چیست؟
- وقتی مشکلی پیش می آید چگونه از کاربران پشتیبانی کنم؟
هنگامی که یک سوال را انتخاب کردید، محتوای مرتبط را در واحدهای کوچکتر و کاربردی تر دریافت خواهید کرد.
ما همچنین کتاب راهنمای PAIR را با محتوای جدید به روز کرده ایم:
- مجموعه ای از الگوهای طراحی هوش مصنوعی
- مطالعات موردی
- فصل های به روز شده
- تمرینات جدید و کیت کارگاهی
در این نرم افزار کد، برخی از این الگوهای طراحی را در جریان کار مشاهده خواهید کرد، زیرا ویژگی جدیدی را با هوش مصنوعی توسعه می دهید.
بیایید شروع کنیم!
3. ترجمه کاربر نیاز به یک مشکل AI
سناریوی زیر را تصور کنید:
شما در حال توسعه یک برنامه تماشای فیلم هستید و می‌خواهید تجربه‌ای بهبودیافته و سفارشی‌شده را برای کاربران فراهم کنید و به آنها کمک کنید فیلم‌های بیشتری را پیدا کنند که از آن لذت می‌برند.
صفحه فرود برنامه در حال حاضر شامل بخش‌های زیر است:
- لیستی از فیلم های جدید، به ترتیب تاریخ اکران
- کاتالوگی از همه فیلم ها، سازماندهی شده بر اساس ژانر
- یک کادر جستجو که در آن کاربران می توانند بر اساس عنوان فیلم، بازیگران و غیره جستجو کنند.
برنامه فیلم بدون توصیه های شخصی
می‌خواهید بخش جدیدی با توصیه‌های فیلم به کاربر اضافه کنید و فکر می‌کنید که هوش مصنوعی می‌تواند گزینه خوبی برای پیاده‌سازی این ویژگی باشد. قبل از شروع هر پیاده سازی، باید موارد زیر را انجام دهید:
- گردش‌های کاری موجود را مرور کنید : کاربران در حال حاضر چگونه با برنامه تعامل دارند، و فکر می‌کنید چگونه می‌توان تجربه آنها را بهبود بخشید؟
- تعیین کنید که آیا هوش مصنوعی می‌تواند ارزش منحصربه‌فردی بیافزاید : آیا مشکل شما به مشکلی تبدیل می‌شود که بتوان آن را به خوبی با هوش مصنوعی حل کرد، و آیا هوش مصنوعی احتمالاً تجربه کاربری محصول شما را بهبود می‌بخشد؟
با استفاده از فصل کتاب راهنمای PAIR، نیازهای کاربر + تعریف موفقیت ، فهرست موارد استفاده را که احتمالاً هوش مصنوعی راه‌حل خوبی است، مرور می‌کنید و متوجه می‌شوید که نیاز کاربران شما تحت انواع مشکلات زیر قرار می‌گیرد:
- توصیه مطالب مختلف به کاربران مختلف
- شخصی سازی تجربه کاربر را بهبود می بخشد
- نمایش محتوای پویا کارآمدتر از یک رابط قابل پیش بینی است
حتماً فهرست مواردی را که احتمالاً هوش مصنوعی راه حل بهتری نیست نیز مرور کنید.
اکنون که می توانید ببینید که یک راه حل مبتنی بر هوش مصنوعی کاندید خوبی برای رفع این نیاز کاربر به نظر می رسد، باید ارزیابی کنید که آیا واقعاً تجربه کاربری بهتری را ارائه می دهد یا خیر.
الگو:
قبل از شروع ساختن با هوش مصنوعی، مطمئن شوید که محصول یا ویژگی که در ذهن دارید به هوش مصنوعی نیاز دارد یا با آن بهبود می‌یابد.
هوش مصنوعی برای برنامه هایی مانند موارد زیر مناسب است:
- توصیه مطالب مختلف به کاربران مختلف، مانند پیشنهاد فیلم
- پیش بینی رویدادهای آینده، مانند رویدادهای آب و هوا یا تغییرات قیمت پرواز
- درک زبان طبیعی
- تشخیص تصویر
یک قانون یا راه حل مبتنی بر اکتشافی ممکن است زمانی بهتر باشد:
- حفظ قابلیت پیش بینی مهم است
- کاربران، مشتریان یا توسعه دهندگان نیاز به شفافیت کامل دارند
- مردم یک کار را خودکار نمی خواهند
برای اطلاعات بیشتر در مورد زمان استفاده (یا عدم استفاده از) هوش مصنوعی به فصل نیازهای کاربر مراجعه کنید .
پیوند به الگوی کامل: https://pair.withgoogle.com/guidebook/patterns#determine-if-ai-adds-value
می‌توانید با برجسته کردن فیلم‌هایی که به‌طور خاص از آنها لذت می‌برند، برای هر کاربر ارزش بیشتری به برنامه اضافه کنید، و تجربه کاربری غنی‌تری نسبت به نمایش فیلم‌های جدید یا کلی با رتبه‌بندی بالا برای آنها فراهم کنید. شما همچنین مشکوک هستید که ممکن است بتوانید برای کاوش در کاتالوگ فیلم هایی که با این ویژگی به سرعت در حال رشد هستند، در زمان آنها صرفه جویی کنید.
اکنون که تصمیم گرفته‌اید با یک راه‌حل مبتنی بر هوش مصنوعی پیش بروید، آماده شروع برنامه‌ریزی مراحل بعدی خود هستید.
4. یک مجموعه داده برای کار بسازید
به منظور آموزش یک سیستم توصیه برای ارائه پیشنهادهای فیلم به کاربران، باید مجموعه داده ای را که مدل هوش مصنوعی شما از آن یاد می گیرد، جمع آوری کنید.
اولین کاری که باید انجام دهید این است که نیازهای کاربر را با نیازهای داده مطابقت دهید.
با استفاده از تمرین تطبیق از فصل کتاب راهنمای PAIR، جمع آوری داده ها + ارزیابی ، موارد زیر را تعیین می کنید:
- کاربر : بینندگان فیلم (کاربران برنامه فیلم)
- نیاز کاربر : فیلم‌های بیشتری را که دوست دارند، آسان‌تر و سریع‌تر پیدا کنید
- اقدام کاربر : انتخاب و تماشای فیلم از طریق برنامه
- خروجی سیستم هوش مصنوعی : کدام فیلم‌ها را پیشنهاد کنیم و چرا (برچسب‌ها یا برچسب‌ها)
- یادگیری سیستم هوش مصنوعی : الگوهای رفتاری در مورد پذیرش توصیه‌های فیلم، تماشای کل فیلم‌ها، نوشتن نقد برای فیلم‌ها و دادن امتیاز بالا به این فیلم‌ها
- مجموعه داده‌های مورد نیاز : داده‌های مشاهده فیلم از برنامه، اطلاعات فیلم، و رتبه‌بندی و بررسی فیلم
- ویژگی های کلیدی مورد نیاز در مجموعه داده : تنظیمات برگزیده فیلم بیننده و تاریخچه مشاهده، اطلاعات فیلم (به عنوان مثال، ژانر، بازیگران)، رتبه بندی ستاره های فیلم، نظرات فیلم
- برچسب‌های کلیدی مورد نیاز در مجموعه داده : میزان پذیرش یا رد پیشنهاد برنامه توسط بیننده، نرخ تکمیل فیلم بیننده، رتبه‌بندی و نظرات بیننده، و بازخورد بیننده در مورد دلیل رد پیشنهاد
اکنون که این تمرین را کامل کردید، می توانید شروع به مشاهده چندین منبع داده بالقوه کنید:
- داده های کاربر از برنامه (اولویت های مشخص شده و سابقه مشاهده)
- اطلاعات فیلم از برنامه (عنوان، سال، مدت زمان، بازیگران و غیره)
- بررسی فیلم ها و اطلاعات رتبه بندی از منابع دیگر، مانند IMDB و MovieLens
هنگامی که ایده ای در مورد نوع داده مورد نیاز خود دارید، اصول هوش مصنوعی گوگل و روش های هوش مصنوعی مسئول را به عنوان نمونه چارچوب هایی در نظر بگیرید تا در انجام ملاحظات کلیدی مانند حفظ حریم خصوصی (مثلاً "فرصت هایی برای اطلاع و رضایت") و انصاف را فراهم کنید. (به عنوان مثال، "آزمایش تکراری کاربر را برای گنجاندن مجموعه متنوعی از نیازهای کاربران در چرخه های توسعه انجام دهید.")
و در نهایت، همانطور که مجموعه داده آموزشی خود را آماده می‌کنید، مطمئن شوید که داده‌هایی را جمع‌آوری می‌کنید که واقع‌بینانه است و داده‌های "پر سر و صدا" موجود در جهان را منعکس می‌کند. برای مثال، مطمئن شوید که نظرات فیلم‌ها را با اشتباهات املایی، اختصارات، شکلک‌ها و کاراکترهای غیرمعمول یا غیرمنتظره وارد کنید، زیرا کاربران برنامه‌تان به احتمال زیاد در آینده به‌جای بررسی‌های کاملاً قالب‌بندی شده، در نقدهای مشابه واقعی و «پر سر و صدا» مشارکت خواهند داشت!
الگو:
همانطور که مجموعه داده آموزشی خود را توسعه می دهید، برای چیزی کاملاً تنظیم شده تلاش نکنید. در عوض، اجازه دهید تا مقداری نویز داده ها را تا حد ممکن شبیه به داده های دنیای واقعی کند که انتظار دارید از کاربران خود دریافت کنید. این می تواند به جلوگیری از خطاها و توصیه های بی کیفیت پس از عرضه مدل خود به دنیای واقعی کمک کند.
برای انجام این کار، در مورد انواع داده هایی که انتظار دارید از کاربران خود دریافت کنید فکر کنید و سپس اطمینان حاصل کنید که داده ها در مجموعه آموزشی شما نمایش داده شده است.
به عنوان مثال، برای یک سیستم تشخیص تصویر، داده هایی را که ممکن است از کاربران خود دریافت کنید در نظر بگیرید. اگر این احتمال وجود دارد که آنها زمان لازم برای گرفتن عکس های با کیفیت بالا را نداشته باشند و مدل شما باید با تصاویر تار گوشی هوشمند کار کند، تصاویر تار را در داده های آموزشی خود قرار دهید.
پیوند به الگوی کامل: https://pair.withgoogle.com/guidebook/patterns#embrace-noisy-data
با توجه به نیازهای کاربر به مشکل هوش مصنوعی و نیازهای مجموعه داده، شما آماده آموزش هوش مصنوعی برای ارائه توصیه‌ها و برچسب‌گذاری فیلم‌ها برای کاربران برنامه خود هستید. در حالی که ما این بخش از فرآیند را در این نرم‌افزار پوشش نمی‌دهیم، می‌توانید در منابع زیر درباره سیستم‌های توصیه و تحلیل احساسات بیشتر بیاموزید:
- دوره آموزشی خودآموز سیستم های توصیه در Google Developers
- طبقه بندی متن برای تجزیه و تحلیل احساسات با آموزش BERT در TensorFlow.org
5. ارتباط با قابلیت ها و محدودیت های سیستم
همانطور که تجربه کاربری را برای برنامه خود طراحی می کنید، باید برنامه ریزی کنید تا کاربران را به ویژگی جدید مبتنی بر هوش مصنوعی متصل کنید و به آنها کمک کنید انتظارات خود را به درستی تنظیم کنند. کاربران نباید به طور ضمنی به سیستم هوش مصنوعی شما در همه شرایط اعتماد کنند، بلکه باید اعتماد خود را به درستی کالیبره کنند.
تعیین انتظارات با کاربران یک فرآیند عمدی است که حتی قبل از اولین تعامل آنها با محصول شما آغاز می شود. شما می خواهید توضیحاتی را در سراسر و خارج از تجربه محصول به روش های مختلف ارائه دهید:
- در لحظه توضیح دهید در صورت لزوم، دلایلی برای استنباط، توصیه، پیشنهاد و غیره ارائه کنید.
- توضیحات تکمیلی را در محصول ارائه دهید . برای توضیح سیستم‌های هوش مصنوعی، از سایر لحظات درون محصول، مانند سوار شدن، استفاده کنید.
- فراتر از تجربه محصول بروید . اطلاعات درون محصول ممکن است کافی نباشد، اما می‌توانید با انواع منابع اضافی، مانند کمپین‌های بازاریابی برای افزایش آگاهی، و مواد آموزشی و کمپین‌های سوادآموزی برای توسعه مدل‌های ذهنی، از آن پشتیبانی کنید.
بیایید مثالی بزنیم: یک کاربر به برنامه وارد شده است و یک فیلم پیشنهادی را از لیست جدیدی که به صفحه فرود او اضافه شده است انتخاب می کند. علاوه بر اطلاعات معمولی در مورد فیلمی که می‌توانند انتظار داشته باشند در آنجا پیدا کنند، ممکن است بخواهید توضیحی برای اینکه چرا این فیلم خاص را می‌بینند در لیست پیشنهادی خود قرار دهید.
با استفاده از جستجوی پرسش در کتاب راهنمای PAIR و انتخاب «چگونه سیستم هوش مصنوعی خود را برای کاربران توضیح دهم؟»، الگوی زیر را پیدا می‌کنید: برای درک، نه کامل بودن توضیح دهید.
الگو:
هنگام توضیح توصیه‌های سیستم هوش مصنوعی، بر اشتراک‌گذاری اطلاعاتی تمرکز کنید که کاربران برای تصمیم‌گیری و حرکت به جلو به آن نیاز دارند. سعی نکنید همه چیزهایی که در سیستم اتفاق می افتد را توضیح دهید.
اغلب، منطق پشت یک پیش‌بینی خاص ناشناخته یا بسیار پیچیده است که نمی‌توان آن را در یک عبارت یا جمله ساده خلاصه کرد. کاربران همچنین ممکن است نخواهند هنگام استفاده از محصول شما تحت تأثیر توضیحات اضافی قرار گیرند یا حواسشان پرت شود.
فصل توضیح‌پذیری + اعتماد نمونه‌هایی از رویکردهای مختلف برای ایجاد توضیحات مختصر و کاربرپسند ارائه می‌کند که شامل توضیحات جزئی، افشای تدریجی و نمایش‌های اطمینان مدل است.
اگر می‌خواهید توضیحات طولانی‌تر یا دقیق‌تری درباره نحوه عملکرد کلی سیستم به اشتراک بگذارید، این کار را خارج از جریان کاربر فعال انجام دهید، برای مثال در مواد بازاریابی یا محتوای داخلی.
پیوند به الگوی کامل: https://pair.withgoogle.com/guidebook/patterns#explain-for-understanding
با به کارگیری بهترین شیوه های مشخص شده در این الگو، تصمیم می گیرید توضیحی را به شکل زیر نمایش دهید:
توصیه فیلم، از جمله منطق توصیه
در این توضیح مثال، شما از راهنمای PAIR Guidebook در Explainability + Trust استفاده می‌کنید و از منابع داده برای ارائه توضیحاتی به کاربر با سه بررسی برتر کاربران رای‌دهی شده استفاده می‌کنید.
علاوه بر این، کلمات خاصی را که بیشترین کمک را به احساسات مثبت برای این فیلم داشته‌اند، برجسته کرده‌اید، که عواملی هستند که در انتخاب فیلم برای کاربر مهم هستند. می‌توانید درباره کاوش یک طبقه‌بندی‌کننده احساسات در این نسخه نمایشی برای ابزار تفسیرپذیری زبان (LIT) PAIR اطلاعات بیشتری کسب کنید.
تصویری از ابزار تفسیرپذیری یادگیری (LIT)
LIT می‌تواند به شما کمک کند رفتار مدل پردازش زبان طبیعی (NLP) را از طریق یک ابزار بصری، تعاملی و توسعه‌پذیر بررسی کنید، که به شما امکان می‌دهد فرضیه‌ها را آزمایش کنید و آنها را بر روی یک مجموعه داده با معیارهای مربوطه و توضیحات محلی (مثلاً نقشه‌های برجسته و تجسم‌های پیش‌بینی) اعتبارسنجی کنید. . تیم های محصول می توانند از LIT در موارد استفاده مثال زیر استفاده کنند:
- قبل از استقرار یک مدل
- هنگام آزمایش برای انصاف
- برای رفع اشکال پیش بینی های فردی
- هنگام مقایسه یک مدل جدید با یک مدل قدیمی
6. نحوه نمایش اعتماد به نفس را تعیین کنید
راه دیگر برای تعیین انتظارات با کاربران می تواند نمایش اعتماد مدل در توصیه ها باشد. به جای بیان اینکه چرا و چگونه هوش مصنوعی به یک تصمیم خاص رسیده است، نمایشگرهای اطمینان مدل نشان می‌دهند که هوش مصنوعی تا چه اندازه در پیش‌بینی خود و گزینه‌هایی که در نظر گرفته مطمئن است. از آنجایی که اکثر مدل‌ها می‌توانند n-بهترین طبقه‌بندی و امتیازات اطمینان را تولید کنند، نمایش‌های اطمینان مدل اغلب توضیحی هستند که به راحتی در دسترس هستند.
قبل از افزودن اطمینان به صفحات فیلم توصیه شده که به کاربر نشان داده می شود، باید تعیین کنید که آیا این اطمینان برای کاربر مفید است یا خیر، و اگر چنین است، بهترین راه برای نمایش آن چیست.
الگو:
در برخی موقعیت‌ها، می‌توانید به کاربران کمک کنید تا با نمایشگرهای اطمینان مدلی که نشان می‌دهند هوش مصنوعی در پیش‌بینی‌اش چقدر مطمئن است و گزینه‌های جایگزین در نظر گرفته شده، میزان اعتماد را به خروجی هوش مصنوعی بسنجند .
با این حال، در زمینه های دیگر، درک نمایش های اطمینان می تواند برای کاربران چالش برانگیز باشد.
اگر تصمیم به استفاده از آنها دارید، انواع مختلف نمایشگرها را در مراحل اولیه توسعه محصول آزمایش کنید تا ببینید چه چیزی برای کاربران شما بهتر است.
پیوند به الگوی کامل: https://pair.withgoogle.com/guidebook/patterns#how-to-show-model- siguri
با مرور رویکردهای توصیه شده برای نشان دادن اطمینان در فصل توضیح پذیری + اعتماد PAIR Guidebook، گزینه های زیر را پیدا می کنید:
- N-به احتمال زیاد طبقه بندی
- سطح اطمینان عددی
با توجه به اینکه در حال ارائه لیستی از فیلم های توصیه شده به کاربر در صفحه فرود او در برنامه هستید، لیستی را انتخاب می کنید که به احتمال زیاد n فیلم به ترتیب نمایش داده می شوند.
چرخ فلک فیلم‌های پیشنهادی، با محتمل‌ترین توصیه‌ها ابتدا نمایش داده می‌شود
7. راهی برای جلوگیری از خطاها به کاربر بدهید
در دو مرحله آخر، برخی از بهترین روش‌ها را برای تعیین انتظارات و ارائه توضیحات به کاربران آموخته‌اید، زیرا به آنها کمک می‌کنید تا اعتماد خود را نسبت به محصول ایجاد و تنظیم کنند.
سوال مهم دیگری که می خواهید به آن پاسخ دهید این است: تجربه کاربر هنگام رخ دادن خطا چگونه به نظر می رسد؟ نحوه حرکت کاربران به سمت جلو نیز به همان اندازه مهم است. تمرکز بر کارهایی که کاربران شما می توانند پس از شکست سیستم انجام دهند، آنها را در عین حفظ سودمندی محصول شما، توانمند می کند.
همانطور که در فصل کتاب راهنمای PAIR درباره خطاها + شکست برازنده توضیح داده شد، باید با تعریف خطا برای محصول خود و نوع خطا (کاربر، سیستم یا زمینه) شروع کنید.
مثال های زیر را در نظر بگیرید:
- کاربر توصیه ای برای فیلمی دریافت می کند که قبلاً در فیلم ها دیده است. اگرچه این توصیه ممکن است خاموش نباشد، اما واقعاً برای کاربر مفید نیست.
- کاربر توصیه ای برای فیلمی دریافت می کند که قبلاً در فیلم ها دیده است و آن را دوست نداشته است. این توصیه ممکن است بر اساس ترجیحات کاربر در فیلم ها، به عنوان یک خطا در نظر گرفته شود.
- کاربر توصیه ای برای فیلمی در ژانری دریافت می کند که معمولاً از آن لذت نمی برد. کاربر ممکن است متوجه شود که این یک خطا است.
- کاربر توصیه ای برای فیلمی دریافت می کند که دیگر در برنامه میزبانی نمی شود. این یک خطای واضح سیستم است.
در مثال‌های دوم و سوم ذکر شده در بالا، هوش مصنوعی توصیه‌ای ارائه کرده است که برای این کاربر مفید نیست. در صورت بروز چنین خطاهایی، باید فرصتی را برای کاربر فراهم کنید تا در مورد پیش‌بینی بازخورد بدهد، و می‌خواهید زمان تأثیرگذاری را همانطور که در فصل «بازخورد + کنترل» PAIR Guidebook توصیه می‌شود، در میان بگذارید.
الگو:
وقتی سیستم مجهز به هوش مصنوعی شما به گونه‌ای رفتار می‌کند که کاربر انتظار ندارد یا نمی‌خواهد، مطمئن شوید که گزینه‌ای برای اشتراک‌گذاری بازخورد دارد. و تا حد امکان از این بازخورد برای بهبود مدل خود استفاده کنید.
بازخورد در سیستم‌های هوش مصنوعی می‌تواند انواع مختلفی داشته باشد، از جمله:
- بر اساس یک توصیه، انگشت شست بالا یا پایین دادن
- پنهان کردن توصیه های ناخواسته
- پرچم گذاری یا گزارش توصیه های مشکل ساز
- بازخورد سنتی تر جریان می یابد، جایی که کاربر به صورت دستی مشکل را از طریق فرم یا مکانیزم دیگری گزارش می کند
هنگامی که کاربر بازخوردی را ارائه می دهد، تصدیق کنید که آن را دریافت کرده اید. در صورت امکان، به آنها اطلاع دهید که چگونه سیستم به بازخورد پاسخ می دهد.
پیوند به الگوی کامل: https://pair.withgoogle.com/guidebook/patterns#let-users-give-feedback
در مورد برنامه شما، ممکن است به صورت زیر باشد:
کاربران می توانند در مورد توصیه ها بازخورد بدهند ...
... و از اتفاقات بعدی مطلع می شوند
8. تبریک می گویم
تبریک می گویم! شما به‌تازگی یک گردش کار مثالی را تجربه کرده‌اید که به شما نشان می‌دهد چگونه از برخی از منابع جدید کتاب راهنمای PAIR استفاده کنید.
خلاصه
در این کد لبه یاد گرفتید که چگونه:
- کاربر ترجمه نیاز به یک مشکل هوش مصنوعی دارد
- یک مجموعه داده برای کار بسازید
- کاربران داخلی به ویژگی جدید
- سیستم را توضیح دهید و انتظارات کاربر را تعیین کنید
- به کاربر راهی برای جلوگیری از خطاها بدهید
- برای بهبود محصول بازخورد جمع آوری کنید
بعدش چی؟
می توانید تمام منابع برجسته شده در این کد لبه و بسیاری موارد دیگر را در پیوندهای زیر بیابید: