1. ก่อนเริ่มต้น
ในโค้ดแล็บนี้ คุณจะได้นำแนวทางปฏิบัติแนะนำจากฉบับใหม่ของคู่มือ People + AI Research (PAIR) ไปใช้ในการออกแบบผลิตภัณฑ์ใหม่ด้วย AI โดยมุ่งเน้นที่แนวทางปฏิบัติเกี่ยวกับข้อมูลที่คำนึงถึงมนุษย์เป็นหลัก และการปรับความเชื่อมั่นของผู้ใช้ให้เหมาะสม
ข้อกำหนดเบื้องต้น
- มีความเข้าใจพื้นฐานว่า AI คืออะไร
- ความรู้เกี่ยวกับเวิร์กโฟลว์การพัฒนาผลิตภัณฑ์
สิ่งที่คุณจะได้เรียนรู้
ในโค้ดแล็บนี้ คุณจะได้เรียนรู้วิธีใช้คู่มือ People + AI ของ Google Research เพื่อสร้างผลิตภัณฑ์ AI ที่เชื่อถือได้และมุ่งเน้นผู้ใช้เป็นหลัก
โดยคุณจะต้องดำเนินการต่อไปนี้
- ดูว่ามีอะไรใหม่ในคู่มือ PAIR ฉบับที่ 2
- ทำแบบฝึกหัดชุดหนึ่งที่เน้นโอกาสในกระบวนการพัฒนา AI เพื่อปรับความเชื่อมั่นของผู้ใช้ โดยมุ่งเน้นที่ข้อมูลและความสามารถในการอธิบายที่ผู้ใช้มองเห็น
- ดูข้อมูลเบื้องต้นเกี่ยวกับชุดเครื่องมือที่กว้างขึ้นของสื่อและแหล่งข้อมูลที่มีให้เพื่อการสำรวจเพิ่มเติม
สิ่งที่คุณต้องมี
- เบราว์เซอร์
- บัญชี Google เพื่อดูสมุดบันทึกของ Colaboratory (เช่น การวิเคราะห์ความเห็นด้วย BERT)
2. เริ่มต้นใช้งาน
เราจะเปิดตัวคู่มือ PAIR ฉบับที่ 2 ที่งาน Google I/O ในปีนี้ เราเปิดตัวฉบับแรกเมื่อ 2 ปีที่แล้ว และนับตั้งแต่นั้นมาก็มีผู้ใช้กว่า 250,000 คนทั่วโลกในหลากหลายบทบาท (นักพัฒนาซอฟต์แวร์ นักออกแบบ ผู้จัดการผลิตภัณฑ์ นักเรียน/นักศึกษา ฯลฯ) ตอนนี้เรายินดีที่จะเปิดตัวชุดการอัปเดตที่จะทำให้ข้อมูลดังกล่าวนำไปใช้ประโยชน์ได้มากยิ่งขึ้น
โดยเฉพาะอย่างยิ่งในฉบับที่ 2 นี้ เราจะนำเสนอวิธีใหม่ในการไปยังส่วนต่างๆ ของคู่มือและค้นหาเนื้อหาตามงาน เราได้รวบรวมรายการคำถามสำคัญที่คุณและทีมอาจมีเมื่อพัฒนาผลิตภัณฑ์โดยใช้แนวทาง AI ที่เน้นผู้ใช้เป็นศูนย์กลาง ซึ่งจะช่วยให้คุณค้นหาเนื้อหาที่ต้องการได้ทุกเมื่อ
- ฉันควรใช้ AI ในผลิตภัณฑ์เมื่อใดและอย่างไร
- ฉันจะสร้างชุดข้อมูลอย่างมีความรับผิดชอบได้อย่างไร
- ฉันจะช่วยผู้ใช้สร้างและปรับเทียบความไว้วางใจในระบบ AI ของฉันได้อย่างไร
- ฉันจะเริ่มต้นใช้งานฟีเจอร์ AI ใหม่ๆ ให้กับผู้ใช้ได้อย่างไร
- ฉันจะอธิบายระบบ AI ให้ผู้ใช้เข้าใจได้อย่างไร
- การควบคุมของผู้ใช้และระบบอัตโนมัติควรมีสัดส่วนเท่าใด
- ฉันจะให้ความช่วยเหลือผู้ใช้ได้อย่างไรเมื่อเกิดปัญหา
เมื่อเลือกคำถามแล้ว คุณจะได้รับเนื้อหาที่เกี่ยวข้องในหน่วยที่เล็กลงและนำไปใช้ได้จริงมากขึ้น
นอกจากนี้ เรายังได้อัปเดตคู่มือ PAIR ด้วยเนื้อหาใหม่ ดังนี้
- ชุดรูปแบบการออกแบบ AI
- กรณีศึกษา
- บทที่อัปเดตแล้ว
- แบบฝึกหัดใหม่และชุดเวิร์กช็อป
ในโค้ดแล็บนี้ คุณจะได้เห็นรูปแบบการออกแบบบางส่วนเหล่านี้ในการทำงานในเวิร์กโฟลว์ขณะพัฒนาฟีเจอร์ใหม่ด้วย AI
มาเริ่มกันเลย
3. เปลี่ยนความต้องการของผู้ใช้ให้เป็นปัญหาเกี่ยวกับ AI
ลองพิจารณาสถานการณ์ต่อไปนี้
คุณกำลังพัฒนาแอปดูภาพยนตร์และต้องการมอบประสบการณ์ที่ดียิ่งขึ้นและปรับแต่งได้ให้แก่ผู้ใช้ เพื่อช่วยให้ผู้ใช้ค้นพบภาพยนตร์ที่ชื่นชอบได้มากขึ้น
ปัจจุบันหน้า Landing Page ของแอปมีส่วนต่างๆ ดังนี้
- รายการภาพยนตร์ใหม่ที่เรียงตามวันที่วางจำหน่าย
- แคตตาล็อกภาพยนตร์ทั้งหมดที่จัดเรียงตามประเภท
- ช่องค้นหาที่ผู้ใช้ค้นหาตามชื่อภาพยนตร์ นักแสดง ฯลฯ ได้
แอปภาพยนตร์ที่ไม่มีคำแนะนำที่ปรับเปลี่ยนในแบบของคุณ
คุณต้องการเพิ่มส่วนใหม่ที่มีคำแนะนำภาพยนตร์สำหรับผู้ใช้ และคิดว่า AI อาจเป็นตัวเลือกที่ดีในการใช้ฟีเจอร์นี้ ก่อนที่จะเริ่มติดตั้งใช้งาน คุณควรทำสิ่งต่อไปนี้
- ตรวจสอบเวิร์กโฟลว์ที่มีอยู่: ปัจจุบันผู้ใช้โต้ตอบกับแอปอย่างไร และคุณคิดว่าควรปรับปรุงประสบการณ์ของผู้ใช้ได้อย่างไร
- พิจารณาว่า AI จะเพิ่มคุณค่าที่ไม่เหมือนใครได้หรือไม่: ปัญหาของคุณตรงกับปัญหาที่ AI แก้ไขได้ดีหรือไม่ และ AI มีแนวโน้มที่จะปรับปรุงประสบการณ์ของผู้ใช้ผลิตภัณฑ์ของคุณหรือไม่
เมื่อใช้บท ความต้องการของผู้ใช้ + การกำหนดความสำเร็จ ในคู่มือ PAIR คุณจะตรวจสอบรายการกรณีการใช้งานที่ AI น่าจะเป็นโซลูชันที่ดี และพบว่าความต้องการของผู้ใช้ของคุณอยู่ในประเภทปัญหาต่อไปนี้
- แนะนำเนื้อหาที่แตกต่างกันให้ผู้ใช้แต่ละราย
- การปรับเปลี่ยนในแบบของคุณช่วยปรับปรุงประสบการณ์ของผู้ใช้
- การแสดงเนื้อหาแบบไดนามิกมีประสิทธิภาพมากกว่าอินเทอร์เฟซที่คาดเดาได้
อย่าลืมตรวจสอบรายการกรณีที่ AI อาจไม่ใช่ทางออกที่ดีกว่าด้วย
เมื่อเห็นว่าโซลูชันที่ทำงานด้วยระบบ AI ดูเหมือนจะเป็นตัวเลือกที่ดีในการตอบสนองความต้องการของผู้ใช้แล้ว คุณจะต้องประเมินว่าโซลูชันดังกล่าวจะมอบประสบการณ์การใช้งานที่ดีขึ้นได้จริงหรือไม่
รูปแบบ:
ก่อนเริ่มสร้างด้วย AI โปรดตรวจสอบว่าผลิตภัณฑ์หรือฟีเจอร์ที่คุณต้องการต้องใช้ AI หรือจะได้รับการปรับปรุงด้วย AI
AI เหมาะสำหรับแอปพลิเคชันต่างๆ เช่น
- แนะนำเนื้อหาที่แตกต่างกันให้แก่ผู้ใช้แต่ละราย เช่น คำแนะนำภาพยนตร์
- การคาดการณ์เหตุการณ์ในอนาคต เช่น เหตุการณ์สภาพอากาศหรือการเปลี่ยนแปลงราคาเที่ยวบิน
- ความเข้าใจภาษาธรรมชาติ
- การจดจำรูปภาพ
โซลูชันตามกฎหรือโซลูชันตามฮิวริสติก อาจดีกว่าในกรณีต่อไปนี้
- การรักษาความสามารถในการคาดการณ์เป็นสิ่งสำคัญ
- ผู้ใช้ ลูกค้า หรือนักพัฒนาแอปต้องการความโปร่งใสอย่างสมบูรณ์
- ผู้ใช้ไม่ต้องการให้ระบบอัตโนมัติทำงาน
ดูข้อมูลเพิ่มเติมเกี่ยวกับเวลาที่ควรใช้ (หรือไม่ควรใช้) AI ได้ที่บทความความต้องการของผู้ใช้
ลิงก์ไปยังรูปแบบฉบับเต็ม: https://pair.withgoogle.com/guidebook/patterns#determine-if-ai-adds-value
คุณสามารถเพิ่มมูลค่าให้กับแอปได้ด้วยการไฮไลต์ภาพยนตร์ที่ผู้ใช้แต่ละรายน่าจะชื่นชอบ ซึ่งจะช่วยมอบประสบการณ์การใช้งานที่ดียิ่งขึ้นให้แก่ผู้ใช้มากกว่าการแสดงเฉพาะภาพยนตร์ล่าสุดหรือภาพยนตร์ยอดนิยมโดยรวม นอกจากนี้ คุณยังสงสัยว่าฟีเจอร์นี้อาจช่วยประหยัดเวลาในการสำรวจแคตตาล็อกภาพยนตร์ที่เติบโตอย่างรวดเร็วได้ด้วย
เมื่อตัดสินใจที่จะใช้โซลูชันที่ทำงานด้วยระบบ AI แล้ว คุณก็พร้อมที่จะเริ่มวางแผนขั้นตอนถัดไป
4. สร้างชุดข้อมูลสำหรับงาน
หากต้องการฝึกระบบการแนะนำให้แสดงภาพยนตร์ที่แนะนำแก่ผู้ใช้ คุณจะต้องรวบรวมชุดข้อมูลที่โมเดล AI จะเรียนรู้จากชุดข้อมูลนั้น
สิ่งแรกที่คุณต้องทำคือการจับคู่ความต้องการของผู้ใช้กับความต้องการของข้อมูล
การใช้แบบฝึกหัดการจับคู่จากบทการรวบรวมและการประเมินข้อมูลในคู่มือ PAIR จะช่วยให้คุณกำหนดสิ่งต่อไปนี้ได้
- ผู้ใช้: ผู้ชมภาพยนตร์ (ผู้ใช้แอปภาพยนตร์)
- ความต้องการของผู้ใช้: ค้นหาภาพยนตร์ที่ชอบได้ง่ายและเร็วขึ้น
- การกระทำของผู้ใช้: เลือกและดูภาพยนตร์ผ่านแอป
- เอาต์พุตของระบบ AI: ภาพยนตร์ที่ควรแนะนำและเหตุผล (ป้ายกำกับหรือแท็กความรู้สึก)
- การเรียนรู้ของระบบ AI: รูปแบบพฤติกรรมเกี่ยวกับการยอมรับคำแนะนำภาพยนตร์ การดูภาพยนตร์ทั้งเรื่อง การเขียนรีวิวภาพยนตร์ และการให้คะแนนสูงแก่ภาพยนตร์
- ชุดข้อมูลที่จำเป็น: ข้อมูลการดูภาพยนตร์จากแอป ข้อมูลภาพยนตร์ รวมถึงคะแนนและรีวิวภาพยนตร์
- ฟีเจอร์สำคัญที่จำเป็นในชุดข้อมูล: ค่ากำหนดภาพยนตร์ของผู้ชมและประวัติการดู ข้อมูลภาพยนตร์ (เช่น ประเภท นักแสดง) การให้คะแนนภาพยนตร์ รีวิวภาพยนตร์
- ป้ายกำกับสำคัญที่จำเป็นในชุดข้อมูล: อัตราการยอมรับหรือปฏิเสธคำแนะนำแอปของผู้ชม อัตราการดูภาพยนตร์จนจบของผู้ชม การให้คะแนนและรีวิวของผู้ชม และความคิดเห็นของผู้ชมเกี่ยวกับสาเหตุที่ปฏิเสธคำแนะนำ
ตอนนี้คุณได้ทําแบบฝึกหัดนี้เสร็จแล้ว และจะเริ่มเห็นแหล่งข้อมูลที่มีศักยภาพหลายแหล่งปรากฏขึ้น
- ข้อมูลผู้ใช้จากแอป (ค่ากำหนดและประวัติการดูที่ระบุ)
- ข้อมูลภาพยนตร์จากแอป (ชื่อ ปี ความยาว นักแสดง ฯลฯ)
- รีวิวภาพยนตร์และข้อมูลการให้คะแนนจากแหล่งที่มาอื่นๆ เช่น IMDB และ MovieLens
เมื่อทราบประเภทข้อมูลที่ต้องการแล้ว ให้พิจารณาหลักการเกี่ยวกับ AI ของ Google และแนวทางปฏิบัติสำหรับการใช้ AI อย่างมีความรับผิดชอบเป็นตัวอย่างของเฟรมเวิร์กที่จะช่วยพิจารณาประเด็นสำคัญๆ เช่น ความเป็นส่วนตัว (เช่น "ให้โอกาสในการแจ้งเตือนและขอความยินยอม") และความเป็นธรรม (เช่น "ทำการทดสอบผู้ใช้แบบวนซ้ำเพื่อรวมความต้องการของผู้ใช้ที่หลากหลายไว้ในวงจรการพัฒนา")
และสุดท้าย ขณะเตรียมชุดข้อมูลการฝึก ให้รวบรวมข้อมูลที่สมจริงและสะท้อนข้อมูล "ที่มีสัญญาณรบกวน" ที่มีอยู่จริง ตัวอย่างเช่น ตรวจสอบว่าได้รวมรีวิวภาพยนตร์ที่มีการสะกดคำผิด ตัวย่อ อีโมจิ และอักขระที่ผิดปกติหรือคาดไม่ถึง เนื่องจากผู้ใช้แอปของคุณมีแนวโน้มที่จะเขียนรีวิวที่สมจริงและ "มีเสียงรบกวน" ในลักษณะเดียวกันในอนาคต มากกว่ารีวิวที่มีการจัดรูปแบบอย่างสมบูรณ์
รูปแบบ:
ขณะพัฒนาชุดข้อมูลการฝึก อย่าพยายามสร้างชุดข้อมูลที่สมบูรณ์แบบ แต่ให้ยอมรับ "สัญญาณรบกวน" บางอย่างเพื่อให้ข้อมูลมีความคล้ายคลึงกับข้อมูลในโลกแห่งความเป็นจริงที่คุณคาดว่าจะได้รับจากผู้ใช้มากที่สุด ซึ่งจะช่วยป้องกันข้อผิดพลาดและคำแนะนำที่ไม่มีคุณภาพเมื่อคุณเผยแพร่โมเดลในโลกแห่งความเป็นจริง
หากต้องการทำเช่นนี้ ให้พิจารณาประเภทข้อมูลที่คุณคาดว่าจะได้รับจากผู้ใช้ แล้วตรวจสอบว่าข้อมูลนั้นแสดงอยู่ในชุดการฝึก
ตัวอย่างเช่น สำหรับระบบจดจำรูปภาพ ให้พิจารณาข้อมูลที่คุณอาจได้รับจากผู้ใช้ หากมีแนวโน้มว่าผู้ใช้จะไม่มีเวลาถ่ายภาพคุณภาพสูงและโมเดลของคุณจะต้องทำงานกับภาพจากสมาร์ทโฟนที่เบลอ ให้รวมภาพเบลอไว้ในข้อมูลการฝึก
ลิงก์ไปยังรูปแบบฉบับเต็ม: https://pair.withgoogle.com/guidebook/patterns#embrace-noisy-data
เมื่อแมปความต้องการของผู้ใช้กับปัญหา AI และความต้องการของชุดข้อมูลแล้ว คุณก็พร้อมที่จะฝึก AI เพื่อให้คำแนะนำและติดป้ายกำกับภาพยนตร์สำหรับผู้ใช้แอป แม้ว่าเราจะไม่ได้กล่าวถึงส่วนนี้ของกระบวนการใน Codelab นี้ แต่คุณสามารถดูข้อมูลเพิ่มเติมเกี่ยวกับระบบการแนะนำและการวิเคราะห์ความรู้สึกได้ในแหล่งข้อมูลต่อไปนี้
- หลักสูตรการเรียนรู้ด้วยตนเองเกี่ยวกับระบบการแนะนำใน Google Developers
- บทแนะนำการจำแนกข้อความสำหรับการวิเคราะห์ความเห็นด้วย BERT ใน TensorFlow.org
5. สื่อสารความสามารถและข้อจำกัดของระบบ
เมื่อออกแบบประสบการณ์ของผู้ใช้สำหรับแอป คุณจะต้องวางแผนการเริ่มต้นใช้งานฟีเจอร์ใหม่ที่ทำงานด้วยระบบ AI และช่วยให้ผู้ใช้ตั้งความคาดหวังได้อย่างเหมาะสม ผู้ใช้ไม่ควรเชื่อมั่นระบบ AI ของคุณโดยปริยายในทุกกรณี แต่ควรปรับระดับความเชื่อมั่นให้ถูกต้อง
การตั้งความคาดหวังกับผู้ใช้เป็นกระบวนการที่ต้องพิจารณาอย่างรอบคอบ ซึ่งจะเริ่มตั้งแต่ก่อนที่ผู้ใช้จะโต้ตอบกับผลิตภัณฑ์ของคุณเป็นครั้งแรก คุณควรให้คำอธิบายตลอดประสบการณ์การใช้งานผลิตภัณฑ์และภายนอกประสบการณ์การใช้งานผลิตภัณฑ์ในหลากหลายวิธี ดังนี้
- อธิบายทันที ระบุเหตุผลสำหรับการอนุมาน คำแนะนำ ข้อเสนอแนะ ฯลฯ เมื่อเหมาะสม
- ให้คำอธิบายเพิ่มเติมในผลิตภัณฑ์ ใช้ประโยชน์จากช่วงเวลาอื่นๆ ในผลิตภัณฑ์ เช่น การเริ่มต้นใช้งาน เพื่ออธิบายระบบ AI
- เป็นมากกว่าประสบการณ์การใช้งานผลิตภัณฑ์ ข้อมูลในผลิตภัณฑ์อาจไม่เพียงพอ แต่คุณสามารถสนับสนุนข้อมูลดังกล่าวได้ด้วยแหล่งข้อมูลเพิ่มเติมที่หลากหลาย เช่น แคมเปญการตลาดเพื่อสร้างการรับรู้ รวมถึงสื่อการศึกษาและแคมเปญความรู้เพื่อพัฒนาโมเดลทางจิต
มาดูตัวอย่างกัน ผู้ใช้เข้าสู่ระบบแอปและเลือกภาพยนตร์แนะนำจากรายการใหม่ที่เพิ่มลงในหน้า Landing Page นอกจากข้อมูลปกติเกี่ยวกับภาพยนตร์ที่ผู้ชมคาดว่าจะเห็นแล้ว คุณอาจต้องการอธิบายเหตุผลที่ผู้ชมเห็นภาพยนตร์เรื่องนี้ในรายการที่แนะนำ
เมื่อใช้การค้นหาตามคำถามในคู่มือ PAIR และเลือก "ฉันจะอธิบายระบบ AI ของฉันให้ผู้ใช้เข้าใจได้อย่างไร" คุณจะเห็นรูปแบบต่อไปนี้ อธิบายเพื่อให้เข้าใจ ไม่ใช่เพื่อให้ครบถ้วน
รูปแบบ:
เมื่ออธิบายคำแนะนำจากระบบ AI ให้เน้นการแชร์ข้อมูลที่ผู้ใช้ต้องใช้ในการตัดสินใจและดำเนินการต่อ อย่าพยายามอธิบายทุกสิ่งที่เกิดขึ้นในระบบ
บ่อยครั้งที่เหตุผลเบื้องหลังการคาดการณ์หนึ่งๆ ไม่เป็นที่ทราบหรือซับซ้อนเกินกว่าจะสรุปเป็นวลีหรือประโยคที่เรียบง่ายได้ นอกจากนี้ ผู้ใช้อาจไม่ต้องการรับข้อมูลมากเกินไปหรือถูกรบกวนจากคำอธิบายที่ไม่จำเป็นขณะใช้ผลิตภัณฑ์
บทความเรื่องความสามารถในการอธิบาย + ความน่าเชื่อถือ มีตัวอย่างแนวทางต่างๆ ในการสร้างคำอธิบายที่กระชับและเป็นมิตรกับผู้ใช้ ซึ่งรวมถึงคำอธิบายบางส่วน การเปิดเผยข้อมูลแบบค่อยเป็นค่อยไป และการแสดงความเชื่อมั่นของโมเดล
หากต้องการแชร์คำอธิบายที่ยาวขึ้นหรือละเอียดขึ้นเกี่ยวกับวิธีการทำงานของระบบโดยรวม ให้ดำเนินการนี้ภายนอกโฟลว์ผู้ใช้ที่ใช้งานอยู่ เช่น ในสื่อการตลาดหรือเนื้อหาการเริ่มต้นใช้งาน
ลิงก์ไปยังรูปแบบฉบับเต็ม: https://pair.withgoogle.com/guidebook/patterns#explain-for-understanding
เมื่อใช้แนวทางปฏิบัติแนะนำที่ระบุไว้ในรูปแบบนี้ คุณจึงตัดสินใจแสดงคำอธิบายที่มีลักษณะดังนี้
ภาพยนตร์แนะนำ รวมถึงเหตุผลของคำแนะนำ
ในคำอธิบายตัวอย่างนี้ คุณกำลังใช้คำแนะนำของ PAIR Guidebook ในส่วนความสามารถในการอธิบาย + ความน่าเชื่อถือ และใช้แหล่งข้อมูลเพื่ออธิบายให้ผู้ใช้ทราบพร้อมรีวิวของผู้ใช้ 3 รายการที่ได้รับการโหวตมากที่สุด
นอกจากนี้ คุณยังไฮไลต์คำที่เฉพาะเจาะจงซึ่งมีส่วนทำให้เกิดความรู้สึกเชิงบวกต่อภาพยนตร์เรื่องนี้มากที่สุด ซึ่งเป็นปัจจัยที่ผู้ใช้ให้ความสำคัญในการเลือกภาพยนตร์ ดูข้อมูลเพิ่มเติมเกี่ยวกับการสำรวจเครื่องมือแยกประเภทความรู้สึกได้ในการสาธิตนี้สำหรับเครื่องมือการตีความภาษา (LIT) ของ PAIR
ภาพหน้าจอของเครื่องมือการตีความการเรียนรู้ (LIT)
LIT ช่วยให้คุณตรวจสอบลักษณะการทำงานของโมเดลการประมวลผลภาษาธรรมชาติ (NLP) ผ่านเครื่องมือแบบภาพ อินเทอร์แอกทีฟ และขยายได้ ซึ่งช่วยให้คุณทดสอบสมมติฐานและตรวจสอบความถูกต้องของสมมติฐานเหล่านั้นในชุดข้อมูลด้วยเมตริกที่เกี่ยวข้องและคำอธิบายในพื้นที่ (เช่น แผนที่ความโดดเด่นและการแสดงภาพการคาดการณ์) ทีมผลิตภัณฑ์สามารถใช้ LIT ในกรณีการใช้งานตัวอย่างต่อไปนี้
- ก่อนที่จะทำให้โมเดลใช้งานได้
- เมื่อทดสอบความเป็นธรรม
- วิธีแก้ไขข้อบกพร่องของการคาดคะเนแต่ละรายการ
- เมื่อเปรียบเทียบโมเดลใหม่กับโมเดลเก่า
6. กำหนดวิธีแสดงความเชื่อมั่น
อีกวิธีหนึ่งในการตั้งความคาดหวังกับผู้ใช้คือการแสดงความมั่นใจของโมเดลในคำแนะนำ ความเชื่อมั่นของโมเดลจะแสดงให้เห็นว่า AI มั่นใจในการคาดการณ์มากน้อยเพียงใดและทางเลือกที่พิจารณา แทนที่จะระบุเหตุผลหรือวิธีการที่ AI ใช้ในการตัดสินใจ เนื่องจากโมเดลส่วนใหญ่สามารถแสดงผลการจัดประเภท n รายการที่ดีที่สุดและคะแนนความเชื่อมั่นได้ การแสดงความเชื่อมั่นของโมเดลจึงมักเป็นคำอธิบายที่พร้อมใช้งาน
ก่อนที่จะเพิ่มความน่าเชื่อถือให้กับหน้าภาพยนตร์ที่แนะนำซึ่งแสดงต่อผู้ใช้ คุณจะต้องพิจารณาว่าความน่าเชื่อถือนี้เป็นประโยชน์ต่อผู้ใช้หรือไม่ และหากเป็นเช่นนั้น วิธีที่ดีที่สุดในการแสดงความน่าเชื่อถือนี้คืออะไร
รูปแบบ:
ในบางกรณี คุณสามารถช่วยให้ผู้ใช้ประเมินระดับความน่าเชื่อถือของผลลัพธ์จาก AI ได้ด้วยความมั่นใจของโมเดล ที่แสดงให้เห็นว่า AI มั่นใจในการคาดการณ์มากน้อยเพียงใด รวมถึงทางเลือกอื่นๆ ที่พิจารณา
อย่างไรก็ตาม ในบริบทอื่นๆ การแสดงความมั่นใจอาจทำให้ผู้ใช้เข้าใจได้ยาก
หากตัดสินใจที่จะใช้ ให้ทดสอบจอแสดงผลประเภทต่างๆ ตั้งแต่เนิ่นๆ ในกระบวนการพัฒนาผลิตภัณฑ์เพื่อดูว่าอะไรเหมาะกับผู้ใช้มากที่สุด
ลิงก์ไปยังรูปแบบฉบับเต็ม: https://pair.withgoogle.com/guidebook/patterns#how-to-show-model-confidence
เมื่อตรวจสอบแนวทางที่แนะนำสำหรับการแสดงความมั่นใจในบทที่เกี่ยวกับความสามารถในการอธิบาย + ความน่าเชื่อถือในคู่มือ PAIR คุณจะเห็นตัวเลือกต่อไปนี้
- การแยกประเภทที่มีความเป็นไปได้มากที่สุด N รายการ
- ระดับความเชื่อมั่นที่เป็นตัวเลข
เนื่องจากคุณจะแสดงรายการภาพยนตร์แนะนำต่อผู้ใช้ในหน้า Landing Page ของแอป คุณจึงเลือกใช้รายการที่เรียงลำดับ ซึ่งจะแสดงภาพยนตร์ที่มีแนวโน้มมากที่สุด n รายการตามลำดับ
ภาพสไลด์ของภาพยนตร์ที่แนะนำ โดยจะแสดงคำแนะนำที่มีแนวโน้มมากที่สุดก่อน
7. ให้ผู้ใช้มีวิธีแก้ไขข้อผิดพลาด
ใน 2 ขั้นตอนสุดท้าย คุณได้เรียนรู้แนวทางปฏิบัติแนะนำบางอย่างในการตั้งความคาดหวังและให้คำอธิบายแก่ผู้ใช้ ขณะที่คุณช่วยให้ผู้ใช้สร้างและปรับเทียบความไว้วางใจในผลิตภัณฑ์
คำถามสำคัญอีกข้อที่คุณควรตอบคือ ประสบการณ์ของผู้ใช้จะเป็นอย่างไรเมื่อเกิดข้อผิดพลาด และวิธีที่ผู้ใช้ดำเนินการต่อก็มีความสำคัญไม่แพ้กัน การมุ่งเน้นสิ่งที่ผู้ใช้ทำได้หลังจากระบบล้มเหลวจะช่วยให้ผู้ใช้มีอำนาจในขณะที่ยังคงรักษาประโยชน์ของผลิตภัณฑ์ไว้
ดังที่อธิบายไว้ในบทข้อผิดพลาด + การทำงานล้มเหลวอย่างราบรื่นของคู่มือ PAIR คุณจะต้องเริ่มด้วยการกำหนดว่าข้อผิดพลาดสำหรับผลิตภัณฑ์ของคุณคืออะไร และเป็นข้อผิดพลาดประเภทใด (ผู้ใช้ ระบบ หรือบริบท)
ตัวอย่างเช่น
- ผู้ใช้ได้รับคำแนะนำภาพยนตร์ที่เคยดูในโรงภาพยนตร์แล้ว แม้ว่าคำแนะนำนี้อาจไม่ถูกต้อง แต่ก็ไม่ได้เป็นประโยชน์ต่อผู้ใช้จริงๆ
- ผู้ใช้ได้รับคำแนะนำสำหรับภาพยนตร์ที่เคยดูในโรงภาพยนตร์แล้วและไม่ชอบ ระบบอาจถือว่าคำแนะนำนี้เป็นข้อผิดพลาดสำหรับผู้ใช้ โดยอิงตามความชอบในภาพยนตร์ของผู้ใช้
- ผู้ใช้ได้รับคำแนะนำสำหรับภาพยนตร์ในประเภทที่ปกติแล้วผู้ใช้ไม่ชอบ ผู้ใช้อาจคิดว่านี่เป็นข้อผิดพลาด
- ผู้ใช้ได้รับคำแนะนำสำหรับภาพยนตร์ที่ไม่ได้โฮสต์ในแอปอีกต่อไป ซึ่งถือเป็นข้อผิดพลาดของระบบที่ชัดเจน
ในตัวอย่างที่ 2 และ 3 ที่แสดงไว้ข้างต้น AI ได้ให้คำแนะนำที่ไม่เป็นประโยชน์สำหรับผู้ใช้รายนี้ ในกรณีที่เกิดข้อผิดพลาดดังกล่าว คุณควรให้โอกาสผู้ใช้แสดงความคิดเห็นเกี่ยวกับการคาดการณ์ และควรแจ้งเวลาที่คาดว่าจะส่งผลตามที่แนะนำไว้ในบท Feedback + Control ของ PAIR Guidebook
รูปแบบ:
เมื่อระบบที่ใช้ AI ทำงานในลักษณะที่ผู้ใช้ไม่คาดคิดหรือต้องการ ให้ตรวจสอบว่าผู้ใช้มีตัวเลือกในการแชร์ความคิดเห็น และใช้ความคิดเห็นนั้นเพื่อปรับปรุงโมเดลให้ได้มากที่สุด
ความคิดเห็นในระบบ AI อาจมีหลายรูปแบบ เช่น
- กดชอบหรือไม่ชอบคำแนะนำ
- ซ่อนคำแนะนำที่ไม่ต้องการ
- การแจ้งหรือรายงานวิดีโอแนะนำที่มีปัญหา
- ขั้นตอนการแสดงความคิดเห็นแบบเดิมๆ ที่ผู้ใช้รายงานปัญหาผ่านแบบฟอร์มหรือกลไกอื่นๆ ด้วยตนเอง
เมื่อผู้ใช้แสดงความคิดเห็นแล้ว ให้รับทราบว่าคุณได้รับความคิดเห็นนั้น หากเป็นไปได้ ให้แจ้งให้ผู้ใช้ทราบว่าระบบจะตอบกลับความคิดเห็นอย่างไร
ลิงก์ไปยังรูปแบบฉบับเต็ม: https://pair.withgoogle.com/guidebook/patterns#let-users-give-feedback
ในกรณีของแอปของคุณ การดำเนินการนี้อาจมีลักษณะดังนี้
ผู้ใช้สามารถแสดงความคิดเห็นเกี่ยวกับคำแนะนำ...
...และจะได้รับการแจ้งเตือนเกี่ยวกับสิ่งที่จะเกิดขึ้นต่อไป
8. ขอแสดงความยินดี
ยินดีด้วย คุณเพิ่งได้เห็นตัวอย่างเวิร์กโฟลว์ที่แสดงวิธีใช้แหล่งข้อมูลใหม่บางส่วนของคู่มือ PAIR
สรุป
ในโค้ดแล็บนี้ คุณได้เรียนรู้วิธีทำสิ่งต่อไปนี้
- เปลี่ยนความต้องการของผู้ใช้ให้เป็นปัญหาเกี่ยวกับ AI
- สร้างชุดข้อมูลสำหรับงาน
- แนะนำฟีเจอร์ใหม่ให้ผู้ใช้
- อธิบายระบบและกำหนดความคาดหวังของผู้ใช้
- ให้ผู้ใช้มีวิธีแก้ไขข้อผิดพลาด
- รวบรวมความคิดเห็นเพื่อปรับปรุงผลิตภัณฑ์
ขั้นตอนถัดไปคือ
คุณดูแหล่งข้อมูลทั้งหมดที่ไฮไลต์ใน Codelab นี้และอีกมากมายได้ที่ลิงก์ต่อไปนี้