1. Trước khi bắt đầu
Trong lớp học lập trình này, bạn sẽ áp dụng các phương pháp hay nhất trong phiên bản mới của Sổ tay Nghiên cứu về Con người và AI (PAIR) để thiết kế một sản phẩm mới có AI, tập trung vào các phương pháp sử dụng dữ liệu lấy con người làm trung tâm và mức độ tin cậy của người dùng được điều chỉnh phù hợp.
Điều kiện tiên quyết
- Hiểu biết cơ bản về AI.
- Kiến thức về quy trình phát triển sản phẩm.
Kiến thức bạn sẽ học được
Trong lớp học lập trình này, bạn sẽ tìm hiểu cách sử dụng Sách hướng dẫn People + AI (Con người + Trí tuệ nhân tạo) của Google Research để tạo ra các sản phẩm AI đáng tin cậy và lấy người dùng làm trung tâm.
Cụ thể, bạn sẽ:
- Tìm hiểu những điểm mới trong phiên bản thứ hai của Sổ tay PAIR.
- Thực hiện một loạt bài tập nêu bật các cơ hội trong quy trình phát triển AI để điều chỉnh niềm tin của người dùng, tập trung vào dữ liệu và khả năng giải thích cho người dùng.
- Tìm hiểu về bộ công cụ gồm nhiều tài liệu và tài nguyên hơn để khám phá thêm.
Bạn cần có
- Trình duyệt
- Tài khoản Google để xem sổ tay Colaboratory (ví dụ: Phân tích tình cảm bằng BERT)
2. Bắt đầu
Chúng tôi sẽ ra mắt phiên bản thứ hai của Sổ tay PAIR tại Google I/O năm nay! Phiên bản đầu tiên được phát hành cách đây 2 năm và kể từ đó, hơn 250.000 người thuộc nhiều vai trò (nhà phát triển, nhà thiết kế, nhà quản lý sản phẩm, sinh viên, v.v.) trên khắp thế giới đã sử dụng phiên bản này. Giờ đây, chúng tôi rất vui mừng giới thiệu một loạt điểm cập nhật để giúp thông báo trở nên hữu ích hơn nữa.
Cụ thể, trong phiên bản thứ hai này, chúng tôi cung cấp một cách thức mới để bạn có thể xem Hướng dẫn và tìm nội dung theo từng nhiệm vụ. Chúng tôi đã tổng hợp một danh sách các câu hỏi chính mà bạn và nhóm của bạn có thể thắc mắc khi phát triển một sản phẩm có cách tiếp cận AI lấy người dùng làm trung tâm. Danh sách này sẽ giúp bạn tìm thấy nội dung cần thiết vào thời điểm bạn cần:
- Tôi nên sử dụng AI khi nào và như thế nào trong sản phẩm của mình?
- Làm cách nào để xây dựng tập dữ liệu một cách có trách nhiệm?
- Làm cách nào để giúp người dùng xây dựng và điều chỉnh niềm tin vào hệ thống AI của tôi?
- Làm cách nào để hướng dẫn người dùng sử dụng các tính năng AI mới?
- Làm cách nào để giải thích hệ thống AI của tôi cho người dùng?
- Đâu là sự cân bằng phù hợp giữa quyền kiểm soát của người dùng và tính năng tự động hoá?
- Làm cách nào để hỗ trợ người dùng khi có sự cố?
Sau khi chọn một câu hỏi, bạn sẽ nhận được nội dung liên quan ở các đơn vị nhỏ hơn và dễ hành động hơn.
Chúng tôi cũng đã cập nhật Sổ tay PAIR bằng nội dung mới:
- Một tập hợp các mẫu thiết kế AI
- Nghiên cứu điển hình
- Các chương đã cập nhật
- Các bài tập mới và bộ dụng cụ hội thảo
Trong lớp học lập trình này, bạn sẽ thấy một số mẫu thiết kế này hoạt động trong một quy trình khi phát triển một tính năng mới bằng AI.
Hãy bắt đầu!
3. Chuyển nhu cầu của người dùng thành một vấn đề về AI
Hãy tưởng tượng tình huống sau:
Bạn đang phát triển một ứng dụng xem phim và muốn mang đến cho người dùng trải nghiệm cải tiến và tuỳ chỉnh, giúp họ tìm thấy nhiều bộ phim mà họ yêu thích hơn.
Trang đích của ứng dụng hiện có các phần sau:
- Danh sách phim mới, sắp xếp theo ngày phát hành
- Danh mục tất cả các bộ phim, được sắp xếp theo thể loại
- Một hộp tìm kiếm, nơi người dùng có thể tìm kiếm theo tên phim, diễn viên, v.v.
Ứng dụng phim không có đề xuất dành riêng cho bạn
Bạn muốn thêm một phần mới có đề xuất phim cho người dùng và bạn nghĩ rằng AI có thể là một lựa chọn phù hợp để triển khai tính năng này. Trước khi bắt đầu triển khai, bạn nên làm như sau:
- Xem xét các quy trình hiện có: người dùng hiện tương tác với ứng dụng như thế nào và bạn nghĩ rằng trải nghiệm của họ có thể được cải thiện như thế nào?
- Xác định xem AI có thể mang lại giá trị độc đáo hay không: vấn đề của bạn có tương ứng với vấn đề có thể giải quyết hiệu quả bằng AI hay không và AI có khả năng cải thiện trải nghiệm người dùng của sản phẩm hay không?
Dựa vào chương Nhu cầu của người dùng + Định nghĩa về thành công trong Sách hướng dẫn PAIR, bạn xem xét danh sách các trường hợp sử dụng mà AI có thể là một giải pháp phù hợp và nhận thấy nhu cầu của người dùng thuộc các loại vấn đề sau:
- Đề xuất nội dung khác nhau cho những người dùng khác nhau
- Cá nhân hoá giúp cải thiện trải nghiệm người dùng
- Việc hiển thị nội dung động hiệu quả hơn so với một giao diện có thể dự đoán được
Đừng quên xem danh sách các trường hợp mà AI có thể không phải là giải pháp tốt hơn.
Giờ đây, khi thấy rằng một giải pháp dựa trên AI có vẻ là lựa chọn phù hợp để đáp ứng nhu cầu này của người dùng, bạn sẽ muốn đánh giá xem giải pháp đó có thực sự mang lại trải nghiệm tốt hơn cho người dùng hay không.
Hoa văn:
Trước khi bắt đầu xây dựng bằng AI, hãy đảm bảo sản phẩm hoặc tính năng mà bạn đang nghĩ đến cần có AI hoặc sẽ được cải thiện nhờ AI.
AI phù hợp với các ứng dụng như:
- Đề xuất nội dung khác nhau cho những người dùng khác nhau, chẳng hạn như đề xuất phim
- Dự đoán các sự kiện trong tương lai, chẳng hạn như sự kiện thời tiết hoặc thay đổi về giá vé máy bay
- Hiểu ngôn ngữ tự nhiên
- Nhận dạng hình ảnh
Giải pháp dựa trên quy tắc hoặc dựa trên kinh nghiệm có thể phù hợp hơn khi:
- Duy trì tính dự đoán là điều quan trọng
- Người dùng, khách hàng hoặc nhà phát triển cần có thông tin hoàn toàn minh bạch
- Mọi người không muốn một nhiệm vụ được tự động hoá
Xem chương Nhu cầu của người dùng để biết thêm thông tin về thời điểm nên (hoặc không nên) sử dụng AI.
Đường liên kết đến mẫu đầy đủ: https://pair.withgoogle.com/guidebook/patterns#determine-if-ai-adds-value
Bạn có thể tăng giá trị cho ứng dụng bằng cách làm nổi bật cho từng người dùng những bộ phim mà họ có khả năng sẽ thích, mang đến cho họ trải nghiệm người dùng phong phú hơn so với việc chỉ cho họ xem những bộ phim mới nhất hoặc được đánh giá cao nhất. Bạn cũng cho rằng tính năng này có thể giúp họ tiết kiệm thời gian khám phá danh mục phim đang phát triển nhanh chóng.
Giờ đây, bạn đã quyết định sử dụng một giải pháp dựa trên AI và sẵn sàng bắt đầu lên kế hoạch cho các bước tiếp theo.
4. Tạo một tập dữ liệu cho nhiệm vụ
Để huấn luyện một hệ thống đề xuất nhằm cung cấp cho người dùng các gợi ý về phim, bạn sẽ cần phải tập hợp một tập dữ liệu mà mô hình AI của bạn sẽ học hỏi.
Điều đầu tiên bạn cần làm là so khớp nhu cầu của người dùng với nhu cầu về dữ liệu.
Dựa vào bài tập ghép nối trong chương Thu thập và đánh giá dữ liệu của Sổ tay PAIR, bạn xác định những điều sau:
- Người dùng: người xem phim (người dùng ứng dụng xem phim)
- Nhu cầu của người dùng: tìm thấy nhiều bộ phim họ yêu thích hơn một cách dễ dàng và nhanh chóng
- Hành động của người dùng: chọn và xem phim thông qua ứng dụng
- Đầu ra của hệ thống AI: những bộ phim cần đề xuất và lý do (nhãn cảm xúc hoặc thẻ)
- Hệ thống AI học: các mẫu hành vi liên quan đến việc chấp nhận đề xuất về phim, xem toàn bộ phim, viết bài đánh giá về phim và đánh giá cao những bộ phim này
- Các tập dữ liệu cần thiết: dữ liệu xem phim từ ứng dụng, thông tin về phim, điểm xếp hạng và bài đánh giá về phim
- Các tính năng chính cần có trong tập dữ liệu: lựa chọn ưu tiên của người xem về phim và nhật ký xem, thông tin về phim (ví dụ: thể loại, dàn diễn viên), điểm xếp hạng sao của phim, bài đánh giá phim
- Các nhãn chính cần có trong tập dữ liệu: tỷ lệ chấp nhận hoặc từ chối đề xuất ứng dụng của người xem, tỷ lệ xem hết phim của người xem, điểm xếp hạng và bài đánh giá của người xem, cũng như ý kiến phản hồi của người xem về lý do từ chối đề xuất
Sau khi hoàn thành bài tập này, bạn có thể bắt đầu thấy một số nguồn dữ liệu tiềm năng xuất hiện:
- Dữ liệu người dùng từ ứng dụng (các lựa chọn ưu tiên đã chỉ định và nhật ký xem)
- Thông tin về phim trong ứng dụng (tên phim, năm phát hành, thời lượng, diễn viên, v.v.)
- Thông tin đánh giá và phân loại phim từ các nguồn khác, chẳng hạn như IMDB và MovieLens
Sau khi bạn nắm được loại dữ liệu mình cần, hãy xem xét Các nguyên tắc về AI của Google và Các phương pháp sử dụng AI có trách nhiệm làm ví dụ về các khung giúp bạn giải quyết những điểm cần cân nhắc chính, chẳng hạn như quyền riêng tư (ví dụ: "tạo cơ hội để đưa ra thông báo và yêu cầu đồng ý") và tính công bằng (ví dụ: "tiến hành kiểm thử người dùng lặp đi lặp lại để kết hợp nhiều nhu cầu của người dùng trong các chu kỳ phát triển.")
Cuối cùng, khi chuẩn bị tập dữ liệu huấn luyện, hãy nhớ thu thập dữ liệu thực tế và phản ánh dữ liệu "nhiễu" có trên thế giới. Ví dụ: hãy nhớ thêm các bài đánh giá phim có lỗi chính tả, từ viết tắt, biểu tượng cảm xúc và các ký tự bất thường hoặc không mong muốn, vì người dùng ứng dụng của bạn rất có thể sẽ đóng góp những bài đánh giá tương tự như vậy trong tương lai, thay vì những bài đánh giá được định dạng hoàn hảo!
Hoa văn:
Khi phát triển tập dữ liệu huấn luyện, đừng cố gắng tạo ra một tập dữ liệu được tuyển chọn hoàn hảo. Thay vào đó, hãy cho phép một số "nhiễu" để dữ liệu càng giống với dữ liệu thực tế mà bạn dự kiến nhận được từ người dùng càng tốt. Điều này có thể giúp bạn tránh được lỗi và đề xuất chất lượng kém sau khi phát hành mô hình của mình trong thực tế.
Để làm được việc này, hãy nghĩ về các loại dữ liệu mà bạn muốn nhận được từ người dùng, sau đó đảm bảo rằng dữ liệu đó được thể hiện trong tập huấn luyện.
Ví dụ: đối với một hệ thống nhận dạng hình ảnh, hãy cân nhắc dữ liệu mà bạn có thể nhận được từ người dùng. Nếu có khả năng họ sẽ không có thời gian chụp ảnh chất lượng cao và mô hình của bạn sẽ phải xử lý những hình ảnh mờ do điện thoại thông minh chụp, hãy đưa những hình ảnh mờ vào dữ liệu huấn luyện.
Đường liên kết đến mẫu đầy đủ: https://pair.withgoogle.com/guidebook/patterns#embrace-noisy-data
Khi đã liên kết nhu cầu của người dùng với vấn đề về AI và nhu cầu về tập dữ liệu, bạn đã sẵn sàng huấn luyện AI để đưa ra đề xuất và gắn nhãn phim cho người dùng ứng dụng của mình. Mặc dù chúng ta sẽ không đề cập đến phần này của quy trình trong lớp học lập trình này, nhưng bạn có thể tìm hiểu thêm về hệ thống đề xuất và phân tích tình cảm trong các tài nguyên sau:
- Khoá học tự học về Hệ thống đề xuất trên Google Developers
- Hướng dẫn Phân loại văn bản để phân tích quan điểm bằng BERT trên TensorFlow.org
5. Nêu rõ các tính năng và hạn chế của hệ thống
Khi thiết kế trải nghiệm người dùng cho ứng dụng, bạn nên lên kế hoạch để hướng dẫn người dùng làm quen với tính năng mới dựa trên AI và giúp họ đặt ra kỳ vọng phù hợp. Người dùng không nên ngầm tin tưởng hệ thống AI của bạn trong mọi trường hợp, mà nên điều chỉnh mức độ tin tưởng của họ một cách chính xác.
Việc đặt ra kỳ vọng cho người dùng là một quy trình có chủ ý, bắt đầu ngay cả trước khi họ tương tác lần đầu với sản phẩm của bạn. Bạn nên cung cấp lời giải thích trong và ngoài trải nghiệm về sản phẩm theo nhiều cách:
- Giải thích ngay tức thì. Khi thích hợp, hãy đưa ra lý do cho một suy luận, đề xuất, gợi ý, v.v. cụ thể.
- Cung cấp thêm nội dung giải thích trong sản phẩm. Tận dụng những khoảnh khắc khác trong sản phẩm (chẳng hạn như quy trình tham gia) để giải thích về các hệ thống AI.
- Vượt xa trải nghiệm về sản phẩm. Thông tin trong sản phẩm có thể không đủ, nhưng bạn có thể hỗ trợ thông tin này bằng nhiều tài nguyên bổ sung, chẳng hạn như chiến dịch tiếp thị để nâng cao mức độ nhận biết, cũng như tài liệu giáo dục và chiến dịch nâng cao kiến thức để phát triển mô hình tinh thần.
Hãy lấy ví dụ: một người dùng đã đăng nhập vào ứng dụng và chọn một bộ phim được đề xuất trong danh sách mới vừa được thêm vào trang đích của họ. Ngoài thông tin thường thấy về bộ phim mà họ có thể tìm thấy ở đó, bạn nên giải thích lý do họ thấy bộ phim cụ thể này trong danh sách đề xuất.
Khi sử dụng tính năng tìm kiếm theo câu hỏi của Sổ tay PAIR và chọn "Làm cách nào để giải thích hệ thống AI của tôi cho người dùng?", bạn sẽ thấy mẫu sau: Giải thích để người dùng hiểu, chứ không phải để cung cấp thông tin đầy đủ.
Hoa văn:
Khi giải thích các đề xuất của hệ thống AI, hãy tập trung vào việc chia sẻ thông tin mà người dùng cần để đưa ra quyết định và tiến hành các bước tiếp theo. Đừng cố gắng giải thích mọi thứ đang diễn ra trong hệ thống.
Thông thường, lý do đằng sau một dự đoán cụ thể là không xác định hoặc quá phức tạp để có thể tóm tắt trong một cụm từ hoặc câu đơn giản. Người dùng cũng có thể không muốn bị choáng ngợp hoặc mất tập trung bởi những lời giải thích thừa thãi khi họ sử dụng sản phẩm của bạn.
Chương Khả năng giải thích + Niềm tin đưa ra ví dụ về nhiều phương pháp để tạo ra những lời giải thích ngắn gọn, thân thiện với người dùng, bao gồm cả lời giải thích một phần, việc tiết lộ từng bước và màn hình hiển thị độ tin cậy của mô hình.
Nếu bạn muốn chia sẻ nội dung giải thích dài hơn hoặc chi tiết hơn về cách hoạt động của hệ thống tổng thể, hãy thực hiện việc này bên ngoài quy trình hoạt động của người dùng, chẳng hạn như trong tài liệu tiếp thị hoặc nội dung giới thiệu.
Đường liên kết đến mẫu đầy đủ: https://pair.withgoogle.com/guidebook/patterns#explain-for-understanding
Khi áp dụng các phương pháp hay nhất được nêu trong mẫu này, bạn quyết định hiển thị một lời giải thích như sau:
Đề xuất phim, bao gồm cả lý do đề xuất
Trong ví dụ này, bạn đang áp dụng hướng dẫn trong Sổ tay PAIR về Khả năng giải thích và độ tin cậy, đồng thời sử dụng các nguồn dữ liệu để giải thích cho người dùng bằng 3 bài đánh giá hàng đầu của người dùng.
Ngoài ra, bạn đã làm nổi bật những từ cụ thể đóng góp nhiều nhất vào tình cảm tích cực dành cho bộ phim này. Đây là những yếu tố quan trọng đối với người dùng khi họ chọn xem phim. Bạn có thể tìm hiểu thêm về cách khám phá một bộ phân loại cảm xúc trong bản minh hoạ này cho Công cụ diễn giải ngôn ngữ (LIT) của PAIR.
Ảnh chụp màn hình của Công cụ diễn giải việc học (LIT)
LIT có thể giúp bạn kiểm tra hành vi của mô hình Xử lý ngôn ngữ tự nhiên (NLP) thông qua một công cụ trực quan, tương tác và có thể mở rộng. Công cụ này cho phép bạn kiểm tra các giả thuyết và xác thực chúng trên một tập dữ liệu bằng các chỉ số liên quan và giải thích cục bộ (ví dụ: bản đồ nổi bật và hình ảnh trực quan về dự đoán). Các nhóm sản phẩm có thể sử dụng LIT trong các trường hợp sử dụng ví dụ sau:
- Trước khi triển khai một mô hình
- Khi kiểm tra tính công bằng
- Cách gỡ lỗi từng dự đoán
- Khi so sánh một mô hình mới với một mô hình cũ
6. Xác định cách thể hiện sự tự tin
Một cách khác để đặt ra kỳ vọng cho người dùng là hiển thị độ tin cậy của mô hình trong các đề xuất. Thay vì nêu rõ lý do hoặc cách AI đưa ra một quyết định nào đó, mức độ tin cậy của mô hình sẽ cho biết mức độ chắc chắn của AI trong dự đoán và các lựa chọn thay thế mà AI đã cân nhắc. Vì hầu hết các mô hình đều có thể xuất ra n-phân loại tốt nhất và điểm số tin cậy, nên màn hình hiển thị độ tin cậy của mô hình thường là một lời giải thích có sẵn.
Trước khi thêm độ tin cậy vào các trang phim được đề xuất mà người dùng nhìn thấy, bạn cần xác định xem độ tin cậy này có hữu ích cho người dùng hay không và nếu có thì cách hiển thị tốt nhất có thể là gì.
Hoa văn:
Trong một số trường hợp, bạn có thể giúp người dùng đánh giá mức độ tin tưởng vào kết quả của AI bằng cách sử dụng mức độ tin cậy của mô hình. Thông tin này cho biết mức độ chắc chắn của AI trong dự đoán và các lựa chọn thay thế được cân nhắc.
Tuy nhiên, trong các bối cảnh khác, người dùng có thể khó hiểu được thông tin về độ tin cậy.
Nếu quyết định sử dụng, hãy thử nghiệm các loại màn hình khác nhau ngay từ đầu trong quy trình phát triển sản phẩm để tìm ra loại màn hình phù hợp nhất với người dùng.
Đường liên kết đến mẫu đầy đủ: https://pair.withgoogle.com/guidebook/patterns#how-to-show-model-confidence
Khi xem xét các phương pháp được đề xuất để thể hiện sự tin tưởng trong chương về Tính giải thích + Niềm tin của Sách hướng dẫn PAIR, bạn thấy các lựa chọn sau:
- N mục phân loại có khả năng cao nhất
- Mức độ tin cậy bằng số
Vì bạn đang trình bày danh sách các bộ phim được đề xuất cho người dùng trên trang đích trong ứng dụng, nên bạn chọn danh sách có thứ tự, trong đó n bộ phim có khả năng cao nhất sẽ xuất hiện theo thứ tự.
Băng chuyền gồm các bộ phim được đề xuất, trong đó những đề xuất có khả năng cao nhất sẽ xuất hiện đầu tiên
7. Cung cấp cho người dùng cách khắc phục lỗi
Trong một vài bước gần đây, bạn đã tìm hiểu một số phương pháp hay nhất để đặt ra kỳ vọng và giải thích cho người dùng, khi bạn giúp họ xây dựng và điều chỉnh mức độ tin tưởng vào sản phẩm.
Một câu hỏi quan trọng khác mà bạn cần trả lời là: trải nghiệm người dùng sẽ như thế nào khi xảy ra lỗi? Cách người dùng chuyển tiếp cũng quan trọng không kém. Việc tập trung vào những gì người dùng có thể làm sau khi hệ thống gặp lỗi sẽ giúp họ cảm thấy có quyền kiểm soát trong khi vẫn duy trì được tính hữu ích của sản phẩm.
Như đã giải thích trong chương về Lỗi + Lỗi có thể khắc phục của Sách hướng dẫn PAIR, bạn nên bắt đầu bằng cách xác định lỗi là gì đối với sản phẩm của mình và loại lỗi đó là gì (người dùng, hệ thống hoặc bối cảnh).
Hãy xem các ví dụ sau:
- Người dùng nhận được đề xuất về một bộ phim mà họ đã xem tại rạp. Mặc dù đề xuất này có thể không bị tắt, nhưng cũng không thực sự hữu ích cho người dùng.
- Người dùng nhận được đề xuất về một bộ phim mà họ đã xem ở rạp và không thích. Đề xuất này có thể được coi là một lỗi đối với người dùng, dựa trên lựa chọn ưu tiên của họ về phim.
- Người dùng nhận được đề xuất về một bộ phim thuộc thể loại mà họ thường không thích. Người dùng có thể cho rằng đây là một lỗi.
- Người dùng nhận được đề xuất về một bộ phim không còn được lưu trữ trên ứng dụng. Đây là một lỗi hệ thống rõ ràng.
Trong ví dụ thứ hai và thứ ba nêu trên, AI đã đưa ra một đề xuất không hữu ích cho người dùng này. Trong trường hợp xảy ra những lỗi như vậy, bạn nên cho người dùng cơ hội đưa ra ý kiến phản hồi về thông tin dự đoán và thông báo cho họ về thời gian ảnh hưởng, như được đề xuất trong chương Ý kiến phản hồi và quyền kiểm soát của Sổ tay PAIR.
Hoa văn:
Khi hệ thống dựa trên AI của bạn hoạt động theo cách mà người dùng không mong muốn, hãy đảm bảo rằng họ có thể chia sẻ ý kiến phản hồi. Và trong chừng mực có thể, hãy sử dụng ý kiến phản hồi đó để cải thiện mô hình của bạn.
Ý kiến phản hồi trong các hệ thống AI có thể có nhiều dạng, bao gồm:
- Thích hoặc không thích một đề xuất
- Ẩn nội dung đề xuất không mong muốn
- Gắn cờ hoặc báo cáo đề xuất có vấn đề
- Quy trình phản hồi truyền thống hơn, trong đó người dùng báo cáo vấn đề theo cách thủ công thông qua biểu mẫu hoặc cơ chế khác
Sau khi người dùng đưa ra ý kiến phản hồi, hãy xác nhận rằng bạn đã nhận được ý kiến đó. Nếu có thể, hãy cho họ biết hệ thống sẽ phản hồi ý kiến phản hồi như thế nào.
Đường liên kết đến mẫu đầy đủ: https://pair.withgoogle.com/guidebook/patterns#let-users-give-feedback
Trong trường hợp ứng dụng của bạn, điều này có thể có dạng như sau:
Người dùng có thể gửi ý kiến phản hồi về các đề xuất...
...và họ sẽ nhận được thông báo về những việc sẽ xảy ra tiếp theo
8. Xin chúc mừng
Xin chúc mừng! Bạn vừa trải qua một quy trình mẫu cho thấy cách sử dụng một số tài nguyên mới trong Sổ tay về AI cho con người và tương tác.
Tóm tắt
Trong lớp học lập trình này, bạn đã tìm hiểu cách:
- Chuyển nhu cầu của người dùng thành một vấn đề về AI
- Tạo một tập dữ liệu cho nhiệm vụ
- Hướng dẫn người dùng làm quen với tính năng mới
- Giải thích hệ thống và đặt ra kỳ vọng cho người dùng
- Cung cấp cho người dùng cách khắc phục lỗi
- Thu thập ý kiến phản hồi để cải thiện sản phẩm
Tiếp theo là gì?
Bạn có thể tìm thấy tất cả tài nguyên được nêu bật trong lớp học lập trình này và nhiều tài nguyên khác tại các đường liên kết sau: