همه ما تعاملهای ناامیدکنندهای با هوش مصنوعی داشتهایم یا کسانی را میشناسیم که «از چتباتها متنفرند»؛ اغلب چون تجربه خام، مفید، ارزشمند یا لذتبخش نیست. این ناامیدی اغلب کمتر به قابلیتهای مدل و بیشتر به خود تجربه مربوط است: تعامل میان افراد، عامل هوش مصنوعی و نتیجه مطلوب. این مانعی جدی برای پذیرش، بهویژه در محیطهای سازمانی است؛ جایی که تعاملهای بدطراحیشده میتوانند سردرگمی ایجاد کنند یا زمینه لحظهای، قصد و رفتار کاربر را نادیده بگیرند.
از این منظر، مزایای هر الگو، چالشهای طراحی آن و راهنمای عملی کاربردش را شناسایی کردهایم. این الگوها در انواع تعامل و شیوههای مختلف کاربرد دارند و برای تجربههای مصرفکننده و راهکارهای داخلی هوش مصنوعی فرصتهایی میسازند تا دانشورزان بهتر تصمیم بگیرند.
میخواهیم الگوهای نوظهوری را که با ساخت و آزمودن راهکارهای متعدد هوش مصنوعی مولد دیدهایم به اشتراک بگذاریم تا به طراحی روابط بهتر انسان و هوش مصنوعی کمک کنیم.
بسیاری از تعاملهای ما با فناوری، چه بهعنوان دانشورز و چه مصرفکننده، کارهای روزمره را دشوارتر از حد لازم میکنند. آنها بهرهوری، اثربخشی و ارزشآفرینی ما را محدود میکنند.
دانشورزان و مصرفکنندگان هر دو ممکن است از حجم عظیم اطلاعات، گزینهها و ابزارهای موجود سردرگم شوند. این هجوم دائمی پیامهای اغلب متناقض، تصمیمگیری روشن یا حفظ تمرکز را دشوارتر میکند. پژوهشها نشان میدهند کارکنان تا ۴۰٪ از روز کاری خود را فقط صرف یافتن اطلاعات موردنیاز میکنند (مککینزی). این اضافهبار اطلاعاتی هم بر بهرهوری و هم بر بهزیستی اثر میگذارد.
همچنین با ظرفیت محدود توجه روبهرو هستیم. حتی وقتی اطلاعات را مییابیم، نمیتوانیم همه موارد لازم برای تصمیمگیری آگاهانه را پردازش یا تحلیل کنیم. در هر لحظه تنها بر بخش کوچکی از دادههای موجود تمرکز میکنیم و اغلب به باورها یا ایدههای قبلی میچسبیم؛ امری که بررسی گزینههای دیگر یا کشف الگوهای غیرمنتظره را محدود میکند.
خود ابزارها نیز اغلب این محدودیتها را تشخیص نمیدهند. بیشتر فناوریها برای «میانگینها» طراحی شدهاند؛ راهکارهایی یکسان برای همه که با موقعیت فردی سازگار نمیشوند. چه از نرمافزارهای محیط کار استفاده کنیم و چه برنامههای مصرفکننده، این ابزارها بهندرت نیازها، محدودیتها یا شرایط منحصربهفرد ما را در نظر میگیرند. در نتیجه، فناوری ممکن است ناکارآمد یا حتی نتیجهمعکوس شود. هوش مصنوعی مولد فرصتی برای ایجاد تعاملهایی سازگارتر و شخصیتر فراهم میکند.
سرانجام، بسیاری از محیطهای کاری رنج غیرضروری ایجاد میکنند. افزایش «کارهای بیهوده»، فشار برای «همیشه در دسترس بودن» و وظایف تکراری و کمارزش، به دلزدگی و استرس مزمن دامن میزنند. با اینکه هوش مصنوعی مولد و عاملهای هوش مصنوعی میتوانند این تجربهها را کاهش دهند یا حذف کنند، هنوز بسیاری به توانایی هوش مصنوعی برای بهبود کلی کار اعتماد ندارند. ممکن است افراد در برابر ایده «بهدست گرفتن امور توسط هوش مصنوعی» مقاومت کنند، زیرا از جایگزینشدن میترسند یا نسبت به کارشان—حتی وظایف ناخوشایند—احساس مالکیت دارند.
صرفاً بهکارگیری هوش مصنوعی راهحل نیست. هوش مصنوعی با یکپارچهسازی ضعیف میتواند، بهویژه برای دانشورزان، وظایف و اضطرابهای تازهای ایجاد کند. این چالشها نیاز به تعاملهای انسان و هوش مصنوعی را نشان میدهند که نهتنها کارآمدند، بلکه با تواناییهای شناختی، شرایط فردی و محدودیتهای دنیای واقعی ما همسو هستند. شش الگوی زیر رویکردهایی را ترسیم میکنند که نیازهای افراد را به رسمیت میشناسند و از رابطهای سازگارتر، شفافتر و معنادارتر با هوش مصنوعی پشتیبانی میکنند.
رابطه میان الگوهای نوظهور طراحی و اصول تجربههای مؤثر و انسانمحور هوش مصنوعی.
گزینش: هوش مصنوعی بهعنوان منویی هوشمند—هوش مصنوعی اطلاعات را میگزیند و سامان میدهد و با کمک به پیمایش مجموعهدادههای عظیم، از سردرگمی افراد میکاهد.
ارائه بازخورد: هوش مصنوعی بهعنوان همفکر—هوش مصنوعی بازخورد تأملبرانگیز و همزمانی ارائه میدهد که فرضیات را به چالش میکشد و دیدگاههای جایگزین مطرح میکند.
آگاهی موقعیتی: هوش مصنوعی که اینجا و اکنون را درک میکند—هوش مصنوعی با پردازش پیوسته اطلاعات محیط و نیازهای کاربر، خود را با زمینه لحظهای سازگار میکند.
کشف مستمر: تبدیل هر تعامل به پژوهش کاربر—هوش مصنوعی از هر تعامل برای کشف بینش و اصلاح درک خود بهره میگیرد و یادگیری و بهبود مداوم را تضمین میکند.
تقویت: غنیسازی ورودی کاربر برای نتایج بهتر—هوش مصنوعی ضمن حفظ قصد اولیه کاربران، ورودی آنان را در پشت صحنه بهبود میدهد.
نمایش روند کار: استدلال شفاف هوش مصنوعی—هوش مصنوعی فرایند تصمیمگیری خود را آشکار و مفید میسازد، اعتماد ایجاد میکند و به تصمیمگیری آگاهانهتر کاربران کمک میکند.
این شش الگو نشان میدهند راهکارهای مؤثر هوش مصنوعی به چیزی فراتر از رابط کاربری خوبطراحیشده نیاز دارند. آنها نحوه هماهنگی، تصمیمگیری و تعامل افراد و عاملهای هوش مصنوعی را در سیستمهای دانشی پیچیده شکل میدهند. این الگوها تعامل انسان و هوش مصنوعی را از این راهها بهبود میدهند:
اولویتدادن به تبادل دوسویه دانش: گفتوگویی فراهم کنید که در آن هوش مصنوعی و افراد، ایدهها، زمینه و بینشهایشان را ارائه دهند. این کار از سیستمهای توانمندتر هوش مصنوعی پشتیبانی میکند که از دانش تخصصی و شهودِ هنوز مدوننشده بهره میبرند.
ایجاد تجربههایی که با شرایط مختلف سازگار و متحول میشوند: ابزارهای هوش مصنوعی ممکن است بهسرعت منسوخ یا نامرتبط شوند. سیستمهایی که آگاهی موقعیتی را حفظ میکنند، پیوسته میآموزند و با شرایط هر کاربر سازگار میشوند، در گذر زمان مفید میمانند.
افزایش اعتماد و اطمینان: تعاملهای شفاف و مشارکتی موانع پذیرش را کاهش میدهند، مشارکت را بیشتر میکنند و تصمیمگیری انسان و هوش مصنوعی را بهبود میبخشند. طراحی سنجیده کمک میکند افراد در گذر زمان به تصمیمها و خروجیهای سیستم اطمینان داشته باشند.
طراحی تجربههای مؤثر هوش مصنوعی دشوار است، اما رویکردهای اثباتشده میتوانند کمک کنند. اصول بنیادیِ شناخت کاربران و خلق تجربههای مفید همچنان کاربرد دارند، هرچند سیستمهای هوش مصنوعیِ دارای عاملیت ملاحظات تازهای ایجاد کردهاند. تجربههایی که اطلاعات را مؤثر میگزینند، بازخورد مفید میدهند و شفاف میآموزند، میتوانند اضافهبار را کاهش دهند، تصمیمگیری را بهتر کنند و اعتماد بسازند.
این الگوها به رفع موانع رایج پذیرش کمک میکنند و هوش مصنوعی را برای همه افراد درگیر واقعاً مفید، سازگار و ارزشمندتر میسازند.
راهنمای زیر هر الگو را با جزئیات بیشتری بررسی میکند و توضیح میدهد چگونه میتواند از تجربهای گستردهتر با هوش مصنوعی پشتیبانی کند.
چیست: بهجای آنکه کاربران نتایج جستوجو یا اسناد بیشمار را دستی زیرورو کنند، عاملهای هوش مصنوعی میتوانند اطلاعات را از مجموعهدادههای عظیم بگزینند و مرتبطترین بینشها را ارائه دهند. در اصل، هوش مصنوعی به کتابداری تبدیل میشود که دانش را متناسب با موقعیت کاربر سامان میدهد.
چرا مفید است: چون از اضافهبار اطلاعاتی میکاهد. یک دانشورز معمولی روزانه ۱٫۸ ساعت را صرف جستوجوی اطلاعات میکند و این مسئله در فرسودگی شغلی بسیاری از کارکنان نقش دارد (مککینزی). گزینش مبتنی بر هوش مصنوعی با نمایهسازی، یافتن و ترکیب اطلاعات از منابع گوناگون به این مشکل میپردازد و به کاربران کمک میکند اطلاعات، گزینهها و بینشهایی را بیابند که شاید در جستوجوی سنتی از دست بدهند.
چالش: گذار از جستوجوی سنتی مبتنی بر رابط به رویکردی با کمک عامل، مستلزم تعدیل انتظارات کاربران است. مردم عادت دارند فهرستی از پیوندها را بررسی کنند یا برای پالایش مجموعهداده دکمه بزنند. اما گزینشگر هوش مصنوعی پاسخها را از منابعی ترکیب میکند که شاید کاربران حتی از وجودشان خبر نداشته باشند. این کار ممکن است احساس کنترل کاربران بر پالایش را کاهش دهد و آنان را ناگزیر کند به انتخابهای عامل اعتماد کنند. سازوکارهای آشنای جستوجو کمک میکنند افراد بدون از دست دادن اعتماد یا کنترل، با گزینش مبتنی بر هوش مصنوعی سازگار شوند.
OpenAI چگونه با الگوهای تعاملی آشنا از کشف اطلاعات ساختاریافته و بدون ساختار پشتیبانی میکند.
سازوکارهای جستوجو را در قالب تعاملاتی آشنا ارائه کنید:
برای آسانتر کردن گذار از جستوجوی سنتی، بهجای صفحهای خالی تعاملاتی آشنا ارائه کنید. وقتی تجربه بر گزینههای شناختهشده، پرسشنامهها و پیشنهادهای متناسب با موقعیت استوار باشد، کاربران احساس راحتی بیشتری میکنند.
بهجای الزام به ورودی باز، از دکمهها بهعنوان اعلان استفاده کنید:
ورودی متنی آزاد ممکن است دلهرهآور یا وقتگیر به نظر برسد. دکمههای ازپیشتنظیمشده یا خودکار، گزینش را دسترسپذیرتر میکنند. برای مثال، «Filter by most recent»، «Compare pricing» و «Include global sources» میتوانند به کاربران در پالایش نتایج کمک کنند. این کار مانع مشارکت را کاهش میدهد، کاوش را ترغیب میکند و پیشنهادهای هوش مصنوعی را با هدف کاربر همسو میسازد.
بگذارید کاربران برای پالایش نتایج جستوجو داستانشان را تعریف کنند:
گاهی داستانگویی نیازهای کاربر را مؤثرتر از پرسوجوها یا پالایههای مستقیم منتقل میکند. در موقعیتهای پیچیده—مانند کار با داشبوردهای متراکم یا جستوجوی محصول مناسب—ممکن است ابزارهای سنتی کاربران را سردرگم کنند یا ندانند کدام پارامترها را تغییر دهند.
وقتی کاربران بتوانند «داستانشان را تعریف کنند»—یعنی مشکل، هدف شخصی یا محصول دلخواهشان را شرح دهند—هوش مصنوعی میتواند آن روایت را به پارامترهای ساختاریافته جستوجو تبدیل کند. برای مثال، کسی که میگوید «I just moved into a smaller home and need versatile, budget-friendly storage solutions» میتواند پیشنهادهای گزینششده محصول، نکات کاربردی و توصیههای مرتبط دریافت کند.
با استقبال از داستانگویی، هم بار شناختیِ تشخیص پالایههای مناسب را کاهش میدهید و هم اعتماد و شفافیت بیشتری نسبت به نتایج نهایی ایجاد میکنید.
برای شخصیسازی کشف، از میمها و ارجاعات فرهنگی استفاده کنید:
میمها از دو جهت به گزینش هوش مصنوعی کمک میکنند: درک عامل از کاربر را غنیتر میسازند و نتایج جستوجو را انسانیتر و ملموستر جلوه میدهند. نخست، کاربران با انتخاب یا اشاره به میمهایی که هدف، حالوهوا یا سبکشان را نشان میدهد («I’m feeling the ‘Treat Yo Self’ vibe today!»)، عملاً «نظریه ذهن» خود را با هوش مصنوعی در میان میگذارند. این کار به عامل کمک میکند با استنباط زمینهای که شاید در رابط گرافیکی یا پرسوجوی متنی معمول از بین برود، گزینش خود را دقیقتر کند.
دوم، عامل میتواند نتایج را در قالب «بستههای آغازین» موضوعی یا الهامگرفته از فرهنگ عامه بازنمایی کند تا پیشنهادها مرتبطتر و شخصیتر به نظر برسند. برای مثال، اگر کسی دفتر کار خانگیاش را بازطراحی کند، هوش مصنوعی میتواند یک «بسته آغازین دورکاری» شامل لوازم میز، فناوری و ایدههای الهامبخش بسازد.
با پیشنهاد بهترین اقدام بعدی، مسیر را برای کاربر روشن کنید:
چه نتایج عامل هوش مصنوعی دقیقاً مناسب باشند چه نباشند، کاربران باید بتوانند پارامترها را بهآسانی پالایش کنند. برای مثال، ممکن است بپرسند «Show me more like item 2» یا «Exclude sources older than 2020». اقدامهای بعدی پیشنهادی میتوانند بدون سردرگم کردن کاربران تازهکار، آنان را راهنمایی کنند.
چیست: عاملهای هوش مصنوعی اغلب بهعنوان راهی برای واگذاری کارهایی مطرح میشوند که سنتاً انسان انجام میدهد. توانایی آنها برای همکاری همزمان کمتر مورد توجه قرار میگیرد. عامل میتواند بهجای صرفاً پیروی از دستورها یا تولید محتوا، پرسشهای تأملبرانگیز مطرح کند، فرضیات را به چالش بکشد و دیدگاههای جایگزین ارائه دهد. بدینترتیب هوش مصنوعی به همفکری تبدیل میشود که به کاربران کمک میکند کارشان را حین شکلگیری بهبود دهند.
چرا مفید است: همه ما از بازخورد بهموقع سود میبریم، اما همیشه آن را دریافت نمیکنیم. هم مخالفت و هم حمایت میتوانند پیش از آنکه بیشازحد به ایدهای وابسته شویم، در شناسایی الگوها کمکمان کنند. عاملهای هوش مصنوعی میتوانند بدون جایگزینی قضاوت انسانی، فرضیاتمان را به چالش بکشند، ایده تولید کنند و برداشتهای دیگری از دادهها پیشنهاد دهند. دریافتهایم که مردم اغلب از این نوع بازخورد عاملی استقبال میکنند.
عاملهای هوش مصنوعی میتوانند استدلالهای مخالفی تولید کنند که شکافهای استدلال را آشکار یا دیدگاههای جایگزین را برجسته میکنند.
چالش: بازخورد هوش مصنوعی باید شهودی و عملی باشد، وگرنه به عامل حواسپرتی تبدیل میشود. مردم از عاملی که با پیشنهادهای نامرتبط مزاحم میشود یا به هر جزئیاتی خرده میگیرد استقبال نمیکنند. هوش مصنوعی باید در زمان مناسب و با لحن درست مداخله کند. اگر بیشازحد منفعل باشد، فرصتهای مفید از دست میروند؛ اگر بیشازحد تهاجمی باشد، کاربران احساس میکنند قضاوتشان زیر سؤال رفته است.
چالش در نحوه نمایش بازخورد هوش مصنوعی است: بهشکل راهنما، بررسی اختیاری یا گفتوگویی دوسویه؟ درست طراحیکردن این تعامل تعیین میکند کاربران هوش مصنوعی را بهعنوان همکار بپذیرند یا فقط آن را «کلیپی ۲.۰» ببینند.
مطمئن شوید بازخورد پیشدستانه است، اما آزاردهنده نیست:
بگذارید هوش مصنوعی در نقاط توقف طبیعی پیشنهادهایش را ارائه کند. برای مثال، در ویرایشگر سند میتواند پیش از پیشنهاد بازنویسی منتظر بماند تا جمله یا بند کامل شود. همچنین بررسی کردهایم که عامل پس از انتخاب یک کادر متنی خالی، کمی صبر کند و سپس پیشنهاد کمک بدهد. لحن مهم است: «Here’s an idea to consider…» از بیان صریح و خشک سازندهتر به نظر میرسد.
بازخورد را به گفتوگویی اکتشافی تبدیل کنید:
اگر بازخورد روشن نیست، پرسیدن سؤالهایی مانند «Why do you suggest changing this?» را برای کاربران آسان کنید. شخصیت کنجکاو هوش مصنوعی میتواند گفتوگو را سازندهتر کند. عامل میتواند مانند درمانگری متفکر یا تسهیلگری ماهر، در زمان مناسب پرسشهای مرتبط بپرسد و بازخورد را به گفتوگویی آموزنده برای کاربر تبدیل کند.
این کار به هوش مصنوعی نیز کمک میکند زمینه را دریابد تا کاربر و عامل هر دو به درک مشترک روشنتری برسند.
چند گزینه، ایده یا راه جایگزین ارائه دهید:
عامل میتواند بهجای ارائه یک ایده، راهحل یا چالش، چند دیدگاه را مطرح کند. برای مثال، عامل طراحی میتواند سه چیدمان جایگزین تولید کند و عامل نویسندگی نسخههای متفاوتی از یک جمله را برای مخاطبان مختلف پیشنهاد دهد. ارائه گزینههای مختلف تأکید میکند که کنترل همچنان در دست کاربر است.
مطمئن شوید بازخورد از زمینه آگاه است:
عامل باید نقش «همفکر» خود را با موقعیت فعلی کاربر تطبیق دهد. اگر کسی روی یک پرسش یا کادر متنی مکث کند، هوش مصنوعی میتواند بهجای ارائه فوری پاسخی کامل، پرسشی تأملبرانگیز مطرح کند. وقتی کاربر فقط به بازنویسی یک جمله نیاز دارد، پیشنهادی کوتاه که بتوان آن را پذیرفت یا رد کرد به حفظ حس مالکیت او کمک میکند.
مهمتر از همه، هوش مصنوعی باید بداند چه زمانی کنار بکشد؛ رفتوبرگشت طولانی ممکن است به «چرخه معیوب» ویرایشهای بیپایان بینجامد و اعتماد کاربر را تضعیف کند. عامل هوش مصنوعی با توجه به زمینه و اقدامات کاربر میتواند بازخوردش را واقعاً مفید و بدون مداخله بیشازحد تنظیم کند.
چیست: آگاهی موقعیتی یعنی توانایی عامل برای تفسیر همزمان اطلاعات زمینهای و تنظیم رفتارش بر همان اساس. عاملهای هوش مصنوعی بهجای اتکای صرف به ورودیهای ازپیشتعیینشده، میتوانند اطلاعات محیط، وضعیت فعلی کاربر و دیگر شرایط مرتبط را پیوسته پردازش کنند.
این میتواند به معنای تطبیق رابط با نیازهای فوری کاربر یا تفسیر شرایط جاری بازار برای مرتبطتر کردن پاسخها باشد.
چرا مفید است: دنیای واقعی ایستا نیست. سیستمهای هوش مصنوعیِ آگاه از موقعیت میتوانند مفیدتر باشند، زیرا به شرایط کنونی واکنش نشان میدهند. وقتی عامل زمینه مرتبط را درک کند، تعاملها طبیعیتر، شخصیتر و واقعبینانهتر میشوند.
چالش: ساخت هوش مصنوعیِ واقعاً آگاه از موقعیت دشوار است. دسترسی به دادههای لازم و یکپارچهسازی آنها میتواند پیچیدگی فنی چشمگیری ایجاد کند.
مرز باریکی میان آگاهی زمینهای مفید و مداخله مزاحم وجود دارد. کاربران از عاملی که «منظور را میگیرد» استقبال میکنند، اما اگر اطلاعات زیادی بخواهد یا بیشازحد پیگیر باشد ممکن است معذب شوند. ازآنجاکه شرایط میتواند بهسرعت تغییر کند، تخصص و قضاوت انسانی همچنان ضروری است.
بنابراین، سیستم هوش مصنوعی مؤثر برای حفظ درکی مفید و بهروز از شرایط کاربران به ورودی آنان نیاز دارد.
به کاربران نشان دهید زمینه مناسب چگونه است:
مدلهای استدلال مانند OpenAI o1 شیوه ارائه زمینه به مدلهای زبانی بزرگ را تغییر دادهاند. صرفنظر از مدل، زمینه دقیقتر به پاسخهای مرتبطتر کمک میکند. مثالهای روشن، متن جاینگهدار و نکات بازشدنی میتوانند اطلاعات لازم و دلیل اهمیت آنها را به کاربران نشان دهند.
نمایش صریح «زمینه مناسب» به کاربر، حدسوگمانی را از میان میبرد که مانع بیان جزئیات معنادار میشود.
تعیین مرزهای عامل را آسان کنید:
نیازهای فوری کاربر مهماند، اما شاید آشکار نباشند. عامل آگاه از موقعیت میتواند همراه کاربر، موضوعات، حوزهها و ابزارهایی را مشخص کند که باید بررسی شوند. تحقیق عمیق در ChatGPT با طرح پرسشهای روشنکننده پیش از آغاز کار پژوهشی، از این رویکرد پشتیبانی میکند.
زمینه را برای ویرایش و افزودن سریع، قابل مشاهده کنید:
کاربران ممکن است به نمایی فوری از فرضهای فعلی هوش مصنوعی درباره اهداف، تمرکز و منابع داده خود نیاز داشته باشند. یک پنل اختصاصی میتواند آخرین زمان بهروزبودن دانش، فرضیات فعلی و ورودیهای مرتبط را توضیح دهد. یک نماد میتواند استفاده از دادههای مکانی را نشان دهد و خلاصهای نیز تعداد رکوردهای مؤثر در یک بینش را بیان کند.
دیدن آنچه هوش مصنوعی «میداند» و امکان افزودن، حذف یا بهروزرسانی آسان زمینه مرتبط برای افراد سودمند است.
بگذارید هوش مصنوعی قابلیتهای رابط کاربری را بر اساس فایده انتخاب کند:
عاملهای هوش مصنوعی میتوانند بر اساس نشانههای موقعیتی، قابلیتها را بهصورت گزینشی فعال یا غیرفعال کنند. هنگام نگارش مقاله سفید، عامل میتواند ابزارهای پیشرفته ارجاع را فعال کند؛ هنگام ویرایش یادداشتهای سخنران نیز قابلیتهای ویرایشی را برجسته سازد. این کار تجربهای متمرکز فراهم میکند، بیآنکه کاربران مجبور باشند همه تنظیمات را دستی مدیریت کنند.
چیست: طراحی تجربه و توسعه محصول اغلب پژوهش کاربر را مرحلهای جداگانه در آغاز پروژه یا در فواصل مشخص میدانند. کشف مستمر، شناخت رفتار، نیازها و ترجیحات کاربران را فرایندی پیوسته میداند. هوش مصنوعی میتواند گفتوگوها، کلیکها و بازخوردها را به فرصتهایی برای کشف بینشهایی تبدیل کند که کاربران شاید صریحاً بیان نکنند.
در اصل، هوش مصنوعی در لحظه به یادگیری و سازگاری با فضای مسئله ادامه میدهد.
چرا مفید است: گردآوری بازخورد مفید از متخصصان، دستاندرکاران و کاربران عمومی درباره اثربخشی یا کاربردپذیری خروجی هوش مصنوعی دشوار است. عاملها میتوانند واکنشها، بینشها و دریافتهای شهودی را همانجا و تا زمانی که تجربه تازه است ثبت کنند.
چالش: بازخورد اغلب میگوید چه اتفاقی افتاده یا کاربر نتیجه را پسندیده است یا نه، اما چرایی آن را توضیح نمیدهد. درخواست از افراد برای بهیادآوردن و ثبت تمام مراحل فکرشان ممکن است سنگین باشد، حتی اگر آن بینشها قابلیتهای آینده سیستم را بهبود دهند.
این موضوع بهویژه در سیستمهای هوش مصنوعی با محدودیتهای سخت اهمیت دارد؛ جایی که گفتوگویی باز نه مطلوب است و نه ممکن.
برای ثبت واکنشها از برچسبهای توصیفی استفاده کنید:
یک «پسندیدن» یا «نپسندیدن» ساده بهندرت واکنش کاربر را توضیح میدهد. برچسبهای توصیفی—مانند «برای برنامهریزی بودجه مفید است» یا «اطلاعات مقرراتی را ندارد»—زمینه مفیدتری فراهم میکنند. این برچسبها میتوانند بازتاب تعامل فعلی باشند یا کاربران را به بیان دیدگاهی کوتاه دعوت کنند و امتیازدهی را به اطلاعاتی قابل یادگیری برای هوش مصنوعی تبدیل سازند.
عاملهای هوش مصنوعی را با «فلشکارت» هدایت کنید:
وقتی هوش مصنوعی اشتباه میکند یا فقط تا حدی موفق میشود، راهی ساده برای اصلاح یا «آموزش» آن در اختیار کاربران بگذارید. برای مثال، عامل میتواند بپرسد: «How would you phrase it?» یا «What detail did we miss?» راهنمایی حاصل را میتوان برای تعامل فعلی ذخیره کرد یا بعداً دوباره به کار برد.
از تکرار و تنوع بیاموزید:
گاهی بهترین بازخورد از تلاش دوباره به دست میآید. کنترلهای ساده بازتولید به کاربران امکان میدهند گزینههای تازه را مقایسه و موارد دلخواهشان را مشخص کنند. این انتخابها ورودی اولیه را به نتیجهای مفیدتر پیوند میدهند و آزمودن را بخشی از فرایند یادگیری میکنند.
تعاملها را مشاهده کنید:
عاملهای هوش مصنوعی میتوانند برای یادگیری از تعاملهای متعدد با هم همکاری کنند. برای مثال، همزمان که یک عامل خلاصه پژوهشی تهیه میکند، عاملی دیگر میتواند گفتوگو را برای ارزیابی تجربه تحلیل کند. این عاملها با عملکردی شبیه مردمنگاران میتوانند تفاوت میان قصد فرد و برداشت او از کیفیت خروجی را شناسایی کنند.
این مشاهدات با آشکار کردن بینشها و پیشنهاد تغییرات سیستم، از بهبود مستمر پشتیبانی میکنند.
چیست: تقویت، ورودی، اعلان یا دستور کاربر را برای دستیابی به نتیجهای بهتر تطبیق میدهد و در عین حال قصد اولیه را حفظ میکند. هوش مصنوعی فراتر از درخواست صریح، کارهای دیگری را در پشت صحنه انجام میدهد. برای مثال، «اعلانسازی سایه» میتواند پیش از تولید پاسخ، پرسوجو را غنیتر کند.
کاربر ایدهای اولیه ارائه میدهد و عامل هرگاه مفید باشد آن ورودی را گسترش میدهد تا نتیجه بهتر شود.
چرا مفید است: افراد اغلب دستورهایی کوتاه یا کلی میدهند، در حالی که بهترین پاسخ ممکن است به مراحل بیشتری نیاز داشته باشد. عاملهای هوش مصنوعی میتوانند بدون الزام کاربران به توضیح همهچیز، این فاصله را پر کنند. برای مثال، درخواست «brainstorm marketing ideas for my new coffee product» از هوش مصنوعی ممکن است فقط فهرستی کلی تولید کند.
رویکرد تقویتشده میتواند چند جلسه ایدهپردازی با بلندپروازی فزاینده اجرا و بهترین ایدهها را ترکیب کند تا نتیجهای غنیتر و متنوعتر شکل بگیرد.
چالش: کار در پشت صحنه میتواند احساس مالکیت و شفافیت کاربر را کاهش دهد. اگر هوش مصنوعی درخواست کسی را بدون توضیح تغییر دهد، ممکن است نتیجهای تولید کند که کاربر نمیخواسته است. طراحان باید میان تقویت مفید و خطر دستکاری ناخواسته تعادل برقرار کنند.
چالش طراحی این است که کاربران هر زمان خواستند بتوانند تقویت را هدایت کنند.
قصد کاربر را حفظ کنید و آن را بسط دهید:
تقویت باید بدون افزودن اهداف تازه، هدفهای بیانشده کاربر را بهتر محقق کند. پس از آنکه هوش مصنوعی اعلانی را گسترش داد یا وظایف پسزمینه را انجام داد، خود آن یا اعتبارسنجی جداگانه باید خروجی نهایی را با درخواست اولیه مقایسه کند. افزودههای غیرمنتظره باید بهروشنی اعلام شوند.
از تقویت برای ایمنی و خلاقیت استفاده کنید:
روشهایی مانند اعلانسازی سایه ممکن است نگرانیهایی درباره تغییر پنهانی درخواست کاربران ایجاد کنند. برای حفظ اعتماد، از این روشها برای افزایش وضوح، ایمنی یا کاملبودن استفاده کنید، بیآنکه قصد کاربر تضعیف شود. اگر تعدیلی مرتبط با ایمنی ضروری است، آن را توضیح دهید یا فوراً بازخورد ارائه کنید.
ممکن است کاربران نتیجه تعدیل محتوا را ببینند، بیآنکه منطق یا معیارهای زیربنایی آن را مشاهده کنند.
از فنون آزمودهشده تسهیلگری بهره بگیرید:
عاملهای هوش مصنوعی میتوانند برای شکلدهی تعاملات سازنده، روشهای تسهیلگری و همکاری مانند «ساختارهای رهاییبخش» را به کار بگیرند. این چارچوبهای سبک به شکوفایی حداکثری توان خلاق و تحلیلی افراد کمک میکنند.
عامل میتواند در طول گفتوگو از روشهای آشنای ایدهپردازی و پالایش ایدهها بهره بگیرد. تغییرات کوچک در روند گفتوگو میتواند دامنه گستردهتری از ایدهها و بینشها پدید آورد.
برای آشکار کردن محتوای مفید از مسیرهای موازی استفاده کنید:
عامل میتواند بهجای اتکا به یک گفتوگوی خطی، چند برداشت، ایده یا راهحل را همزمان بررسی کند. این رویکرد شبیه گروهی از متخصصان است که از دیدگاههای گوناگون ایدهپردازی میکنند، بیآنکه بینشهای مفید از دست برود.
فرایندی هماهنگکننده میتواند این مسیرهای متفاوت کاوش را در پاسخی منسجم و عملی ترکیب کند.
از تقویت برای آموزش کاربران استفاده کنید:
تقویتِ خوبطراحیشده میتواند به افراد بیاموزد چگونه مؤثرتر با هوش مصنوعی تعامل کنند. اگر عامل توضیح دهد «I considered X and Y in my answer»، ممکن است کاربران این عوامل را در درخواستهای آینده بگنجانند. این کار بهبودی دوسویه ایجاد میکند: اکنون پاسخهای بهتر و در گذر زمان ورودیهای بهتر.
چیست: این الگو درک استدلال عاملهای هوش مصنوعی را آسانتر میکند. تعاملهای سنجیده میتوانند توضیح دهند چرا عامل پاسخی تولید کرده، منابع پشتیبان را برجسته کنند یا مراحل مرتبط فرایندش را نشان دهند. هدف، پشتیبانی از تصمیمگیری مؤثر انسان بدون سردرگم کردن کاربر است.
نمایش استدلال مرتبط زمانی بهترین نتیجه را دارد که کاربران بتوانند آن را مرحلهبهمرحله بررسی و میزان جزئیات لازم را انتخاب کنند.
چرا مفید است: اعتماد برای پذیرش هوش مصنوعی، بهویژه در محیطهای سازمانی، ضروری است. اگر افراد نتوانند رفتار سیستم را درک یا راستیآزمایی کنند، کمتر به آن متکی میشوند. خروجیهای شفاف، تشخیص مشکلات، اصلاح اشتباهات و تکرار رویکردهای مفید را آسانتر میکنند.
چالش: توضیح تصمیمهای هوش مصنوعی میتواند دشوار باشد. جزئیات زیاد ممکن است کاربران را سردرگم کند و تفسیر احتمالها یا خلاصههای طولانی استدلال نیز دشوار باشد. شفافیت بهتنهایی نیز دقت را تضمین نمیکند.
طراحان باید کیفیت توضیح، وضوح ارائه آن و چگونگی تبدیل شواهد پشتیبان به بخشی از گفتوگویی مفید را در نظر بگیرند.
بگذارید عاملها گسترده بیندیشند و سپس نتایج را فشرده کنند:
هوش مصنوعی میتواند مسئله را عمیقاً تحلیل کند و در عین حال نتایج را در قالبی قابل فهم ارائه دهد. خلاصههای سلسلهمراتبی و افشای تدریجی به کاربران امکان میدهند از بینش اصلی آغاز کنند و فقط هنگام نیاز جزئیات پشتیبان را بگشایند.
تعامل خوبطراحیشده میتواند کاوش اطلاعات پیچیده را بدون قربانی کردن عمق یا وضوح آسان کند.
استنادها و مراجع قابل کاوش ارائه کنید:
پاسخهای تولیدشده با هوش مصنوعی باید راهی روشن برای بررسی منابع پشتیبان در اختیار کاربران بگذارند. این موارد میتوانند شامل پیوندها، گزیدههایی از گزارشهای داخلی، یافتههای پژوهشی مرتبط یا نمایی دقیقتر از دادههای کمی باشند.
برای مثال، در سیستمهای تولید تقویتشده با بازیابی، کاربران باید بتوانند از خلاصه هوش مصنوعی به شواهد زیربنایی آن برسند. این کار از راستیآزمایی پشتیبانی میکند و امکان بررسی عمیقتری را میدهد که اعتماد میسازد.
نشانههای مهم پیشرفت را اعلام کنید:
گردشکارهای پیچیده عامل ممکن است تغییر مسیر، بازبینی مراحل پیشین یا ترکیب چند خط پژوهش را دربرگیرند. وقتی کاربران بدانند چه اتفاقی در جریان است، تأخیرها را آسانتر میپذیرند. بهروزرسانیهای روشن میتوانند توضیح دهند عامل چه کاری را تمام کرده، اکنون چه میکند و مرحله بعد چیست.
عامل همچنین باید توضیح دهد چه زمانی متوقف شده یا تصمیمگیری به دیدگاههای بیشتری نیاز دارد.
خروجیهای هوش مصنوعی را گامبهگام آشکار کنید:
عامل میتواند بهجای ارائه یکباره کل پاسخ، اطلاعات را مرحلهبهمرحله نمایش دهد. برای مثال، دستیار سرمایهگذاری میتواند توصیهای کوتاه را همراه با گزینه گسترش منطق آن نشان دهد: «Step 1: Assess the risk profile. Step 2: Review the current portfolio. Step 3: Identify diversification opportunities. Step 4: Formulate a recommendation.» کاربرانی که جزئیات بیشتری میخواهند میتوانند هر مرحله را بررسی کنند و دیگران به همان خلاصه بسنده کنند.
از توضیحهای بصری برای استدلال هوش مصنوعی استفاده کنید:
توضیحات باید بهاندازه خروجی اصلی قابل فهم باشند. وقتی استدلال شامل اعداد یا روابط است، نمودارها و دیاگرامها میتوانند کمک کنند. بصریسازی پرسوجوها، فرایند، استدلال و منابع عامل نیز کمک میکند کاربران مسیرش را اصلاح کنند، نتیجه را برای دیگران توضیح دهند یا بعداً فرایند را تکرار کنند.
توضیحات بصری روشن به کاربران کمک میکنند اطلاعات را سریعتر بفهمند و بر اساس آن عمل کنند.