Брайан Чески, соучредитель и генеральный директор Airbnb, определил дизайн-мышление лучше всего как «…начинать с идеального опыта и работать в обратном направлении».

Таким образом, хотя фактические шаги по созданию онлайн-рынка жилья, такого как Airbnb, могут отличаться от разработки культового кресла Aeron Германа Миллера, дизайн-мышление предлагает один и тот же целостный подход к решению обеих проблем.

Точно так же структура дизайн-мышления очень актуальна и полезна для понимания и разработки пользовательских решений проблем с помощью ИИ.

Прежде чем углубляться в детали реализации, давайте сформулируем три принципа:

  • Сосредоточьтесь на конечном пользователе. Предположим, врач будет использовать наше приложение на основе машинного обучения во время хирургической процедуры. В этом случае ее практические потребности должны иметь приоритет над нашими первоначальными предположениями и определять важные решения, такие как объем информации, предоставляемой на рентгеноскопическом изображении, или идеальное руководство, предлагаемое инструментом ИИ.
  • Посмотрите на одну и ту же проблему другими глазами. Люди с разным опытом — антропологи, инженеры, хирурги и дизайнеры — привносят «специализированный здравый смысл» — интуитивную здравую оценку, которая постоянно улучшает пользовательский опыт.
  • Создайте прототипы, чтобы быстро изменить дизайн и функциональность. Иногда конечные пользователи предлагают идею, которая добавляет огромную ценность приложению или упрощает проблему благодаря своим экспертным знаниям. Часто вы не знаете, чего вы не знаете.

Дизайн-мышление для разработки ИИ

Первая реакция людей на ИИ часто варьируется от испуганного скептицизма до нереалистичных ожиданий, вызванных текущей шумихой. Однако, даже если вышеуказанные принципы помогут обеспечить успех инициативы, мы все равно должны завоевать доверие заинтересованных сторон и направлять процесс, обеспечивая согласованность и коммуникацию.

Успех приложения ИИ в решающей степени зависит от конкретных практических обстоятельств, таких как наличие четкой постановки задачи, достаточного количества данных для обучения моделей и безупречного рабочего процесса для управления инициативой.

Имея опыт работы над несколькими проектами в разных отраслях, мы можем предложить рабочий процесс, который нам подходит.

  1. Сопереживание: начните с понимания конечных пользователей приложения машинного обучения, а также бизнес-потребностей и проблем вашего клиента. Проводите опросы, интервью и наблюдения, чтобы собрать информацию и развить глубокое понимание их требований.
  2. Определить. На основе собранной информации определите проблему, которую вы хотите решить с помощью приложения машинного обучения. Четко сформулируйте цели и задачи проекта с учетом точки зрения бизнеса и пользователей. Создайте постановку проблемы, сосредоточив внимание на основной проблеме и разъяснив ожидаемый результат.
  3. Придумать: провести мозговой штурм потенциальных решений машинного обучения, которые соответствуют поставленной задаче. Поощряйте творчество и изучайте различные варианты. Используйте блокноты для быстрой проверки идей и предположений. Участвуйте в совместных сеансах с заинтересованными сторонами, включая клиентов, разработчиков и конечных пользователей, чтобы генерировать множество идей и концепций.
  4. Прототип. Создавайте быстрые и повторяющиеся прототипы приложения машинного обучения, демонстрирующие ключевые функции и результаты предлагаемого решения. Прототипы могут быть низкокачественными, такими как каркасы, макеты или функциональные прототипы с использованием упрощенных моделей машинного обучения.
  5. Тест. Рассмотрите возможность использования синтетических данных для проверки осуществимости модели. Собирайте отзывы о прототипах, привлекая заинтересованных лиц и конечных пользователей. Проведите юзабилити-тесты и оцените, насколько хорошо приложение ML решает определенную проблему. Используйте обратную связь, чтобы

Библиотеки Python для использования

Один из наших фундаментальных принципов в Deep AI Lab фокусируется на пользовательском опыте и ценности для бизнеса, независимо от технологии, которая обеспечивает это. Этот приоритет только усиливает необходимость максимально упростить действия и взаимодействия, которые поддерживают путешествие.

Давайте посмотрим, какие известные библиотеки могут нам помочь:

  • Qualtrics или SurveyMonkey API: этап эмпатии включает проведение онлайн-опросов для больших групп. Платформы опросов, такие как Qualtrics и SurveyMonkey, предоставляют API для интеграции сбора данных опросов непосредственно в ваши скрипты Python. Эти API позволяют программно создавать, распространять и извлекать ответы на опросы.
  • Jupyter Notebook или JupyterLab. Блокноты Jupyter предоставляют интерактивную среду для выполнения кода Python, документирования результатов анализа и обмена результатами. Они помогают представить результаты на этапах «Определить» и «Оценить» и быстро протестировать идеи во время мозгового штурма потенциальных решений машинного обучения.
  • Pandas, Matplotlib и Seaborn: эти библиотеки позволяют упорядочивать, очищать, анализировать данные и создавать визуализации и графики. Мы не можем не подчеркнуть, как визуализации могут помочь в эффективной передаче информации и выявлении закономерностей или тенденций в данных.
  • PyTorch Lightning. Lightning — это исследовательская платформа PyTorch, которую я использую на этапах прототипа и тестирования. Я люблю Lightning, так как он заставляет меня сосредоточиться на исследованиях и тестировании идей, ускоряя разработку системы. Кроме того, Lightning помогает мне создавать масштабируемые и готовые к работе системы.
  • PySerial: PySerial — это библиотека для последовательной связи в Python. Он позволяет вам взаимодействовать с последовательными устройствами или интерфейсами, такими как платы или датчики Arduino, из вашего кода Python. PySerial может быть полезен при разработке прототипов, взаимодействующих с аппаратными компонентами.

Обеспечение более плавного процесса разработки

Сегодня искусственный интеллект — это впечатляюще быстро меняющаяся среда, которая требует культуры непрерывного обучения и инноваций, чтобы использовать новые технологии и лучшие отраслевые практики. Поэтому, как практики, мы должны постоянно инвестировать в исследования и разработки для изучения новых методов, сред и приложений ИИ.

Однако к настоящему времени должно быть ясно, что разработка систем искусственного интеллекта — это не (только) разработка программного обеспечения и очистка данных. От полного понимания бизнес-целей клиента до развития отношений сотрудничества с клиентами многие «мягкие» аспекты становятся решающими факторами успеха.

В этой захватывающей, но сложной отрасли надежные принципы дизайн-мышления и описанный выше рабочий процесс помогли нам предотвратить распространенные проблемы с разработками ИИ и обеспечить более плавный процесс разработки.
Я надеюсь, что вы тоже попробуете и найдете его полезным.