Не делайте ничего интересного с данными, искусственным интеллектом и машинным обучением - делайте что-то ориентированное на человека

Если вы - команда с большим количеством данных, как часто вы слышали просьбу «сделать что-нибудь интересное» от менеджеров, руководителей и специалистов по продуктам? Я о многом догадываюсь.

При создании систем искусственного интеллекта, машинного обучения и глубокого обучения просьба может заключаться в том, чтобы «сделать что-нибудь лучше, чем мы, люди, могли бы придумать».

В полях дизайна запросы о разъяснении сопровождаются фразой «Я узнаю, когда увижу».

Но это действительно сложно! С чего начать?

Причина, по которой это так сложно, в том, что идея инсайта перевернута. Это не должно быть связано с просмотром данных и рассказом о чем-то интересном. Речь идет о понимании мира, проблемах людей и проведении экспериментов, чтобы укрепить уверенность в этом понимании.

Только данные, независимо от их количества, - это только что, а не почему. Понимая почему, мы можем найти более эффективные решения проблем людей. Больше данных превосходит лучшие алгоритмы, если только человеческая цель превосходит больше данных.

В чем проблема с поиском случайных корреляций? Они могут отвлекать от миссии организации или, в худшем случае, могут быть вовсе ненастоящими (см. Заблуждение техасских снайперов).

Что такое «интересно»?

Как правило, «интересным» считается что-то новое или неожиданное. Когда люди ищут «интересного», они пробуют много разных вещей, пока что-то не сработает или «просто не щелкнет».

О подходах, основанных на новизне, можно много сказать. В Почему величие нельзя планировать: миф о цели Кеннета О. Стэнли и Джоэла Лемана »приведены примеры того, как этот ориентированный на исследования подход может привести к лучшим результатам, чем можно было бы найти в противном случае.

Поиск адресов на основе новинок - это проблема «обмана». При более целенаправленном поиске конкретной цели может показаться, что вы идете правильным путем, но на самом деле это не совсем путь к цели.

Являются ли цели проблемой?

Работая над чем-то «интересным», избегаем ли мы целей? Не в сознании руководителей, поскольку они, как правило, являются результатом, зависящим от временных рамок.

Поиск, основанный на новизне, будет иметь много неудач, и не все организации (или их руководители) готовы терпеть неудачу и ждать успеха. Здесь и проявляется тонкий баланс между исследованием и применением стратегии.

Мы можем учиться на дорожных картах и ​​ключевых показателях эффективности

В работе с продуктом есть две аналогичные ситуации, которые могут быть полезны: дорожные карты и KPI.

Дорожные карты продукта имеют тенденцию «проваливаться», когда устанавливаются неправильные ожидания. Дорожная карта призвана помочь понять будущее, но из-за сложности мира то, что мы должны делать в любой момент, меняется. Ожидания должны быть заложены в дорожные карты, что они изменятся и станут менее достоверными по мере удаления временной шкалы.

Тематическая дорожная карта пытается сосредоточиться на проблемах, которые вы пытаетесь решить, а не на функциях, которые вы пытаетесь реализовать. Я обнаружил, что они более успешны, чем функциональные дорожные карты.

KPI похожи на цели в том смысле, что это то, что организация будет отслеживать и принимать меры. Не всегда понимают, что по мере изменения рынка, клиентов и организации эти ключевые показатели эффективности также должны меняться. Предполагать, что их можно установить один раз и следовать им вечно, просто неуместно.

И для дорожных карт, и для ключевых показателей эффективности важно понимать, как сосредоточиться на проблемах и научиться их менять. Плохо написанные цели могут предполагать решение до того, как вы поймете проблему. Они полезны, когда решают проблему, которая, как известно, для кого-то важна сейчас и может быть изменена позже.

Как мы понимаем, когда наши цели больше не подходят? Как мы узнаем, когда менять наши модели? Для этого нам нужно начать с того, как устроен мир сегодня, и извлекать уроки из этого.

Ориентация на человека

В недавней статье HBR Что происходит, когда специалисты по обработке данных и дизайнеры работают вместе »есть важный аспект того, как специалисты по данным (или инженеры AI / ML):

Вместо версии науки о данных, которая узко ориентирована на исследование новых статистических моделей или построение более качественных визуализаций данных, подход, основанный на дизайн-мышлении, признает специалистов по данным как творческих решателей проблем.

Мы делаем это, чтобы сосредоточиться на проблемах, с которыми сталкиваются люди. Вы можете сделать это, поговорив с людьми, которые являются экспертами в той области, которой вы хотите помочь. Эти эксперты знают, в чем заключаются настоящие проблемы. Выводы из этих разговоров помогут вам использовать данные, чтобы понять, как проявляется проблема.

После того, как вы узнаете настоящие проблемы, вам нужно включить много разных людей из команды, которая создаст решения. Сюда входят как технические, так и нетехнические люди внутри и за пределами отрасли.

Не всегда в этом случае помогают специалисты. Фактически, они могут ограничить команду старыми способами решения проблем, а не разрешить новые.

Как только у вас появятся решения для выявленных проблем, протестируйте свои прототипы решений с людьми, которым вы пытаетесь помочь. Слушайте их и заткнись.

Этот тип проблемно-ориентированного мышления, общения с реальными пользователями и совместного творчества является краеугольным камнем дизайн-мышления. Этого недостаточно, когда вы занимаетесь наукой о данных, искусственным интеллектом, машинным обучением, глубоким обучением или другими интеллектуальными системами.

На практике

В Philosophie мы обнаружили, что основы дизайна, ориентированного на человека, и межкомандного сотрудничества создают правильную основу для выяснения того, что действительно важно. Особенно для проектов AI и ML, создание полностью обученной модели может занять месяцы.

Мы используем Картирование эмпатии для машины, Картирование путаницы, Картирование задач, Сумасшедшие восьмерки и другие упражнения, чтобы люди оказались на одной странице, не увязая в терминологии ИИ. Это особенно полезно для дизайнеров, специалистов по продуктам, руководителей и клиентов, с которыми вы можете взаимодействовать. Совместное творчество (и радикальное сотрудничество) между техническими и нетехническими ролями позволяет увидеть все аспекты проблемы и возможные решения.

Кроме того, очень эффективным может быть понимание проблем и быстрое тестирование решений с помощью прототипов. Еще до того, как вы вложите значительные средства в создание полного решения, такого как MVP, ориентированный на AI.

Вместо того, чтобы просто «делать что-то интересное», сделайте что-нибудь действенное для решения проблем людей.

О Крисе Батлере

Я помогаю командам понять настоящие бизнес-проблемы, которые им следует решать с помощью решений, ориентированных на ИИ. Команды, с которыми мы работаем, обычно просят сделать что-нибудь интересное с имеющимися у них данными. Мы помогаем им избежать локальных максимумов за счет случайных корреляций и сосредотачиваемся на решении огромных бизнес-проблем. Мой опыт включает более 18 лет опыта разработки продуктов и бизнеса в таких компаниях, как Microsoft, KAYAK и Waze. В компании Philosophie я разработал такие методы, как Сопоставление с машиной для машины и Отображение путаницы, чтобы обеспечить согласованность между командами при создании продуктов искусственного интеллекта. Если вы хотите узнать больше или связаться через электронную почту, LinkedIn или посетите http://philosophie.is/human-centered-ai.