خلاصه مطلب مترجم:
رویکرد پرامپتنویسی دایموندی در کارهای UX مبتنی بر هوش مصنوعی بین دو مرحله تناوب ایجاد میکند:پرامپتنویسی اکتشافی برای ایجاد ایدههای گسترده و پرامپتنویسی برای اصلاح جزئیات که برای محدود کردن و مشخص کردن راهحلها استفاده میشود. این روش با مدل دابل دایموند در UX همسو است اما تمرکز آن بر مدیریت گستردگی پروژه است.
در مرحله اکتشافی، پرامپتنویسی تصویرِ صفر (Zero-Shot) به هوش مصنوعی اجازه میدهد تا ایدههای متنوعی تولید کند، در حالی که در مرحله اصلاح جزئیات ( Detail-Refining)، پرامپتنویسی چندتصویری (Few-Shot) با ارائه مثالهایی دقت خروجی را افزایش میدهد.
این رویکرد تناوبی، نوآوری را تضمین میکند بدون این که محدودیت زودهنگام ایجاد شود. متخصصان ارشد UX در ساخت پرامپتهای دقیق بهتر عمل میکنند، اما کارکنان جونیور نیز به سرعت مهارتهای خود را بهبود میبخشند، که نشاندهنده توانایی هوش مصنوعی در تسریع یادگیری و افزایش بهرهوری است.
در این مقاله آقای جاکوب نیلسن میگوید:
اصطلاحات «Zero-Shot (تصویر صفر)» و «Few-Shot (چندتصویری)» در مهندسی پرامپت استاندارد هستند، به همین دلیل از آنها استفاده میکنم. در این اصطلاحات، یک «شات (تصویر )» مثالی است که به هوش مصنوعی ارائه میدهید تا آن را به سمت کمکی که نیاز دارید هدایت کند. به نظرم بهتر بود این استراتژیهای پرامپتنویسی را «بدون مثال» و «با چند مثال» بنامیم، اما شاتها کلمه استانداردی هستند و برای جلوگیری از پیچیدهتر شدن واژگان، از آنها استفاده میکنم.
رویکرد دوگانه در پرامپتنویسی (Dual Prompting) در طراحی UX مبتنی بر هوش مصنوعی، تفاوت میان مراحل اکتشافی (Exploratory) و اصلاح جزئیات ( Detail-refining) را بیان میکند. با تغییر دادن این سبکهای پرامپتنویسی، میتوانید استراتژیهای UX خود را بهینه کرده و از پتانسیل هوش مصنوعی برای نوآوری و دقت بهرهمند شوید. استفاده از پرامپتنویسیِ « Zero-Shot (تصویر صفر)» و «Few-Shot (چندتصویری)» ، گستردگی و عمق بیشتری در حل خلاقانه مسائل به همراه دارد.
دو سبک متضاد برای پرامپتنویسی در استفاده از هوش مصنوعی در UX وجود دارد:
پرامپتنویسی اکتشافی (Exploratory prompting) که با پیشفرضهای اندک آغاز میشود و تنها به هوش مصنوعی اطلاعاتی درباره پروژه فعلی شما ارائه میدهد. این پرامپتها بهمنظور بهرهبردن از قابلیتهای ایدهپردازی ذاتی هوش مصنوعی طراحی شدهاند و هدف آنها گسترش تفکر شما درباره مسئلهٔ جاری است. نمونههایی از این پرامپتها عبارتند از:
- ۳ برنامه مختلف تحقیق کاربری با بودجههای کوچک، متوسط و بزرگ، با استفاده از روشهای متنوع تحقیق پیشنهاد کن.
suggest 3 different user research plans with small, medium, and large budgets, employing a variety of research methods- ۲۰ وظیفه آزمایش متفاوت برای یک مطالعهٔ کاربردپذیری برای این طراحی بنویس.
list 20 different test tasks for a usability study of this designپرامپتنویسیِ اصلاحِ جزئیات (Detail-refining Prompting) که بر مبنای نتایج برتر مرحله اکتشافی قرار دارد که براساس برترین نتایج گفتگو با AI از مرحلهٔ اکتشافی است و از سوی کاربر گزینش (User-curated top hit) میشود. نمونههایی از این پرامپتها عبارتند از:
- یک پرسشنامه دقیق برای کاربران با پرسونای X بنویس.
write a detailed screener for users with persona X- یک توصیف کامل از ایدههای وظیفهٔ کاربری ۳ و ۵ بنویس و یک سناریوی انگیزشی را در هر یک بهکار ببر .
write out a complete description of task ideas 3 and 5 and include a motivating scenario for each. (پرامپتنویسیِ اصلاحِ جزئیات میتواند نسخهٔ پیشرفتهای از «ویرایش آکاردئونی» باشد، اما مرحله جزئیات ممکن است در جلسهای دیگر باشد.)
«ویرایش آکاردئونی» به معنای بازی با خروجی چتبات مانند بازی با یک آکاردئون واقعی است. گاهی اوقات کاربر میخواهد جزئیات بیشتری به دست آورد و گاهی فقط نسخه خلاصهتری میخواهد. این رفتار نشاندهنده ماهیت پویا ویرایش متن است، جایی که کاربران بهصورت تکراری از هوش مصنوعی درخواست میکنند خروجیها را کوتاه یا بلندتر کند.
مقالهٔ رفتارهای جدید کاربران با هوش مصنوعی مولد: ویرایش آکاردئونی و سیبچینی را بخوانید.
بهترین نتایج، زمانی حاصل میشود که این دو سبک پرامپتنویسی به صورت متناوب مورد استفاده قرار گیرند. ابتدا باید با پرامپتهای اکتشافی شروع کنید و طیف گستردهای از راهکارها را برای حل مسئله خود ایدهپردازی کنید. یکی از مزایای شروع اکتشافی این است که از گرفتار شدن در روالهای معمولی خود جلوگیری کنید و در عوض رویکرد جدیدی را امتحان کنید. هوش مصنوعی برای پیشنهاد دادن ایدههای نو عالی است (البته بسیاری از این ایدهها ممکن است بد باشند، به همین دلیل همیشه باید تعداد زیادی ایده درخواست کنید و سپس با استفاده از تخصص خود، آنها را گزینش کنید).
در مرحله اکتشافی عمدتاً از پرامپتهای Zero-shot (تصویر صفر) استفاده کنید، به این معنا که به هوش مصنوعی نگویید چگونه باید مسئله را حل کند. فقط مسئله را بیان کنید و ببینید چه پاسخی دریافت میکنید، بدون این که خود را به گرفتن همان مشاوره همیشگی محدود کنید. در واقع برای راهکارهای زیاد درخواست کنید چراکه ایدهپردازی با هوش مصنوعی رایگان است.
در مرحله اصلاح جزئیات، استفاده از پرامپتهای چندشات که در آنها چند مثال (معمولاً ۳ تا ۵) از آنچه که انتظار دارید به هوش مصنوعی ارائه میدهید، مفید خواهد بود. به عنوان مثال، راههای بسیاری برای نوشتن وظایف تست کاربردپذیری یا پرسشنامههای جذب کاربران (Recruiting screeners) وجود دارد و با ارائهٔ مثالهای موفق از کارهای قبلی خود، نتایج بهتری از هوش مصنوعی دریافت خواهید کرد. بدون چنین مثالهای اثباتشده، مدلهای هوش مصنوعی صرفاً از منابع اینترنتی استفاده میکنند که متأسفانه شامل بسیاری از مشاورههای بد UX نیز میشود.
اصطلاحات «Zero-Shot (تصویر صفر)» و «Few-Shot (چندتصویری)» در مهندسی پرامپت استاندارد هستند، بههمیندلیل از آنها استفاده میکنم. در این اصطلاحات، یک «شات (تصویر )» مثالی است که به هوش مصنوعی ارائه میدهید تا آن را به سمت کمکی که نیاز دارید هدایت کند. به نظرم بهتر بود این استراتژیهای پرامپتنویسی را «بدون مثال» و «با چند مثال» بنامیم، اما شات کلمهٔ استانداردی هست و برای جلوگیری از پیچیدهتر شدن واژگان، از آنها استفاده میکنم.
توجه داشته باشید که این تغییرات میانِ گستردهسازی و محدودسازی دامنه پرامپتها، مشابه مدل مشهور دابل دایموند در فرآیند طراحی UX است، جایی که بین اکتشاف (بررسی فضای مسئله یا فضای راهحل) و همگرایی (تصمیمگیری نهایی برای آنچه باید طراحی و ارائه شود) تناوب و چرخش میکنید. این موضوع نباید تعجبآور باشد، زیرا تعریف یک پروژه (یا یک گام درون یک پروژه بزرگتر) نیز یک مسئله طراحی است. ما به سادگی در حال طراحی یک روش هستیم، نه یک رابط کاربری، اما مسئله همچنان همان حل مسئله تحت محدودیتهاست. طراحی رابط کاربری هنر نیست. روشهای UX هم آکادمیک نیستند.
در اینجا یک طرح کلی از فرآیند پیشنهادی برای تناوب بین دو سبک پرامپتنویسی در پروژههای UX آورده شده است:
پرامپتنویسی دایموندی در کارهای UX مبتنی بر هوش مصنوعی: ابتدا از پرامپتهای اکتشافی استفاده میکنیم تا درک خود را از مسئلهای که در دست داریم گسترش دهیم، سپس از پرامپتهای اصلاح جزئیات استفاده میکنیم تا به راهحل مشخص برسیم.
ما برای انجام کارها با اینروش فقط یک دایموند (الماس) داریم، برخلاف طراحی رابط کاربری که از مدل دابل دایموند (الماس دوگانه) استفاده میشود. ما بین فضای مسئله و فضای راهحل تناوب نمیکنیم، بلکه بین سطوح مختلف دامنه حرکت میکنیم. بنابراین، مدل واقعی پیچیدهتر از آن چیزی است که در این طرح سادهشده به تصویر کشیده شده است.
هنگام استفاده از هوش مصنوعی برای تعیین مسیر پیشرفت در یک پروژه UX، باید در سطوح مختلف از پرامپتنویسی دایموندی استفاده کنیم:
- دامنهٔ استراتژیک: این تصمیمها در سطح کل پروژه طراحی قرار دارند و بر ایجاد یک برنامه کلی UX و بودجهبندی پروژه تمرکز دارند. این دامنه میتواند چندین ماه یا حتی چند سال را پوشش دهد.
- دامنهٔ تاکتیکی: پس از تعریف برنامه پروژه، به سطح فرآیندی میرسیم که در آن مراحل لازم برای پیشرفت از یک مرحله به مرحله بعدی را تعیین میکنیم. این دامنه معمولاً چند هفته یا چند ماه طول میکشد.
- دامنهٔ عملیاتی: در نهایت، به سطح فعالیت میپردازیم و اقدامات خاص مورد نیاز برای یک فعالیت خاص را تعریف میکنیم. برای مثال، چه اقداماتی برای اجرای یک مطالعهٔ کاربردپذیری طی چند روز لازم است؟
دامنه این سطح معمولاً چند روز یا چند هفته طول میکشد. اگر یک فعالیت بیش از دو هفته طول بکشد، در واقع یک فرآیند است و باید به سطح تاکتیکی برای اصلاح و تعریف مجدد منتقل شود.
تصور چندین دایموند تو در تو برای نشان دادن پیچیدگی کامل پرامپتنویسی دایموندی در سه سطح به هم پیوسته، حتی با کمک هوش مصنوعی، فراتر از تواناییهای محدود من در تصویرسازی است. بهویژه از آنجا که اغلب نیاز خواهید داشت که به سطوح بالاتر برگردید و برنامههای کلیتر را بعد از مشاهده نتایج کارهای سطح پایینتر بازنگری کنید. یک اصل معروف در دانشکدههای دفاعی وجود دارد که میگوید «هیچ نقشه جنگی پس از برخورد با دشمن دوام نمیآورد» و همین امر در UX نیز صدق میکند.
کاربران دشمن ما نیستند، اما غیرقابلپیشبینی هستند و نیاز به برنامهریزی مجدد مداوم دارند. خوشبختانه، هوش مصنوعی برنامهریزی مجدد را کارآمدتر میکند، بهویژه با استفاده از پرامپتنویسی دایموندی.
مطالعه تحقیقاتی: چگونه پژوهشگران UX از هوش مصنوعی استفاده میکنند
من صادقانه از عملکرد ضعیف حوزه UX در کشف شواهد مربوط به کاربردپذیری هوش مصنوعی ناامید شدهام. ما در سال دوم بزرگترین انقلاب فناوری از سال 1760 (زمان شروع انقلاب صنعتی) قرار داریم و پژوهشگران UX دست روی دست گذاشته و از مشارکت در این بازی بزرگ خودداری میکنند. (این در حالی است که من یک سال پیش تاکید کردم که UX باید احساس فوریت در قبال هوش مصنوعی پیدا کند و مسئولیت طراحی این ابزارهای جدید را به دست بگیرد.)
تمام بهترین مطالعات تجربی که من دربارهٔ نحوهٔ استفاده از هوش مصنوعی و تأثیر آن بر کسبوکار میشناسم، توسط اقتصاددانان و شرکتهای مشاوره مدیریتی انجام شدهاند، نه توسط اساتید HCI (تعامل انسان و کامپیوتر) یا مشاوران UX که دارند این فرصت بزرگ را از دست میدهند.
بالاخره، برخی از تحقیقات مفید UX درباره استفاده از هوش مصنوعی در حال منتشر شدن است. Kuldeep Kelkar از شرکت مشاورهٔ UXReactor به تازگی نتایج پژوهشی درباره نحوهٔ استفاده پژوهشگران UX از هوش مصنوعی را منتشر کرده است. (بله، این یک پژوهش متا-UX است، اما با این وجود بسیار مفید است. ما نیاز داریم تا بازدهی کارهای UX را حداقل به یک مرتبهٔ بالاتر ارتقاء دهیم تا به اهداف من برای تاثیرگذاری UX بر جهان برسیم. تحقیق درباره اینکه چگونه پژوهشگران UX از هوش مصنوعی استفاده میکنند و چگونه میتوانند در کار خود بهتر شوند، ما را به سمت این هدف سوق میدهد.)
شرکتکنندگان در این مطالعه، پژوهشگرانی بودند که کاربردپذیری وبسایتهای بیمهٔ سلامت را بررسی میکردند، اما یافتهها بهنظر میرسد به پژوهشگران حوزههای دیگر طراحی نیز تعمیمپذیر باشند. این یافتههای جدید بازتابی از برخی تحقیقات موجود است اما نکات ظریف دقیقتری را اضافه میکند که از تحقیقات کیفیتگرای برپایهٔ مشاهدهگری (Qualitative observational research) انتظار میرود.
مشابهِ آنچه که من در مطالعهٔ خود درباره ابزارهای برتر هوش مصنوعی مورد استفاده توسط متخصصان UX یافتهام، این مطالعه جدید نیز نشان داد که پژوهشگران UX از هوش مصنوعی برای تسریع ایجاد بسیاری از اسناد پروژههای تحقیقاتی مانند «برنامههای تحقیقاتی، بیانیههای کاری، پرسشنامهها، و راهنماییهای مدیر جلسه» استفاده میکنند. شرکتکنندگان همچنین از هوش مصنوعی برای «تحلیل دادهها، شناسایی تمها از متنهای پیادهسازیشده (Data analysis, Theme identification) و تولید گزارشهای تحقیقاتی» بهره بردند.
چهار مثال جالب از جزئیات بیشتر که از این تحقیق کیفی به دست آمده است:
- کارکنان ارشد بهتر از کارکنان جونیور در ایجاد پرامپتهای هوش مصنوعی برای کمک به آنها در تهیه پیشنویس این اسناد بودند. (در حالی که شما ممکن است انتظار داشته باشید که کارکنان ارشد که هزینه بیشتری دارند، بهتر از کارکنان جونیور عمل کنند، این همیشه تضمینشده نیست که افراد ارشد در استفاده از یک فناوری کاملاً جدید بهتر باشند. تجربه اضافی آنها ممکن است بیفایده باشد.) دلیل اینکه افراد ارشد بهتر عمل کردند این بود که بهترین نتایج زمانی به دست میآمد که به هوش مصنوعی زمینهای دقیقتر و توصیفیتر (More Detailed and Descriptive Context) در پرامپتها داده میشد.
- کارکنان جونیور خیلی سریع در مهارتهای پرامپتنویسی خود پیشرفت کردند. این یافته مشابه نتایج قبلی است که هوش مصنوعی به تسریع رشد حرفهای افراد تازهکار کمک میکند.
- استفاده از هوش مصنوعی ذهنیت را تغییر داد: افرادی که در ابتدا نسبت به هوش مصنوعی تردید داشتند، پس از استفاده از آن در کار خود «مزایا و قابلیتهای غیرقابل پیشبینی را کشف کرده و ترسهای اولیه خود را به حمایت و تأیید تبدیل کردند». (این شبیه به یافتهای است که درصد شاغلین کسبوکار که درباره آینده هوش مصنوعی خوشبین بودند، تقریباً دو برابر شد و نگرانیها درباره پیامدهای منفی احتمالی هوش مصنوعی برای کسانی که تجربه عملی استفاده از آن را داشتند، به نصف کاهش یافت.)
- بهترین نتایج از استفاده از پرامپتنویسی دایموندی به دست آمد، همانطور که پیشتر توضیح داده شد.
دیدگاهتان را بنویسید