Conception de services pour l'IA : construire une approche centrée sur l'humain de l'innovation en IA

Avec le développement de l'intelligence artificielle, elle a progressivement été appliquée dans divers domaines, mais lorsqu'il s'agit de solutions d'intelligence artificielle, les concepteurs peuvent être confrontés à de nouveaux défis. Cet article explore cela et propose une méthode en six étapes qui intègre les avantages des deux disciplines, à savoir la « conception d'intelligence artificielle », jetons un coup d'œil.

Écrivez devant

À mesure que la technologie de l'IA se développe, il devient de plus en plus clair que ni la technologie ni la conception ne suffisent à elles seules pour créer des solutions d'IA efficaces, résoudre les problèmes réels des utilisateurs et avoir un impact positif sur la société. Les ingénieurs en IA travaillant sans concepteurs peuvent adopter des solutions trop rapidement sur la base d'hypothèses non vérifiées, ce qui oblige les équipes à résoudre le « mauvais problème ». À l’inverse, un manque de connaissances techniques peut conduire les concepteurs à avoir des idées irréalistes ou vagues sur les capacités de l’intelligence artificielle, conduisant à des situations où ils surestiment ou sous-estiment ses capacités.

En ce qui concerne les solutions d'IA, les concepteurs peuvent être confrontés à de nouveaux défis, tels que la manière de concevoir des systèmes d'IA dans un souci de transparence, d'« explicabilité » ou de fiabilité. Ou comment évaluer l’impact et les résultats des solutions d’IA sur les utilisateurs et la société. Par conséquent, nous pensons que les ingénieurs en intelligence artificielle (IA) et les concepteurs de services devraient collaborer pour créer des solutions centrées sur l'humain, éthiques et ayant un impact positif. Dans cet article, nous proposons une approche en six étapes qui intègre les atouts des deux disciplines, à savoir « AI Design ».

1. Avons-nous besoin d’intelligence artificielle (IA) ?

Nous considérons la conception de l'IA comme une approche centrée sur l'humain, itérative et collaborative de l'innovation en IA. Il utilise l’approche d’un concepteur pour résoudre les problèmes tout en considérant les composants dynamiques de l’IA, en appliquant une approche d’ingénierie innovante à l’IA. L'approche est basée sur la méthodologie de gestion des données Double Diamond1 et CRISP-DM2 du UK Design Council et sur notre expérience en matière d'innovation en matière d'IA au sein du groupe OLX, l'un des réseaux de plateformes de classification et de marché à la croissance la plus rapide au monde, avec plus de 300 millions de visiteurs en ligne.

Les équipes d'IA et de conception peuvent bénéficier de la collaboration. Nous pensons que cela conduira à des méthodes de travail plus efficaces et à des solutions plus centrées sur le client. Voici pourquoi :

1. L'innovation en intelligence artificielle adopte une approche centrée sur l'humain

AI-by-Design adopte une approche d'innovation en matière d'intelligence artificielle centrée sur l'humain pour comprendre en profondeur les besoins des clients avant de développer des solutions. Parfois, l’IA n’est pas la bonne solution. Parfois, des solutions plus simples telles que des feuilles de calcul peuvent bien faire le travail et économiser des ressources. Par conséquent, Avant de commencer le développement, il faut déterminer si l’IA est effectivement le bon outil pour résoudre le problème. Les équipes doivent créer tout ce qui résout les problèmes et responsabilise les humains, plutôt que de prescrire des outils ou des technologies spécifiques.

2. Tirer parti de l'interdisciplinarité

AI-by-Design encourage une manière de travailler entre les silos, plutôt que de transmettre à froid les informations des équipes de recherche en conception aux ingénieurs en IA. Lorsque les concepteurs et les ingénieurs en IA travaillent ensemble, ils peuvent couvrir les angles morts de chacun et réduire les risques d’erreurs de communication. Le processus sera plus efficace et efficient, et les solutions seront plus centrées sur le client et techniquement réalisables. Cela garantira qu’ils relèveront les bons défis, ce qui fera gagner du temps à l’équipe. En fait, dans l’état de l’intelligence artificielle 2021 de McKinsey, « l’utilisation du design thinking lors du développement d’outils d’IA » est citée comme le différenciateur le plus important pour les acteurs les plus performants en IA.

3. Des solutions IA-by-Design conçues pour notre monde dynamique

Les modèles d'IA sont souvent formés dans des environnements sandbox, mais finissent par être utilisés dans notre monde complexe et désordonné. Par conséquent, nous pensons que les modèles d’IA nécessitent un recyclage continu.

Dans le monde réel, les solutions sont affectées par la manière dont les utilisateurs interagissent avec le produit final, alors que l'IA comporte de nombreux composants dynamiques. Concevoir un moyen de collecter les commentaires des utilisateurs et les données comportementales réelles est crucial. Ces données d’entrée sont nécessaires pour améliorer les modèles et garantir que les solutions d’IA fonctionnent comme prévu et de manière éthique.

Il existe en fait un écart, et même si cela semble idéal, nous ne pouvons pas simplement regrouper quelques ingénieurs et concepteurs en IA dans une équipe et nous attendre à ce qu’ils innovent ensemble sans effort. Nous observons souvent que les deux disciplines n’ont pas de langage commun, ont des hypothèses erronées l’une sur l’autre et fonctionnent de manière différente.

Par exemple, les ingénieurs en IA travaillent dans Visual Studio Code, tandis que les concepteurs utilisent souvent des outils comme Miro. Les modèles d’apprentissage automatique doivent fonctionner avec autant de soin et de précision que possible, tandis que la conception de prototypes peut être très conceptuelle et spéculative. Les métriques d'apprentissage automatique évoluent autour des chiffres et des prédictions, tandis que les métriques de conception évoluent autour des besoins humains et de l'expérience client. Les mêmes différences existent lors de la comparaison des méthodes, comme le montre la figure 2 . Sur la figure, le double losange du comité de conception chevauche la méthode de gestion des données CRISP-DM. Trois lacunes apparaissent :

Écart 1 : Manque de « pourquoi »

Si les ingénieurs IA sont exclus des étapes initiales d'un projet, il existe un risque que la solution qu'ils élaborent s'écarte du problème initial du client. Il est essentiel de comprendre les besoins du client.

Gap 2 : Manque de compréhension technique

Les concepteurs, en revanche, ont souvent des attentes irréalistes quant aux possibilités de l'intelligence artificielle et ne sont pas toujours au courant des dernières évolutions technologiques. Étant donné que les concepteurs ne peuvent pas facilement comprendre les composants d'ingénierie, ils ont souvent besoin d'aide pour comprendre la faisabilité des solutions proposées pour éviter de se tourner vers des solutions difficiles à mettre en œuvre.

Écart 3 : Manque de boucle de rétroaction

À la fin du processus, lors de la construction d'une solution, il doit y avoir un moyen de vérifier que la solution a fonctionné comme prévu, que les données correctes ont été collectées et que le modèle était éthique. Ce problème peut être résolu grâce à des boucles de rétroaction. Les boucles de rétroaction peuvent offrir beaucoup de visibilité et de transparence à la solution. Ceci est important car dans la plupart des cas, le monde réel est très différent de l’environnement de formation dans lequel l’IA est développée. De plus, de nouvelles données seront disponibles grâce à l’interaction continue entre les utilisateurs et les solutions d’IA développées. Lorsque les bonnes données sont collectées, le modèle peut être continuellement amélioré en éliminant les biais et les valeurs aberrantes.

2. Six étapes de l'IA-by Design

Pour combler les lacunes et trouver des moyens de travailler, nous avons créé une méthode en six étapes.

1.Découverte : La première étape consiste à comprendre les objectifs du projet, les besoins des clients ainsi que leurs problèmes et opportunités commerciales. Cela implique généralement une recherche client.

2. Définition : Dans la deuxième étape, l'équipe définit l'ampleur du défi : elle choisit le problème à résoudre ou l'opportunité à poursuivre. Cette étape comprend la recherche du contexte et des possibilités de l’intelligence artificielle.

3.Décisions de conception de l'IA : À ce stade, encouragez l'équipe à se demander s'il s'agit d'un problème qui peut et doit être résolu. Cela peut être résolu grâce à l’IA. Si tel est le cas, ils évaluent quelles données sont nécessaires et examinent si la solution pourrait avoir des conséquences contraires à l’éthique. C’est également un bon résultat si l’IA n’est pas la bonne solution. L’intelligence artificielle coûte cher et prend du temps. Si d’autres alternatives peuvent résoudre le problème, elles doivent être sélectionnées.

4. Développer : La quatrième étape consiste à comprendre la meilleure façon de résoudre le problème. Il est maintenant temps d’explorer différentes solutions et d’examiner les données et la modélisation requises. Les ingénieurs en IA peuvent effectuer une analyse exploratoire des données (EDA), ce qui signifie creuser dans les données pour mieux les comprendre et voir s'il y a des valeurs aberrantes, des valeurs manquantes et si un modèle de référence peut être construit.

5. Tests : Avant de s'engager dans la construction et le déploiement d'une solution, les équipes doivent identifier les hypothèses risquées et essayer de les valider, par exemple à l'aide de tests de prototypes. C'est le moyen le plus rapide de vérifier si la solution doit être construite ou si un « pivot » est requis.

6.Livraison et évaluation : Enfin, l'équipe doit itérer, affiner, présenter et finalement livrer la solution au client final et aux principales parties prenantes. Mais le processus ne s’arrête pas là. Au lieu de cela, les équipes doivent continuellement itérer sur les solutions. Au fil du temps, davantage de données deviendront disponibles et pourront apporter un nouvel éclairage sur les solutions. Un système de surveillance (boucle de rétroaction) doit être conçu pour garantir que les biais réels et la dérive des données soient vérifiés et corrigés le plus rapidement possible.

Les six étapes précédentes sont conçues pour fournir des conseils à ceux qui souhaitent améliorer la façon dont leurs équipes mettent en œuvre l'innovation en matière d'IA.

Conclusion

Les entreprises ont besoin de technologie et de conception pour créer une IA qui : (A) est efficace, (B) résout les problèmes réels des utilisateurs et (C) a un impact commercial positif. Il y a encore un long chemin à parcourir, mais nous pensons que l'approche que nous proposons peut permettre aux organisations d'innover de manière efficace et éthique.

Auteur original : Serena Westra, Ioannis Zempekakis (Cet article a été autorisé par les parties concernées et l'auteur original)

Titre original : AI-by-Design : Human-Centred AI Innovation : Une approche en six étapes pour créer des solutions d'IA

Traducteur : Chen Yuzhi Yeutz Chen, compte public WeChat : YeutzDesign (ID : Yeutzsheji), se concentre sur le domaine de la conception de services et s'engage dans la recherche sur l'innovation et la transformation de la conception de services.

Cet article a été traduit et publié par @陈昱志Yeutz Chen sur Tout le monde est chef de produit. La réimpression sans autorisation est interdite.

L'image du titre provient d'Unsplash et est basée sur la licence CC0.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!