בינה מלאכותית – איום או הזדמנות מדהימה?

 

ה- AI (בינה מלאכותית) הופיעה, כנראה, לראשונה בסרטי מדע בידיוני שהצליחו לחזות את העתיד. הצורך לספק למשתמשים ממשקים נוחים לתפעול תוך יכולות חיזוי וניבוי הפעולה הבאה שלהם או, לחליפין, ניתוב חכם לפעולה הרצויה, הם אחד הבסיסים להצלחת מערכות ממוחשבות מורכבות. עם כניסתם של בוטים לממשקים המחליפים את הממשק האנושי החלטתי לבחון את החוויה האישית שלי מנקודת מבט אישית שלי כמשתמש, וגם כמי שעובד בתחום. לבדוק מקרוב את העתיד של התקשורת שלנו עם מכונות. המסקנות לפניכם. ספויילר – מדובר במערכת יחסים לכל דבר…

 

איך בינה מלאכותית גמלה אותי (כמעט) מההתמכרות שלי לסמארטפון

האפליקציה moment עוזרת לי באופן אישי להפחית את הרגלי השימוש המוגזמים בסמארטפון. היא פועלת באופן קבוע מאחורי הקלעים ומתעדת כל שימוש שלי באייפון, מידי פעם שולחת תובנה "היום השתמשת בטלפון 3:24 שעות, שזה 13% פחות מאתמול)" ובצורה זו משקפת לי עד כמה אני "מכור".

 

אבל החלק המעניין יותר הוא הקורסים/אימונים שהיא מעבירה עבור אלה שבאמת מוכנים להתמסר. לקורס האחרון שעברתי היה מטרה פשוטה "Get Bored & Brilliant" (על שם הספר). מידי יום, האפליקציה ביקשה ממני לבצע משימה – המשימה הראשונה הייתה פשוט "לשים לב למה אני מושיט את היד לאייפון". המשימות הבאות קצת יותר "תובעניות" ודרשו ממני להרחיק פיזית את המכשיר ממקום הישיבה שלי, להעביר יום בלי לצלם תמונה והשיא – להשתעמם –  או במילים שלה

To Get Bored & Brilliant.

 

איך דיברתי עם הבוט של גוגל וגם קיבלתי תשובה (שבאמת עזרה לי!)

 

את היכולות המרשימות של AI אנחנו פוגשים במגוון מוצרים, החל מאפליקציות בשימוש יום-יומי כמו מייל, דרך מערכות נשק, מכשירים רפואיים ועד לממשקי משחק. שילוב היכולות הללו במוצרים הדיגיטליים שלנו יוצרת הזדמנות יוצאת דופן ליצירת ממשקים חכמים יותר שמייצרים ערך גדול למשתמשים. הניסיון מוכיח כי שימוש נכון ביכולות של Machine learning ו- AI יכול לקצר דרמטית תהליכים ולהפחית בצורה משמעותית מהעומס הקוגניטיבי של המשתמש.

 

כשפוגשים את היכולות האלה במוצרים דיגיטליים, זה פשוט קסום. לדוגמה, הנה משהו שנתקלתי בו לא מזמן: אני משתמש לא מעט ב- Google Analytics כדי לבחון את התנהגות המשתמשים באתרים אותם אנחנו מאפיינים, אבל הניווט המורכב באתר קצת מקשה עליי למצוא את הנתונים המבוקשים. מעבר לכך, כמעט בכל פעם שאני מתחבר למערכת אני מחפש נתון אחר, אז קל לי מאוד לאבד כיוון בין הטבלאות השונות.  אבל בפעם האחרונה שהתחברתי החוויה הייתה שונה, המערכת הציעה לי להיעזר בכלי ה – Intelligence החדש שמציע דבר פשוט – "תשאל אותי שאלה", השאלה כבר הייתה לי בראש, רציתי לדעת מה אחוז הנטישה במובייל לעומת בדסקטופ,  אז שאלתי: "what is the bounce rate on mobile vs desktop?" והתשובה הגיעה:

ai-design

 

אמנם לא כתבתי את השאלה בניסוח המוכר "לה" (הנה, כבר התחלנו לדבר על מכונות כעל בני אדם…) אבל המערכת הבינה היטב את כוונתי ושלפה לי מיד את הנתונים. ייתכן שבאורך זמן זהה הייתי יכול להגיע לנתונים בכוחות עצמי, אבל זה היה מלווה בקריאה של כל האפשרויות בתפריט, טעינה של עמוד חדש, בחירת אופציית פילוח וסריקה של הנתונים. במקרה הזה אני פשוט שאלתי שאלה בצורה הטבעית ביותר וקיבלתי תשובה מיידית.

 

מבחינתי, בשלב הזה סיימתי את האינטראקציה מול הבוט, אבל לא עבורו – עבור הבוט זו בדיוק ההזדמנות לבדוק אם הוא סיפק לי את המידע הרלוונטי, אז הוא (או היא?) הציג לי שאלה "Was this answer helpful?", התשובה שלי (ולא משנה אם היא כן\לא) תעזור לבוט להשתפר וללמוד מהצלחות או מטעויות.

 

M של פייסבוק לומדת אתכם לאט אבל בטוח

 

התהליך הזה שעברתי עם הבוט של גוגל, וכלל למידה דרך המשתמש, נקרא גם "Training" וכשמו כן הוא – תפקידו הוא לאמן את האלגוריתם כדי שזה היה חכם יותר. האימון יכול להיעשות בשלל שיטות, בפייסבוק, למשל, מצאו דרך מעניינת לאמן את האלגוריתם:

"M", העוזרת האישית של אפליקציית Messenger, זמינה רק ל- 10,000 משתמשים ונמצאת היום בשלבי הלימוד, בסופם היא אמורה להיות מסוגלת לעזור לכם לבצע בחירות , כמו למשל: לבחור את המסעדה המתאימה או הסרט שיענה על הציפיות שלכם, ואפילו להזמין בשבילכם את הכרטיס.

מכיוון ש-M עדיין לא מספיק "חכמה" כדי לצאת לשוק הרחב ולענות לכולם על כל השאלות, פייסבוק נעזרים בצוות גיבוי שעובד ביחד עם האלגוריתם. איך זה עובד? כשמשתמש שואל את M שאלה שהיא יודעת את התשובה עליה, היא מיד עונה. אבל כשהשאלה מעט מורכבת בשבילה או שהיא לא בטוחה בתשובה שלה, היא מפנה אותה לצוות הגיבוי שמיד משיב על השאלה בתור M.

מבחינת המשתמש, הדיאלוג הרציף עם העוזרת האישית המשיך כרגיל ולא היה בו כל שוני, מבחינת M, היא למדה כיצד עונים לשאלה המורכבת ובפעם הבאה שתיתקל בשאלה דומה, האלגוריתם יהיה חכם יותר ויוכל לשלוף את התשובה בכוחות עצמו.

האימון של הבוט בעזרת קבלת הפידבק המהיר מאפשר לשפר את היכולות שלו ולעזור בבניית האמון של המשתמש בטכנולוגיה.

 

ה"אופס" של גוגל ולמה חשוב עדיין שיהיה מבוגר אחראי בסביבה

 

האימון והתרגול של המערכת מתמשך ואף תמידי, גם לאחר ההפצה של המערכת לקהל הרחב. חשוב שהמערכת תדע להעריך את איכות הביצועים שלה ובמידת הצורך לבקש עזרה מהמשתמש. גם המערכות המתקדמות שמצליחות לבצע הרבה מהפעולות בעצמן וללא הנחיה מהמשתמש, עדיין צריכות להיות "כפופות" לו, הצורך ב"מבוגר אחראי" קיים גם כאן, גם כשמערכת עובדת אוטומטית אנחנו עדיין רוצים לוודא שהכל עובד כמו שתכננו. גוגל הבינו את העניין בדרך הקשה והמביכה, כשהמערכת שלהם תייגה זוג אפרו-אמריקאים כגורילות….אופס

http://mashable.com/2015/07/01/google-photos-black-people-gorillas/#6_S2L1U5JuqK

ייתכן שאם המערכת הייתה מוודאת שהיא צודקת בתיוג מול משתמש "אחראי" – גוגל היו נמנעים מהמבוכה הגדולה. והם לא לבד: כבר התפרסם מאז גם סיפור על תוכנה בניו-זילנד שסירבה לקבל צילום פספורט של אדם ממוצא אסיאתי כי היא טענה שהעיניים של האיש עצומות.

 

לאט לאט ובזהירות – על החשיבות שביצירת אמון בצורה הדרגתית

 

כבר בעתיד הנראה לעין אנחנו עשויים להיתקל במקרים בהם הבוט יציע "להחליף אותנו" בביצוע משימות, לא סתם משימות אלא כאלה שנדרשת מומחיות כדי לבצע אותן. תארו לכם מומחה שאחראי לתכנן את לוח הנחיתות בשדה"ת המקומי כבר 15 שנים, משקיע בכל יום לפחות 6 שעות במשימה. אם לבוט ייקח 2 דקות לבצע את אותה המשימה, המומחה עשוי לשאול את עצמו כמה שאלות:

  • "איך כל כך מהר? זו עבודה מורכבת ומשמעותית."
  • "הוא באמת חשב על הכל? הוא עיבד את כל הנתונים? הוא התחשב גם במקרים חריגים שהחוקיות הבסיסית לא מכסה?"
  • "אם הוא כל כך יעיל ומדויק, בקרוב הוא עלול להחליף אותי?"

 

כדי להפיג את החששות הללו, חשוב לתכנן היטב את האינטראקציה ונקודות המפגש של המומחה והמוצר. לצורך זה חייבים לערוך מחקר יסודי, להכיר את סביבת העבודה של המומחה, להבין על מה הוא נמדד וממה הוא חושש בתהליך.

 

דרך מחקר כזה ניתן יהיה להבין כיצד נכון לשלב את הבוט בתהליך העבודה של המומחה, והפתרונות יכולים להיות מגוונים – ייתכן שנכון יהיה לשלב את הבוט בהדרגה (למשל: תחילה רק למשימות קטנות ובסיסיות) עד שייבנה אמון בין המומחה לבוט. כדי להתמודד עם האתגר הזה בכמה מוצרים שאנחנו תכננו בעבר, למשל, הגדרנו 3 דרגות חופש עבור האלגוריתם (או עבור המפעיל): פעולה אוטומאטית לגמרי ("ללא מגע יד אדם"), פעולה חצי-אוטומאטית ("האלגוריתם מציע, המשתמשת מקבלת/מאשרת") פעולה ידנית ("ללא סיוע בקבלת החלטות").

 

על מנת לייצר את האמון הנדרש, ניתן לשקף למומחה את מערכת קבלת ההחלטות של הבוט, להראות לו כיצד הבוט הגיע למסקנה או החלטה מסוימת ולאפשר לו לשנות אותה, כך הוא ירגיש שהשליטה עדיין בידיו.

אם לאורך המשימה ישנן גם החלטות מורכבות במיוחד שדורשות חשיבה יצירתית או מבוססת ניסיון, אפשר להיעזר במומחה המנוסה ולתת לו להחליט מה נכון, הדבר יעזור למומחה להרגיש שותפות בתהליך ובמקביל יאמן וילמד את הבוט משהו חדש.
מעבר לזה, מעורבות המומחה בתהליך תורמת גם ליצירת הרגשת הבעלות על התוצר הסופי (בדומה ל"אפקט איקאה" שפרופ' דן אריאלי מתאר) וזהו כבר תוצר מבורך במיוחד אשר הופך את העבודה בין הבוט למומחה למשותפת.

 

בעידן הבינה המלאכותית המומחה הוא לא "חותמת גומי"

 

כשמתכננים את החוויה במערכת ואת השילוב של הבוט בה,  צריכים להכיר ביכולות של המומחה ובחוזקות שלו. המטרה היא שהבוט ישלים את המומחה, יחפה על החולשות של המומחה ולא להפוך אותו ל "מאשר סדרתי" וחסר ערך. בשביל שזה יקרה צריך להבין מה המומחה יודע לעשות – שהוא בעל ערך בחוויה של המומחה – והמכונה לא. Don Norman מרחיב על זה: https://www.youtube.com/watch?v=15VmXVPVkyg

 

כשהמומחה יכיר בתועלת של הבוט הוא יוכל לקבל את הנוכחות שלו, להכניס אותו לחלק משגרת היום יום שלו לאפשר לו לעבוד בצורה יותר עצמאית, כך גם המומחה יוכל לפנות לעצמו זמן להתעסקות במשימות אחרות שדורשות יצירתיות וחשיבה אנושית ושהבוט עדיין לא מסוגל ליישם.

 

לתאם ציפיות, להגדיר גבולות – מה המערכת יודעת לעשות ומה לא

בחוויית משתמש שמתבססת על בינה מלאכותית, יותר מכל, ננסה להימנע ממצב שהמשתמש מצפה לקבל משהו שאין ביכולת המערכת לספק לו. או גרוע מכך, שהמערכת יכולה לספק אבל לא מסבירה למשתמש איך הוא יכול להשיג את זה.

שתי דוגמאות מצוינת מתחום העוזרים האישיים הם סירי וצ'אט בוט של meekan שלא מסתפקים ברשימת הפעולות שהם יודעים לבצע, אלא גם נותנים דוגמה כיצד ניתן לקבל אותם.

 

ai-design

ai-design

 

 

לסיכום – העתיד נמצא בבינה מלאכותית, עכשיו נשאר רק לייצר אותו בצורה נכונה

השימוש בעוזרים/ות אישיים/יות עדיין בתחילת הדרך, היום אנחנו נעזרים בהם בעיקר כדי לקבוע תזכורות, לחפש מידע או לנגן שיר אהוב, אלה הן פעולות בסיסיות שקל לנו לתת לטכנולוגיה לבצע במקומנו. אבל מה קורה כשרוצים לקצר תהליכים קצת יותר מורכבים? האם משתמשים ירגישו בנוח להטיל משימה יותר משמעותית ומורכבות על איזה בוט? האם יסמכו עליו שיספק תוצר איכותי מספיק?

 

אלה רק כמה דוגמאות ליכולות ההולכות ומשתדרגות של המערכות המורכבות שאנחנו פוגשים מידי יום. פיתוח היכולות הטכנולוגיות האלה הוא אתגר יוצא דופן שעומלים עליו מיטב המהנדסים בגוגל, אבל בצד השני – מנהלי המוצר, המאפיינים וצוות ההטמעה של המוצרים מתמודדים עם אתגר גדול אף יותר. זהו האתגר האנושי שטומן בתוכו שינויי התנהגות של משתמשים, החל מצרכנים פשוטים ועד משתמשים מומחים. לאן זה הולך? נדע רק בעתיד ואפילו הלא רחוק במיוחד.

 

הנושא מעניין אתכם? בכנס הקרוב שלנו ירצה ג'וש קלארק, מייסד Big Medium , סטודיו לאפיון ועיצוב המתמחה במכשירים מחוברים, חוויות מובייל ועיצוב רספונסיבי. הוא כבר מכיר את ישראל: בדצמבר 2014 הוא הרצה בכנס UXI Studio שאנחנו ארגנו, וההרצאה שלו דורגה אז בתור ההרצאה הטובה ביותר בכנס.

בין לקוחותיו נמנים סמסונג, Time Inc, אקסון מוביל, About .com, TechCrunch, Entertainment Weekly, eBay, O'Reilly Media ועוד רבים אחרים. ג 'וש כתב כמה ספרים, כולל Designing for Touch – Tapworthy: אפיון ועיצוב לאפליקציות אייפון. הוא מדבר בכל רחבי העולם על הדבר הבא בממשקים דיגיטליים.

 

ההרצאה של ג'וש קלארק: אפיון ועיצוב בעידן האלגוריתם

 

אפיון ועיצוב של הצגת מידע חשובים בדיוק כמו האלגוריתם שיוצר את המידע, ולמאפיינים ולמעצבים יש תפקיד חשוב ביצירת הדור הבא של ממשקי AI. בהרצאה ג'וש יבחן מגוון עשיר של דוגמאות משעשעות ומפכחות, ויציג באמצעותן עקרונות עיצוב ליצירת יישומי Machine Learning אחראיים.

josh clark

אינטיליגנציה מלאכותית – AI הוא חומר גלם שאתם יכולים להשתמש בו באפיון ובעיצוב שלכם, אם רק תלמדו להכיר אותו, אם תסתגלו למסקנות המוזרות, הבלתי צפויות, או השגויות לחלוטין של המכונות. ומעל לכל, תעזרו לצוות המוצר להימנע מהטיות בנתונים כדי ליצור את עולם שמכבד ומקבל את כולנו, שבו היינו רוצים לחיות.

בקרוב מאוד תוכלו למצוא מידע נוסף על ההרצאה של ג'וש באתר UXI Live 2018 יחד עם מרצים נוספים.

 

שייך לנושאים: , , , ,