Happy User

View Original

AI som verktyg för användarupplevelse

Jag är fylld med nya intryck och kunskap efter att ha varit på World Summit AI 11–12 oktober 2017 i Gashouder, Amsterdam. #wsai17 Det var cirka 2.500 deltagare med namnkunniga talare från IBM Watson, Google Cloud, TensorFlow, Uber, Facebook, UNICEF, ...

Vad har jag hört?

För att vara färsk på området har det varit bra att få en överblick över området, hur saker hänger ihop, vad innehåller de olika begreppen. Inom vilka områden är AI moget, var AI är mer omoget och har utmaningar.

AI är inte magi, det är matematik

Detta är något som upprepas flera gånger. Den grundläggande matematiken har funnits i decennier, likaså idéen kring AI. Man kan nog säga att AI är sannolikhetens konst. Att AI boomar nu beror på flera samverkande faktorer:

  • En massiv tillgång till data, läs, internet och IoT, ”sakernas internet”, sensorer.

  • Datorprestanda och lagringskapacitet

  • Globaliseringen av data, API och tjänster, The Cloud

Nu är det praktiskt möjlig att göra det man talade om och drömde om för 50 år sedan. Men naturligtvis har det även tillkommit innovationer.

En bra start om du ännu inte hunnit ta in detta med artificiell intelligens är denna interaktiva presentation som ger en en visuell beskrivning av tänkandet med artificiell intelligens. Den tar bort en hel del av ”mystiken”.

Så här ser landskapet ut, ungefär

Bilden kommer från InfoSupport

Tekniker som du kan pröva själv:

Spännande höjdpunkter

  • Alibaba bygger City Brain i Hangzhou

  • Steve Chien, NASA visade flera exempel på Moonshots. En lärdom för mig var hur AI används för situationer där det är omöjligt för en människa att styra, ge kommandon eller fatta beslut på grund av för stort latens eller att det helt enkelt inte finns en kommunikationsväg. I stället byggs denna kapacitet in i rymdsonderna.

  • Diskussioner kring etik.

    • ”We want systems we can trust – but, we don’t want to trust them to much”

    • Viktig frågeställning kring riskerna med AI: ”What if you succeed?” Tänk efter före.

H < AI > M. 

Customer expectations are high, not because of its wow-effect, but because the technology acts so natural.
InfoSupport

Artificiell intelligens som gränssnittet mellan människan och maskiner var ett område var jag är speciellt nyfiken på. Några föreläsare tog upp detta, en av dem var eBay. 

eBaye har under en tid utforskat hur de ska kunna förstå kundens behov på ett djupare sätt och kombinera behoven med olika AI-tekniker. De visade ShopBot

Det här var spännande och en ögonöppnare kring vad som ligger framför när det gäller att göra bra upplevelser. Utifrån en enkel mening i chatbot:en har de teknik att förstå och agera:

Exempel på konversation i eBays ShopBot

Förutom det självklara "jag behöver ett tält", tolkar man att det är för två personer; med geoposition får man fram höjd och genomsnittlig nattemperatur.

Med ytterligare extrahering av innehåll från texten, tillsammans med andra källor och insikter kan man kombinera fram en rad hjälpsamma råd till kunden:

  • "Det är vackert vid Lake Tahoe", behöver du komplettera din kamera?

  • ”Vid den här tiden häckar en sällsynt fink där", kom ihåg att ta med kikare!

  • ”I området finns jättefina vandringsleder", packlista, tips på utrustning

  • ”Höjdskillnaden är krävande”, ladda ner vår kokbok för höga höjder

  • ”Det är nymåne, alltså inte så ljust på natten”, vi har extrapriser på ficklampor

  • ”Camping med min fru”, förslag på sovsäckar och liggunderlag

De var tydliga med att de utgår från kundernas upplevelser. Tillför det värde? Blir det enklare? Om inte sätts det aldrig i verket, även om det är cool teknik.

Tips på bra bok: Machine Learning for Designers

Det här har jag lärt mig

Mina egna summeringar lyder så här, dessa behöver senare uppdateras när jag fått mer kunskaper och insikter.

Nyttan med AI

Som jag ser det är det tre områden där AI verkligen gör nytta.

  1. Fokusera, förenkla det komplicerade, för att hjälpa vår kognition och förmåga att uppfatta. Detta kan delas in i

    • Minska klyftor

    • Sänka barriärer

  2. Optimera, till exempel att trimma tillverknings- och logistikkedjor, självkörande fordon, resursplanering med hjälp av förutsägelser

  3. Hitta avvikelser

Det är viktigt att ha rätt utgångspunkt. AI är inte magi som löser allt på ett mystiskt sätt utan ett kraftfullt sätt att utnyttja matematik. Det är konkret. Det används idag i faktiska situationer. Det löser reella problem. Rätt utfört ger det “super-krafter”.

”Byggstenarna” för att *uppleva* AI

För att förstå bättre är det fruktbart att dela upp området i logiska delar. Min förståelse är som denna illustration:

Byggstenarna för att bygga AI till en upplevelse

Utan data, ingen AI. I kärnan finns data, i huvudsak kommer data från tre områden: ”råa” data (databaser, sensorer, realtidshändelser), bilder och video, mänskligt språk (som ljud eller skrift).

Data extraheras och tvättas. Med kraftfulla tekniker plockas data ut, extraheras, tvättas och analyseras.

Algoritmer för värdeskapande. Algoritmerna gör det möjligt att till exempel, hitta mönster, tolka intentioner, skapa sammanfattningar och betydelser, och väldigt mycket mer

Kombinationer av detta skapar ”intelligens”. På en högre nivå sker det som vi som människor kommer att uppfatta som ”tjänster och produkter”; det som vi kommer att relatera till, ha värderingar och synpunkter på.

Affärsutveckling användarnytta och AI

Från mitt perspektiv som produktutvecklare och interaktionsdesigner är det speciellt intressant att utgå från de processer som finns i organisationer och företag. Det finns alltid mer eller mindre formella sätt för att komma från A till B, till exempel

  • ...när vi tillverkar

  • ...distribuerar varorna eller tjänsterna

  • ...marknadsför och säljer

  • ...hanterar kundrelationen

Men också på en högre nivå, hur strategiarbetet går till. Hur vi gör för att långsiktigt förstå vart verksamheten ska gå, hur vi utvecklar det vi säljer, hur vi utvecklar våra materiella och humana resurser, hur vi kontroller ekonomin.

Sett utifrån ett processperspektiv finns det alltid områden som kan, borde och måste bli bättre.

AI kan praktiskt hjälpa till med dessa förbättringar. Det är inte så diffust och teoretiskt som det kan verka:

  • “Tänk om vi kunde ha realtidsinformation av vår försäljning istället för månadsrapporter?”

  • “Tänk om vi kunde automatisera kundbeställningarna?”

  • “Tänk om vi kunde slippa att mata in X i Y?”

  • ...och så vidare

Harvard Business Review har skrivit en utmärkt artikel som beskriver ett sätt att angripa det,  How to Spot a Machine Learning Opportunity, Even If You Aren’t a Data Scientist

Hur ta de första stegen för att laborera med AI?

Jag var på två workshop med konsultbolag som sett behovet av att guida. De hade båda språkbruket av att vara agila och exprimentera InfoSupport och aFrogleap

Min egen fria mix av deras råd:

Gör ditt eget AI-expriment

  1. Utgå från konkret Affärsmål

  2. Ta en av dina processer: Affärsprocess, Produkt och servicecykel, FoU, etcetera. Välj ut någon där du vet att det finns flaskhalsar. Löstes detta skulle vi lättare uppnå affärsmålet.

  3. Det här är det viktigaste, ha ett tydligt Mål med experimentet. Vad är den hypotes vi vill testa? ”Om vi lyckas med detta X kommer affärsmålet Y att lättare …”

  4. Nu börjar det roliga: Hitta kombinationer mellan era processer och AI-tekniker. Använd formatet ”Tänk om...?” Eftersom det kan var svårt att i närmare detaljer veta vad som går att göra är det en god idé att bjuda in någon med kunskap till workshop. Låt denna person fungera som en katalysator.

  5. Välj ut den hypotes som verkar mest fruktbar och utforma en PoC, Proof of Concept. Detaljera ner:

    1. Var finns datakällor

    2. Mätpunkterna

    3. När ska vi avbryta? (Hur ser vi att PoC inte kommer att ge något?)

    4. Tidsram

Källor och lär dig mer

Läs detta! En mycket bra introduktion

Interaktionsdesign och AI

Att göra ett AI-expriment

Verktyg och plattformar

  • Google Cloud AI Google Cloud Machine Learning at Scale med en rad öppna API där man kan testa direkt.

  • TensorFlow Som de beskriver sig: ”An open-source software library for Machine Intelligence”. Lite större insteg men fullt möjligt att ge sig på. Här kan man ganska enkelt lära sig och själv bygga neutrala nätverk.

  • The Wekinator”the UI is infuriatingly poor but when it comes to getting started with machine learning this tool is unmatched”.

Dessa förstår AI och Machine Learning