اریک وو یک طراح محصول در نیویورک است که ابزارهای هوش مصنوعی را برای کارهای خلاقانه و تحلیلی طراحی می کند و بسیاری از آنچه را که طراحی می کند می سازد. در آزمایشگاه Osmo، او طراحی Osmo Studio را رهبری می کند، نرم افزاری که یادداشت نوشته شده را به رایحه تبدیل می کند. قبل از Osmo، او طراح اصلی در Seek AI بود، جایی که او یک تحلیلگر داده های هوش مصنوعی را برای نمایش کارهای خود دوباره طراحی کرد. Seek برنده جایزه طراحی UX در سال 2025 شد. طراحی صنعتی را در RISD مطالعه کرد.
***
هوش مصنوعی مولد از جایی که نرم افزار خلاق شروع می شود تغییر کرده است. به جای ساختن یک نتیجه تکه تکه، مردم آنچه را که می خواهند توصیف می کنند و پیشنهادی را پس می گیرند.
این تبادل برای افراد مختلف معنای متفاوتی دارد. تازه وارد صفحه خالی را پیمایش می کند. یک متخصص می تواند تصمیماتی را که هنر او را تشکیل می دهد از دست بدهد. کسی که مسئولیت نتیجه تجاری را بر عهده دارد آنقدر به نسل علاقه مند نیست که بتوان از آن قدردانی کرد.
من ابزارهای هوش مصنوعی را برای تجزیه و تحلیل داده ها در Seek AI و برای رایحه ها در Osmo طراحی کردم. در هر دو مورد، بخش دشوار الگو نبود. به مردم سیستم پیچیده ای را نشان داد که به اندازه کافی برای اعتماد و کار بدون جعبه سیاه یا پانل کنترل کار کنند.
من به ابزارهای خلاقانه هوش مصنوعی در سه حالت فکر می کنم: کاوش، اصلاح و ارزیابی. هر کس نیاز به کنترل متفاوتی دارد.
کاوش: نشان دادن قابلیت ها، نه مکانیک ها
اکثر نرم افزارهای خلاقانه ساختار رسانه خود را نشان می دهند: لایه ها، آهنگ ها، مواد. این فرض را بر این می‌گذارد که از قبل می‌دانید رسانه چگونه کار می‌کند. در عوض، هوش مصنوعی Generative به رابط اجازه می دهد تا از قصد شروع شود.
یک ابزار خوب نیت مبهم را نشان می دهد. یک نتیجه نشان می دهد که سیستم پاسخ صحیح را پیدا کرده است. چندین تفسیر جداگانه که هر کدام انگیزه های خاص خود را دارند، نشان می دهد که یک متن کوتاه می تواند راه های مختلفی داشته باشد. در Osmo، توضیحات کوتاهی مانند “باغ پس از باران” به عنوان سه جهت با یک منطق برای هر کدام برگردانده می شود تا افراد بدون آموزش عطرسازی بتوانند آنها را با هم مقایسه کنند.
شفافیت به همین مراقبت نیاز دارد. برای ابزار تجزیه و تحلیل داده‌های Seek، نشان دادن طرح و پرسش‌های عامل در کنار پاسخ آن، باعث شد مردم از آن بسیار بیشتر استفاده کنند. از سوی دیگر، نشان دادن داده های پشت تولید رایحه باعث سردرگمی افراد می شود. مدل ذهنی کاربر از فرآیند باید سطح درستی از شفافیت را دیکته کند.
پالایش: آنچه مهم است را تغییر دهید، آنچه را که کار می کند حفظ کنید
وقتی کسی بداند چه چیزی را می خواهد تغییر دهد، به دقت نیاز دارد، نه گزینه های بیشتری.
تذکرات در این زمینه بد هستند. چیزی «تصفیه‌شده‌تر» بخواهید و مدل می‌تواند چندین چیز را همزمان تغییر دهد. حتی اگر نتیجه بهبود یابد، نمی توانید دلیل آن را بگویید و ممکن است قطعاتی که قبلاً کار کرده اند ناپدید شوند. آمرشی و همکارانش تصحیح مؤثر و بازخورد دقیق را از جمله دستورالعمل‌های اصلی برای تعامل انسان و هوش مصنوعی فهرست می‌کنند [1].
دو نوع تغییر باید از هم جدا نگه داشته شوند: اصلاح چیزی که کار می کند و تجدید نظر در مورد آنچه باید باشد. یک توضیح باید به اصل خود متصل بماند و بگوید چه چیزی تغییر کرده است. نیت جدید باید خط جدیدی از کار را شروع کند و نیت قبلی را حفظ کند.
قانون: با مشخص شدن هدف، کنترل باید دقیق تر شود. غافلگیری در اوایل اکتشاف مفید است، در حالی که قابلیت پیش بینی بعداً مهم است.
ارزیابی: کار را برخلاف هدفش ارزیابی کنید
قضاوت به حامل بستگی دارد. توصیف عطر همان عطر نیست. Osmo به هر عطر یک هویت بصری تولید شده می دهد تا مردم بتوانند آن را تشخیص دهند و در مورد آن صحبت کنند، اما ادعا نمی کند که بوی رایحه را نشان دهد. برعکس، قضاوت در مورد ابزار تجزیه و تحلیل داده ها با اجرای پرس و جو و بررسی خروجی بسیار آسان تر است. اما حتی این نیز تفاوت های ظریف خود را دارد. یک سوال تجاری اغلب مبهم هنوز نیاز به یک تحلیلگر دارد که آن را به یک سوال داده تقسیم کند. اگر کسی یک سوال تجاری مبهم از هوش مصنوعی بپرسد، همین روند. نمایش‌ها می‌توانند خروجی هوش مصنوعی را کامل‌تر و مطمئن‌تر از آنچه هست جلوه دهند، بنابراین ابزار باید در مورد آنچه روی صفحه ارزیابی می‌شود و آنچه در زندگی واقعی ارزیابی می‌شود، روشن باشد.
برخی معیارها را می توان در ابزار گنجاند. در سیستم رنگی که من برای عوامل هوش مصنوعی در Osmo طراحی کردم، انسان ها صاحب قوانین هستند و عوامل ارزش ها را ایجاد می کنند. یک رنگ ناموفق با دلیل پرتاب می شود و هر استثنا دلیل پرتاب شدن آن را ثبت می کند.
رژیم ها، نه شخصیت ها
این حالت ها هستند، نه انواع کاربری. یک متخصص در یک محیط در محیط دیگر تازه کار است و یک نفر می تواند هر سه را در یک جلسه طی کند. بنابراین به جای حالت های مبتدی و پیشرفته، طراحان باید به این تصمیم توجه کنند:
- تحقیق: گزینه ها را به طور قابل توجهی متفاوت کنید، نه فقط متعدد.
- پالایش: به مردم اجازه دهید آنچه را که مهم است تغییر دهند، بدون از دست دادن آنچه کار می کند.
- ارزیابی: ترجیحات شخصی را از معیارهای مشترک جدا کنید.
اشنایدرمن ابزارهایی را برای حمایت از خلاقیت حول اکتشاف و کشف قاب بندی می کند [2]. هوش مصنوعی مولد یک سوال طراحی جدید اضافه می کند: چه چیزی را خودکار کنیم و چه چیزی را در دست انسان نگه داریم. برخی از تصمیمات نیاز به مقایسه، دستکاری مستقیم یا گفتگو دارند، نه نسل دیگری.
همانطور که تولید ارزان تر می شود، تفاوت بین ابزارهای خلاق در تعامل پیرامون آنها خواهد بود. نسل بعدی ابزارهای خلاقانه هوش مصنوعی نباید فقط ایجاد شغل را آسان کند. این باید درک، راهنمایی و ایستادن در پشت آنچه ایجاد می کنند را برای مردم آسان تر کند.
مراجع
[1] آمرشی، اس.، و همکاران. (2019). دستورالعمل های تعامل انسان و هوش مصنوعی. مجموعه مقالات کنفرانس CHI 2019 در مورد عوامل انسانی در سیستم های محاسباتی https://doi.org/10.1145/3290605.3300233
[2] اشنایدرمن، بی (2007). ابزارهای حمایت از خلاقیت: تسریع در کشف و نوآوری. ارتباطات ACM، 50 (12)، 20-32. https://doi.org/10.1145/1323688.1323689
