عامل هوش مصنوعی شما کار می کند ، اما آیا کاربران شما فکر می کنند که ارزش آن را دارد؟

عوامل به سرعت در حال تبدیل شدن به اساس بهره وری شرکت هستند. آنها وعده های سریعتر وضوح ، کارآیی بهتر و مشتریان خوشبختی بیشتری را وعده می دهند. اما برای آن دسته از پروژه هایی که آنها طراحی می کنند ، ما با یک چالش مهم روبرو هستیم: یک عامل “کار” فنی ، با نتایج عالی از صحت سیستم ، هنوز هم می تواند بدون ارائه ارزش یا حتی ارزش استفاده از آن توسط کاربر پذیرفته شود.

آخرین مطالعات داخلی ما در مورد چشم اندازهای نهایی بر روی یک رسوب تعیین کننده تأکید دارد. مصرف کنندگان غالباً یک زبان فنی برای توصیف یک مشکل خاص که هنگام استفاده از یک عامل با آن روبرو هستند ، ندارند. در عوض ، آنها شکایات کلی مانند:

• “اشتباه است.”
• “نمی فهمد.”
• “چیزی را از دست داده است.”

اندازه گیری واقعی موفقیت ، ارائه مدل در استاندارد نیست ، بلکه درک کاربر برای ارزش آن و اعتماد به نفس آنها است.

این چیزی است که ما پوشش خواهیم داد:

منظور از مصرف کنندگان وقتی می گویند “کار نکنید” چیست
سه سطح آسیب عامل
چگونه می توان مشکلات مصرف کننده را ترغیب کرد و اعتماد را افزایش داد
طراحی برای اعتماد و فرزندخواندگی

منظور از مصرف کنندگان وقتی می گویند “کار نکنید” چیست

هرچه نمایندگان در دسترس کاربران نهایی قرار می گیرند ، تعریف یک عامل “موفق” فراتر از دقت ساده مدل گسترش یافته است. به عنوان مثال ، نماینده ای که از نظر فنی دقیق اما در عمل بی فایده است ، سرانجام توسط کاربر نهایی رها خواهد شد.

بیایید به نمونه ای از تعامل نگاه کنیم:

این نتیجه از نظر فنی “موفقیت آمیز” است زیرا عامل به این منبع داده متصل نیست و کاربر را به درستی هدایت می کند تا به مکانی که می توانید اطلاعات را پیدا کنید. با این حال ، کاربر باید برای یافتن جواب ، اقدامات دستی انجام دهد و منجر به این تصور شود که عامل مفید نیست.

با ارزیابی اینکه کاربران در هنگام گزارش یک عامل واقعاً به چه معناست ، ما همانطور که انتظار می رود اجرا نمی شویم ، می توانیم نقاط امتناع مهم و مشکلات ارزش را شناسایی کنیم که سیستم های فنی و شاخص های مدل برای تشخیص مجهز نیستند.

پشتی

من عمیق تر شیرجه می زنم

نمایندگان در وقت شما صرفه جویی می کنند؟ در اینجا نحوه اندازه گیری تأثیر بر بهره وری آورده شده است

در اینجا راه هایی آورده شده است

آثار طراحی دریافت AI تبدیل را دریافت می کنند

در اینجا آنچه مکالمه شکسته با هوش مصنوعی به شما می گوید و چگونه طراحی تعمیر است

سه سطح آسیب عامل

برای کمک به مشکلات سه گانه مشتریان ما ، ما توسعه داده ایم فریم امتیازات کاربر را لغو می کند با تجزیه و تحلیل 2000 مکالمه برای مصرف کننده و نمایندگان با نوبت زیاد. سپس ما مشکلات فنی خاص علت اصلی را به شکایات متداول کاربران نقشه برداری کردیم.

این چارچوب مشکلات مصرف کنندگان را در سه نوع طبقه بندی می کند و سطح وزنی را که مستقیماً بر پیشرفت کارها و اعتماد به نفس مصرف کننده تأثیر می گذارد ، باقی می گذارد.

• P0: آسیب سیستم اینها بالاترین مشکلات در وزن است. عدم موفقیت P0 به این معنی است که عامل همانطور که انتظار می رود کار نمی کند ، پیشرفت کارها را مسدود می کند و اعتماد به نفس مصرف کننده به شدت آسیب دیده است.
• P1: قصد کاربر برآورده نمی شود در این موارد ، نماینده راهی را ارائه می دهد ، که با قصد اصلی کاربر مخالف است. اگرچه این سیستم می تواند از نظر فنی کاربردی باشد ، آسیب P1 پیشرفت کار را مسدود می کند و باعث نارضایتی کاربر می شود.
• P2: مقدار محدود عامل کاربردی است ، اما خروجی از کیفیت پایین یا سودمندی کم برخوردار است. این خرابی ها به این واقعیت منجر می شود که از عامل به عنوان “ارزش استفاده” نامیده می شود زیرا آنها کاربر را وادار به اصلاح ، ویرایش یا بیش از حد بیش از حد می کنند.

پشتی

چگونه می توان مشکلات مصرف کننده را ترغیب کرد و اعتماد را افزایش داد

درک این طبقه بندی اولین قدم است. موارد زیر آن را در چرخه زندگی توسعه نماینده شما برای ایجاد اعتماد و افزایش پذیرش اعمال می کند.

1. تشخیص و آسیب دیدگی تریاژ

هنگامی که خرابی سیستم P0 وجود ندارد اما کاربران مشکلات را در نظر می گیرند ، می توانید از طبقه بندی امتناع از تسریع در تشخیص مسئله در هنگام آزمایش استفاده کنید. علاوه بر این ، برای مقیاس این کار ، می توانید از یک روش ارزیابی قضاوت LLM-AS-JUDUGE استفاده کنید تا خرابی های دقیق تر P1 (هدف کاربر) و P2 (مقدار محدود) را شناسایی کنید.

2. تحلیلی از خلق و خوی انجام دهید

از تجزیه و تحلیل خلق و خوی برای شناسایی مشکلات ارزش منفی بیان شده توسط کاربران استفاده کنید که آزمایش سنتی جمع آوری نشده است. عباراتی مانند “این درست نیست” یا “Mission X” بخش های مهم بازخورد هستند. نظارت بر این خلق و خوی ، به ویژه در مکالمات با نوبت زیاد ، برای تشخیص مشکلات مربوط به P1 و P2 در طبیعت بسیار مهم است.

3. سریع برای منبع تغذیه

مبهم منجر به خرابی P1 و P2 می شود. عوامل را فعال کنید تا بتوانند بندهای مبهم را روشن کنند ، عملکردی که نه تنها کیفیت خروجی را بهبود می بخشد ، بلکه به کاربر نیز می آموزد که چگونه می تواند بندهای واضح تر و مؤثرتر بنویسد ، در نهایت باعث از بین رفتن نماینده می شود.

4. دامنه عامل را به وضوح تعریف کنید

انتظارات کاربر را با مشخص کردن آنچه عامل می تواند برای آنها در جبهه انجام دهد ، مدیریت کنید. برای درخواست هایی که در خارج از دامنه وی قرار نمی گیرند ، نماینده را برای توصیه ابزارهای جایگزین یا دست برنامه ریزی کنید. این عمل کوچک شفافیت از نارضایتی جلوگیری می کند و اعتماد به نفس ماندگار را ایجاد می کند.

طراحی برای اعتماد و فرزندخواندگی

آینده آژانس هوش مصنوعی با نتیجه فنی برطرف نمی شود ، با اطمینان و ارزش کاربر برطرف می شود. با انتقال تمرکز خود از دقت خالص به کاربر ادراک از آنچه ارزشش را دارد ، می توانیم عوامل را طراحی ، بسازیم و مستقر کنیم که عادلانه نیستند کاراما به ابزاری غیر قابل جبران تبدیل شوید که کاربران آن را می پذیرند و از آنها پشتیبانی می کنند.

پشتی

Source link