Design thinking usprawnia wdrożenie sztucznej inteligencji

Kluczową zasadą zastosowania design thinking w tworzeniu AI jest zbadanie istoty problemu i grupy docelowej przed doborem technologii

MATERIAŁ POWSTAŁ WE WSPÓŁPRACY Z SOFTSERVE

Sztuczna inteligencja jest w tej chwili jedną z najszybciej rozwijających się technologii. Według Statista rynek AI (Artificial Intelligence) jest w 2024 roku wart 184 mld USD, co stanowi skok o niemal 50 mld USD w porównaniu z rokiem 2023.

Z różnych rozwiązań z obszaru AI korzystają organizacje ze wszystkich sektorów. Jest to skomplikowana technologia i jej wdrożenia nie należą do najłatwiejszych, zajmują dużo czasu i wymagają sporych inwestycji. Firmy, które planują wdrożenia AI, często wychodzą z założenia, że ogromna ilość danych, na których będą trenowane modele LLMs – Large Language Models (będące fundamentem sztucznej inteligencji) oraz mocne komputery wystarczą, by tworzone rozwiązanie poradziło sobie z dowolnym problemem. Jednak same dane służące do szkolenia modeli nie są w stanie spowodować, że narzędzie AI będzie przydatne i wygodne dla osób, które będą go na co dzień używać.

Co zatem zrobić, aby nie wydłużając nadmiernie procesu projektowania, stworzyć narzędzie, które będzie doskonale dopasowane do potrzeb organizacji? Taki cel można osiągnąć dzięki wykorzystaniu w projektach AI metody design thinking. Czym jest design thinking? To podejście do tworzenia nowych produktów i usług w oparciu o poznanie i zrozumienie problemów oraz potrzeb użytkowników. Jednym z głównych twórców myślenia projektowego jest David M Kelley, profesor Uniwersytetu Stanforda, współzałożyciel biura projektowego IDEO. Ta firma w 1991 r. zapoczątkowała komercyjne zastosowanie design thinking jako metody dedykowanej nie tylko do projektowania produktów, ale mającej także zastosowanie w doradztwie strategicznym i biznesowym.

Jak projektować rozwiązania AI z wykorzystaniem design thinking

Przy zastosowaniu design thinking proces tworzenia rozwiązań AI zostaje odwrócony. Zamiast trenowania modeli LLM na ogromnych ilościach surowych danych i późniejszego dostosowywania rozwiązania do realnych potrzeb użytkowników, praca nad projektem rozpoczyna się od szczegółowego określenia zakresu i tematu wdrożenia oraz grupy docelowej, która będzie używać rozwiązania. – Jednym z najpoważniejszych błędów podczas wdrożeń rozwiązań AI jest wychodzenie od poziomu technologicznego, od chęci wykorzystania AI niezależnie od potrzeb osób, które będą z niego korzystać. Design thinking dostarcza narzędzi i metod, które pomagają lepiej poznać docelową grupę, zrozumieć jej potrzeby oraz precyzyjnie określić, w jaki sposób będzie korzystać z tworzonego rozwiązania – mówi dr Inez Okulska, Head of hAI Magazine w CampusAI i NLP Senior Research Engineer na Politechnice Wrocławskiej.

Taki sposób pracy nad projektem AI pozwala uzyskać znacznie bardziej użyteczny produkt, ponieważ wybór odpowiedniej technologii, jej parametrów i elementów składowych będzie starannie dopasowany do potrzeb użytkowników. Potrzebne kategorie i zbiory danych treningowych i testowych zostaną bowiem precyzyjnie dobrane już na starcie. Bez właściwego dopasowania tworzone rozwiązanie może nie przynieść oczekiwanej korzyści, bo nie uwzględni pewnych faktów. Załóżmy, że organizacja chce stworzyć system AI do automatycznej ekstrakcji danych z dokumentów. Wydawałoby się, że nic nie może tu pójść nie tak, bo liczba typów dokumentów jest skończona, znana i dostępna i można na nich wytrenować modele. Tymczasem analiza przypadków użycia wskazuje na to, że pracownicy będą korzystali z tych dokumentów głównie w postaci skanów, zatem model wyłącznie tekstowy nie poradzi sobie z tym problemem. – Dzięki głębokiemu zrozumieniu problemów, z jakimi mierzą się użytkownicy końcowi, jesteśmy w stanie projektować rozwiązania, które nie tylko wykorzystują potencjał sztucznej inteligencji, ale przede wszystkim generują realne korzyści biznesowe. Design thinking minimalizuje ryzyko tworzenia kosztownych, lecz niepraktycznych narzędzi, pomagając skupić się na funkcjonalnościach, które przynoszą wymierne rezultaty, takie jak oszczędność czasu, optymalizacja zasobów czy lepsze decyzje oparte na danych – mówi Sebastian Drzewiecki, Country Manager SoftServe Poland.

Podsumowując, kluczową zasadą zastosowania design thinking w tworzeniu rozwiązań AI jest zbadanie istoty problemu i grupy docelowej przed doborem technologii oraz dopasowanie rozwiązania i scenariuszy jego użycia przed rozpoczęciem treningu pierwszych modeli i formowania prototypów. W ten sposób, zamiast rozwijać efektowne, ale nieefektywne systemy, można tworzyć prawdziwie innowacyjne technologie, które rozwiązują rzeczywiste problemy.

Dokładny opis realizacji wdrożenia sztucznej inteligencji w oparciu o metodę design thinking zawiera white paper „Kto, jak i po co? Zorientowanie na odbiorcę we wczesnym etapie projektowania systemów AI, czyli design thinking w praktyce”. Publikacja ta została przygotowana przez zespół, w skład którego weszli: dr Inez Okulska, Head of hAI Magazine w CampusAI i NLP Senior Research Engineer na Politechnice Wrocławskiej, oraz eksperci SoftServe. Przeprowadza czytelnika przez cały proces tworzenia rozwiązań sztucznej inteligencji z zastosowaniem design thinking, omawiając wszystkie jego etapy (jak: empatyzacja, definiowanie problemu, generowanie pomysłów, budowanie prototypów, testowanie). Autorzy sformułowali również rekomendacje zawierające wskazówki dotyczące dobrych praktyk, które warto uwzględnić podczas realizacji projektów z obszaru AI przy zastosowaniu design thinking oraz działań, jakie mogą podnieść jakość tworzonych narzędzi.