Construyendo productos de IA con un modelo mental holístico

Construyendo productos de IA de forma holística

Una herramienta para la ideación, planificación y definición de productos de IA por equipos multidisciplinarios

Nota: Este artículo es el primero de una serie llamada “Descomponiendo las aplicaciones de IA”, que introduce un modelo mental para los sistemas de IA. El modelo sirve como una herramienta para la discusión, planificación y definición de productos de IA por equipos multidisciplinarios de IA y producto, así como para la alineación con el departamento de negocios. Su objetivo es reunir las perspectivas de los gerentes de producto, diseñadores de UX, científicos de datos, ingenieros y otros miembros del equipo. En este artículo, presento el modelo mental, mientras que los artículos futuros demostrarán cómo aplicarlo a productos y características de IA específicos.

A menudo, las empresas asumen que todo lo que necesitan para incluir IA en su oferta es contratar expertos en IA y dejar que jueguen su magia técnica. Este enfoque los lleva directamente a la falacia de la integración: incluso si estos expertos e ingenieros producen modelos y algoritmos excepcionales, sus resultados a menudo quedan estancados en el nivel de parques infantiles, arenas de prueba y demostraciones, y nunca se convierten realmente en partes completas de un producto. A lo largo de los años, he visto una gran cantidad de frustración por parte de científicos de datos e ingenieros cuyas implementaciones de IA técnicamente sobresalientes no encontraron su camino en productos orientados al usuario. En cambio, tenían el honorable estatus de experimentos de vanguardia que daban a los interesados internos la impresión de estar subidos a la ola de la IA. Ahora, con la proliferación ubicua de la IA desde la publicación de ChatGPT en 2022, las empresas ya no pueden permitirse usar la IA como una característica “farol” para mostrar su destreza tecnológica.

¿Por qué es tan difícil integrar la IA? Hay un par de razones:

• A menudo, los equipos se centran en un solo aspecto de un sistema de IA. Esto incluso ha llevado al surgimiento de campamentos separados, como IA centrada en datos, IA centrada en modelos y IA centrada en humanos. Si bien cada uno de ellos ofrece perspectivas emocionantes para la investigación, un producto de la vida real necesita combinar los datos, el modelo y la interacción humano-máquina en un sistema coherente.
• El desarrollo de IA es una empresa altamente colaborativa. En el desarrollo de software tradicional, se trabaja con una dicotomía relativamente clara que consiste en los componentes del backend y del frontend. En IA, no solo necesitarás agregar roles y habilidades más diversos a tu equipo, sino también garantizar una cooperación más estrecha entre las diferentes partes. Los diferentes componentes de tu sistema de IA interactuarán entre sí de manera íntima. Por ejemplo, si estás trabajando en un asistente virtual, tus diseñadores de UX deberán comprender la ingeniería de indicaciones para crear un flujo de usuario natural. Tus anotadores de datos deben conocer tu marca y los “rasgos de personalidad” de tu asistente virtual para crear datos de entrenamiento consistentes y alineados con tu posicionamiento, y tu gerente de producto debe comprender y examinar la arquitectura del flujo de datos para garantizar que cumpla con las preocupaciones de gobierno de tus usuarios.
• Cuando se construye IA, las empresas a menudo subestiman la importancia del diseño. Si bien la IA comienza en el backend, un buen diseño es indispensable para hacerla brillar en producción. El diseño de IA empuja los límites de la UX tradicional. Gran parte de la funcionalidad que ofreces no es visible per se en la interfaz, sino que está “oculta” en el modelo, y necesitas educar y guiar a tus usuarios para maximizar estos beneficios. Además, los modelos fundamentales modernos son cosas salvajes que pueden producir salidas tóxicas, incorrectas y dañinas, por lo que establecerás barreras adicionales para reducir estos riesgos. Todo esto puede requerir nuevas habilidades en tu equipo, como la ingeniería de indicaciones y el diseño conversacional. A veces, también significa hacer cosas contraintuitivas, como subestimar el valor para gestionar las expectativas de los usuarios y agregar fricción para brindarles más control y transparencia.
• La exageración de la IA crea presión. Muchas empresas ponen el carro delante del caballo al embarcarse en implementaciones que no están validadas por las necesidades de los clientes y del mercado. A veces, incluir la palabra de moda de IA puede ayudarte a comercializarte y posicionarte como un negocio progresista e innovador, pero a largo plazo, deberás respaldar tu alarde y experimentación con oportunidades reales. Esto se puede lograr con una estrecha coordinación entre el negocio y la tecnología, que se basa en un mapeo explícito de las oportunidades del mercado a los potenciales tecnológicos.

En este artículo, construiremos un modelo mental para los sistemas de IA que integra estos diferentes aspectos (cf. figura 1). Este modelo anima a los constructores a pensar de manera integral, crear una comprensión clara de su producto objetivo y actualizarla con nuevos conocimientos y aportes en el camino. El modelo se puede utilizar como una herramienta para facilitar la colaboración, alinear las diversas perspectivas dentro y fuera del equipo de IA y construir productos exitosos basados en una visión compartida. Se puede aplicar no solo a productos nuevos impulsados por IA, sino también a características de IA que se incorporan a productos existentes.

Las siguientes secciones describirán brevemente cada uno de los componentes, centrándose en las partes específicas de los productos de IA. Comenzaremos con la perspectiva empresarial, la oportunidad en el mercado y el valor, y luego nos adentraremos en la experiencia de usuario y la tecnología. Para ilustrar el modelo, utilizaremos el ejemplo de un copiloto para la generación de contenido de marketing. Un análisis detallado de cada componente está fuera del alcance de este artículo, así que estén atentos a más artículos de esta serie, así como a mi próximo libro Inteligencia Artificial para Gerentes de Producto.

• Cómo la IA puede reconfigurar tus creencias
• ReAct, Reasoning and Acting aumenta LLMs con herramientas!
• Revolucionando la Visión por Computadora Avances, Desafíos y Direcc...

1. Oportunidad

Con todas las cosas interesantes que ahora se pueden hacer con la IA, es posible que estés impaciente por ponerte manos a la obra y comenzar a construir. Sin embargo, para construir algo que tus usuarios necesiten y amen, debes respaldar tu desarrollo con una oportunidad de mercado. En un mundo ideal, las oportunidades nos llegan de los clientes que nos dicen lo que necesitan o desean.[1] Estas pueden ser necesidades no satisfechas, puntos de dolor o deseos. Puedes buscar esta información en los comentarios de los clientes existentes, como en las reseñas de productos y las notas de tus equipos de ventas y éxito. Además, no te olvides de ti mismo como usuario potencial de tu producto: si estás abordando un problema que has experimentado tú mismo, esta ventaja de información es una ventaja adicional. Además de esto, también puedes realizar investigaciones proactivas de clientes utilizando herramientas como encuestas y entrevistas.

Por ejemplo, no necesito buscar demasiado lejos para ver los problemas del marketing de contenido para startups, pero también para empresas más grandes. Yo mismo lo he experimentado: a medida que la competencia crece, desarrollar liderazgo intelectual con contenido individual, regular y (!) de alta calidad se vuelve cada vez más importante para diferenciarse. Mientras tanto, con un equipo pequeño y ocupado, siempre habrá cosas en la mesa que parecen más importantes que escribir la publicación del blog de la semana. También suelo encontrarme con personas en mi red que luchan por establecer una rutina de marketing de contenido consistente. Estas observaciones “locales”, potencialmente sesgadas, pueden ser validadas por encuestas que van más allá de la propia red y confirman un mercado más amplio para una solución.

El mundo real es un poco más difuso, y los clientes no siempre vendrán a ti para presentar nuevas oportunidades bien formuladas. Más bien, si extiendes tus antenas, las oportunidades llegarán desde muchas direcciones, como:

• Posicionamiento en el mercado: la IA está de moda; para las empresas establecidas, se puede utilizar para reforzar la imagen de un negocio como innovador, de alta tecnología, a prueba de futuro, etc. Por ejemplo, puede elevar una agencia de marketing existente a un servicio impulsado por IA y diferenciarla de los competidores. Sin embargo, no hagas IA por hacer IA. El truco del posicionamiento debe aplicarse con precaución y en combinación con otras oportunidades, de lo contrario, corres el riesgo de perder credibilidad.
• Competidores: cuando tus competidores se mueven, es probable que ya hayan realizado la investigación y validación subyacente. Míralos después de un tiempo: ¿fue exitoso su desarrollo? Utiliza esta información para optimizar tu propia solución, adoptar las partes exitosas y corregir los errores. Por ejemplo, supongamos que estás observando a un competidor que ofrece un servicio para la generación totalmente automatizada de contenido de marketing. Los usuarios hacen clic en un “gran botón rojo” y la IA avanza para escribir y publicar el contenido. Después de investigar, descubres que los usuarios dudan en utilizar este producto porque quieren mantener más control sobre el proceso y contribuir con su propia experiencia y personalidad en la escritura. Después de todo, escribir también tiene que ver con la autexpresión y la creatividad individual. Este es el momento para que avances con una herramienta versátil que ofrezca una funcionalidad rica y configuración para dar forma a tu contenido. Mejora la eficiencia de los usuarios al tiempo que les permite “inyectarse” en el proceso cuando lo deseen.
• Regulaciones: las megatendencias como la interrupción tecnológica y la globalización obligan a los reguladores a endurecer sus requisitos. Las regulaciones crean presión y son una fuente infalible de oportunidades. Por ejemplo, imagina que se implementa una regulación que exige estrictamente que todos anuncien el contenido generado por IA como tal. Aquellas empresas que ya utilizan herramientas para la generación de contenido de IA entrarán en discusiones internas sobre si quieren esto. Muchas de ellas se abstendrán porque quieren mantener una imagen de liderazgo intelectual genuino, en lugar de producir contenido estándar claramente generado por IA. Supongamos que fuiste inteligente y optaste por una solución aumentada que brinda a los usuarios suficiente control para que puedan seguir siendo los “autores” oficiales de los textos. Con la introducción de la nueva restricción, estás inmunizado y puedes avanzar rápidamente para capitalizar la regulación, mientras que tus competidores con soluciones totalmente automatizadas necesitarán tiempo para recuperarse del contratiempo.
• Tecnologías habilitadoras: las tecnologías emergentes y los avances significativos en las tecnologías existentes, como la ola de IA generativa en 2022-23, pueden abrir nuevas formas de hacer las cosas o catapultar aplicaciones existentes a un nuevo nivel. Supongamos que has estado dirigiendo una agencia de marketing tradicional durante la última década. Ahora puedes comenzar a introducir trucos y soluciones de IA en tu negocio para aumentar la eficiencia de tus empleados, atender a más clientes con los recursos existentes y aumentar tus ganancias. Te estás basando en tu experiencia, reputación y base de clientes (con suerte, bien intencionados), por lo que la introducción de mejoras de IA puede ser mucho más fácil y menos arriesgada que para un recién llegado.

Finalmente, en el mundo moderno de los productos, las oportunidades a menudo son menos explícitas y formales y pueden ser validadas directamente en experimentos, lo que acelera tu desarrollo. Así, en el crecimiento liderado por el producto, los miembros del equipo pueden plantear sus propias hipótesis sin necesidad de un argumento estrictamente basado en datos. Estas hipótesis se pueden formular de manera fragmentada, como modificar una indicación o cambiar el diseño local de algunos elementos de la experiencia de usuario, lo que facilita su implementación, despliegue y prueba. Al eliminar la presión de proporcionar datos a priori para cada nueva sugerencia, este enfoque aprovecha las intuiciones y la imaginación de todos los miembros del equipo al tiempo que impone una validación directa de las sugerencias. Supongamos que la generación de contenido funciona sin problemas, pero cada vez se escuchan más quejas sobre la falta general de transparencia y explicabilidad de la IA. Decides implementar un nivel adicional de transparencia y mostrar a tus usuarios los documentos específicos que se utilizaron para generar un contenido. Tu equipo pone a prueba la función con una cohorte de usuarios y descubre que están contentos de usarla para rastrear las fuentes de información originales. Por lo tanto, decides establecerla en el producto principal para aumentar el uso y la satisfacción.

2. Valor

Para comprender y comunicar el valor de tu producto o función de IA, primero debes relacionarlo con un caso de uso, es decir, un problema empresarial específico que resolverá, y calcular el ROI (retorno de la inversión). Esto te obliga a alejarte de la tecnología y centrarte en los beneficios que aporta a los usuarios la solución. El ROI se puede medir en diferentes dimensiones. Algunas de ellas para la IA son:

• Aumento de la eficiencia: la IA puede ser un impulsor para la productividad de individuos, equipos y empresas enteras. Por ejemplo, en la generación de contenido, es posible que descubras que en lugar de las 4-5 horas normalmente necesarias para escribir una publicación de blog [2], ahora puedes hacerlo en 1-2 horas y dedicar el tiempo que ahorraste a otras tareas. Las ganancias de eficiencia a menudo van de la mano con ahorros de costos, ya que se requiere menos esfuerzo humano para realizar la misma cantidad de trabajo. Por lo tanto, en el contexto empresarial, este beneficio es atractivo tanto para los usuarios como para los líderes.
• Una experiencia más personalizada: Por ejemplo, tu herramienta de generación de contenido puede pedir a los usuarios que configuren parámetros de su empresa, como los atributos de la marca, la terminología, los beneficios del producto, etc. Además, puede realizar un seguimiento de las ediciones realizadas por un escritor específico y adaptar sus generaciones al estilo de escritura único de este usuario con el tiempo.
• Diversión y placer: Aquí nos adentramos en el aspecto emocional del uso del producto, también llamado nivel “visceral” por Don Norman [3]. Existen categorías completas de productos para diversión y entretenimiento en el ámbito B2C, como los juegos y la realidad aumentada. ¿Qué hay del B2B? ¿No asumirías que los productos B2B existen en un ambiente profesional estéril? En realidad, esta categoría puede generar respuestas emocionales aún más fuertes que en el B2C. [4] Por ejemplo, la escritura puede percibirse como un acto satisfactorio de autoexpresión o como una lucha interna con el bloqueo del escritor y otros problemas. Piensa en cómo tu producto puede reforzar las emociones positivas de una tarea aliviando e incluso transformando sus aspectos dolorosos.
• Conveniencia: ¿Qué necesita hacer tu usuario para aprovechar los poderes mágicos de la IA? Imagina integrar tu copiloto de generación de contenido en herramientas de colaboración populares como MS Office, Google Docs y Notion. Los usuarios podrán acceder a la inteligencia y eficiencia de tu producto sin abandonar la comodidad de su “hogar” digital. De esta manera, minimizas el esfuerzo que los usuarios deben hacer para experimentar el valor del producto y seguir usándolo, lo que a su vez impulsa la adquisición y adopción de usuarios.

Algunos de los beneficios de la IA, como la eficiencia, se pueden cuantificar directamente para el ROI. Para ganancias menos tangibles como la conveniencia y el placer, deberás pensar en métricas proxy como la satisfacción del usuario. Ten en cuenta que pensar en términos de valor para el usuario final no solo cerrará la brecha entre tus usuarios y tu producto. Como efecto secundario bienvenido, esto puede reducir los detalles técnicos en tus comunicaciones públicas. Esto evitará que invites accidentalmente a una competencia no deseada a la fiesta.

Finalmente, un aspecto fundamental del valor que debes considerar desde el principio es la sostenibilidad. ¿Cómo impacta tu solución a la sociedad y al medio ambiente? En nuestro ejemplo, la generación de contenido automatizada o aumentada puede desplazar y eliminar cargas de trabajo humanas a gran escala. Probablemente no quieras ser conocido como el “asesino” de una categoría completa de empleo, ya que esto no solo plantea preguntas éticas, sino que también genera resistencia por parte de los usuarios cuyos empleos estás amenazando. Piensa en cómo puedes abordar estos temores. Por ejemplo, podrías educar a los usuarios sobre cómo pueden utilizar eficientemente su nuevo tiempo libre para diseñar estrategias de marketing aún más sofisticadas. Estas pueden proporcionar una defensa incluso cuando otros competidores se pongan al día con la generación de contenido automatizada.

3. Datos

Para cualquier tipo de IA y aprendizaje automático, necesitas recopilar y preparar tus datos para que reflejen las entradas de la vida real y proporcionen suficientes señales de aprendizaje para tu modelo. Hoy en día, vemos una tendencia hacia una IA centrada en los datos, una filosofía de IA que se aleja de la optimización y el ajuste continuo de modelos, y se enfoca en solucionar los numerosos problemas en los datos que se alimentan a estos modelos. Cuando comienzas, hay diferentes formas de obtener un conjunto de datos decente:

• Puedes usar un conjunto de datos existente. Esto puede ser un conjunto de datos estándar de aprendizaje automático o un conjunto de datos con un propósito inicial diferente que adaptas para tu tarea. Hay algunos conjuntos de datos clásicos, como el conjunto de datos de reseñas de películas de IMDB para análisis de sentimientos y el conjunto de datos MNIST para reconocimiento de caracteres escritos a mano. También hay alternativas más exóticas y emocionantes, como la detección de pesca ilegal y la identificación de razas de perros, y numerosos conjuntos de datos creados por usuarios en plataformas de datos como Kaggle. Las posibilidades de encontrar un conjunto de datos que se adapte específicamente a tu tarea y satisfaga completamente tus requisitos son bastante bajas, y en la mayoría de los casos, también necesitarás utilizar otros métodos para enriquecer tus datos.
• Puedes anotar o crear los datos manualmente para generar las señales de aprendizaje adecuadas. La anotación manual de datos, por ejemplo, la anotación de textos con puntuaciones de sentimiento, era el método utilizado en los primeros días del aprendizaje automático. Recientemente, ha vuelto a recibir atención como ingrediente principal en la fórmula secreta de ChatGPT. Se realizó un gran esfuerzo manual para crear y clasificar las respuestas del modelo para reflejar las preferencias humanas. Esta técnica también se conoce como Aprendizaje por Reforzamiento a partir de la Retroalimentación Humana (RLHF, por sus siglas en inglés). Si tienes los recursos necesarios, puedes utilizarlos para crear datos de alta calidad para tareas más específicas, como la generación de contenido de marketing. La anotación se puede realizar internamente o utilizando un proveedor externo o un servicio de crowdsourcing como Amazon Mechanical Turk. De todos modos, la mayoría de las empresas no querrán gastar los enormes recursos necesarios para la creación manual de datos RLHF y considerarán algunos trucos para automatizar la generación de sus datos.
• Por lo tanto, puedes agregar más ejemplos a un conjunto de datos existente utilizando augmentación de datos. Para tareas más simples como el análisis de sentimientos, podrías introducir algo de ruido adicional en los textos, cambiar un par de palabras, etc. Para tareas de generación más abiertas, actualmente hay mucho entusiasmo por el uso de modelos grandes (por ejemplo, modelos fundamentales) para la generación automatizada de datos de entrenamiento. Una vez que hayas identificado el mejor método para aumentar tus datos, puedes escalarlo fácilmente para alcanzar el tamaño de conjunto de datos requerido.

Cuando creas tus datos, te enfrentas a un equilibrio entre calidad y cantidad. Puedes anotar manualmente menos datos con alta calidad, o gastar tu presupuesto en desarrollar trucos y técnicas para la augmentación de datos automatizada que introducirá ruido adicional. Si optas por la anotación manual, puedes hacerlo internamente y fomentar una cultura de detalle y calidad, o externalizar el trabajo a personas anónimas. El crowdsourcing suele tener una calidad inferior, por lo que es posible que necesites anotar más datos para compensar el ruido. ¿Cómo encuentras el equilibrio ideal? No hay recetas listas aquí; en última instancia, encontrarás la composición ideal de tus datos a través de un constante ir y venir entre el entrenamiento y la mejora de tus datos. En general, al preentrenar un modelo, este necesita adquirir conocimiento desde cero, lo cual solo puede suceder con una mayor cantidad de datos. Por otro lado, si deseas ajustar y agregar los últimos detalles de especialización a un modelo grande existente, es posible que valores más la calidad que la cantidad. La anotación manual controlada de un conjunto de datos pequeño utilizando pautas detalladas podría ser la solución óptima en este caso.

4. Algoritmo

Los datos son la materia prima a partir de la cual tu modelo aprenderá, y con suerte, podrás compilar un conjunto de datos representativo y de alta calidad. Ahora, el verdadero superpoder de tu sistema de IA, su capacidad para aprender a partir de datos existentes y generalizar a nuevos datos, reside en el algoritmo. En términos de los modelos de IA principales, hay tres opciones principales que puedes utilizar:

• Provocar a un modelo existente. Los LLM avanzados (Large Language Models) de la familia GPT, como ChatGPT y GPT-4, y otros proveedores como Anthropic y AI21 Labs están disponibles para inferencias a través de API. Con la provocación, puedes hablar directamente con estos modelos, incluyendo en tu provocación toda la información específica del dominio y la tarea requerida para una tarea. Esto puede incluir contenido específico a utilizar, ejemplos de tareas análogas (provocación con pocos ejemplos) así como instrucciones para que el modelo siga. Por ejemplo, si tu usuario quiere generar una publicación de blog sobre una nueva característica de un producto, podrías pedirle que proporcione información básica sobre la característica, como sus beneficios y casos de uso, cómo usarla, la fecha de lanzamiento, etc. Luego, tu producto llenaría esta información en una plantilla de provocación cuidadosamente elaborada y pediría al LLM que genere el texto. La provocación es excelente para comenzar con modelos pre-entrenados. Sin embargo, el foso que puedes construir con la provocación se desvanecerá rápidamente con el tiempo; a medio plazo, necesitarás una estrategia de modelo más defendible para mantener tu ventaja competitiva.
• Ajustar un modelo pre-entrenado. Este enfoque ha hecho que la IA sea tan popular en los últimos años. A medida que cada vez más modelos pre-entrenados están disponibles y plataformas como Huggingface ofrecen repositorios de modelos, así como código estándar para trabajar con los modelos, el ajuste fino se está convirtiendo en el método preferido para probar e implementar. Cuando trabajas con un modelo pre-entrenado, puedes beneficiarte de la inversión que alguien ya ha realizado en los datos, el entrenamiento y la evaluación del modelo, que ya “sabe” mucho sobre el lenguaje y el mundo. Todo lo que necesitas hacer es ajustar finamente el modelo utilizando un conjunto de datos específico de la tarea, que puede ser mucho más pequeño que el conjunto de datos utilizado originalmente para el pre-entrenamiento. Por ejemplo, para la generación de contenido de marketing, puedes recopilar un conjunto de publicaciones de blog que hayan tenido un buen rendimiento en términos de participación, y revertir las instrucciones a partir de ellas. A partir de estos datos, tu modelo aprenderá sobre la estructura, el flujo y el estilo de los artículos exitosos. El ajuste fino es el camino a seguir cuando se utilizan modelos de código abierto, pero proveedores de API de LLM como OpenAI y Cohere también ofrecen cada vez más funcionalidades de ajuste fino. Especialmente para el seguimiento de código abierto, aún deberás considerar los problemas de selección de modelos, el costo adicional del entrenamiento e implementación de modelos más grandes, y los horarios de mantenimiento y actualización de tu modelo.
• Entrenar tu modelo de ML desde cero. En general, este enfoque funciona bien para problemas más simples pero altamente específicos para los cuales tienes conocimientos específicos o conjuntos de datos decentes. La generación de contenido no encaja exactamente en esta categoría, ya que requiere capacidades lingüísticas avanzadas para comenzar, y estas solo se pueden adquirir después de entrenar con cantidades ridículamente grandes de datos. Problemas más simples como el análisis de sentimientos para un tipo específico de texto a menudo se pueden resolver con métodos establecidos de aprendizaje automático como la regresión logística, que son computacionalmente menos costosos que los métodos de aprendizaje profundo sofisticados. Por supuesto, también existe un término medio con problemas razonablemente complejos, como la extracción de conceptos para dominios específicos, para los cuales podrías considerar entrenar una red neuronal profunda desde cero.

Más allá del entrenamiento, la evaluación es de suma importancia para el uso exitoso del aprendizaje automático. Las métricas y métodos de evaluación adecuados no solo son importantes para un lanzamiento seguro de tus características de IA, sino que también servirán como un objetivo claro para la optimización adicional y como un terreno común para discusiones internas y decisiones. Si bien las métricas técnicas como la precisión, la recuperación y la exactitud pueden proporcionar un buen punto de partida, en última instancia, querrás buscar métricas que reflejen el valor real que tu IA está brindando a los usuarios.

5. Experiencia del usuario

La experiencia del usuario de los productos de IA es un tema cautivador, después de todo, los usuarios tienen grandes expectativas pero también temores sobre “asociarse” con una IA que puede potenciar y potencialmente superar su inteligencia. El diseño de esta asociación humano-IA requiere un proceso de descubrimiento y diseño reflexivo y sensato. Una de las consideraciones clave es el grado de automatización que deseas otorgar con tu producto, y ten en cuenta que la automatización total no siempre es la solución ideal. La siguiente figura ilustra el continuum de automatización:

Veamos cada uno de estos niveles:

• En la primera etapa, los humanos realizan todo el trabajo y no se realiza ninguna automatización. A pesar del bombo alrededor de la IA, la mayoría de las tareas intensivas en conocimiento en las empresas modernas todavía se llevan a cabo en este nivel, lo que presenta enormes oportunidades de automatización. Por ejemplo, el redactor de contenido que se resiste a las herramientas impulsadas por IA y está convencido de que la escritura es una artesanía altamente manual e idiosincrásica trabaja aquí.
• En la segunda etapa de la IA asistida, los usuarios tienen control completo sobre la ejecución de tareas y realizan una gran parte del trabajo de manera manual, pero las herramientas de IA les ayudan a ahorrar tiempo y compensar sus puntos débiles. Por ejemplo, al escribir una publicación de blog con una fecha límite ajustada, una revisión lingüística final con Grammarly u otra herramienta similar puede convertirse en un ahorro de tiempo bienvenido. Puede eliminar la revisión manual, que requiere mucho de tu escaso tiempo y atención, y aún así dejarte con errores y descuidos, después de todo, errar es humano.
• Con la inteligencia aumentada, la IA es un socio que aumenta la inteligencia del humano, aprovechando así las fortalezas de ambos mundos. En comparación con la IA asistida, la máquina tiene mucho más que decir en tu proceso y cubre un conjunto más amplio de responsabilidades, como la ideación, generación y edición de borradores, y la revisión lingüística final. Los usuarios aún necesitan participar en el trabajo, tomar decisiones y realizar partes de la tarea. La interfaz de usuario debe indicar claramente la distribución de trabajo entre el humano y la IA, resaltar los posibles errores y proporcionar transparencia en los pasos que realiza. En resumen, la experiencia “aumentada” guía a los usuarios hacia el resultado deseado a través de la iteración y el perfeccionamiento.
• Y finalmente, tenemos la automatización completa, una idea intrigante para los entusiastas de la IA, filósofos y expertos, pero a menudo no la elección óptima para productos de la vida real. La automatización completa significa que estás ofreciendo un “gran botón rojo” que inicia el proceso. Una vez que la IA haya terminado, tus usuarios se enfrentarán a la salida final y la aceptarán o la rechazarán. No pueden controlar lo que sucedió en el medio. Como puedes imaginar, las opciones de experiencia de usuario aquí son bastante limitadas, ya que prácticamente no hay interactividad. La mayor parte de la responsabilidad del éxito recae en los hombros de tus colegas técnicos, quienes deben garantizar una calidad excepcionalmente alta de los resultados.

Los productos de IA necesitan un tratamiento especial en cuanto al diseño. Las interfaces gráficas estándar son determinísticas y te permiten prever todos los posibles caminos que el usuario podría tomar. En cambio, los modelos de IA grandes son probabilísticos e inciertos; exponen una gama de capacidades sorprendentes pero también riesgos como salidas tóxicas, incorrectas y perjudiciales. Desde el exterior, tu interfaz de IA puede parecer simple porque muchas de las capacidades de tu producto residen directamente en el modelo. Por ejemplo, un LLM puede interpretar indicaciones, producir texto, buscar información, resumirla, adoptar un cierto estilo y terminología, ejecutar instrucciones, etc. Incluso si tu interfaz de usuario es un simple chat o interfaz de indicación, no dejes que este potencial pase desapercibido; para guiar a los usuarios hacia el éxito, debes ser explícito y realista. Haz que los usuarios sean conscientes de las capacidades y limitaciones de tus modelos de IA, permíteles descubrir y corregir fácilmente los errores cometidos por la IA y enséñales formas de iterar ellos mismos hacia resultados óptimos. Al enfatizar la confianza, la transparencia y la educación del usuario, puedes hacer que tus usuarios colaboren con la IA. Si bien una inmersión profunda en la disciplina emergente del diseño de IA está fuera del alcance de este artículo, te animo encarecidamente a buscar inspiración no solo en otras compañías de IA, sino también en otras áreas de diseño como la interacción humano-máquina. Pronto identificarás una serie de patrones de diseño recurrentes, como autocompletados, sugerencias de indicaciones y avisos de IA, que puedes integrar en tu propia interfaz para aprovechar al máximo tus datos y modelos.

Además, para lograr un diseño realmente excelente, es posible que debas agregar nuevas habilidades de diseño a tu equipo. Por ejemplo, si estás construyendo una aplicación de chat para el perfeccionamiento del contenido de marketing, trabajarás con un diseñador conversacional que se encargará de los flujos de conversación y de la “personalidad” de tu chatbot. Si estás construyendo un producto aumentado completo que necesita educar y guiar a tus usuarios a través de las opciones disponibles, un diseñador de contenido puede ayudarte a construir la arquitectura de información adecuada y agregar la cantidad correcta de sugerencias y estímulos para tus usuarios.

Y finalmente, mantente abierto a sorpresas. El diseño de IA puede hacer que reconsideres tus concepciones originales sobre la experiencia del usuario. Por ejemplo, muchos diseñadores de UX y gerentes de productos se enfocaron en minimizar la latencia y la fricción para suavizar la experiencia del usuario. Bueno, en los productos de IA, puedes pausar esta lucha y utilizar ambos a tu favor. La latencia y los tiempos de espera son excelentes para educar a tus usuarios, por ejemplo, explicando qué está haciendo actualmente la IA e indicando los posibles próximos pasos. Las pausas, como los cuadros de diálogo y las notificaciones emergentes, pueden introducir fricción para reforzar la asociación entre humanos e IA y aumentar la transparencia y el control para tus usuarios.

6. Requisitos no funcionales

Más allá de los datos, algoritmos y UX que te permiten implementar una funcionalidad específica, los llamados requisitos no funcionales (NFR) como precisión, latencia, escalabilidad, confiabilidad y gobernanza de datos garantizan que el usuario realmente obtenga el valor previsto. El concepto de NFR proviene del desarrollo de software, pero aún no se tiene en cuenta de manera sistemática en el ámbito de la IA. A menudo, estos requisitos se abordan de manera ad hoc a medida que surgen durante la investigación de usuarios, ideación, desarrollo y operación de capacidades de IA.

Deberías tratar de comprender y definir tus NFR lo antes posible, ya que diferentes NFR cobrarán vida en diferentes momentos de tu trayectoria. Por ejemplo, la privacidad debe tenerse en cuenta desde el primer paso de selección de datos. La precisión es más sensible en la etapa de producción cuando los usuarios comienzan a usar tu sistema en línea, potencialmente abrumándolo con entradas inesperadas. La escalabilidad es una consideración estratégica que entra en juego cuando tu negocio aumenta el número de usuarios y/o solicitudes o el espectro de funcionalidades ofrecidas.

Cuando se trata de NFR, no puedes tenerlos todos. Aquí hay algunos de los compromisos típicos que deberás equilibrar:

• Uno de los primeros métodos para aumentar la precisión es utilizar un modelo más grande, lo cual afectará la latencia.
• Utilizar datos de producción “tal cual” para una mayor optimización puede ser lo mejor para el aprendizaje, pero puede violar tus reglas de privacidad y anonimización.
• Los modelos más escalables son generalistas, lo que afecta su precisión en tareas específicas de la empresa o del usuario.

Cómo priorices los diferentes requisitos dependerá de los recursos computacionales disponibles, tu concepto de UX que incluye el grado de automatización y el impacto de las decisiones respaldadas por la IA.

Conclusiones clave

1. Empieza con el fin en mente: No asumas que la tecnología por sí sola hará el trabajo; necesitas un plan claro para integrar tu IA en el producto orientado al usuario y educar a tus usuarios sobre sus beneficios, riesgos y limitaciones.
2. Alineación con el mercado: Prioriza las oportunidades del mercado y las necesidades de los clientes para guiar el desarrollo de IA. No te apresures a implementar IA impulsada por la moda y sin validación desde el lado del mercado.
3. Valor para el usuario: Define, cuantifica y comunica el valor de los productos de IA en términos de eficiencia, personalización, comodidad y otras dimensiones de valor.
4. Calidad de los datos: Enfócate en la calidad y relevancia de los datos para entrenar modelos de IA de manera efectiva. Intenta utilizar datos pequeños y de alta calidad para el ajuste fino y conjuntos de datos más grandes para el entrenamiento desde cero.
5. Selección de algoritmo/modelo: Elige el nivel adecuado (estímulo, ajuste fino, entrenamiento desde cero) para tu caso de uso y evalúa cuidadosamente su rendimiento. Con el tiempo, a medida que adquieras la experiencia y la confianza necesarias en tu producto, es posible que quieras pasar a estrategias de modelos más avanzadas.
6. Diseño centrado en el usuario: Diseña productos de IA teniendo en cuenta las necesidades y emociones de los usuarios, equilibrando la automatización y el control del usuario. Ten en cuenta la “imprevisibilidad” de los modelos de IA probabilísticos y guía a tus usuarios para que trabajen con él y se beneficien de él.
7. Diseño colaborativo: Al enfatizar la confianza, la transparencia y la educación del usuario, puedes hacer que tus usuarios colaboren con la IA.
8. Requisitos no funcionales: Considera factores como precisión, latencia, escalabilidad y confiabilidad en todo el desarrollo, e intenta evaluar los compromisos entre ellos desde el principio.
9. Colaboración: Fomenta una estrecha colaboración entre expertos en IA, diseñadores, gerentes de productos y otros miembros del equipo para beneficiarte de la inteligencia interdisciplinaria e integrar con éxito tu IA.

Referencias

[1] Teresa Torres (2021). Hábitos de Descubrimiento Continuo: Descubre Productos que Crean Valor para el Cliente y Valor para el Negocio.

[2] Orbit Media (2022). Nuevas Estadísticas de Blogging: ¿Qué Estrategias de Contenido Funcionan en 2022? Preguntamos a 1016 Bloggers.

[3] Don Norman (2013). El Diseño de las Cosas Cotidianas.

[4] Google, Gartner y Motista (2013). De la Promoción a la Emoción: Conectando a los Clientes B2B con las Marcas.

• artificial intelligence
• Deep Dives
• Large Language Models
• Product Management
• UX Design