# 設計師在 AI 產品開發的職責 - 江宗哲 Steven

{%hackmd mW0XARQZTky8_gI5V_nsiA?view %}

**[江宗哲 Steven](https://userxper.kaik.io/@steven-tsung)
IBM
Software, Sustainability Software
Senior UX design lead**
>
> 除了媒體廣泛宣傳的 AI 應用，以及各種未來即將被AI取代的恐嚇之外，實際上在開發 AI 工具的產品開發歷程中，設計師到底應該知道什麼 & 做什麼？

> 從這裡開始共筆 🔥

設計師在產品開發流程的職責
- design thinking （了解user mindset）像是丹麥大橋、底特律電廠電網管理。

**The modern-day AI Ladder：**
- 收集數據產生洞見 Collect, organize, grow data
- 引入AI Add AI to applications
- 簡化流程 Automate your workflows
- 自動化工作管理 Replace your workflows
- AI全自動化 AI does the work

數據能拿來做什麼？ 來產出洞見

IBM提供的服務
* 建立客製化模型、或使用IBM提供的模型
舉例：大語言模型、工程自動化模型等等...

**Incredible opportunities around enterprise data：**
過程不管透過什麼模式 最終創造foundation models模型模塊。透過使用者需求、標準化、可信數據、最終產出人類能不能讀懂可解釋洞見。
Foundation models: Sensor Data、IT Data、Business Data、Speech、Natural language、Dialog、Images、Programming language(code)、Geospatial、Chemisrty & materials.
Foundation models for Business:Large language models、IT Automation models、Digital Labor models、Cybersecurity models.

**作為領導者採用AI需要考量三件事**
1. How to create competitive edge
1. How to scale AI across the business
1. How to advance trustworthy AI

Design thinking ＆ mindset 才是貫穿一切的重點

**Design AI product journey**
- Assess -> Build -> Understand -> Predict -> Recomend(能否提供決策的洞見)

變化快速的危機：大部份的人都不知道 那是什麼？因此需要透過設計研究了解問對的問題、定義問題。

在快速變化的時代，設計師的職責：理解 Buzzwords 背後的意義，透過不斷提問，定義出最核心的問題再透過 prototype驗證（規劃 prototype, MVP）

**思考與提問AI的定義**

- 透過閱讀理解人的認知過程
- 人工智慧其實是認知的自動化
- 用電腦嘗試模仿思維跟人類解決問題和決策的能力
(Computer vision、Data science、Natural language Processing、Robotics)

* Rules-based systems(用一系列邏輯指令進行編程)
* Machine learnings systems(透過機器學習系統找到pattern)
* Deep Learning（多層神經網絡>辨識能力）
* Fundation Model（transformer特定神經網路）

1950's AI是指電腦系統嘗試模仿人類思維解決問題和決策能力的能力。
1980's ML基於機器學習的系統接受歷史資料的訓練來發現模式。
2010's DL深度學習使用多層神經網路共同處理資訊。適合圖像語音辨識複雜的應用。
2020's Fundation Model 使用稱為transformer特定神經網路架構建立AI模型，來產生相關數據序列

[Design for AI](https://www.ibm.com/design/ai/)

辨識資料關聯性，上下語意脈絡。為什麼設計師需要Ai？客戶想要比想像多很多，開發可以藉由Ai用了許多圖像檢查生產線的問題。並且透過Ai了解產品客戶之間面對市場樣貌。

設計師工程師等等，需要擁有共通語言，所以會需要去文件化相關用語

1. 了解產品使用者
* generative product use case card(?)

2. 了解競爭者

3. AI產品團隊中的人類

產品與客戶之間的市場狀況（分析競品）
- Impact
- Value
- Data
- AI Operation model
- Trustworthiness
- SophisticationsU
- Ease of use 易用性最為重要

**不同角色在 AI 產品團隊**
- Data Scientist:與競爭對手相比AI模型是否更佳?
- Software engineer:AI模型布局在複雜場景中而且還可擴展，以幫助我們在競爭中脫穎而出
- UX Designer:是否提供了提升產品水準的AI體驗?
- Product Manager:如何衡量競爭對手與我們的AI功能?

寫下並迭代 AI 的意圖
- User Research 是一切根本
- 利害關係人互動的關係影響為何
- 與使用者 review (co-create)

*who* needs a way to *what/do something*, so they can *know why/ get wow*

客戶在意你導入哪些數據、每個環節AI產出哪些內容
若沒有抓到該產業關鍵的特耊指標，客戶會難以信服產出的內容

### 回答模型檢驗出來的問題
模型出來後，內部需檢驗的問題，透過這些方法與使用者建立信任關係
- 改善模型
- 是否具備驗證系統的能力
- 建構信任與告示 AI 能/不能幫我做什麼（建立能力的邊界）
- 改變模型的操作方式
- 告訴客戶決策的原因，為什麼他是最佳解
- 安全與隱私疑慮
- 相關的合規問題(操作倫理與合規)

Design AI best practies