Blank

В сообществе инноваторов уверенно закрепились три принципа создания успешного продукта: ориентация на пользователя, тестирование прототипа и гибкая разработка. Методологии дизайн-мышления и бережливого стартапа вывели эти подходы на уровень “стандарта индустрии”. Сегодня ни одна команда, создающая новые продукты, не обходится без тесного взаимодействия с пользователями в процессе разработки. Однако наши эксперты пришли к пониманию фундаментальных ограничений принятых в сообществе принципов. В этой статье мы представляем три ключевые проблемы популярных инновационных методов в контексте искусственного интеллекта.

Стандарты создания инноваций

За последние два десятилетия сообщество инноваторов определило для себя набор методов и подходов, необходимых для создания новых продуктов и услуг. Дизайнеры предложили методологию дизайн-мышления [1, 2], которая объединила в единый процесс исследование пользователей, мозговые штурмы и тестирование идей при помощи прототипов.

Ориентация на пользователя стала ключевым компонентом инновационного процесса, позволяя создателям продукта лучше понимать и согласовывать потребности пользователей и рынка. В отличие от традиционных научных или инженерных методов, в процессе дизайн-мышления новый продукт формируется постепенно, проходя несколько этапов. Таким образом команда не находится под постоянным давлением найти идеальное решение здесь и сейчас.

Принципы дизайн-мышления помогают не только сформировать сам продукт, но и участвуют в процессе создания поддерживающих сервисов и бизнес-моделей. Объединив эти идеи, подход “Lean Startup” или бережливый стартап [3] предоставляет предпринимателям руководство по внедрению инноваций. В целом, эти концепции оказались настолько успешными, что фактически перешли в разряд “стандарта индустрии”. Наши эксперты, будучи исследователями, преподавателями и консультантами, также внесли свой вклад в распространение методов дизайн-мышления и бережливого стартапа среди студентов и специалистов индустрии.

Где “стандарт индустрии” не работает?

В течение последних нескольких лет команда SAMSONOWA & Partners помогала стартапу OWN.space создавать новые сервисы на основе искусственного интеллекта, так называемых цифровых помощников. В ходе работы мы пришли к пониманию некоторых фундаментальных ограничений тех самых инновационных стандартов. Ниже мы расскажем о трех вызовах, с которыми мы столкнулись, и тем самым начнем дискуссию о неоднозначности стандартных подходов к инновациям.

1. Исследования пользователей менее актуальны

Первый шаг в процессе создания инноваций — определение потребности пользователя, другими словами, нуждается ли клиент в определенном решении. Основная задача инновационного процесса заключается в разгадке «тайны пользователя». Для этого инноваторы применяют методы эмпатического дизайна, то есть погружаются в жизнь клиентов, наблюдают за пользователями или приглашают их вместе придумывать решения.

Мы обнаружили, что для контекста ИИ исследование пользователей играет гораздо меньшую роль. Действительно, мы заметили, что сам по себе поиск вариантов использования ИИ в качестве цифрового помощника не сложен. Все опции можно условно поделить на две группы: автоматизация человеческого труда и обработка больших данных. В обоих случаях решения ИИ востребованы, а конкретные идеи применения практически безграничны.

Вместо того, чтобы тратить много времени на то, чтобы понять, чего хотят пользователи, оказалось гораздо более важным понять технические возможности и ограничения. Конечно, способы, с помощью которых люди решают конкретную задачу, представляют интерес при создании технологии (если его можно переложить в алгоритм). Однако во многих случаях подход к решению проблемы искусственным интеллектом часто сильно отличается от методов работы человека, а значит исследование пользователей теряет свою актуальность.

Blank

Blank

Blank

Blank

Blank

2. Прототипы не очень полезны

После определения концепции продукта дизайн-мышление предполагает создание быстрого и дешевого прототипа для тестирования идеи с пользователями. Прототип помогает визуально показать пользователю идею, первоначальную концепцию. То, как клиент будет взаимодействовать с прототипом, помогает дизайнерам проверить гипотезы и внести нужные изменения. Кроме того, на этапе создания прототипа команда зачастую понимает технические ограничения на пути претворения идеи в жизнь.

В случае с искусственным интеллектом прототипы оказываются не такими полезными из-за нескольких причин. Когда мы работаем с моделями машинного обучения, нет смысла использовать дешевые прототипы типа “Волшебник страны Оз” (когда тестируется взаимодействие пользователя с системой, а функцию системы выполняет другой человек). Хотя таким способом мы можем легко проверить общую концепцию, но этот опытный прототип слишком мало говорит нам о технических возможностях реального решения.

Технические прототипы, с другой стороны, поначалу очень часто разочаровывают. Действительно, первые результаты технологии искусственного интеллекта почти всегда не дают желаемых результатов. Например, Google Translate широко известен своими ошибками прошлого, но все признают, насколько он хорош сегодня благодаря долгому обучению.

Чтобы получить хорошие результаты в короткие сроки, можно сфокусироваться на одном кейсе или сценарии. Так, для всех цифровых помощников мы могли бы создать оптимальный опытный образец — бот, который для заранее определенного сценария дает идеальный результат. Однако такой прототип на самом деле ничего не говорит о технической осуществимости проекта, так как один кейс может кардинально отличаться от другого.

3. Пошаговые изменения не всегда приводят к успеху

Основа дизайн-мышления и бережливого стартапа — итерации и цикличность. Необходимо поставить гипотезу, проверить ее на дешевом прототипе и либо внедрить, либо отбросить. Такой подход позволяет шаг за шагом улучшать продукт, тем самым приближая его к идеальному.

В нашем проекте мы видели, что улучшения в качестве результатов происходили нелинейно вне зависимости от наших усилий. Небольшие изменения в технологии могли привести к резким скачкам в качестве результатов, а могли не только не изменить, но и ухудшить результаты. Следовательно, мы не могли судить о процессе развития как о функции времени.

В то время как, например, наш научный агент вначале работал посредственно, изменение подхода к обучению нашей модели глубокого обучения привело к скачку производительности. В другом случае, несмотря на первоначальный прогресс, мы в конечном итоге достигли плато и так и не смогли достичь желаемой производительности для агента, который должен отслеживать деловую активность на выбранном рынке. Таким образом, слабые проекты могли стать успешными, а другие многообещающие оказались в тупике.

Blank

Blank

Выводы для практиков

Мы задаемся вопросом, почему стандартные инновационные методы не работают в контексте искусственного интеллекта? В прошлом научное сообщество превратило удаленные исследовательские базы в ориентированные на пользователя инновационные лаборатории. Мы прошли этап, когда ученые-инженеры переквалифицировались в дизайнеров с развитым чувством эмпатии. Возможно, технологии искусственного интеллекта потребуют другого, более изолированного типа инноваций. А нам остается быть чуткими к таким сигналам и соответствующим образом развивать наш стиль управления.

Источники:

  1. Rowe, Peter G. Design thinking. MIT press, 1987.
  2. Beckman, S.L. and Barry, M., 2007. Innovation as a learning process: Embedding design thinking. California management review, 50(1), pp.25-56.
  3. Ries, E., 2011. The lean startup: How today’s entrepreneurs use continuous innovation to create radically successful businesses. Currency.