چت‌بات‌های هوش مصنوعی در تفکر طراحی

Article Title: AI Chatbots in Design Thinking

نویسندگان: Christian Hansmannand Simone Braun

منبع: Proceedings of the Upper-Rhine Artificial Intelligence Symposium 2024

تلخیص و ترجمه: یاسمن حاجیان

چکیده

مقاله به بررسی ادغام هوش مصنوعی مولد، به ویژه ChatGPT، در فرآیند تفکر طراحی (Design Thinking) می‌پردازد و پتانسیل و محدودیت‌های آن را در عمل مشاوره ارزیابی می‌کند. این تحقیق با توسعه یک اپلیکیشن که از فناوری‌های SAP و API OpenAI استفاده می‌کند، نوع جدیدی از همکاری بین انسان و هوش مصنوعی را ممکن می‌سازد. مطالعه نشان می‌دهد که چگونه این سیستم‌ها می‌توانند جلسات تفکر طراحی را از طریق ایجاد خودکار پرسونای کاربر و داستان‌های کاربری پشتیبانی کنند.

مقدمه

در سال‌های اخیر، ادغام هوش مصنوعی (AI) در فرآیندهای تجاری مختلف توجه زیادی را جلب کرده است (1, 2). در مشاوره کسب‌وکار و IT، تفکر طراحی به عنوان یک رویکرد سیستماتیک و آینده‌نگر برای حل مسائل شناخته شده است که نوآوری و خلاقیت را با قرار دادن کاربر در مرکز فرآیند طراحی ترویج می‌دهد (3-6). با این حال، فرآیند مشاوره با DT با چالش‌های مختلفی مواجه است، از جمله تعادل بین ساختار و خلاقیت (7) و مقیاس‌پذیری که به دلیل گفتگوی فشرده با مشتریان، هزینه‌های بالای پرسنل را به همراه دارد (8, 9). این مقاله به بررسی استفاده از هوش مصنوعی مولد، به ویژه مدل‌های زبانی بزرگ (LLMs) مانند ChatGPT برای بهبود و خودکارسازی فرآیند DT در مشاوره کسب‌وکار و IT می‌پردازد.

کارهای مرتبط

تحقیقات اخیر بر روی آماده‌سازی طراحان آینده برای همکاری انسان-هوش مصنوعی تأکید دارند. استفاده از AI برای تولید آثار طراحی متمرکز بر کاربر، مانند پرسونای کاربر و داستان‌های کاربری، رو به افزایش است (10). با این حال، نقش خاص آن در فرآیندهای مشاوره هنوز به طور کامل مورد بررسی قرار نگرفته است (11). تلاش‌های اولیه نشان داده‌اند که AI می‌تواند در فرآیند تفکر طراحی مؤثر باشد. برای مثال، چارچوب CHAI-DT هاروود مدل‌هایی مانند GPT را در فرآیندهای خلاقانه ادغام می‌کند (12). همچنین تحقیقات یورک نشان داده است که GPT قادر به تولید آثار طراحی است (13).

چت‌بات مبتنی بر LLM برای مشاوره خودکار DT

این تحقیق با یک شرکت مشاوره کسب‌وکار و IT آلمانی آغاز شد. مشخص شد که حرفه‌ای‌ها بیشترین پتانسیل AI را در مراحل اولیه تفکر طراحی می‌بینند. ما یک اپلیکیشن چت‌بات مبتنی بر LLM توسعه داده‌ایم که با استفاده از فناوری‌های SAP و API OpenAI (GPT-4) بخش‌هایی از فرآیند DT را خودکار می‌کند.

معماری سیستم

معماری چت‌بات بر روی پلتفرم فناوری کسب‌وکار SAP (BTP) طراحی شده است. اجزای اصلی شامل Approuter، backend مبتنی بر Node.js، و frontend مبتنی بر SAP UI5 است. Approuter به عنوان نقطه ورودی برای تمام درخواست‌های HTTP عمل می‌کند. بنابراین سیستم شامل اجزای مختلفی است که هر کدام وظایف خاص خود را دارند. Approuter مسئول مدیریت درخواست‌هاست، در حالی که backend منطق تجاری را مدیریت کرده و با پایگاه داده SAP HANA ارتباط برقرار می‌کند.

شکل 1: معماری که اجزا و خدمات اصلی را در SAP BTP Cloud Foundry نشان می دهد.

مهندسی پرامپت

مهندسی دقیق پرامپت برای بهینه‌سازی تعاملات با LLMها ضروری است؛ از همین رو این بخش در مقاله بر اهمیت طراحی دقیق پرامپت ها تأکید دارد تا پاسخ‌های دقیق و مرتبط تولید شود. پرامپت ها باید شامل دستورالعمل‌های واضح باشند تا مدل بتواند خروجی مناسبی ارائه دهد.

ساختار و مثال برای یک داستان کاربری مناسب:

ساختار:

“به عنوان یک [نقش]، من می‌خواهم [هدف]، تا [مزیت].”

مثال:

“به عنوان یک مدیر، من می‌خواهم پیشرفت را پیگیری کنم تا گزارش دقیقی ارائه دهم.”

توضیح:

این ساختار داستان کاربری به چت‌بات کمک می‌کند تا اهداف کاربران را شفاف کند. با مشخص کردن نقش، هدف و مزیت، داستان کاربری به وضوح بیان می‌کند که چه نیازی وجود دارد و چه نتیجه‌ای از برآورده شدن آن نیاز حاصل خواهد شد. این نوع ساختار به تیم‌های مشاوره کمک می‌کند تا درک بهتری از اهداف کاربران داشته باشند و راهکارهای موثرتری ارائه دهند.

نتیجه‌گیری

با استفاده از این پروپmt‌ها، چت‌بات قادر است خروجی‌های دقیقی تولید کند که نه تنها نیازهای کاربران را شناسایی می‌کند بلکه به مشاوران نیز کمک می‌کند تا تصمیمات بهتری بگیرند. طراحی دقیق پروپmt‌ها باعث می‌شود که چت‌بات بتواند در فرآیند تفکر طراحی (DT) به طور مؤثری عمل کند و خروجی‌های مرتبط و مفیدی ارائه دهد.

اجرای خودکارسازی جلسه مشاوره

خودکارسازی جلسه مشاوره از طریق تعامل پویا بین frontend و backend انجام می‌شود. پس از جمع‌آوری ورودی‌های لازم از مشتری، اپلیکیشن frontend ورودی‌های کاربر را شبیه‌سازی کرده و مراحل بعدی جلسه را فعال می‌کند.

مطالعه موردی

یک مطالعه موردی با پنج شرکت‌کننده انجام شد تا نتایج بررسی شود. این مطالعه نشان داد که چت‌بات توانسته است پرسونای کاربر و داستان‌های کاربری را با کیفیت بالا تولید کند.

چالش‌ها در طراحی و پیاده‌سازی

فرآیند طراحی و پیاده‌سازی چالش‌هایی از جمله چالش‌های فنی مرتبط با اجرای کامل خودکار جلسات مشاوره را نشان داد.

نتیجه

این مقاله در نهایت به این نتیجه می‌رسد که ادغام هوش مصنوعی مولد در فرآیندهای مشاوره می‌تواند به بهبود کارایی و مقیاس‌پذیری کمک کند، اگرچه چالش‌هایی نیز وجود دارد که باید حل شوند.

پیوست:

پرامپت نهایی:

به عنوان یک کارشناس تفکر طراحی، در این سناریوی مشاوره عمل کنید. برای هر درخواست خارج از زمینه تفکر طراحی، با این پاسخ دهید: “این یک جلسه تفکر طراحی است و من تنها می‌توانم به دستورالعمل‌های مرتبط پاسخ دهم.”

به صورت مرحله‌ای پیش بروید:

1. به صورت متوالی اطلاعات زمینه‌ای زیر را درخواست کنید:

– صنعت

– اندازه شرکت

– فرهنگ و محیط سازمانی

– فرآیند اصلی کسب‌وکار

– زیرساخت فناوری (IT)

ابتدا با صنعت شروع کنید.

2. چالش (مسئله) را که باید با تفکر طراحی حل شود، تعریف کنید. پس از ورودی اولیه مسئله، از روش 5-چرا استفاده کنید تا به تدریج مشکل اصلی را کشف کنید. مهم است که بر روی مشکل متمرکز بمانید و نه راه‌حل. لطفاً بیان مسئله را بدون پیشنهاد یک راه‌حل ممکن فرموله کنید.

3. ذینفعان درگیر در فرآیند را شناسایی کرده و بپرسید چگونه در این فرآیند مشارکت دارند. اطمینان حاصل کنید که تمام ذینفعان قبل از ادامه لیست شده‌اند.

پس از اینکه مشتری تمام اطلاعات لازم را ارائه داد، مراحل زیر را اجرا کنید:

برای هر ذینفع پرسونایی ایجاد کنید. پرسونای کاربر باید از این ساختار پیروی کند:

– شخصیت کاربر؛

– نام؛ نقش؛

– نیازها (امنیت، پذیرش، شناخت، خودمختاری، تعلق، خلاقیت، خودتحقق‌یابی)؛

– مهارت‌ها؛

– علایق؛

– موانع؛ منابع.

خلاق باشید تا پرسونای کاربر ملموس‌تر شود.

**مثال پرسونای کاربر:**

– شخصیت کاربر: کاربر افراطی؛

– نام: ولکر فورزیشت؛

– نقش: CSO؛

– نیازها: امنیت، پذیرش.

**مهارت‌ها:**

1. شناسایی ریسک‌ها،

2. انجام ارزیابی ریسک،

3. حمایت در انتخاب ریسک‌های مرتبط؛

**علایق**: جمع‌آوری تمبر، امنیت IT؛

**موانع**: در گذشته 10,000 یورو در سرمایه‌گذاری‌های سهامی از دست داده و بنابراین ریسک‌گریز است؛

**منابع**: مجلات امنیتی.

از تعاملات چت برای جزئیات استفاده کنید. هر مرحله را به صورت جداگانه بپرسید و تا زمانی که مشتری تأیید نکند که با مرحله فعلی تمام شده است، به مرحله بعدی نروید. برای هر ورودی مورد نیاز یک مثال کوتاه ارائه دهید تا مشتری بداند چه نوع اطلاعاتی باید ارائه کند.

پرسوناها را به طور خودکار و بدون نیاز به ورودی بیشتر از مشتری ایجاد کنید. پرسونای کاربر را مرحله به مرحله خروجی دهید و آن‌ها را با برچسب‌های Persona_1، Persona_2 و غیره مشخص کنید. برای هر ذینفع دو پرسونای متفاوت ایجاد کنید: یکی کاربر استاندارد و دیگری کاربر افراطی. به عنوان مثال، اگر 3 ذینفع وجود دارد، مجموعاً 6 پرسونای کاربری ایجاد کنید. با این حال، فقط یک پرسونای کاربر را در هر پاسخ خروجی دهید.

کاربران افراطی به دلیل جدیت زیاد در شغل خود شناخته می‌شوند و گاهی اوقات بیش از حد جدی می‌گیرند. پس از تولید اولین پرسونای کاربر، منتظر دستور “next_step” باشید قبل از اینکه به پرسونای بعدی بروید.

بر اساس اطلاعات ارائه‌شده، همچنین داستان‌های کاربری تولید کنید. در اینجا یک مثال از داستان کاربری آورده شده است:

“به عنوان یک مدیر، من می‌خواهم پیشرفت همکارانم را پیگیری کنم تا بتوانم بهتر درباره موفقیت‌ها و شکست‌های‌مان گزارش دهم.”

تا 20 داستان کاربری در مجموع تولید کنید. آن‌ها را در دسته‌های 3 تایی خروجی دهید و با برچسب‌های User_story_1، User_story_2 و غیره مشخص کنید و منتظر دستور “next_step” باشید قبل از ادامه.

اگر دستور “next_step” دریافت کردید اما تمام پرسونای کاربران و داستان‌های کاربری را قبلاً خروجی داده‌اید، با دستور “session_end” پاسخ دهید.

اطمینان حاصل کنید که فرمت هر خروجی صحیح است. همیشه عناوین را با حروف بزرگ بنویسید و بین نقاط یک خط جدید بگذارید. برای داستان‌های کاربری نیز نقش ذینفع را با حروف بزرگ بنویسید. از استفاده از اصطلاحات مبهم مانند “سریع” یا “به راحتی” در داستان‌های کاربری خودداری کنید.

علاوه بر این، مهم است که پس از جمع‌آوری ذینفعان اعلام نکنید که پرسونای کاربر ایجاد شده است. بلکه بگویید: “لطفاً تأیید کنید که آیا این‌ها تمام ذینفعانی هستند که می‌خواهید شامل شوند.”

منابع

1. Enholm, I.M., Papagiannidis, E., Mikalef, P., Krogstie, J.: Artificial intelligence and business

value: a literature review. Information Systems Frontiers 24(5) 1709–1734

2. Nosova, S., Norkina, A., Morozov, N., Arakelova, I., Fadeicheva, G.: Integration of artificial

intelligence into business management strategy. In Samsonovich, A.V., Liu, T., eds.: Biologically

Inspired Cognitive Architectures 2023. Volume 1130. Springer Nature Switzerland

(2024) 643–650 Series Title: Studies in Computational Intelligence.

3. Simschek, R., Kaiser, F.: Design Thinking. UVK Verlagsgesellschaft (October 2019)

4. Brown, T.: Design thinking. Harvard business review 86(6) (2008) 84

5. Brenner, W., Uebernickel, F., Abrell, T. In: Design Thinking as Mindset, Process, and

Toolbox. Springer International Publishing (2016) 3–21

6. Plattner, H., Meinel, C., Weinberg, U. In: Design Thinking: Innovation lernen – Ideenwelten

¨offnen. Nachdr edn. mi-Wirtschaftsbuch, Finanzbuch Verl (2011) 6–8

7. Prud’homme van Reine, P.: The culture of design thinking for innovation. Journal of

Innovation Management 5(2) (August 2017) 56–80

8. Murmann, J., Unternehmensberater, B.D., eds.: Benchmarks in der Unternehmensberatung

2010/2011. BDU-Studie. BDU, Bonn (2011)

9. Lippold, D.: Controlling und Organisation der Unternehmensberatung. In Lippold, D., ed.:

Die Unternehmensberatung: Von der strategischen Konzeption zur praktischen Umsetzung.

Springer Fachmedien, Wiesbaden (2013) 530–564

10. Goel, T., Shaer, O., Delcourt, C., Gu, Q., Cooper, A.: Preparing Future Designers for

Human-AI Collaboration in Persona Creation. In: Proceedings of the 2nd Annual Meeting

of the Symposium on Human-Computer Interaction for Work, Oldenburg Germany, ACM

(June 2023) 1–14

11. B¨ockle, M., Kouris, I.: Design thinking and AI: A new frontier for designing

human-centered AI solutions. Design Management Journal 18(1) 20–31 eprint:

https://onlinelibrary.wiley.com/doi/pdf/10.1111/dmj.12085.

12. Brandon Harwood: CHAI-DT: A Framework for Prompting Conversational Generative AI

Agents to Actively Participate in Co-Creation. arXiv.org (2023) ARXIV ID: 2305.03852

S2ID: 0820a7ec1b7cac3470836161a92da7d59f626d14.

13. York, E.: Evaluating ChatGPT: Generative AI in UX Design and Web Development Pedagogy.

In: Proceedings of the 41st ACM International Conference on Design of Communication,

Orlando FL USA, ACM (October 2023) 197–201

14. StoriesOnBoard: StoriesOnBoard Blog – #1 Story Mapping Tool.

https://storiesonboard.com/blog

15. Serrat, O. In: The Five Whys Technique. Springer Singapore (2017) 307–310

16. OpenAI, e.a.: GPT-4 technical report. https://arxiv.org/abs/2303.08774 Version Number:

17. OpenAI: OpenAI Developer Platform. https://platform.openai.com/docs

18. Hou, X., Zhao, Y., Liu, Y., Yang, Z., Wang, K., Li, L., Luo, X., Lo, D., Grundy, J., Wang,

H.: Large language models for software engineering: A systematic literature review. ACM

Trans. Softw. Eng. Methodol. (September 2024) Just Accepted.

19. Hou, X., Zhao, Y., Wang, H.: Voices from the frontier: A comprehensive analysis of the

openai developer forum (2024)

20. OpenAI: Enterprise privacy. https://openai.com/enterprise-privacy

21. OpenAI: OpenAI Platform. https://platform.openai.com