AI を使用した開発では、モデルの選択、インフラストラクチャ、コードに迷うことがあります。全体像を忘れてしまう可能性があります。
このモジュールでは、新しい AI 機能やプロダクトをマッピングするために使用できるブループリントを紹介します。
- なぜ構築するのですか？AI ユースケースはユーザーにどのような価値をもたらしますか？
- アプリケーションの仕組み
- システムの各部分が責任を持って開発されるようにするには、どうすればよいですか？
このブループリントの仕組みを理解するために、オンライン ショップ Example Shoppe で作業しているとします。競合他社は汎用的なチャットボットを急いで導入していますが、ほとんど効果がありません。ユーザー エクスペリエンスを向上させるために、コア ユーザーフローを中断することなく検索エクスペリエンスを強化することにしました。
AI を活用したアップグレードにより、買い物客は「冬用の赤いトレイル ランニング シューズ」などの自然言語のフレーズを入力して、キーワード ベースの検索では見つからなかった可能性のある関連性の高い結果を取得できるようになりました。
機会
すべての AI プロジェクトは、明確なユースケース（AI で解決する価値のあるユーザー タスクまたは問題）から始める必要があります。AI はアプリケーションに不確実性やその他のリスクをもたらすため、従来の決定論的な方法で問題を解決できない場合にのみ使用する必要があります。
ユースケース
Example Shoppe の場合、検索はユーザーとユーザーが探している商品を結びつける重要な機能です。ユーザーは、スペルミス、同義語、曖昧なクエリで検索が失敗すると、検索を放棄することがよくあります。これは、自社のアナリティクスだけでなく、外部の調査からもわかります。より柔軟でインテリジェントな検索により、ユーザーのジャーニーをより効率的で楽しいものにすることができます。
AI のユースケースの例を次に示します。
- ニュースサイトでは、ニュースを構造化された方法で要約することで、認知負荷を軽減できます。
- 公開プラットフォームでは、代替テキストと字幕を自動的に提案することで、アクセシビリティを向上させることができます。
- クラウド サービス プロバイダは、ドキュメント検索のスマート化により、サポート リクエストを減らすことができます。
AI を活用して成功するには、価値の高い機会を見つけることが重要です。RAND Corporation のレポートにあるように、間違った機会を選択することが、AI プロジェクトが失敗する主な理由の一つです。
値
価値には、ユーザーにとってのメリットと、プロダクトやビジネスにとってのメリットの 2 つの側面があります。健全で責任あるプロダクトのほとんどでは、これらは一致しています。ユーザーが成功すると、ビジネスも成長します。たとえば、Example Shoppe では、AI 強化検索により、ユーザーが適切な商品をより迅速かつスムーズに見つけられるようにすることで価値を創出しています。これにより、商品の見つけやすさ、コンバージョン率、長期的な顧客満足度が向上します。
価値は、ユーザーの満足度や信頼など、目に見えない場合もあります。特に初期段階では、価値提案を定量化する方法を見つけることが重要です。これにより、優先順位を付け、影響を伝え、関係者を説得するための確固たる根拠が得られます。概算であっても、意思決定の指針となり、成功を測定可能にすることができます。
解決策
プロダクトに AI を追加する理由を明確にした後、どのように実装するかを検討します。AI ソリューションの主要な構成要素を見てみましょう。
データ
データは AI の燃料です。最終的に、AI システムはデータから学習できる能力によって制約されます。データが不十分、不完全、または不整合であると、モデルやインフラストラクチャがどんなに優れていても、結果が不十分になり、ユーザーの不満につながります。逆に、高品質のデータと適切に設計されたデータ フライホイールは、価値を推進する要素であり、プロダクトの差別化にもつながります。
データにはさまざまな形式とモダリティがあります。AI を活用した検索の例では、次のようなデータが有用です。
- 構造化データ: 商品のタイトル、色、サイズ、カテゴリ、在庫状況。
- 非構造化データ: 商品の説明、ユーザー レビュー、よくある質問。
- 同義語リスト: 「スニーカー」と「ランニング シューズ」が同義語であるなど、キーワード間の関係。
- ユーザー シグナル: クリック数、滞在時間、カートに追加したアクション、購入はすべて、ユーザーが実際に何が関連性があると考えているかをモデルが学習するのに役立つシグナルです。
- 視覚データ: 視覚的類似性インデックスに埋め込むことができる商品画像。ユーザーは、テキストが一致しなくても、写真で検索したり、視覚的に類似したアイテムを見つけたりできます。
データ量が多いように見えるかもしれませんが、ご心配にはおよびません。ノイズ比が最も高いデータソースをいくつか使用して小規模に始め、システムの成熟度に応じて拡大します。
ほとんどの場合、モデルで取り込める状態に生データがなっていない可能性があります。クリーニング、前処理を行い、AI に適した形式に整理する必要があります。たとえば、ユーザー シグナルはアクション シーケンスに変換でき、非構造化商品の説明はセマンティック エンベディングとしてエンコードできます。
データは、AI ライフサイクルのさまざまな段階で使用できます。
- トレーニングまたはファインチューニングでは、モデルにパターンと関係を教えるために使用されます。
- 評価では、品質、精度、関連性をテストするために使用できます。
- 本番環境では、これを使用してドリフトを追跡し、実際の使用状況からフィードバックを収集できます。
つまり、データは単なる入力ではなく、生きている資産なのです。データを適切に管理することは、ウェブ デベロッパーが AI を扱う際に身につけることができる最も価値のあるスキルの一つです。
インテリジェンス
インテリジェンス レイヤは、AI が価値を抽出して創造する場所です。多くの場合、その中心にはモデルがありますが、ほとんどのシステムはより複雑です。Example Shoppe のインテリジェンス レイヤは、一連の方法を使用してユーザー クエリを解釈します。
- 固有表現認識と情報抽出により、
color=redやseason=winterなどの属性を抽出します。 - ユーザーのクエリと利用可能な商品のセマンティック表現を作成する文エンベディング モデル。
- セマンティック検索で関連性の高い結果を取得します。
- 関連性の高い結果を正確にランク付けするための、カスタマイズされた小さな再ランキング モデル。
インテリジェンスは AI システムの最もエキサイティングな部分ですが、最も誇張されたコンポーネントでもあります。毎週新しいモデルがリリースされ、多くの場合、最上級のマーケティング文句が使われています。
考慮すべき主な要素は次の 2 つです。
- AI は生成 AI や大規模言語モデル（LLM）に限定されません。多くのタスクは、デプロイとメンテナンスがより高速かつ低コストな小規模で特殊なモデルで処理する方が適しています。
- 実際の AI システムは、単一のモノリシック モデルに依存することはほとんどありません。代わりに、複合 AI アーキテクチャ（1 つ以上のモデルと、データベース、API、ガードレールなどの追加コンポーネントの組み合わせ）を使用します。これらは連携して、コンテキストを認識した堅牢な動作を実現します。
ランキングで上位の最新のインテリジェンスを追いかけるのではなく、問題に適したインテリジェンスを選択します。これにより、プロダクトとビジネスの進化に合わせて適応できます。今後のモジュールでは、現時点で最も一般的な AI 技術である予測 AI と生成 AI の基礎を学びます。また、システムに適した技術的アプローチを評価して選択する方法も学びます。
ユーザー エクスペリエンス
ユーザー インターフェースは、ユーザーに AI の価値を届けるチャネルです。決定論的ソフトウェア インターフェースは確実で予測可能です。同じ入力に対して常に同じ出力が生成されます。AI を導入すると、不確実性が生じます。ほぼ同じ 2 つのクエリでまったく異なる結果が返されることもあります。また、最も強力な AI モデルでも、ハルシネーションやその他の種類の誤りを犯すことが知られています。
特に既存のプロダクトに AI を追加する場合は、この移行について慎重に検討する必要があります。オープンエンドのチャットボットは楽しいですが、実際には複雑でリスクがあります。
最初は、ユーザーに公開される不確実性とリスクを最小限に抑えることを目指します。たとえば、Example Shoppe の場合、AI を活用した検索を既存のインターフェースに統合できます。ユーザーが自然言語のクエリを入力し続けると、より質の高い検索結果が表示されます。
AI 機能はバックグラウンドで動作しますが、透明性を高めるために、たとえば、システムがこれらの結果をキュレートする方法に関する通知と簡単な説明を追加できます。
UX パターンでは、プロダクトのユーザー エクスペリエンスにおける AI の露出、機能、リスクのバランスを取る方法を学習します。
ガバナンス
AI システムは責任を持って構築する必要があります。ユーザーのプライバシーを保護し、バイアスを軽減し、透明性を提供し、関連するすべての法的基準を満たすシステムを構築する必要があります。優れたガバナンスはコンプライアンスのためだけのものではありません。ユーザーの信頼と導入を確保するための中心的な設計原則です。
Example Shoppe の AI を活用した検索では、ガバナンスはプロダクトに組み込まれた保護対策から始まります。
- プライバシー: ユーザーが明示的にオプトインしない限り、パーソナライズ データはローカルに保存されます。この設定はいつでもオンとオフを切り替えることができます。
- 公平性: 検索結果は、販売者間でバランスの取れた露出を確保するために監査されます。
- 信頼性と透明性: Example Shoppe では、各検索クエリの上部に結果が表示された理由を確認できます。これにより、ユーザーとの信頼関係を構築する機会が得られます。
- 安全性: 制限付きまたは安全でないクエリ（禁止されているアイテムなど）は、ガードレールによってフィルタリングまたはブロックされます。
- 救済措置: AI による提案が役に立たない場合は、AI による提案をすぐに閉じたり、AI の不適切な結果ややり取りを報告したり、キーワードのみの検索に戻したりできます。
AI を責任を持って構築するには、デプロイ プロセスを所有する必要があります。慎重にガードレールとフィードバック ループを設計します。エクスペリエンスの安全性と信頼性を形作り、使用方法と制限に関する期待値を設定します。出力を完全に制御することはできませんが、懸念事項に対処する準備はしておく必要があります。
AI を責任を持って構築するでは、AI ガバナンスの核となる側面について詳しく学び、持続可能で信頼できる AI アプリケーションを構築するための実践的なツールを習得します。
要点
AI システムのブループリントは、参加する AI プロジェクトの明確化と調整に役立ちます。ブループリントの各要素の概要を説明しました。読み進めていくと、各ステップの詳細がわかります。
このブループリントは、さまざまな例で再び登場します。その際、特定のレイヤについてはより詳しく説明します。
理解度を確認する
AI システムのブループリントによると、新しい AI 機能をマッピングする際に考慮すべき 3 つのコアな視点はどれですか？
AI をソリューションとして使用する機会はどのような場合ですか？
AI ユーザー エクスペリエンスにおける「静かな統合」の説明として最も適切なものは、次のうちどれですか？
ユーザーの信頼を築くための重要な設計原則は何ですか？