Ситуация: вы заказали исследование, долго ждали результат и наконец получили его. Смотрите и понимаете — всё это вы и так уже знали или вам не хватает деталей и ответов на конкретные вопросы, чтобы принять решение.

Обычно исследование строится в последовательности: постановка задачи → подготовка → проведение → анализ результатов → принятие решений. Разумеется, ошибка может закрасться на любом из них, но ваша задача минимизировать её вероятность на этапе постановки задачи.

Таня Чернявская, руководитель продуктовых исследований в Авито Товарах, рассказывает, как ставить задачу рисёрчеру на продуктовое исследование, чтобы быстрее получить результат. Поехали разбираться по ссылке.

Реклама. ООО «Авито Тех». LdtCKCxbg

Когда дизайнер спросил, мол почему он при всех своих творческих проектах и креативности продолжает питаться «роллтоном и дошиком», а его попросили показать, ну например как креативно он готовит, чтобы понять в чем проблема.

Минутка визуальных исследований:

Это первое точное изображение черной дыры, сделанное в 1978 году Жан-Пьером Люмине с помощью перфокарт на компьютере IBM 7040.

Обратите внимание, как близко она похожа на модель, использованную в фильме «Интерстеллар», и как мало она отличается от реальной, запечатленной в M87. Статья

Neon Signs Website

Улучшаем UX сообщений об ошибках: обзор практических приёмов с примерами и постер-шпаргалка в PDF → https://www.nngroup.com/articles/error-message-guidelines/

🔥 Выгорание. 

Недостаточный доход. 

Кругом туча конкурентов. 

Дебильные клиенты. 

Иногда хочется бросить профессию. 

Каждый дизайнер на фрилансе сталкивается с этими трудностями. 

Все: UI/UX, дизайнеры интерьера, графические, бренд-дизайнеры etc. 

Ей тоже было больно. Но она справилась. 

Её зовут Марина Елина. Она 10 лет занимается бренд-дизайном, помогает бизнесам и экспертам стать по-настоящему заметными. 

А ещё она прошла через весь ад становления дизайнера, стала матерью нескольких детей и точно знает, как помочь каждому дизайнеру пройти путь до своей мечты быстрее 😁

Она расскажет тебе:

· Какие ошибки все совершают; 

❤️ Как справиться с выгоранием, повысить доход и научиться ставить цели; 

❤️ Что с этим всем делать и куда идти дальше. 

Подпишись на бесплатную рассылку о том, как дизайнеру достигать целей с улыбкой, а не через тернии тут.

UX и AI: Паттерны программирования на промт-языках. В поисках устойчивых практик

Кажется, что появление promt-манипуляций изменяет область взаимодействия человек-машина и предлагает достаточно широкое поле для исследований: единый язык для не-программистов, конечно, фантастика, но постепенно Promt обрастает паттернами и устойчивыми последовательностями.
Обычно люди задают прямые вопросы LLM. Это называется zero-shot promting, нулевой подсказкой. Также существует паттерн коротких примеров, которые возвращают ответ. Например,

Пример вопроса от человека
Пример ответа от человека
Вопрос от человека
Какой ответ? Отвечает LLM

В коротком промте вы можете получить лучшие результаты, если продемонстрируете аргументацию, которая приводит к конкретному ответу.
Это называется "цепочка мыслей" "Chain of thoughts" https://arxiv.org/pdf/2201.11903.pdf
Цепочка мыслей в ответах предполагает, что человек должен показать “аргументацию” ответа перед тем как задавать вопрос, что качественно увеличит ответ от LLM

Некоторой такой модификацией может послужить пример «Спросить самого себя» паттерна https://ofir.io/self-ask.pdf . Например, мы хотим получить в конце наименьший вариант без ошибок и проблем.

Сначала все пишет человек:
Вопрос: Кто прожил дольше, Теодор Геккер или Гарри Воан Уоткинс?
Нужны ли здесь дополнительные вопросы: Да.
Продолжение: сколько лет было Теодору Хеккеру, когда он умер? Промежуточный ответ: Теодору Геккеру было 65 лет, когда он умер. Продолжение: сколько лет было Гарри Вогану Уоткинсу, когда он умер? Промежуточный ответ: Гарри Вогану Уоткинсу было 69 лет, когда он умер.
Итак, окончательный ответ: Гарри Воан Уоткинс.

После чего задается окончательный вопрос к LLM и ответ происходит в той же форме, что кардинально уменьшает число галлюцинаций

Вы можете вызвать целенаправленные ответы, ссылаясь на концепции или аналогии (например, «представьте, что вы профессор физики. Ответьте на этот вопрос:»).
В литературе это уже назвали «меметический прокси» - «Memetic Proxy» . Кажется, что такое использование наиболее частое в русской среде, эдакий персонализм
(https://arxiv.org/pdf/2102.07350.pdf ).

Для длинных диалогов с LLM предполагается эвристика, которая зарекомендовала себя успешной MemPrompt - после уточнение предалагется промт с заметкой “Запомни”
https://arxiv.org/pdf/2201.06009.pdf

Если вы повторно запустите один и тот же запрос несколько раз, вы получите разные ответы, поэтому выбор согласованного ответа на несколько запросов повышает качество ответов. Это называется «Самосогласованность» - Self-consistency (https://arxiv.org/pdf/2203.11171.pdf). Смысл в том, чтобы маргинализировать некоторые ответы в выдаче LLM: кажется, не самым простым подходом к тому, чтобы решать задачи.

Респонденты и тестеры получают лучшие результаты с паттерном «ReAct», когда мы вызываем промежуточные мысли из LLM и связываем их с действиями связанными с поиском информации (например, «Каков возраст Вселенной?» -> «Мне нужно найти больше информации о вселенной" -> [поиск в Википедии]). Это дополняет промт постоянным поиском в вики и открытых данных
https://arxiv.org/pdf/2210.03629.pdf

Наконец есть паттерн план действий для того, чтобы решать сложные проблемы, наводя план действий (https://say-can.github.io/assets/palm_saycan.pdf). Каждый шаг плана можно использовать для генерации собственной цепочки действий, но, кажется, что такое пока может работать только если есть манипулятор или робот. Низкоуровневые навыки машин можно комбинировать с большими языковыми моделями, чтобы языковая модель давала высокоуровневые знания о процедурах выполнения сложных и протяженных во времени инструкций, а функции значений, связанные с этими навыками, давали основу, необходимую для соединения этих знаний.

Считываемые QR-коды, сгенерированные AI — самое то для посхалок.