Καθηγήτρια Saeema Ahmed-Kristensen, Διευθύντρια του DIGIT Lab – Σειρά Συνεντεύξεων

Καθηγήτρια Saeema Ahmed-Kristensen είναι एक ηγετική ερευνήτρια μηχανικού σχεδιασμού και Αναπληρώτρια Προϊσταμένη (Ερευνα & Επίδραση) στο Πανεπιστήμιο του Έξετερ, όπου επίσης υπηρετεί ως Διευθύντρια του DIGIT Lab, μια σημαντική διεπιστημονική ερευνητική πρωτοβουλία που επικεντρώνεται στην ψηφιακή καινοτομία και μετασχηματισμό. Η έρευνά της καλύπτει το σχεδιασμό της δημιουργικότητας και της γνωσιολογίας, το δεδομένο-κίνητο και ψηφιακό σχεδιασμό, και την ενσωμάτωση προηγμένων τεχνολογιών σε σύνθετα μηχανικά και ανάπτυξη προϊόντων, με έμφαση στην μετάφραση ακαδημαϊκής ερμηνείας σε πραγματική επίδραση μέσω της συνεργασίας με την βιομηχανία, της πολιτικής εμπλοκής και των μεγάλων ερευνητικών προγραμμάτων.

Η καριέρα σας έχει διασχίσει το Κέιμπριτζ, το DTU, το Ιμπεριαλ Κολέγιο Λονδίνου, το Βασιλικό Κολέγιο Τέχνης και τώρα το Πανεπιστήμιο του Έξετερ. Όταν κοιτάζετε πίσω, ποια εμπειρίες ή σημεία στροφής έχουν διαμορφώσει περισσότερο τη σκέψη σας για το σχεδιασμό, τη δημιουργικότητα και τον ρόλο των ψηφιακών τεχνολογιών;

Η δουλειά μου στο σχεδιασμό έχει διασχίσει πολλές διαφορετικές κουλτούρες και дисципλίνες. Ξεκίνησα στο Μπρουνέλ σε ένα από τα λίγα προγράμματα εκείνη την εποχή που συνδύαζε τεχνολογία, ανθρωποκεντρικό σχεδιασμό και κατανόηση μορφής. Με δίδαξε από νωρίς ότι η δημιουργικότητα και η καινοτομία είναι στενά συνδεδεμένες.

Η μελέτη μου στο Κέιμπριτζ αργότερα άνοιξε την σκέψη μου περαιτέρω. Το περιβάλλον του κολεγίου με εξέθεσε σε πολλές дисципλίνες και μου έδειξε πώς η καινοτομία εξαρτάται από τη γνώση που έρχεται μαζί σε διάφορα πεδία. Η διδακτορική μου έρευνα εστιάστηκε στον αεροδιαστημικό τομέα και εξέτασε πώς οι μηχανικοί σχεδιαστές βρίσκουν και χρησιμοποιούν πληροφορίες. Μελετήσαμε πώς οι άνθρωποι έχουν πρόσβαση σε γνώση, πώς η εξειδίκευση μπορεί να υποστηριχθεί ή να αναπαραχθεί, και το σημείο τομής μεταξύ γνωσιολογίας, επιστήμης υπολογιστών και μηχανικού σχεδιασμού. Αυτή η ανθρωποκεντρική οπτική έχει παραμείνει μαζί μου από τότε.

Καθώς οι ψηφιακές τεχνολογίες έχουν μεγαλώσει, così και οι ερωτήσεις στη δουλειά μου. Η άνοδος των δεδομένων IoT, του AI και της προηγμένης υπολογιστικής έχει μεταφέρει το σχεδιασμό μακριά από το ανθρωποκεντρικό και προς το κοινωνιοκεντρικό. Αυτό συνεχίζει να διαμορφώνει τη δουλειά μου στο Πανεπιστήμιο του Έξετερ, όπου ηγούνται του DIGIT Lab και επικεντρώνομαι στον ρόλο των LLMs στη δημιουργική διαδικασία, τα εμπόδια που αντιμετωπίζουν οι βιομηχανίες στην υιοθέτησή τους, και πώς τα δεδομένα μπορούν να οδηγήσουν την καινοτομία.

Η εποχή μου στο Ιμπεριαλ και το Βασιλικό Κολέγιο Τέχνης ενίσχυσε ότι το σχεδιασμό είναι πολύ περισσότερο από το σχήμα προϊόντων ή υπηρεσιών. Με τους σωστούς ανθρώπους, τις διαδικασίες και την κουλτούρα, το σχεδιασμό γίνεται ένας οδηγός νέων και κλιμακωτών τεχνολογιών, υλικών και ιδεών που μπορούν να αντιμετωπίσουν τις σημερινές και τις μελλοντικές παγκόσμιες προκλήσεις.

Το DIGIT Lab επικεντρώνεται έντονα στην ψηφιακή μετασχηματισμό μέσα σε μεγάλες καθιερωμένες οργανώσεις. Από την οπτική σας, τι πιστεύετε ότι οι ηγέτες δεν καταλαβαίνουν περισσότερο για το πώς το AI θα αλλάξει το σχεδιασμό, την καινοτομία και τη λήψη αποφάσεων;

Για δεκαετίες, το AI έχει προοδεύσει στην έρευνα και έχει υιοθετηθεί σε ορισμένες βιομηχανίες, αλλά η πρόοδος έχει συχνά περιοριστεί από κενά δεξιοτήτων, κατανόησης της ηγεσίας και σαφήνειας για την αξία και την υποδομή που απαιτείται. Με την άνοδο των LLMs και των γεννητικών εργαλείων όπως το DALL·E, το AI είναι τώρα πιο προσιτό και χρειάζεται πολύ λιγότερη εξειδικευμένη εμπειρία ή ρύθμιση. Αλλά αυτό επίσης θέτει νέες ερωτήσεις σχετικά με την ιδιωτικότητα, την ασφάλεια των δεδομένων και πόσο καλά τα γενικά μοντέλα εφαρμόζονται σε συγκεκριμένα τομείς.

Στο σχεδιασμό και την καινοτομία, αυτά τα ζητήματα είναι ιδιαίτερα σαφή. Η έρευνά μας, η οποία εξέτασε περισσότερες από 12.000 ιδέες που παράγονται από ανθρώπους και από το AI, έδειξε ότι οι ιδέες του AI τείνουν να συγκεντρώνονται γύρω από παρόμοιες έννοιες. Αυτό υπογραμμίζει την ανάγκη να χτίσουμε ανθρώπινη εμπειρία σε γενικά εργαλεία, να προσαρμόσουμε το AI για το τομέα, ή να κατανοήσουμε πότε και πώς να χρησιμοποιήσουμε το AI μαζί με την ανθρώπινη δημιουργικότητα και λήψη αποφάσεων.

Πολύ από την έρευνά σας εξετάζει τη δημιουργικότητα και τη γνωσιολογία στο σχεδιασμό. Με το AI να είναι ικανό να παράγει ιδέες, έννοιες και επαναλήψεις σε κλίμακα, ποια аспектια της δημιουργικότητας θεωρείτε ότι είναι μοναδικά ανθρώπινα — και ποια μέρη μπορούν να μεταφερθούν υπεύθυνα σε διαδικασίες AI;

Η δημιουργικότητα έχει πάντα ήταν περισσότερο από το να παράγει εναλλακτικές για μένα. Είναι για πρόθεση, πολιτιστική σημασία και τη συναισθηματική σύνδεση που δημιουργεί ένα σχέδιο. Η πρόσφατη μας έρευνα στο DIGIT Lab έφερε αυτό στο σαφές: 82% των ανθρώπων μας είπαν ότι η ανθρώπινη ηγεσία ή η υβριδική εργασία feels πιο σημαντική, και 71% είπαν ότι αισθάνονται λιγότερο συναισθηματικά συνδεδεμένοι με το AI-μόνο σχέδιο. Πολλοί περιέγραψαν την εργασία που παράγεται από το AI ως “λacking emotion” (48%) ή “overly perfect” (40%), και 36% αισθάνθηκαν ότι η επίδρασή της εξαφανίστηκε γρήγορα. Αυτές οι απαντήσεις ενίσχυσαν κάτι που πιστεύω για πολύ καιρό. Η συναισθηματική εμπλοκή δεν είναι ένα nice-to-have· είναι απαραίτητη για το πώς οι άνθρωποι βιώνουν και αξιολογούν τη δημιουργική εργασία.

Η έρευνά μας που συγκρίνει ανθρώπινες και AI ιδέες δείχνει επίσης ότι οι ανθρώπινοι σχεδιαστές είναι καλύτεροι στο να δημιουργούν διαφορετικές, καινοτόμες ιδέες και να διασφαλίζουν ότι η δημιουργική έξοδος, είτε έργο τέχνης, σχεδιασμό προϊόντων ή υπηρεσιών, έχει βάθος και σημασία. Οι ειδικοί στη δημιουργικότητα κατέχουν ένα σύνολο δεξιοτήτων που δεν είναι ακόμη δυνατό να αναπαραχθεί. Οι σχεδιαστές πρέπει να κατανοήσουν το πρόβλημα πριν παράγουν ιδέες, και τα LLMs είναι πολύ χρήσιμα στη συλλογή πληροφοριών για να βοηθήσουν τους σχεδιαστές να μεταφερθούν από ένα πρόβλημα σε ένα άλλο. Αν μπορούμε να χτίσουμε μοντέλα ανθρώπινης εμπειρίας σε εργαλεία AI, μπορούν επίσης να υποστηρίξουν την αξιολόγηση ιδεών, επιτρέποντας στο AI να επωφεληθεί περισσότερο από τις ανθρώπινες δημιουργικές ικανότητες.

Η προσέγγισή μας chain-of-thought που πειραματίζεται υποστηρίζει τα LLMs να ακολουθούν την εμπειρία των ειδικών, όχι μόνο να δίνουν βαθμολογίες. Σε όλες τις περιπτώσεις, η ανθρώπινη εποπτεία απαιτείται για να ερμηνεύσει τα αποτελέσματα και να διασφαλίσει ότι οι επιλογές σχεδιασμού συμφωνούν με τις ζωντανές εμπειρίες των χρηστών.

Είναι σαφές ότι πρέπει είτε να δημιουργήσουμε μοντέλα ικανά να καταγράψουν πώς οι άνθρωποι βιώνουν προϊόντα, υπηρεσίες και αλληλεπιδράσεις με τρόπο που οι υπολογιστές μπορούν να ερμηνεύσουν, είτε να ενσωματώσουμε thick δεδομένα (πλούσιες ποιοτικές ερμηνείες που παρέχουν контекст) με τα thin ή big δεδομένα που συλλέγουμε. Η ανάπτυξη αυτών των μοντέλων δεν είναι απλή, και αυτό είναι ακριβώς όπου η ανθρώπινη εμπλοκή παραμένει απαραίτητη.

Έτσι, για μένα, το συμπέρασμα δεν είναι ότι το AI δεν έχει θέση στη δημιουργικότητα. Μακράν. Είναι ότι το AI και οι άνθρωποι συνεισφέρουν διαφορετικές δυνάμεις. Το γεγονός ότι οι άνθρωποι συνεχώς ανταποκρίνονται πιο θετικά σε ανθρώπινη ή υβριδική εργασία απλά μας λέει πού βρίσκεται το κέντρο βαρύτητας. Το AI μπορεί να βοηθήσει στην εξερεύνηση ενός ευρύτερου χώρου σχεδιασμού, να αναλύσει μοτίβα και να προσφέρει δομημένη κριτική, αλλά αυτές οι αντιλήψεις της επίπεδης, αλγοριθμικής τελειότητας και συναισθηματικής απόστασης δείχνουν πού το AI ακόμη χρειάζεται ανθρώπινη κρίση για να μετατρέψει τις δυνατότητες σε κάτι που ανταποκρίνεται.

Γι’ αυτό, βλέπω το μέλλον της δημιουργικότητας ως ουσιαστικά συνεργατικό. Το AI μπορεί να διευρύνει το πεδίο των δυνατοτήτων. Οι σχεδιαστές φέρνουν την εмпάθεια, την πολιτιστική κατανόηση και την αίσθηση της πρόθεσης που δίνουν σε αυτές τις δυνατότητες σημασία. Όταν τα δύο δουλεύουν μαζί, με την ανθρώπινη κρίση να ορίζει την κατεύθυνση και το AI να εμπλουτίζει την εξερεύνηση, το αποτέλεσμα είναι μια δημιουργική διαδικασία που είναι πιο αυστηρή, πιο φανταστική και τελικά πιο ανθρώπινη στις εξελίξεις.

Έχετε αναπτύξει μεθόδους για την ποσοτικοποίηση των εμπειριών των χρηστών και τη δομή της γνώσης του σχεδιασμού. Πώς μπορούμε να διασφαλίσουμε ότι οι ανθρώπινες εμπειρίες, συναισθήματα και πολιτιστικοί σήματα παραμένουν κεντρικά στο σχεδιασμό της διαδικασίας καθώς το AI γίνεται πιο ενσωματωμένο σε ροές σχεδιασμού σε διάφορους τομείς;

Για να κεντρώσουμε την ανθρώπινη εμπειρία, πρέπει να ενσωματώσουμε γνώση της αντίληψης και του συναισθήματος στις μεθόδους μας.

Υπάρχουν δύο основικές προσεγγίσεις. Η πρώτη αναγνωρίζει την ανάγκη για ποιοτικά δεδομένα που επιτρέπουν μια πλούσια κατανόηση της ανθρώπινης εμπειρίας, αντίληψης και συναισθήματος, ενημερώνοντας την αποτελεσματική ανθρώπινη-AI συνεργασία. Η δεύτερη — στην οποία έχει επικεντρωθεί η δουλειά μου — στοχεύει στη μετάφραση αυτής της γνώσης σε μοντέλα που τα συστήματα AI μπορούν να κατανοήσουν και να χρησιμοποιήσουν.

Αυτά τα μοντέλα είναι σύνθετα να αναπτυχθούν, καθώς πρέπει να ενσωματώσουν την εμπειρία του χρήστη, την ανθρώπινη αντίληψη και τα χαρακτηριστικά των προϊόντων ή συστημάτων που σχεδιάζονται, για να προβλέψουν τις ανθρώπινες αντιδράσεις και την tổngική εμπειρία.

Δουλεύετε εκτενώς με σύνθετες βιομηχανίες – αεροδιαστημική, ιατρική, κατασκευή, και καταναλωτικά προϊόντα. Σε αυτά τα υψηλού κινδύνου περιβάλλοντα, πώς ισορροπείτε τη δυνατότητα του AI-υποστηριζόμενου σχεδιασμού με την ανάγκη για ασφάλεια, ιχνηλασιμότητα και εμπιστοσύνη;

Σε υψηλού κινδύνου τομείς όπως η υγεία, η αεροδιαστημική και η κατασκευή, το ερώτημα δεν είναι αν το AI μπορεί να χρησιμοποιηθεί, αλλά πώς κυβερνάται. Η εμπιστοσύνη σε αυτά τα περιβάλλοντα εξαρτάται από σαφή ευθύνη, ιχνηλασιμότητα και εξηγήσιμη στο κάθε στάδιο της διαδικασίας σχεδιασμού και λήψης αποφάσεων. Το AI μπορεί να παίξει einen ισχυρό υποστηρικτικό ρόλο στη模拟, βελτιστοποίηση και πρώιμη εξερεύνηση, αλλά δεν μπορεί να γίνει η τελική αρχή.

Πολλοί από αυτούς τους τομείς είναι στενά ρυθμιζόμενοι και υπόκεινται σε αυστηρές απαιτήσεις ασφαλείας, οι οποίες απαιτούν ασφαλή χειρισμό όλων των δεδομένων, προσωπικών ή εμπορικά ευαίσθητων. Σε αυτά τα περιβάλλοντα, οι προτροπές ή οι ερωτήσεις συχνά χρειάζεται να αναπτυχθούν χρησιμοποιώντας τοπικά δεδομένα για να διασφαλίσουν την ειδικότητα και τη σχετικότητα, και είναι κοινό για οργανισμούς σε αυτούς τους τομείς να χτίσουν και να διατηρήσουν τα δικά τους εργαλεία AI.

Η ευρύτερη έρευνά μας δείχνει ότι τα υβριδικά συστήματα είναι απαραίτητα: το AI πρέπει να υποστηρίξει την εμπειρία του ειδικού, όχι να την αντικαταστήσει. Η ανθρώπινη εποπτεία πρέπει να παραμείνει ενσωματωμένη σε κάθε κρίσιμο σημείο λήψης αποφάσεων, ιδιαίτερα όπου η ασφάλεια, ο κίνδυνος και η ευθύνη είναι ενδιαφερόμενα. Για τους ρυθμιστές και τους τελικούς χρήστες να εμπιστευτούν τα συστήματα AI, οι οργανισμοί χρειάζεται επίσης διαφανή τεκμηρίωση για το πώς τα μοντέλα εκπαιδεύονται, ποια δεδομένα χρησιμοποιούν και πώς παράγονται τα αποτελέσματα. Χωρίς αυτή τη διαφάνεια, η εμπιστοσύνη δεν μπορεί να κλιμακωθεί, ανεξάρτητα από το πόσο προηγμένο γίνεται η τεχνολογία.

Πολυάριθμες οργανώσεις πασχίζουν με το χάσμα μεταξύ “πειραματισμού με το AI” και ουσιαστικής ενσωμάτωσης του σε ανάπτυξη προϊόντων. Ποια πρακτικά βήματα θα συνιστούσατε για ομάδες που προσπαθούν να μεταφερθούν από το πειραματισμό στην στρατηγική εφαρμογή;

Πολυάριθμες οργανώσεις σταματούν στο στάδιο του πειραματισμού γιατί υιοθετούν το AI χωρίς σαφή στρατηγικό σκοπό. Το πρώτο πρακτικό βήμα είναι να είναι σαφείς σχετικά με το ρόλο που το AI προορίζεται να παίξει στη διαδικασία ανάπτυξης, είτε υποστηρίζοντας την ιδεοποίηση, επιταχύνοντας τον έλεγχο, βελτιστοποιώντας την αξιολόγηση, ή ενισχύοντας τη λήψη αποφάσεων. Χωρίς αυτή τη σαφήνεια, οι πιλότοι παραμένουν αποσυνδεδεμένοι από πραγματικά επιχειρηματικά και σχεδιαστικά αποτελέσματα.

Οι ομάδες χρειάζεται επίσης τις σωστές βάσεις να είναι στη θέση τους. Αυτό σημαίνει επένδυση σε υψηλής ποιότητας, καλά διαχειριζόμενα δεδομένα, ιδιαίτερα δεδομένα που αντανακλούν πραγματικές εμπειρίες χρηστών και όχι μόνο τεχνική απόδοση. Επίσης, σημαίνει να είναι πραγματιστικοί σχετικά με τα τρέχοντα όρια του AI, ιδιαίτερα στη δημιουργική και ανθρώπινη κρίση, όπου η εμπειρία του ειδικού παραμένει απαραίτητη.

Πολλοί τομείς αρχίζουν να αναπτύσσουν πολιτικές AI που οδηγούν τις ομάδες μέσω της διαδικασίας του πειραματισμού με το AI, από την κατασκευή επιχειρηματικών περιπτώσεων και την εκτέλεση πιλότων έως την ευρύτερη υιοθέτηση. Αυτές οι πολιτικές βοηθούν τις οργανώσεις να αναγνωρίσουν πού το AI μπορεί πραγματικά να προσθέσει αξία, ενώ επίσης διασφαλίζουν ότι οι άνθρωποι παραμένουν στη βρόχη όπου είναι απαραίτητοι.

Τέλος, οι οργανισμοί πρέπει να προχωρήσουν μέσω δομημένων, χαμηλού κινδύνου πιλότων που είναι ενσωματωμένοι σε πραγματικές ροές εργασίας, όχι να τρέχουν σε απομόνωση. Αυτοί οι πιλότοι πρέπει να είναι διεπιστημονικοί, φέρνοντας μαζί σχεδιαστές, μηχανικούς, επιστήμονες δεδομένων και εμπειρογνώμονες τομέα, ώστε η μάθηση να μοιράζεται και να είναι μεταφερόμενη. Το AI παραδίδει αξία όταν είναι σχεδιασμένο στην καθημερινή πρακτική, όχι όταν αντιμετωπίζεται ως ξεχωριστό πειραματικό επίπεδο.

Έχετε μια μακρά ιστορία ανάπτυξης μεθόδων για τη δομή και την αυτοματοποίηση της γνώσης. Πόσο κοντά είμαστε σε συστήματα AI που μπορούν να συλλογισθούν σχετικά με την πρόθεση του σχεδιασμού, τις ανάγκες των χρηστών και το контекστ σε τρόπο που πραγματικά προσθέτει αξία και όχι απλά παράγει περιεχόμενο;

Σε ορισμένες περιοχές, η πρόβλεψη των προτιμήσεων των χρηστών είναι σχετικά απλή, καθώς δεδομένα όπως το ιστορικό περιήγησης ή τα αρχεία των τηλεοπτικών εκπομπών που έχουν παρακολουθήσει μπορούν να χρησιμοποιηθούν για να κάνουν συστάσεις. Αυτές οι περιοχές επωφελούνται από διαθέσιμα δεδομένα.

Αντίθετα, μια κρίσιμη πρόκληση στο σχεδιασμό προϊόντων και υπηρεσιών είναι ότι τα δεδομένα για τις επιλογές, τις ανάγκες και τις ζωντανές εμπειρίες των ανθρώπων συχνά δεν είναι εύκολα διαθέσιμα.

Η πρόσφατη έρευνά μου με το Digit Lab ερεύνησε την ικανότητα ενός LLM, όταν δόθηκε ένα μοντέλο για το πώς οι άνθρωποι αντιλαμβάνονται και ανταποκρίνονται σε χαρακτηριστικά σχεδιασμού. Ωστόσο, τα τρέχοντα μοντέλα λειτουργούν σε μοτίβα δεδομένων και δεν μπορούν να δώσουν контекστ. Προηγούμενες μελέτες που συνδέουν το σχήμα με τις αντιλήψεις δείχνουν ότι ακόμη και μικρές αλλαγές στη μορφή μπορούν να μεταφέρουν συναισθηματικές αντιδράσεις, και τέτοιες λεπτομέρειες είναι δύσκολο για το AI να προβλέψει χωρίς ανθρώπινη καθοδήγηση ή σύνθετα μοντέλα. Έτσι, η συλλογιστική του AI σχετικά με την πρόθεση βελτιώνεται, αλλά παραμένει ένα συμπλήρωμα στην ανθρώπινη εμπειρία.

Όταν το AI επιταχύνει τους κύκλους σχεδιασμού — από την ιδεοποίηση έως την πρωτοτυποποίηση — ποια νέα δεξιότητες θα χρειαστούν οι σχεδιαστές; Πώς πρέπει οι πανεπιστήμια και οι οργανισμοί να ανασχεδιάσουν την εκπαίδευση για την επόμενη γενιά δημιουργικής ταλέντου;

Οι σχεδιαστές θα πρέπει να είναι ικανοί και στην ανθρώπινη αντίληψη και στα εργαλεία AI. Η κατανόηση του πώς η μορφή, το υλικό και η αναλογία διαμορφώνουν την συναισθηματική απόκριση θα παραμείνει θεμελιώδες για το καλό σχεδιασμό. Ταυτόχρονα, οι σχεδιαστές πρέπει να είναι σε θέση να δουλεύουν με εμπιστοσύνη με συστήματα AI που υποστηρίζουν την ιδεοποίηση και την αξιολόγηση. Αυτό σημαίνει όχι μόνο να χρησιμοποιούν τα εργαλεία, αλλά και να κατανοούν τι είναι το βέλτιστο για αυτά και πού βρίσκονται τα όριά τους. Όσο το AI γίνεται πιο ενσωματωμένο στις ροές σχεδιασμού, η ικανότητα να ερμηνεύει κριτικά τις εξελίξεις του θα γίνει μια από τις πιο πολύτιμες δημιουργικές δεξιότητες.

Όσο το AI επιταχύνει τους κύκλους σχεδιασμού από την ιδεοποίηση έως την πρωτοτυποποίηση, οι σχεδιαστές θα χρειαστούν μια νέα συνδυασμένη ικανότητα και τρόπο σκέψης που υπερβαίνει τις παραδοσιακές δεξιότητες. Θα πρέπει να κατανοήσουν πώς λειτουργούν οι ψηφιακές τεχνολογίες, τι μπορούν να αποκαλύψουν διαφορετικά είδη δεδομένων (και τι όχι), και πώς να συνδυάσουν τη γνώση του σχεδιασμού με τη γνώση του AI. Αυτό περιλαμβάνει τη γνώση του πώς να δουλεύουν με υψηλής ποιότητας, καλά διαχειριζόμενα δεδομένα που αντανακλούν πραγματικές εμπειρίες χρηστών, και όχι μόνο τεχνική απόδοση. Παράλληλα, οι σχεδιαστές θα πρέπει επίσης να έχουν την κρίση για να αναγνωρίσουν πού το AI είναι χρήσιμο και πού η ανθρώπινη δημιουργικότητα και κρίση πρέπει να παραμείνουν κεντρικές.

Για να ανταποκριθούν σε αυτές τις ανάγκες, τα πανεπιστήμια και οι οργανισμοί θα πρέπει να ανασχεδιάσουν τον τρόπο με τον οποίο εκπαιδεύουν την επόμενη γενιά δημιουργικού ταλέντου. Ορισμένα πανεπιστήμια έχουν ήδη ενσωματώσει την επιστήμη δεδομένων σε προγράμματα σχεδιασμού. Αυτό είναι ένα σημαντικό βήμα, αλλά όχι αρκετό. Τι λείπει ακόμη είναι μεθόδοι σκέψης που είναι εξοπλισμένες για τις πραγματικότητες της ψηφιακής εποχής: μεθόδοι που βοηθούν τους σχεδιαστές να συνεργαστούν με το AI, να δουλεύουν σε διάφορους τομείς και να πλοηγηθούν στην ταχεία πειραματική διαδικασία ενώ διατηρούν την εθική και ανθρωποκεντρική εποπτεία.

Η αντιμετώπιση αυτού του κενού είναι απαραίτητη. Είναι για αυτό που ο συνάδελφός μου, Dr. Ji Han, και εγώ γράφουμε ένα βιβλίο με το Πανεπιστήμιο του Κέιμπριτζ για το Σκέψη Σχεδιασμού στη Ψηφιακή Εποχή, το οποίο συνδυάζει τα πλαίσια, τις δεξιότητες και τους τρόπους σκέψης που χρειάζονται για να σχεδιάζουν αποτελεσματικά μαζί με το AI.

Το DIGIT Lab τονίζει την υπεύθυνη μετασχηματισμό. Από την οπτική σας, ποια εθικά ή κοινωνικά κινδύνους χρειάζονται περισσότερη προσοχή καθώς το AI γίνεται πιο ενσωματωμένο σε ροές σχεδιασμού σε διάφορους τομείς;

Ένα παράδειγμα είναι η διασφάλιση της εθικής χρήσης δεδομένων, συμπεριλαμβανομένης της απόκτησης ενημερωμένης συγκατάθεσης και της διαφάνειας σχετικά με τα σύνολα δεδομένων που χρησιμοποιούνται για την ανάπτυξη προϊόντων AI, καθώς και τυχόν προκαταλήψεων που μπορεί να περιέχουν. Για παράδειγμα, σύνολα δεδομένων που είναι ενσωματωμένα σε συστήματα υγείας πρέπει να εξεταστούν προσεκτικά για να διασφαλίσουν ότι αντιπροσωπεύουν επαρκώς τον πληθυσμό, να αναγνωρίσουν τυχόν ομάδες που μπορεί να είναι υποαντιπροσωπεύονται, και να επιβεβαιώσουν ότι το σύστημα AI είναι κατάλληλο για χρήση και περιλαμβάνει όλους. Από την κοινωνική πλευρά, υπάρχει συχνά ανησυχία ότι το AI θα αντικαταστήσει τις δουλειές. Ωστόσο, είναι σημαντικό να κατανοήσουμε πού η ανθρώπινη εμπειρία παραμένει απαραίτητη και πώς το AI μπορεί να χρησιμοποιηθεί για να υποστηρίξει, όχι να αντικαταστήσει, τις ανθρώπινες ικανότητες.

Ωστόσο, υπάρχουν βαθύτερα εθικά ζητήματα. Όταν οι σχεδιαστές βασίζονται σε ανθρώπινα δεδομένα, πρέπει να χειρίζονται την ιδιωτικότητα, την προκατάληψη και τη διαφάνεια υπεύθυνα. Ένα εργαστήριο του DIGIT Lab αναγνώρισε τον τομέα της κατασκευής “δεδομένα”, “ανθρώπινα” και “κυβερνοú” ως τις κύριες κατηγορίες προκλήσεων, υπογραμμίζοντας την ανάγκη για καλύτερη συλλογή δεδομένων, ανθρώπινη εποπτεία και σαφείς πολιτικές για την ασφάλεια, την εμπιστοσύνη, την πνευματική ιδιοκτησία και τη ρύθμιση. Η αντιμετώπιση αυτών των κινδύνων σημαίνει ότι τα συστήματα AI πρέπει να χτιστούν σε διαφορετικά δεδομένα, να ενσωματωθούν ανθρώπινες κρίσεις σε κρίσιμα σημεία και να αναπτυχθούν εναρμονισμένα πρότυπα σχεδιασμού που σέβονται την ιδιωτικότητα, τη συγκατάθεση και τον πολιτιστικό контекスト.

Έχετε ερευνήσει πώς τα δεδομένα και το AI μπορούν να προσαρμόσουν προϊόντα γύρω από την εμπειρία του χρήστη. Βλέπετε ένα μέλλον όπου τα προϊόντα εξελίσσονται δυναμικά με βάση δεδομένα σε πραγματικό χρόνο μετά την αποχώρησή τους από το εργοστάσιο; Αν ναι, πώς πρέπει οι σχεδιαστές να προετοιμαστούν για αυτό τον κόσμο; 

Δεδομένα-κίνητο σχεδιασμό που χρησιμοποιείται για προϊόντα μπορεί να είναι προσωποποιημένα, προσαρμοσμένα, ή να προσαρμοστούν σε ατομικά συμπεριφορές. Τότε γίνονται “έξυπνα” συστήματα που συλλέγουν δεδομένα για το πώς χρησιμοποιούνται και επικοινωνούν μέσω ενσωματωμένων αισθητήρων και συνδεσιμότητας IoT. Στη δική μας πλαίσιο, οι δραστηριότητες προσαρμογής περιλαμβάνουν τη χρήση αυτών των δεδομένων για να ενημερώσουν και να προσαρμόσουν προϊόντα μετά την αποχώρησή τους από το εργοστάσιο. Παραδείγματα περιλαμβάνουν τη σύνδεση μοντέλων αναγνώρισης κίνησης με ψηφιακό δίδυμο για ανθρώπινη-ρομποτική συνεργασία και τη χρήση μηχανικής-μαθηματικά-βοηθούμενης σάρωσης για να δημιουργήσουν προσαρμοσμένα компонента.

Αυτή η μετατόπιση δημιουργεί νέες ευθύνες. Οι σχεδιαστές πρέπει να αποφασίσουν ποια ανθρώπινα δεδομένα, συμπεριφορικά, φυσιολογικά, ανατροφοδότηση ή συναισθηματικά, είναι σχετικά. Επίσης, πρέπει να διασφαλίσουν ότι οι ενημερώσεις διατηρούν τις προγραμματισμένες αισθητικές και συναισθηματικές ποιότητες που γνωρίζουμε ότι συνδέονται με τη μορφή και την αντίληψη. Τέλος, η διακυβέρνηση έχει σημασία: το βιομηχανικό μας εργαστήριο τόνισε ότι τα ζητήματα γύρω από τα δεδομένα, την εμπιστοσύνη και την ιδιωτικότητα απαιτούν σαφείς πολιτικές και ανθρώπινη εποπτεία. Όταν γίνεται καλά, τα εξελισσόμενα προϊόντα μπορούν να προσφέρουν διαρκή αξία και απόκριση χωρίς να θυσιάσουν τη σημασία ή την ηθική.

Κοιτάζοντας μπροστά, ποια είναι τα μεγάλα ερευνητικά ερωτήματα που σας мотιβάρουν αυτή τη στιγμή; Και ποια突破 θα δούμε στο επόμενο διάστημα στο σημείο τομής του AI, της δημιουργικότητας και του σχεδιασμού;

Πολλοί από τους προκλήσεις που περιγράφηκαν παραπάνω παραμένουν ανεπίλυτοι – και κάποιοι από αυτούς είναι τρέχοντα έργα, συμπεριλαμβανομένης της δουλειάς για να διασφαλίσουμε ότι τα γενικά-σκοπούς γεννητικά εργαλεία AI μπορούν να προσαρμοστούν αποτελεσματικά στα συγκεκριμένα τομείς που επιθυμούν να τα υιοθετήσουν.

Σε τομέα επίπεδο, αυτό μπορεί να φαίνεται khá διαφορετικό: στην κατασκευή, μπορεί να περιλαμβάνει τη χρήση τοπικών μοντέλων εκπαιδευμένων σε τοπική γνώση, μαζί με ισχυρά μέτρα ιδιωτικότητας και ασφάλειας. Στις δημιουργικές βιομηχανίες, ο επίκεντρος μπορεί να είναι η διαφοροποίηση των εξελίξεων και η ενεργοποίηση μιας πιο σημαντικής συνεργασίας μεταξύ ανθρώπων και AI.

Στο τεχνικό επίπεδο, πειραματιζόμαστε με μεγάλα γλωσσικά μοντέλα για να υποστηρίξουμε εργασίες αξιολόγησης. Μια μελέτη δείχνει ότι τα LLMs μπορούν να αξιολογήσουν την καινοτομία και τη χρησιμότητα και να ευθυγραμμιστούν περισσότερο με ανθρώπινους εμπειρογνώμονες όταν καθοδηγούνται από καλά σχεδιασμένες προτροπές. Μια συναφής μελέτη χρησιμοποιεί chain-of-thought προτροπές και πολλαπλή μοντέλο-σύνθεση για να κάνει την αξιολόγηση AI πιο αξιόπιστη. Επίσης, ερευνήσουμε τους συνομιλητές για να συλλέξουν τις απαιτήσεις ψηφιακής μετασχηματισμού των οργανισμών, αποδεικνύοντας ότι τα chatbot μπορούν να διεξάγουν δομημένες συνεντεύξεις αποτελεσματικά. Σε συνδυασμό με τη δουλειά μας για τη χρήση ανθρώπινων δεδομένων στο σχεδιασμό, αυτές οι πρωτοβουλίες δείχνουν ένα μέλλον όπου το AI μας βοηθά να διατηρήσουμε την εμπειρία, να λάβουμε καλύτερες αποφάσεις και να εμπλακούμε τους χρήστες με ηθική.

Ευχαριστώ για τη σκέψη και την εύστοχη συνέντευξη. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα για το έργο της Καθηγήτριας Ahmed-Kristensen για το AI-κίνητο σχέδιο, τη δημιουργικότητα και την υπεύθυνη ψηφιακή μετασχηματισμό μπορούν να εξερευνήσουν την τρέχουσα έρευνα και τις πρωτοβουλίες στο DIGIT Lab.