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

Καθηγήτρια Saeema Ahmed-Kristensen είναι κορυφαία ερευνήτρια μηχανικού σχεδιασμού και Associate Pro-Vice-Chancellor (Έρευνα και Αντίκτυπος) 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 τη δημιουργικότητα και τις γνωστικές διεργασίες στον σχεδιασμό, τον σχεδιασμό βάσει δεδομένων και τον 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, ποιες 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 επιστημονικά πεδία. 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 επιστημονικά πεδία 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. Μελέτησα πώς οι άνθρωποι έχουν πρόσβαση σε γνώση, πώς η εξειδίκευση μπορεί να υποστηριχθεί ή να αναπαραχθεί, και το σημείο τομής μεταξύ γνωστικών διεργασιών, επιστήμης υπολογιστών και μηχανικού σχεδιασμού. Αυτή η ανθρωποκεντρική οπτική έχει παραμείνει μαζί μου από τότε.

Καθώς οι ψηφιακές τεχνολογίες έχουν μεγαλώσει, έτσι 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 ηγούμαι 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 ο σχεδιασμός είναι πολύ περισσότερο από το σχήμα προϊόντων ή υπηρεσιών. Με τους σωστούς ανθρώπους, τις διαδικασίες και την κουλτούρα, ο σχεδιασμός 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 στον ψηφιακό 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 εργαλείων παραγωγικής AI 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 συγκεκριμένους 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 τον 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 τις γνωστικές διεργασίες στο σχεδιασμό. Με την παραγωγική AI να είναι ικανή να παράγει ιδέες, έννοιες και επαναλήψεις σε κλίμακα, ποια πτυχές της δημιουργικότητας θεωρείτε ότι είναι μοναδικά ανθρώπινα — και ποια μέρη μπορούν να μεταφερθούν υπεύθυνα σε διαδικασίες AI;

Η δημιουργικότητα ήταν πάντα 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 εργασία υπό ανθρώπινη καθοδήγηση ή η υβριδική εργασία έχει περισσότερο νόημα, και 71% είπαν ότι αισθάνονται λιγότερο συναισθηματικά συνδεδεμένοι με το AI-μόνο σχέδιο. Πολλοί περιέγραψαν την εργασία που παράγεται από το AI ως “χωρίς συναίσθημα” (48%) ή “υπερβολικά τέλεια” (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 απλώς ένα ευχάριστο πρόσθετο· 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 προσέγγιση αλυσίδας σκέψης (chain-of-thought), με την οποία πειραματιζόμαστε, βοηθά τα LLMs να ακολουθούν τη συλλογιστική των ειδικών και όχι απλώς 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 πυκνά δεδομένα (πλούσιες ποιοτικές γνώσεις που παρέχουν πλαίσιο) με τα αραιά δεδομένα ή τα μεγάλα σύνολα δεδομένων αισθητήρων 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 ενσυναίσθηση, 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 ευφάνταστη και τελικά πιο ανθρώπινη στα αποτελέσματά της.

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 πολιτισμικά σήματα παραμένουν κεντρικά στο σχεδιασμό της διαδικασίας καθώς τα συστήματα AI αναλαμβάνουν μεγαλύτερο ρόλο στην παραγωγή προϊόντων και υπηρεσιών;

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

Υπάρχουν δύο βασικές 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 τη συνολική 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 εξηγησιμότητα σε κάθε στάδιο της διαδικασίας σχεδιασμού και λήψης αποφάσεων. Το AI μπορεί να παίξει έναν ισχυρό υποστηρικτικό ρόλο στην προσομοίωση, 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 ενισχύει την κρίση 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 διακυβεύονται. Για να εμπιστεύονται οι ρυθμιστικές αρχές και οι τελικοί χρήστες τα συστήματα AI, οι οργανισμοί χρειάζονται 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 προηγμένη 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 πλαίσιο με 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 εντάξουν το νόημα στο πλαίσιό του. 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 — ποιες νέες δεξιότητες θα χρειαστούν οι σχεδιαστές; Πώς πρέπει τα πανεπιστήμια και οι οργανισμοί να ανασχεδιάσουν την εκπαίδευση για την επόμενη γενιά δημιουργικού 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 κριτικής ερμηνείας των αποτελεσμάτων του και συνδυασμού τους με την ανθρώπινη κρίση 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 η κριτική σκέψη 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 μέθοδοι σκέψης που είναι εξοπλισμένες για τις πραγματικότητες της ψηφιακής εποχής: μέθοδοι που βοηθούν τους σχεδιαστές να συνεργαστούν με το AI, να δουλεύουν σε διάφορους τομείς και να πλοηγηθούν στην ταχεία πειραματική διαδικασία ενώ διατηρούν την ηθική 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 τον εκδοτικό οίκο Cambridge University Press 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 τον υπεύθυνο μετασχηματισμό. Από την οπτική σας, ποιοι ηθικοί ή κοινωνικοί κίνδυνοι χρειάζονται περισσότερη προσοχή καθώς τα συστήματα AI αναλαμβάνουν μεγαλύτερο ρόλο στην παραγωγή προϊόντων και υπηρεσιών;

Ένα παράδειγμα είναι η διασφάλιση της ηθικής 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 υποεκπροσωπούνται, 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 ηθικά ζητήματα. Όταν οι σχεδιαστές βασίζονται σε ανθρώπινα δεδομένα, πρέπει να χειρίζονται την ιδιωτικότητα, την προκατάληψη και τη διαφάνεια υπεύθυνα. Ένα εργαστήριο του DIGIT Lab προσδιόρισε τα “δεδομένα”, τον “άνθρωπο” και τη “διακυβέρνηση” ως τις κύριες κατηγορίες προκλήσεων στον μεταποιητικό τομέα, 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 πολιτισμικό πλαίσιο.

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; 

Σχεδιασμός βάσει δεδομένων μπορεί να χρησιμοποιηθεί για την εξατομίκευση, την ειδική διαμόρφωση ή την προσαρμογή προϊόντων στην ατομική συμπεριφορά. Τότε γίνονται “έξυπνα” συστήματα που συλλέγουν δεδομένα για το πώς χρησιμοποιούνται και επικοινωνούν μέσω ενσωματωμένων αισθητήρων και συνδεσιμότητας IoT. Στο δικό 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 σάρωσης με υποστήριξη μηχανικής μάθησης για να δημιουργήσουν εξατομικευμένα εξαρτήματα.

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 παρακινούν αυτή τη στιγμή; Και ποιες σημαντικές εξελίξεις θα δούμε στο επόμενο διάστημα στο σημείο τομής του AI, της δημιουργικότητας και του σχεδιασμού;

Πολλές από τις προκλήσεις που περιγράφηκαν παραπάνω παραμένουν ανεπίλυτες και εργάζομαι ήδη σε αρκετές από αυτές, συμπεριλαμβανομένης της δουλειάς για να διασφαλίσουμε ότι τα εργαλεία παραγωγικής AI γενικού σκοπού μπορούν να προσαρμοστούν αποτελεσματικά στα συγκεκριμένους τομείς που επιθυμούν να τα υιοθετήσουν.

Σε τομέα επίπεδο, αυτό μπορεί να φαίνεται αρκετά διαφορετικό: στην κατασκευή, μπορεί να περιλαμβάνει τη χρήση τοπικών μοντέλων εκπαιδευμένων σε γνώση συγκεκριμένου τομέα, μαζί με ισχυρά μέτρα ιδιωτικότητας και ασφάλειας. Στις δημιουργικές βιομηχανίες, η έμφαση μπορεί να δίνεται στη διαφοροποίηση των αποτελεσμάτων 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, εξερευνούμε συνομιλιακούς πράκτορες 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 εμπλέκουμε τους χρήστες με ηθικό τρόπο.

Ευχαριστούμε για τη στοχαστική και διαφωτιστική συνέντευξη. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα για το έργο της Καθηγήτριας Ahmed-Kristensen για το AI-κίνητο σχέδιο, τη δημιουργικότητα και τον υπεύθυνο ψηφιακό μετασχηματισμό μπορούν να εξερευνήσουν την τρέχουσα έρευνα και τις πρωτοβουλίες στο DIGIT Lab.