Prof. Saeema Ahmed-Kristensen, DIGIT Lab -johtaja – Haastattelu sarja

Professori Saeema Ahmed-Kristensen on johtava suunnitteluteknologian tutkija ja apulaisrehtori (tutkimus ja vaikutus) Exeterin yliopistossa, jossa hän toimii myös DIGIT Lab:in johtajana, joka on suuri monitieteinen tutkimushanke, joka keskittyy digitaaliseen innovaatioon ja muutokseen. Hänen tutkimuksensa kattaa suunnittelukreatiivisuuden ja kognitiivisuuden, dataohjatun ja digitaalisen suunnittelun sekä edistyneiden teknologioiden integroinnin monimutkaisiin insinööritieteellisiin ja tuotekehitykseen, jossa on vahva painopiste akateemisen näkemyksen kääntämisessä todelliseen vaikutukseen teollisuusyhteistyön, politiikan sitoutumisen ja laajamittaisten tutkimusohjelmien kautta.

Uraasi on kattanut Cambridgen, DTU:n, Imperial College Lontoon, Royal College of Artin ja nyt Exeterin yliopiston. Katsellessasi taakse, mitkä kokemukset tai käännekohdat muokkasivat eniten ajattelua suunnittelusta, luovuudesta ja digitaalisten teknologioiden roolista?

Työni suunnittelussa on kattanut useita eri kulttuureja ja aloja. Aloin Brunelissa yhdellä harvoista kursseista, joka yhdisti teknologian, ihmiskeskeisen suunnittelun ja muodon ymmärtämisen. Se opetti minulle jo varhain, että luovuus ja innovaatio ovat läheisesti kytköksissä toisiinsa.

Cambridgen opiskelu avasi ajatteluni entisestään. Yliopiston ympäristö esitteli minulle monia eri aloja ja osoitti, miten innovaatio riippuu tietojen yhdistymisestä eri aloilla. Väitöskirjani keskittyi ilmailuteollisuuteen ja tarkasteli, miten suunnittelijat etsivät ja käyttävät tietoa. Tutkin, miten ihmiset pääsevät tietoon, miten asiantuntemusta voidaan tukea tai jäljitellä, ja miten kognitio, tietokoneetiede ja suunnitteluteknologia leikkavat toisiinsa. Tämä ihmiskeskeinen näkökulma on säilynyt minussa siitä lähtien.

Kun digitaalisten teknologioiden kasvu on edennyt, myös kysymykset työssäni ovat kasvaneet. IoT-datan, tekoälyn ja edistyneen laskennan nousu on siirtänyt suunnittelua pois pelkästään ihmiskeskeisestä lähestymistavasta kohti yhteiskunnan keskeistä lähestymistapaa. Tämä jatkuu muokkaamassa työtäni Exeterin yliopistossa, jossa johtan DIGIT Labia ja paneudun LLM:n rooliin luovassa prosessissa, teollisuuden esteisiin niiden omaksumisessa ja miten data voi ajaa innovaatiota.

Aikani Imperialissa ja Royal College of Artissa vahvisti, että suunnittelu on paljon enemmän kuin vain tuotteiden tai palvelujen muotoilu. Oikeiden ihmisten, prosessien ja kulttuurin kanssa suunnittelu voi muuttua uusien ja skaalautuvien teknologioiden, materiaalien ja ideoiden ajuriksi, jotka voivat ratkaista tämän päivän ja huomisen globaalit haasteet.

DIGIT Lab keskittyy voimakkaasti digitaaliseen muutokseen suurissa, vakiintuneissa organisaatioissa. Miten johtajat ymmärtävät väärin eniten siitä, miten tekoäly muuttaa suunnittelua, innovaatiota ja päätöksentekoa?

Vuosikymmenien ajan tekoäly on edennyt tutkimuksessa ja otettu käyttöön tietyissä teollisuusaloissa, mutta edistys on usein rajoittunut taitopuutteisiin, johtamisen ymmärtämiseen ja selkeyteen arvon ja vaadittavan infrastruktuurin suhteen. LLM:n ja generatiivisten työkalujen, kuten DALL·E:n, myötä tekoäly on nyt helpommin saatavilla ja vaatii paljon vähemmän erikoisosaamista tai asennusta. Tämä herättää kuitenkin uusia kysymyksiä yksityisyydestä, tietoturvariskistä ja siitä, miten yleispätevät mallit soveltuvat tiettyihin aloihin.

Suunnittelussa ja innovaatioissa nämä ongelmat ovat erityisen selviä. Tutkimuksemme, joka tarkasteli yli 12 000 ihmisten ja tekoälyn generoimaa ideaa, osoitti, että tekoälyideat keskittyvät usein samankaltaisiin konsepteihin. Tämä korostaa ihmisen asiantuntemuksen sisällyttämisen yleispätevien työkalujen tarvetta, tekoälyn sovittamista alaan tai ymmärtämistä, milloin ja miten tekoälyä käytetään ihmisen luovuuden ja päätöksenteon rinnalla.

Paljon tutkimuksistasi tarkastelee luovuutta ja kognitiivisuutta suunnittelussa. Kun tekoäly pystyy nyt tuottamaan ideoita, konsepteja ja iterointeja laajassa mittakaavassa, mitkä luovuuden osa-alueet ovat yksinomaan ihmisen ominaisuuksia — ja mitkä osat voidaan vastuullisesti siirtää tekoälyyn perustuviin prosesseihin?

Luovuus on aina ollut enemmän kuin vaihtoehtojen generointi minulle. Se on tarkoitus, kulttuurinen merkitys ja emotionaalinen yhteys, jonka suunnittelu luo. Viimeisimmän DIGIT Lab -tutkimuksemme mukaan 82 % ihmisistä kertoi, että ihmisten johtama tai hybridi-työ tuntuu merkityksellisemmältä, ja 71 % sanoi tuntevan vähemmän emotionaalisesti kytköksissä tekoälyyn perustuvaan suunnitteluun. Monet kuvasivat tekoälyllä tuotetun työn “tunteettomaksi” (48 %) tai “liian täydelliseksi” (40 %), ja 36 % koki, että sen vaikutus hävisi nopeasti. Nämä vastaukset vahvistivat jotain, mihin olen uskonut pitkään. Emotionaalinen sitoutuminen ei ole vain miellyttävä asia; se on olennainen osa sitä, miten ihmiset kokevat ja arvostavat luovaa työtä.

Tutkimuksemme, joka vertasi ihmisten ja tekoälyn ideoita, osoitti myös, että ihmisten suunnittelijat ovat parempia luomaan monimuotoisia, uusia ideoita ja varmistamaan, että luovan tuotoksen tuloksesta, olipa se taide, tuotesuunnittelu tai palvelu, on syvyyttä ja merkitystä. Luovan asiantuntijan taitopohja on sellainen, jota ei voida vielä jäljitellä. Suunnittelijoiden on ymmärrettävä ongelma ennen kuin he luovat ideoita, ja LLM:t ovat hyvin hyödyllisiä tiedon keräämisessä, jotta suunnittelijat voivat siirtyä yhdestä ongelmanratkaisusta toiseen. Jos voimme rakentaa malleja ihmisen asiantuntemuksesta tekoälytyökaluihin, ne voivat myös tukea ideoiden arviointia, jotta tekoäly voi hyödyntää paremmin ihmisen luovia taitoja.

Ketjuajattelumme, jota kokeilemme, tukee LLM:ien seuraamista asiantuntijan päättelyyn, ei vain antaa arvosanoja. Kaikissa tapauksissa vaaditaan ihmisen valvontaa tuloksien tulkkaamiseen ja varmistamiseen, että suunnittelupäätökset ovat linjassa käyttäjien kokemuksien kanssa.

On selvää, että meidän on luotava malleja, jotka voivat havainnoida, miten ihmiset kokevat tuotteita, palveluita ja vuorovaikutuksia tavoilla, joita tietokoneet voivat tulkita, tai yhdistää paksua dataa (rikkaat laadulliset oivallukset, jotka antavat kontekstia) ohueen tai suureen sensoridatan, jonka keräämme. Näiden mallien kehittäminen ei ole suoraviivaista, ja tämä on juuri se, missä ihmisen osallistuminen säilyy olennaisena.

Niinpä minun otteessani ei ole, että tekoälylla ei ole paikkaa luovuudessa. Kaukaa vaan. Se on, että tekoäly ja ihmiset tuottavat erilaisia vahvuuksia. Se, että ihmiset vastaavat jatkuvasti myönteisemmin ihmisten tai hybridi-työhön, kertoo vain, missä painopiste on. Tekoäly voi auttaa tutkimaan laajempaa suunnittelutilaa, analysoida kuvioita ja tarjota jäsenneltyä arvostelua, mutta ne havainnot tasapuolisuudesta, algoritmisesta täydellisyydestä ja emotionaalisesta etäisyydestä osoittavat, missä tekoäly tarvitsee edelleen ihmisen arvostelukykyä muuttaakseen mahdollisuuksia jossakin määrin.

Siksi näen luovuuden tulevaisuuden perustuvan olennaisesti yhteistyöhön. Tekoäly voi laajentaa mahdollisuuksien kenttää. Suunnittelijat tuovat empatian, kulttuurisen ymmärryksen ja aikomuksen, jotka antavat näille mahdollisuuksille merkitystä. Kun molemmat työskentelevät yhdessä, ihmisen arvostelukyky asettaa suunnan ja tekoäly rikastaa tutkimusta, tulokseksi on luovan prosessin, joka on vankempi, mielikuvituksellisempi ja lopulta enemmän inhimillinen.

Olet kehittänyt menetelmiä käyttäjäkokemusten mittaamiseen ja suunnittelutiedon järjestämiseen. Miten varmistetaan, että ihmisen kokemukset, tunteet ja kulttuuriset signaalit säilyvät keskeisinä suunnitteluprosessissa, kun tekoälyjärjestelmät muuttuvat tuotteiden ja palvelujen tuottajiksi?

Ihmisen kokemuksen keskeistämiseksi on sisällytettävä havainnon ja emotionaalisen tiedon tietämys menetelmiimme.

On kaksi pääasiallista lähestymistapaa. Ensimmäinen tunnustaa laadullisen datan tarpeen, joka mahdollistaa rikkaan ymmärryksen ihmisen kokemuksesta, havainnosta ja tunteista, ja informoi tehokasta ihmisen ja tekoälyn yhteistyötä. Toinen — johon työni on keskittynyt — pyrkii kääntämään tämän tiedon malleiksi, joita tekoälyjärjestelmät voivat ymmärtää ja käyttää.

Nämä mallit ovat monimutkaisia kehittää, koska ne on integroida käyttäjäkokemus, ihmisen havainto ja suunniteltavien tuotteiden tai järjestelmien ominaisuudet, jotta voidaan ennustaa ihmisten reaktioita ja kokemuksia.

Teet laajaa yhteistyötä monimutkaisten teollisuusalojen kanssa – ilmailu, lääketeollisuus, valmistus ja kulutustavarat. Näissä korkean riskin ympäristöissä, miten tasapainotat tekoälytuettujen suunnittelun mahdollisuuksia turvallisuuden, jäljitettävyyden ja luottamuksen tarpeiden kanssa?

Korkean riskin aloilla, kuten terveydenhuollossa, ilmailuteollisuudessa ja valmistuksessa, kysymys ei ole siitä, voidaanko tekoälyä käyttää, vaan miten sitä hallitaan. Luottamus näissä ympäristöissä riippuu selkeästä vastuusta, jäljitettävyydestä ja selityksestä koko suunnittelun ja päätöksenteon prosessissa. Tekoäly voi olla voimakas tuki simulaatioissa, optimoinnissa ja alkuvaiheen tutkimuksessa, mutta se ei voi tulla lopulliseksi viranomaiseksi.

Monet näistä aloista ovat tiukasti säänneltyjä ja alttiina tiukille turvallisuusvaatimuksille, jotka edellyttävät turvallista kaiken datan, henkilökohtaisen tai kaupallisesti arkaluontoisen, käsittelyä. Näissä yhteyksissä kysymykset tai kyselyt usein kehitetään paikallisten tietojen avulla, jotta voidaan varmistaa paikallisuus ja asiaankuuluvuus, ja on yleistä, että näiden alojen organisaatiot kehittävät ja ylläpitävät omia tekoälytyökalujaan.

Mitä laajempi tutkimuksemme osoittaa jatkuvasti, on, että hybridijärjestelmät ovat olennaisia: tekoäly tulisi tukea asiantuntijan arvostelukykyä, ei korvata sitä. Ihmisen valvonta on sisällytettävä jokaiseen kriittiseen päätöksentekoprosessiin, erityisesti silloin, kun on kyse turvallisuudesta, riskistä ja vastuusta. Jotta sääntelijät ja loppukäyttäjät voivat luottaa tekoälyjärjestelmiin, organisaatioiden on myös osoitettava avoimuus siitä, miten mallit on koulutettu, mitä dataa ne käyttävät ja miten tulokset generoidaan. Ilman tätä avoimuutta luottamus ei voi laajentua, riippumatta siitä, miten kehittynyt teknologia on.

Monet organisaatiot kamppailevat kuilun kanssa “tekoälyn kokeilemisesta” ja sen mielekkäästä integroimisesta tuotekehitykseen. Mitä käytännön toimia suosittelisit tiimille, jotka yrittävät siirtyä kokeilemisesta strategiseen toteutukseen?

Monet organisaatiot jäävät kiinni kokeilemisen vaiheeseen, koska he omaksuvat tekoälyn ilman selkeää strategista tarkoitusta. Ensimmäinen käytännön askel on olla selkeä siitä, mikä on tekoälyn rooli kehitysprosessissa, olipa se tukeva ideointi, nopeuttava testaus, parantava arviointi tai päätöksentekoa parantava. Ilman tämän selkeyttä pilotit pysyvät irrotettuina todellisista liiketoiminnan ja suunnittelun tuloksista.

Tiimien on myös oltava oikeat perustukset paikallaan. Tämä tarkoittaa panostusta laadukkaaseen, hyvin johdettuun dataan, erityisesti dataan, joka heijastaa todellista käyttäjäkokemusta eikä pelkästään teknistä suorituskykyä. On myös oltava realistisia tekoälyn nykyisistä rajoista, erityisesti luovassa ja ihmiskeskeisessä arvostelussa, jossa asiantuntijan valvonta säilyy olennaisena.

Monet toimialat kehittävät jo tekoälykäytäntöjä, jotka ohjaavat tiimejä kokeilemisen prosessissa tekoälyn kanssa, alkaen liiketoimintatapauksista ja pilottien suorittamisesta laajempaan omaksumiseen. Nämä käytännöt auttavat organisaatioita tunnistamaan, missä tekoäly voi lisätä arvoa, samalla varmistamalla, että ihmiset säilyvät silmukassa, kun se on tarpeen.

Lopulta organisaatioiden on siirryttävä järjestelmällisesti, matalan riskin piloteista, jotka on upotettu todellisiin työnkulkuihin, eivät erillisiin kokeiluihin. Nämä pilotit on oltava monialaisia, jotka tuovat yhteen suunnittelijat, insinöörit, data-tieteilijät ja alan asiantuntijat, jotta oppiminen on jaettua ja siirrettävissä. Tekoäly toimii, kun se on suunniteltu arkipäivän käytännön yhteyteen, eikä käsitellä erillisenä kokeellisena kerroksena.

Olet kehittänyt menetelmiä suunnittelutiedon järjestämiseksi ja automatisoinnista. Miten lähellä olemme tekoälyjärjestelmistä, jotka voivat päättää suunnitteluaikomuksista, käyttäjien tarpeista ja kontekstista tavalla, joka lisää arvoa eikä vain tuota sisältöä?

Jotkut alueilla on helppo ennustaa käyttäjien preferenssejä, koska data kuten selaushistoria tai tieto siitä, mitä elokuvia tai televisio-ohjelmia on katsottu, voidaan käyttää suositusten tekemiseen. Nämä alueet hyötyvät helposti saatavista tiedoista.

Toisaalta tuotteiden ja palvelujen suunnittelussa on haaste, että tieto ihmisten valinnoista, tarpeista ja elämänkokemuksista ei ole helposti saatavilla.

Viimeisimmän tutkimukseni tekoälyllä DIGIT Labissa tutkittiin LLM:n kykyä, kun sille annettiin malli siitä, miten ihmiset havainnoivat ja reagoivat suunnittelun piirteisiin. Vaikka nykyiset mallit toimivat datan kuvioissa, ne eivät voi kontekstualisoida merkitystä. Aikaisemmat tutkimukset, jotka liittävät muodon havaintoihin, osoittavat, että jopa pienet muutokset muodossa voivat muuttaa emotionaalisia reaktioita, ja nämä hienoudet ovat tekoälylle vaikeita ennustaa ilman ihmisen ohjausta tai monimutkaisia malleja.

Tekoälypäätöksenteko parani, mutta se on edelleen ihmisen asiantuntemuuden täydentäjä. Olemme kokeilemassa suuria kielen malleja tukeaksemme arviointitehtäviä. Yksi tutkimus osoitti, että LLM:t voivat arvioida uudisuutta ja hyödyllisyyttä ja ovat lähempänä ihmisen asiantuntijoiden arviointeja, kun niille annetaan hyvin suunniteltuja ohjauksia. Liittyvä tutkimus käyttää ketjuajattelua ja usean mallin yhdistämistä, jotta tekoälyarviointi olisi luotettavampaa. Olemme myös tutkineet keskustelurobotteja, jotka pyytävät organisaatioiden digitaalisen muutoksen vaatimuksia, osoittaen, että chatbotit voivat suorittaa jäsenneltyjä haastatteluita tehokkaasti. Yhdistettynä työhön ihmisen datan käytöstä suunnittelussa nämä aloitteet osoittavat tulevaisuuden, jossa tekoäly auttaa meitä säilyttämään asiantuntemusta, tekemään parempia päätöksiä ja sitoutumaan käyttäjiin eettisesti.

Suunnittelijat tarvitsevat tulevaisuudessa uuden taitojen ja ajattelutapojen yhdistelmän. Miten yliopistot ja organisaatiot voivat uudelleenajatella koulutusta seuraavalle sukupolvelle luovaa osaamista varten?

Suunnittelijoiden on oltava taitavia sekä ihmisen havainnossa että tekoälytyökaluissa. Ymmärtäminen siitä, miten muoto, materiaali ja mittasuhteet vaikuttavat emotionaaliseen reaktioon, on edelleen perustavanlaatuista hyvälle suunnittelulle. Samalla suunnittelijoiden on oltava kykeneviä työskentelemään luottavaisesti tekoälyjärjestelmien kanssa, jotka tukevat ideointia ja arviointia. Se tarkoittaa ei vain työkalujen käyttöä, vaan myös ymmärtämistä, mitä niistä optimoidaan ja missä niiden rajoitukset ovat. Kun tekoäly muuttuu suunnitteluprosessin osaksi, kyky tulkita sen tuloksia ja yhdistää ne ihmisen arvostelukykyyn tulee yhdeksi arvokkaimmista luovista taidoista.

Kun tekoäly nopeuttaa suunnittelukiertoja ideointiin ja prototyyppien luomiseen, mitä uusia taitoja suunnittelijoiden on oltava? Miten yliopistot ja organisaatiot voivat uudelleenajatella koulutusta seuraavalle sukupolvelle luovaa osaamista varten?

Suunnittelijat tarvitsevat uuden taitojen ja ajattelutapojen yhdistelmän. Heidän on oltava perehtyneitä siihen, miten digitaalisten teknologioiden toiminta, mitä erilaiset datat voivat (ja eivät voi) paljastaa, ja miten yhdistää suunnittelun asiantuntemusta tekoälyosaamiseen. Tämä sisältää tietämyksen siitä, miten työskennellä laadukkaan, hyvin johdetun datan kanssa, joka heijastaa todellista käyttäjäkokemusta eikä pelkästään teknistä suorituskykyä. Lisäksi suunnittelijoiden on oltava kykeneviä tunnistamaan, missä tekoäly on hyödyllistä ja missä ihmisen luovuus ja kriittinen ajattelu on edelleen keskeistä.

Jotta voidaan täyttää nämä tarpeet, yliopistojen ja organisaatioiden on uudelleenarvioitava, miten he kouluttavat seuraavaa luovaa sukupolvea. Jotkut yliopistot ovat jo integroineet data-tieteen suunnitteluooppeleihin; tämä on tärkeä askel, mutta ei riitä yksin. Mitä puuttuu, ovat suunnittelufilosofian menetelmät, jotka on suunniteltu digitaalisen aikakauden realiteetteja varten: menetelmät, jotka auttavat suunnittelijoita yhteistyöhön tekoälyn kanssa, työskentelemään eri aloilla ja navigoimaan nopean kokeilun kautta ylläpitäen eettistä ja ihmiskeskeistä valvontaa.

Tämän kuilun kattaminen on välttämätöntä. Siksi kollegani Dr. Ji Han ja minä kirjoitamme kirjaa Cambridgen yliopiston kustantamossa Suunnittelufilosofia digitaalisessa aikakaudesta, joka kokoaa yhteen kehykset, taidot ja ajattelutavat, joita tarvitaan suunnittelun menestykseen tekoälyn rinnalla.

DIGIT Lab korostaa vastuullista muutosta. Miten näet, mitkä eettiset tai yhteiskunnalliset riskit vaativat enemmän huomiota, kun tekoäly muuttuu suunnitteluprosessin osaksi eri aloilla?

Yksi esimerkki on varmistaminen siitä, että dataa käytetään eettisesti, mukaan lukien tiedostettu suostumus ja avoimuus siitä, mitä dataa käytetään tekoälytuotteiden kehittämiseen, sekä mahdolliset sisäänrakennetut harhat. Esimerkiksi terveydenhuoltojärjestelmiin upotettujen datojen on oltava huolellisesti tarkasteltu varmistaakseen, että ne edustavat koko väestöä, tunnistamaan mahdolliset aliryhmät, jotka saattavat olla aliedustettuina, ja vahvistamaan, että tekoälyjärjestelmä on sovelias ja kaikkia käyttäjiä koskeva. Yhteiskunnan kannalta on usein huolta siitä, että tekoäly korvaa työpaikkoja; on kuitenkin tärkeää ymmärtää, missä ihmisen asiantuntemus säilyy olennaisena ja miten tekoäly voidaan käyttää ihmisen kykyjen täydentämiseen, ei korvaamiseen.

On kuitenkin syvempiä eettisiä kysymyksiä. Kun suunnittelijat luottavat ihmisen dataan, heidän on käsiteltävä yksityisyyttä, harhaisuutta ja avojen asioiden hallintaa vastuullisesti. DIGIT Lab -työpaja tunnisti valmistussektorin “datan”, “ihmisen” ja “hallinnon” päähaasteiksi, korostaen tarvetta parempaan datan keräämiseen, ihmisen valvontaan kriittisissä vaiheissa ja selkeisiin politiikoihin turvallisuudesta, luottamuksellisuudesta, immateriaalioikeuksista ja sääntelystä. Näiden riskien käsittely edellyttää, että tekoälyjärjestelmät rakennetaan monipuoliseen dataan, ihmisen arvostelun sisällyttämistä kriittisiin päättöksentekoprosesseihin ja kehittämistä yhteiskunnan keskeisiksi suunnittelustandardeiksi, jotka kunnioittavat yksityisyyttä, suostumusta ja kulttuurista kontekstia.

Näetkö tulevaisuuden, jossa tuotteet kehittyvät dynaamisesti reaaliajassa sen jälkeen, kun ne poistuvat tehtaalta? Jos näin, miten suunnittelijoiden on valmistauduttava sille maailmalle?

Dataohjattu suunnittelu voidaan käyttää tuotteiden mukauttamiseen, räätälöimiseen tai sovittamiseen yksilöllisiin käyttäytymismalleihin. Ne muuttuvat sitten “älykkäiksi” järjestelmiksi, jotka keräävät tietoa siitä, miten niitä käytetään, ja viestivät sisäänrakennettujen antureiden ja IoT-yhteyden kautta. Meidän kehyksemme mukaan mukauttaminen liittyy datan käyttöön tuotteiden päivittämiseen ja sovittamiseen sen jälkeen, kun ne poistuvat tehtaalta. Esimerkkejä ovat liittäminen ele-tunnistusmalleihin digitaaliseen kaksosekseen ihmisen ja robotin yhteistyöhön ja käyttäminen koneoppimiseen avustavaa skannausmenetelmää räätälöityjen komponenttien luomiseen.

Tämä siirtymä luo uusia vastuuta. Suunnittelijoiden on päättettävä, mikä ihmisen dataa, käyttäjän käyttäytymistä, fysiologista palautetta, palautetta tai emotionaalisia, on asiaankuuluvaa. Heidän on myös varmistettava, että päivitykset säilyttävät tarkoituksenmukaisen esteettisen ja emotionaalisen laadun, joka on kytköksissä muotoon ja havaintoon. Lopulta hallinto on asia, josta on huolehdittava: teollisuustyöpaja korosti, että datan, luottamuksen ja yksityisyyden ongelmia on ratkaiseminen selkeiden politiikkojen ja ihmisen valvonnan avulla. Kun tehdään hyvin, dynaamiset tuotteet voivat tarjota kestävää arvoa ja reagointikykyä ilman merkityksen tai eettisyyden uhraamista.

Mitä ovat suuret tutkimuskysymykset, jotka motivoivat sinua tällä hetkellä? Mitä läpimurtoja uskot, että ala näkee seuraavien vuosien aikana tekoälyn, luovuuden ja suunnitteluteknologian leikkauspisteessä?

Monet edellä mainituista haasteista säilyvät ratkaisemattomina — useita niistä tutkin parhaani mukaan, mukaan lukien työ yleispätevien generatiivisten työkalujen sovittamiseksi niihin aloihin, jotka haluavat ottaa ne käyttöön.

Alakohtaisesti tämä voi näyttää hyvin erilaiselta: valmistuksessa se voi olla paikallisten mallien käyttöä, joita on koulutettu alakohtaisilla tietojärjestelmissä, yhdistettynä vahvoihin tietoturva- ja turvallisuustoimiin; luovissa aloissa se voi olla fokus diversiteetin tuottamisessa ja ihmisten ja tekoälyn yhteistyön mahdollistamisessa.

Teknisellä tasolla olemme kokeilemassa suuria kielen malleja arviointitehtävissä. Yksi tutkimus osoittaa, että LLM:t voivat arvioida uudisuutta ja hyödyllisyyttä ja ovat lähempänä ihmisen asiantuntijoiden arviointeja, kun niille annetaan hyvin suunniteltuja ohjauksia. Liittyvä tutkimus käyttää ketjuajattelua ja usean mallin yhdistämistä, jotta tekoälyarviointi olisi luotettavampaa. Olemme myös tutkineet keskustelurobotteja, jotka pyytävät organisaatioiden digitaalisen muutoksen vaatimuksia, osoittaen, että chatbotit voivat suorittaa jäsenneltyjä haastatteluita tehokkaasti. Yhdistettynä työhön ihmisen datan käytöstä suunnittelussa nämä aloitteet osoittavat tulevaisuuden, jossa tekoäly auttaa meitä säilyttämään asiantuntemusta, tekemään parempia päätöksiä ja sitoutumaan käyttäjiin eettisesti.

Kiitos ajatuksien antamisesta; lukijat, jotka haluavat oppia enemmän professori Ahmed-Kristensenin työstä tekoälyohjatusta suunnittelusta, luovuudesta ja vastuullisesta digitaalisesta muutoksesta, voivat tutkia jatkuvaa tutkimusta ja aloitteita DIGIT Lab:ssa.