Prof. Saeema Ahmed-Kristensen, DIGIT Lab -johtaja – Haastattelusarja

Professori Saeema Ahmed-Kristensen on johtava suunnitteluteknologian tutkija ja Associate Pro-Vice-Chancellor (tutkimus ja yhteiskunnallinen vaikuttavuus) Exeterin yliopistossa, jossa hän toimii myös DIGIT Lab:in johtajana, suuressa monitieteisessä tutkimushankkeessa, joka keskittyy digitaaliseen innovaatioon ja muutokseen. Hänen tutkimuksensa kattaa suunnittelukreatiivisuuden ja kognitiivisuuden, dataohjatun ja digitaalisen suunnittelun sekä edistyneiden teknologioiden integroinnin monimutkaisiin insinööri- ja tuotesuunnitteluprosesseihin, vahvalla korostuksella akateemisen näkemyksen kääntämisessä todelliseen vaikutukseen teollisuusyhteistyön, politiikan osallistumisen ja laajamittaisten tutkimusohjelmien kautta.

Uranne 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?

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

Cambridgen opiskelu avasi ajatteluni entisestään. Yliopiston ympäristössä minulle avautui monia aloja, ja näin, kuinka innovaatio riippuu tietojen yhdistymisestä eri alojen välillä. Väitöskirjani keskittyi ilmailuteollisuuteen ja tarkasteli, kuinka insinöörisuunnittelijat löytävät ja käyttävät tietoa. Tutkin, kuinka ihmiset pääsevät tietoon, kuinka asiantuntemusta voidaan tukea tai replikoida, ja kuinka kognitio, tietojenkäsittelytiede ja insinöörisuunnittelu kohtaavat. Tämä ihmiskeskeinen näkökulma on pysynyt minussa siitä lähtien.

Digitaalisten teknologioiden kasvaessa, myös kysymykset työssäni ovat kasvaneet. IoT-datan, tekoälyn ja edistyneen laskennan nousu on siirtänyt suunnittelua ihmiskeskeisyydestä kohti yhteiskunnan keskeisyyttä. Tämä jatkuu työssäni Exeterin yliopistossa, jossa johdan DIGIT Labia ja paneudun LLM:n rooliin luovassa prosessissa, esteisiin, joita teollisuus kohtaa niiden omaksumisessa, ja kuinka data voi ajaa innovaatiota.

Aikani Imperialissa ja Royal College of Artissa vahvisti, että suunnittelu on paljon enemmän kuin vain tuotteiden tai palveluiden muotoilu. Oikeiden ihmisten, prosessien ja kulttuurin kanssa suunnittelu voi kehittyä uusien, skaalautuvien teknologioiden, materiaalien ja ideoiden ajureksi, jotka voivat ratkaista tämän päivän ja huomisen globaaleja haasteita.

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

Vuosikymmenien ajan tekoäly on edennyt tutkimuksessa ja otettu käyttöön tietyissä aloissa, mutta edistys on usein rajoittunut taitopuutteisiin, johtamisen ymmärrykseen ja selkeyteen arvon ja vaadittujen infrastruktuurien suhteen. LLM:n ja generatiivisten työkalujen kuten DALL·E:n nousun myötä tekoäly on nyt helpommin saatavilla ja vaatii vähemmän erikoisosaamista tai asennusta. Tämä herättää kuitenkin uusia kysymyksiä yksityisyydestä, tietoturvariskistä ja siitä, kuinka hyvin 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 usein keskittyvät samankaltaisiin konsepteihin. Tämä korostaa ihmisen asiantuntemuksen tarvetta yleispätevien työkalujen kehittämisessä, sovittamisessa aloihin tai ymmärtämisessä, milloin ja miten tekoälyä käytetään yhdessä ihmisen luovuuden ja päätöksenteon kanssa.

Paljon tutkimuksistasi tarkastelee luovuutta ja kognitiivisuutta suunnittelussa. Kun generatiivinen tekoäly pystyy nyt tuottamaan ideoita, konsepteja ja iterointeja laajassa mittakaavassa, mitkä luovuuden osa-alueet ovat yksinomaan ihmisten ominaisuuksia, ja mitkä osat voivat vastuullisesti siirtyä tekoälyprosesseihin?

Luovuus on aina ollut minulle enemmän kuin vain vaihtoehtojen luominen. Se on tarkoitus, kulttuurinen merkitys ja emotionaalinen yhteys, jonka suunnittelu luo. Viimeisimmän DIGIT Lab -tutkimuksen mukaan 82 % ihmisistä kertoi, että ihmisten johtama tai hybridi-työ tuntuu merkityksellisemmältä, ja 71 % sanoi, että he tuntevat vähemmän emotionaalista yhteyttä 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 siitä, kuinka ihmiset kokevat ja arvostavat luovaa työtä.

Tutkimuksemme, joka vertasi ihmisten ja tekoälyn ideoita, osoitti myös, että ihmiset ovat parempia luomaan monipuolisia, uusia ideoita ja varmistamaan, että luovalla tuotoksella, olipa se taidetta, tuotesuunnittelua 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 hyödyllisiä tiedon keräämisessä, jotta suunnittelijat voivat siirtyä yhdestä ongelmanratkaisusta toiseen. Jos voimme kehittää malleja, jotka sisältävät ihmisen asiantuntemuksen tekoälytyökaluihin, ne voivat myös tukea ideoiden arviointia, jolloin tekoäly voi hyödyntää paremmin ihmisen luovia taitoja.

Kokeilemamme ajatusketjumenetelmä auttaa LLM:iä seuraamaan asiantuntijoiden päättelyä sen sijaan, että ne vain antaisivat pisteitä. Kaikissa tapauksissa vaaditaan ihmisen valvontaa tuloksien tulkinnassa ja varmistamisessa, että suunnittelupäätökset ovat linjassa käyttäjien kokemuksien kanssa.

On selvää, että meidän on luotava malleja, jotka pystyvät havainnoimaan, kuinka ihmiset kokevat tuotteita, palveluita ja vuorovaikutuksia tavoilla, joita tietokoneet voivat tulkita, tai yhdistämään paksuja (rikkaasti kvalitatiivisia) oivalluksia, jotka tarjoavat kontekstia, ohuen tai suuren sensoridatan kanssa, jonka keräämme. Näiden mallien kehittäminen ei ole suoraviivaista, ja tämä on juuri se, missä ihmisen osallistuminen on olennaista.

Niin, minun näkemykseni ei ole, että tekoälyllä ei ole paikkaa luovuudessa. Kaukaa vaan. Se on, että tekoäly ja ihmiset tuottavat erilaisia vahvuuksia. Se, että ihmiset reagoivat jatkuvasti myönteisemmin ihmisten tai hybridi-työhön, kertoo vain, missä painopiste on. Tekoäly voi auttaa tutkimaan laajempaa suunnittelutilaa, analysoida kuvioita ja tarjota järjestelmällistä arvostelua, mutta ne kokemukset latteudesta, algoritmisesta täydellisyydestä ja emotionaalisesta etäisyydestä osoittavat, missä tekoäly tarvitsee edelleen ihmisen arvostelukykyä muuttaakseen mahdollisuuksia joksikin, joka resonoi.

Siksi näen luovuuden tulevaisuuden perustuvan olennaisesti yhteistyöhön. Tekoäly voi laajentaa mahdollisuuksien kenttää. Suunnittelijat tuovat empatian, kulttuurisen ymmärryksen ja suunnittelun tarkoituksen, joka antaa niille merkitystä. Kun molemmat työskentelevät yhdessä, ihmisen arvostelulla ohjaten suuntaa ja tekoälyä rikastamassa tutkimusta, lopputulos on luova prosessi, joka on järjestelmällisempi, mielikuvituksellisempi ja lopulta enemmän inhimillinen.

Olet kehittänyt lähestymistapoja käyttäjäkokemusten mittaamiseen ja suunnittelutiedon järjestämiseen. Kuinka varmistamme, että ihmisen kokemukset, tunteet ja kulttuuriset signaalit säilyvät keskeisinä suunnitteluprosessissa, kun tekoälyjärjestelmät vastaavat yhä enemmän tuotteiden ja palvelujen tuottamisesta?

Jotta voidaan keskittää ihmisen kokemus, meidän on upotettava tietoisuus havainnosta ja tunteista menetelmiimme.

On kaksi pääasiallista lähestymistapaa. Ensimmäinen tunnustaa kvalitatiivisen datan tarpeen, joka mahdollistaa rikkaan ymmärryksen ihmisen kokemuksesta, havainnosta ja tunteista, ja se auttaa tehokkaassa ihmisen ja tekoälyn yhteistyössä. Toinen – johon olen keskittynyt työssäni – pyrkii kääntämään tämän tiedon malleiksi, joita tekoälyjärjestelmät voivat ymmärtää ja käyttää.

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

Teet laajasti yhteistyötä monimutkaisten alojen kanssa – ilmailu, lääketiede, valmistus, kulutustavarat. Näissä korkean riskin ympäristöissä, kuinka tasapainotat tekoälyavusteisen suunnittelun mahdollisuuksia turvallisuuden, jäljitettävyyden ja luottamuksen tarpeiden kanssa?

Korkean riskin aloilla, kuten terveydenhuollossa, ilmailuteollisuudessa ja valmistuksessa, kysymys ei ole siinä, voidaanko tekoälyä käyttää, vaan kuinka sitä hallitaan. Luottamus näissä ympäristöissä riippuu selkeästä vastuusta, jäljitettävyydestä ja selitettävyydestä koko suunnittelun ja päätöksenteon prosessissa. Tekoäly voi olla voimakas tuki simulaatiolle, optimoinnille ja alkuvaiheen tutkimukselle, mutta se ei voi tulla lopulliseksi viranomaiseksi.

Monet näistä aloista ovat tiukasti säänneltyjä ja vaativat turvallista tietojen käsittelyä, joka vaatii henkilökohtaisten tai kaupallisesti arkaluontoisten tietojen turvallista käsittelyä. Näissä ympäristöissä kysymykset usein kehitetään paikallisesti kerätyn datan avulla, jotta voidaan varmistaa täsmällisyys ja asiaankuuluvuus, ja on yleistä, että näiden alojen organisaatiot kehittävät ja ylläpitävät omia tekoälytyökaluja.

Mitä laajemmin tutkimuksemme osoittaa, on se, että hybridi-järjestelmät ovat olennaisia: tekoälyn tulisi vahvistaa asiantuntijan harkintaa, ei korvata sitä. Ihmisen valvonta on sisällytettävä jokaiseen kriittiseen päätöksentekoprosessiin, erityisesti silloin, kun on kyse turvallisuudesta, riskeistä ja vastuusta. Jotta sääntelijät ja loppukäyttäjät voivat luottaa tekoälyjärjestelmiin, organisaatioilla on oltava avointa dokumentaatiota siitä, miten mallit on koulutettu, mitä dataa ne käyttävät ja miten tulokset tuotetaan. Ilman tätä avoimuutta luottamus ei voi laajentua, riippumatta teknologian kehittyneisyydestä.

Monet organisaatiot kamppailevat kuilun kanssa “tekoälyn kokeilemisesta” ja sen merkityksellisestä integroimisesta tuotesuunnitteluun. 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 siinä, mikä on tekoälyn rooli kehitysprosessissa, olipa se tukena ideointiin, testaamisen nopeuttamiseen, arvioinnin parantamiseen tai päätöksenteon tehostamiseen. Ilman tätä selkeyttä, koepilottitutkimukset ovat yhä irrotettuina todellisista liiketoimintatuloksista ja suunnittelutuloksista.

Tiimien on myös oltava oikeilla perustoilla. Se tarkoittaa panostamista korkealaatuiseen, hyvin johdettuun dataan, erityisesti sellaiseen, joka heijastaa todellisia käyttäjäkokemuksia eikä pelkästään teknistä suorituskykyä. On myös oltava realistisia tekoälyn nykyisistä rajoituksista, erityisesti luovassa ja ihmiskeskeisessä arvostelussa, jossa asiantuntijan valvonta on edelleen olennainen.

Monet toimialat alkavat kehittää tekoälykäytäntöjä, jotka ohjaavat tiimejä kokeilemisen prosessissa, liiketoimintatapauksien rakentamisesta ja pilotin suorittamisesta laajempaan omaksumiseen. Nämä käytännöt auttavat organisaatioita tunnistamaan, missä tekoäly voi lisätä arvoa, samalla varmistamalla, että ihmiset ovat mukana, missä tarve vaaditaan.

Lopuksi organisaatioiden tulisi edetä jäsenneltyjen, vähäriskisten pilottien kautta, jotka on integroitu todellisiin työnkulkuihin eikä toteutettu erillään. Pilottien tulisi olla monitieteisiä ja koota yhteen suunnittelijoita, insinöörejä, datatieteilijöitä ja toimiala-asiantuntijoita, jotta opit jaetaan ja voidaan siirtää muualle. Tekoäly tuottaa arvoa, kun se on suunniteltu osaksi päivittäistä työtä eikä erilliseksi kokeelliseksi kerrokseksi.

Olet pitkään kehittänyt menetelmiä tietämyksen järjestämiseksi ja automatisoinniksi. Kuinka lähellä olemme tekoälyjärjestelmiä, jotka voivat järkeillä suunnittelun tarkoituksista, käyttäjien tarpeista ja kontekstista tavalla, joka lisää arvoa eikä vain tuota sisältöä?

Joissakin aloissa, kuten suositteluissa, on suhteellisen helppo ennustaa käyttäjien preferenssejä, koska data, kuten selaushistoria tai katseltujen elokuvien ja tv-ohjelmien tiedot, voidaan käyttää suosituksien tekemiseen. Nämä alat hyötyvät helposti saatavilla olevasta datasta.

Toisaalta tuotteiden ja palveluiden suunnittelussa on haasteellista, koska tietoa ihmisten valinnoista, tarpeista ja elämänkokemuksista ei aina ole helppo saada.

Omassa viimeaikaisessa tutkimuksessa DIGIT Labissa tutkittiin LLM:n kykyjä, kun sille annettiin malli siitä, kuinka ihmiset havaitsevat ja reagoivat suunnitteluelementteihin. Nykyiset mallit toimivat datan kuvioissa eivätkä voi kontekstualisoida merkitystä. Aikaisemmat tutkimukset, jotka liittävät muodon havaintoihin, osoittavat, että jopa pienet muutokset muodossa voivat muuttaa emotionaalisia reaktioita, ja tällaiset hienoudet ovat tekoälylle vaikeita ennustaa ilman ihmisen ohjausta tai monimutkaisia malleja. Siksi tekoälyn kyky päätellä tarkoituksia paranee, mutta se on edelleen ihmisen asiantuntemuuden täydentäjä.

Kun tekoäly nopeuttaa suunnittelukiertoja – ideointiin, prototyyppien luomiseen – mitä uusia taitoja suunnittelijoiden on kehitettävä? Kuinka yliopistojen ja organisaatioiden tulisi uudelleenajatella koulutusta seuraavalle sukupolvelle luovaa osaamista?

Suunnittelijoiden on hallittava sekä ihmisen havaitsemisen ymmärtäminen että tekoälytyökalujen käyttö. Ymmärtäminen siitä, kuinka muoto, materiaali ja mittasuhteet vaikuttavat emotionaaliseen reaktioon, on edelleen keskeistä hyvälle suunnittelulle. Samalla suunnittelijoiden on kyettävä työskentelemään tekoälyjärjestelmien kanssa, jotka tukevat ideointia ja arviointia. Se tarkoittaa, ettei vain työkalujen käyttö riitä, vaan on ymmärrettävä, mitä ne optimoivat, ja missä niiden rajoitukset ovat. Kun tekoäly muuttuu suunnitteluprosessien osaksi, kyky kriittisesti tulkita sen tuloksia ja yhdistää ne ihmisen arvostelukykyyn tulee yhdeksi arvokkaimmista luovista taidoista.

Suunnittelijoiden on myös oltava perehtyneitä siihen, miten digitaaliset teknologiat toimivat ja mitä erityyppiset tiedot voivat paljastaa ja mitä eivät, ja miten yhdistää suunnittelun osaamista tekoälyosaamiseen. Tämä sisältää tietämyksen siitä, miten työskennellä laadukkaan, hyvin johdetun datan kanssa, joka heijastaa todellisia käyttäjäkokemuksia eikä pelkästään teknistä suorituskykyä. Yhtä lailla suunnittelijoiden on oltava kykeneviä tunnistamaan, missä tekoäly on hyödyllistä ja missä ihmisen luovuus ja kriittinen ajattelu on edelleen keskeistä.

Yliopistojen ja organisaatioiden on uudelleenarvioitava, miten he kouluttavat seuraavaa sukupolvea luovaa osaamista. Jotkut yliopistot ovat jo integroineet data- ja tietotieteitä suunnittelun opintoihin, mikä on tärkeä askel, mutta ei riitä yksin. Vielä puuttuu muotoiluajattelun menetelmiä, jotka soveltuvat digitaalisen ajan todellisuuksiin: menetelmät, jotka auttavat suunnittelijoita työskentelemään tekoälyn kanssa, työskentelemään monialaisesti ja navigoimaan nopean kokeilun kautta, samalla pitäen eettistä ja ihmiskeskeistä valvontaa yllä.

Tämän aukon täyttäminen on olennaista. Siksi kollegani Dr. Ji Han ja minä kirjoitamme Cambridge University Pressille kirjaa Muotoiluajattelu digitaalisella aikakaudella, joka kokoaa yhteen tarvittavat kehykset, taidot ja ajattelutavat suunnitella tekoälyn rinnalla.

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

Yksi esimerkki on varmistaminen siitä, että dataa käytetään eettisesti, mukaan lukien tietoon perustuvan suostumuksen hankkiminen ja avoimuus siitä, mitä tietoa käytetään tekoälytuotteiden kehittämiseen, sekä mahdolliset sisäänrakennetut harhat. Esimerkiksi terveydenhuoltojärjestelmiin upotettujen tietojen on oltava huolellisesti tarkasteltu varmistaakseen, että ne edustavat koko väestöä, tunnistamaan mahdolliset aliedustettujen ryhmien ja vahvistamaan, että tekoälyjärjestelmä on sovelias ja kaikille avoin. Yhteiskunnallisesti on usein huolta siitä, että tekoäly korvaa työpaikkoja; on kuitenkin tärkeää ymmärtää, missä ihmisen asiantuntemus on edelleen olennainen ja miten tekoäly voidaan käyttää ihmisen kykyjen täydentämiseen, ei korvaamiseen.

On kuitenkin myös syvempiä eettisiä kysymyksiä. Kun suunnittelijat luottavat ihmisten dataan, heidän on käsiteltävä yksityisyyttä, harhaisuutta ja avoimuutta vastuullisesti. DIGIT Lab -työpajassa valmistusalan “data”, “ihmisten” ja “hallinto” olivat päähaasteiden luokkia, korostaen paremman datan kaappaamisen, ihmisten valvonnan ja selkeiden käytäntöjen tarpeen turvallisuuden, luottamuksen, immateriaalioikeuksien ja sääntelyn suhteen. Näiden riskien käsittely edellyttää, että tekoälyjärjestelmät perustuvat monipuoliseen dataan, ihmisen arvostelun sisällyttämistä kriittisiin pisteisiin sekä osallistavien suunnittelustandardien kehittämistä, jotka kunnioittavat yksityisyyttä, suostumusta ja kulttuurista kontekstia.

Olet tutkinut, kuinka data ja tekoäly voivat räätälöidä tuotteita käyttäjäkokemuksen mukaan. Näetkö tulevaisuuden, jossa tuotteet kehittyvät dynaamisesti reaaliajassa datan perusteella sen jälkeen, kun ne poistuvat tehtaasta? Jos näin, kuinka suunnittelijoiden tulisi valmistautua siihen maailmaan? 

Data-ohjattu suunnittelu voidaan hyödyntää tuotteiden räätälöintiin, sovittamiseen yksilöllisiin käyttäytymismalleihin tai mukauttamiseen. Ne muuttuvat “älykkäiksi” järjestelmiksi, jotka keräävät tietoa siitä, miten niitä käytetään, ja viestivät sisäänrakennettujen antureiden ja IoT-yhteyden kautta. Meidän kehyksessämme mukauttaminen käsittää käytetyn datan hyödyntämisen tuotteiden päivittämiseen ja sovittamiseen sen jälkeen, kun ne poistuvat tehtaasta. Esimerkkejä ovat eleentunnistusmallien yhdistäminen digitaaliseen kaksoseen ihmisen ja robotin yhteistyötä varten sekä koneoppimisavusteinen skannaus räätälöityjen komponenttien luomiseksi.

Tämä muutos luo uusia vastuita. Suunnittelijoiden on päätettävä, mikä ihmisen dataa, käyttäytymiseen, fysiologiaan, palautteeseen tai tunteisiin liittyvä tieto, on olennaista. Heidän on myös varmistettava, että päivitykset säilyttävät tarkoitetun esteettisen ja emotionaalisen laadun, joka on yhdistetty muotoon ja havaintoon. Lopulta, hallinto on tärkeää: teollisuuden työpaja korosti, että datan, luottamuksen ja yksityisyyden kysymykset vaativat selkeää ohjausta ja ihmisen valvontaa. Kun tehty hyvin, dynaamisesti kehittyvät tuotteet voivat tarjota kestävää arvoa ja reagointikykyä ilman, että merkitystä tai eettisyyttä uhataan.

Edetessäsi, mitkä ovat suuret tutkimuskysymykset, jotka motivoivat sinua juuri nyt? Millaisia läpimurtoja uskot alalla nähtävän seuraavien vuosien aikana tekoälyn, luovuuden ja suunnitteluteknologian leikkauspisteessä?

Monet haasteista, joita mainitsin aiemmin, ovat edelleen ratkaisematta – joitakin niistä tutkin parhaillaan, mukaan lukien työ yleispätevien generatiivisten tekoälytyökalujen sovittamiseksi tiettyihin aloihin, joissa ne haluavat niitä omaksua.

Aloittain näyttää erilaiselta: valmistuksessa se voi tarkoittaa paikallisten mallien käyttöä, joita koulutetaan toimialakohtaiseen tietämykseen, yhdessä vahvojen yksityisyyden ja turvallisuuden toimien kanssa; luovissa aloissa painopiste saattaa olla monipuolisten tulosten sallimisessa ja tehostaakseen ihmisten ja tekoälyn välistä yhteistyötä.

Teknisellä tasolla kokeilemme suuria kielimalleja arviointitehtävissä. Yksi tutkimus osoittaa, että LLM:t voivat arvioida uutuusarvoa ja hyödyllisyyttä ja ovat lähempänä ihmisten asiantuntijoiden arvioita, kun niille annetaan hyvin suunniteltuja ohjauksia. Liittyvä tutkimus käyttää ketju-ajattelua ja monimallin aggregaatiota, jotta tekoälyarvioista voidaan tehdä luotettavampia. Olemme myös tutkineet keskustelurobotteja, joilla voidaan kerätä organisaatioiden digitaalisen muutoksen vaatimukset, osoittaen, että chatbotit voivat suorittaa strukturoidut haastattelut tehokkaasti. Yhdistäessämme tämän työn ihmisen datan käytön suunnittelussa, nämä aloitteet osoittavat tulevaisuutta, jossa tekoäly auttaa meitä säilyttämään asiantuntemusta, tekemään parempia päätöksiä ja ottamaan käyttäjät mukaan eettisesti.

Kiitos ajatuksellisesta ja havainnollisesta haastattelusta; lukijat, jotka haluavat oppia enemmän professori Ahmed-Kristensenin työstä tekoälyohjatusta suunnittelusta, luovuudesta ja vastuullisesta digitaalisesta muutoksesta, voivat tutustua meneillään olevaan tutkimukseen ja hankkeisiin DIGIT Labissa.