如果讓 AI 接手重複性高的工作，對於工作效率及流程肯定助益很大。在這近 40 分鐘的演講中，兩位講者與我們分享在這段時間對於 AI 的研究，她們的觀察除了更深刻的發掘 AI 應用，還提及現階段 AI 的弱點也是我們需思考注意的，如此才能確保 AI 被正確的運用。
講者介紹
Jane Davis，現職為 Great Question 的正式研究員，過往曾在 Zoom、Zapier 主導使用者經驗研究及內容設計團隊，及帶領 Dropbox 的成長研究團隊，擁有豐富的數位轉型經驗。
Jane 首先先開宗明義地說她其實沒有到“那麼”喜歡人工智慧（還請現場的各位保守這個秘密ＸＤ），反而認為現階段還有許多問題待解決。我們首先需要認知到這些問題，才有可能繼續用正確的方式前行。
AI 會有哪些問題？
- AI 讓創意性質的工作被貶低了
- 無法正確提供資料來源
- 阻礙真正的學習（Jane 找到一篇關於 Github copilot 的研究提到人們的編程能力越來越差，就是因為 AI 沒辦法告訴我們，為什麼是這樣編程、為什麼做這個決定）
- 帶來不切實際的期待（就像各位或許常常聽到公司上級問：「我們用 Midjourney 做不就好了嗎？」「這可以叫 ChatGPT 寫吧？」）
- 最關鍵的是，有時候 AI 出來的結果就是很爛
所以我們到底怎麼看待 AI？ 運用 AI？ AI 的前景在哪裡？
先來談談 AI 的現況，我們可以得知：
- 目前並不是所有人都在應用 AI
- 那些已在運用 AI 的人，也還是持一個保留態度
- AI 不只是熱潮，AI 工具已經有實際用途了
- 但熱度炒作的成分還是很多，所以找到實際符合需求的應用很重要
來聊聊要如何在設計中使用 AI 吧！
Jane Davis 的研究從設計產業出發，觀摩 AI 工具的實際使用案例，研究方法為找來 12 位已在工作情境中使用 AI 參與者，針對產品設計、使用者經驗研究進行深度訪談。從研究中得到了以下結論：
- 如果對 AI 得出的成果沒有把握、無法評估，則不要使用 AI：在使用 AI 的同時別忘了從使用者的角度思考，確保品質的水準。
- 使用 AI 工具時，要有計畫性的減少偏見，而不只是修正不準確的地方：因為 AI 工具背後的數據龐大且不透明，從 input 到 output 的過程無法完全掌握，因此有必要檢視最後的成果是否隱藏著偏見。
- 注意！數據即產品：我們輸入的數據將成為 AI 工具訓練材料的一部分，因此在道德上是否把資料輸入是必須考量的。
- 保持實際的觀點：把 AI 看作是輔助工具，而非生成工具，排除不切實際的想像。
如果沒有能力評估 AI 生成的結果是好是壞，別使用 AI。
AI 給出來的成果，可能大部分是好的，但總有一小部分尚待加強。使用 AI 工具必須持續檢查、持續評估哪些是可使用、可信的，並針對有誤的部分進行修正。除了容易判斷的錯誤部分，也要注意成果是否包藏偏見。由於無法完整得知 AI 工具所提供的觀點有哪些偏見，我們也不該過度依賴。總而言之，AI 工具在使用上有諸多需考量的點，而最重要的就是：AI 的成果必須經過評估檢視。
AI 工具的兩種使用情境
作為實踐者，我們有責任與機會去決議這些 AI 工具如何被使用在我們的工作流程，在科技轉換的風口浪尖，也是過往習慣巨大轉變的時刻，因此這是我們開始制定規範的起點。設計師作為一個群體，我們需要深思熟慮、共同定義未來的工作方法。
兩種使用情境，一種是生成式 (generative)，另一種是輔助式 (assistive)。
生成式案例
解決「萬事起頭難」的問題、填補技能缺陷（例如不會寫程式的人可使用 AI 工具生成程式）、生成圖檔作為報告書封面等多重用途。
- 寫 Figma 插件程式
- 草擬訪談大綱初稿
- 生成報告書封面
- 出問卷題目
輔助式案例
將文章整理成結論、主題歸納、資料標準化、文法檢查及詞彙建議等等。
- 文法、抽換詞面建議
- 訪談逐字稿製作
- 訪談主題推薦
- 文章總結
- 翻譯
- 撰寫文章大綱
總結
Jane Davis 的分享除了很實際地與我們說明 AI 到底是什麼？有什麼可行/不可行的用途？如何準確的運用？更重要的是，希望在場的設計師感受到被賦權、被啟發，而可以透過 AI 去實踐最好的應用，帶回自己的公司、組織、個人、團隊，讓眾人之力可以集大成，提升能力並發揮更大的效益。
原影片來源：https://config.figma.com/video-on-demand/6329933588112
了解更多：
EJ
