Программное обеспечение для бизнеса выглядело почти так же с тех пор, как я начал работать в сфере технологий 21 год назад. Поля забиты рядом, а некоторые таблицы со всеми данными. И кнопки, которые, предположительно, что-то делают.

По общему признанию, произошел переход от тяжелых клиентских приложений к Интернету, но реальное влияние на пользовательский опыт остается в основном косметическим. Просто посмотрите ниже, и я уверен, что вы понимаете, о чем я говорю. Все видели это снова и снова.

Мы переживаем более радикальные перемены, чем я когда-либо испытывал за всю свою карьеру. Даже больше, чем кончина Nokia, которая, очевидно, имела большое значение для моей родной страны.

На сегодняшний день поле в бизнес-приложении имело почти два состояния и только два: заполнено или пусто. Посмотрите на пример ниже, у поля есть значение - или нет.

Нет ничего промежуточного и нет способа указать на то, что могло бы быть, но не на 100%. Неуверенность. Или вероятность. Почему это важно, спросите вы!

Войдите в машинное обучение.

Это статья не о возможностях, которые ИИ открывает для предприятий, поскольку вы наверняка читали свою статью по этой теме. Я говорю о фундаментальном изменении пользовательских интерфейсов во всех бизнес-приложениях, независимо от варианта использования. Это может быть SAP, Salesforce, QuickBooks или Basware.

Компании все чаще применяют такие технологии, как RPA или интеллектуальная автоматизация, чтобы использовать возможности ИИ для автоматизации своих процессов. Эти процессы часто принимают форму последовательности действий в упомянутом выше программном обеспечении для бизнеса. Например, прочитать входящий счет от поставщика, сопоставить его данные с основными данными, выбрать некоторые параметры учета (например, код GL, который у меня был в поле предыдущего примера), просмотреть / утвердить содержимое и ввести счет в систему ERP. .

Я работал над несколькими такими проектами автоматизации, и возникает общая проблема. При использовании машинного обучения для прогнозирования некоторых значений, необходимых в процессе, в бизнес-приложениях нет «собственного» способа указать, что значения имеют неопределенность.

Автоматизация работает вместе с человеком-пользователем, поскольку 100% бесконтактная автоматизация вряд ли будет. Ключевыми понятиями являются уверенность и порог: насколько уверенно ML в своих результатах и ​​что организация установила как предел, чтобы быть достаточно уверенным.

Например, программный робот может использовать машинное обучение для прогнозирования наиболее вероятного кода (ов) GL для счета-фактуры, и результатом может быть «Этот счет-фактура должен быть учтен с кодом GL GL-4100100; с уверенностью 0,78. ». Если бы компания в этом случае установила бы порог 0,8 для прогресса автоматизации без участия человека, этот конкретный случай в конечном итоге рассмотрит лицо в учетных записях платный отдел.

Теперь в большинстве интерфейсов корпоративных приложений нет способа сообщить пользователю о достоверности предсказанного значения. Неоптимальное решение часто заключается в том, что инженеры RPA в конечном итоге записывают дополнительные выходные данные машинного обучения в некоторые поля примечаний или комментариев, где пользователю нужно их искать.

Что, если бы мы действительно построили пользовательские интерфейсы с учетом того факта, что некоторые поля заполняются пользователем, а некоторые - машинным обучением, и создадим способ показать уверенность прямо в поле?

Позвольте мне пояснить это на нескольких примерах. Имейте в виду, что я не дизайнер пользовательского интерфейса, поэтому иллюстрации ниже являются всего лишь концепциями. Желаю, чтобы они вызвали интерес у дизайнера и когда-нибудь воплотили их в жизнь!

Человеческая ценность против предсказания машинного обучения

Будь то программный робот или API, который манипулирует значением после предсказания, сегодня результат выглядит точно так же, как если бы его ввел обычный пользователь. Как вы уже видели в примере выше.

Человек-оператор выиграет от немедленной визуальной подсказки источника значения в поле. В моем примере ниже, поля, предсказанные машиной, выглядят как пушистая серая толстая линия, где введенные человеком «факты» сохраняют стандартную сплошную черную линию.

Индикация уверенности и порога

В рабочих процессах автоматизации порог достоверности определяет, какие значения используются автоматически, а какие проверяются пользователем.

Я обнаружил, что доверие и порог обычно плохо понимаются. Так что наша работа - сделать их понятными.

Проблема возникает из-за того, что правильное пороговое значение может сильно отличаться от одного поля к другому. Код GL отличается от кода центра прибыли. Таким образом, отображение произвольных значений уверенности, таких как 0,9221434 или 0,732123, не имеет особого смысла для пользователя, но это то, что вы чаще всего видите в поле для комментариев.

Что, если бы мы выразили уверенность простым светофором?

Предлагаемый подход намеренно опускает фактическое значение; он просто отображает цвета: зеленый означает, что достоверность превышает выбранный порог, желтый - значения, близкие к пороговому, и красный - значительно ниже порогового значения.

Перенося конфигурацию порога в настройки, контролируемые профессионалами в области автоматизации, они могут корректировать значения процесса без каких-либо видимых изменений для конечных пользователей.

Принятие и отклонение прогнозируемых значений

Предположим, что приведенные выше прогнозы GL-кода сделаны, и достоверность ниже порогового значения. Итак, наш случай требует пересмотра. В текущей модели, где поля, введенные машиной и человеком, равны, нет немедленного и простого указания на то, что было сделано. Может быть, пользователю нужно вручную написать контрольный журнал, который легко убивает всю идею автоматизации!

Я предлагаю создать простой способ одним щелчком мыши принять или отклонить значение и изменить его в состояние «просмотрено». Этот подход служит нескольким целям. Во-первых, теперь можно безопасно записывать даже низкие значения достоверности в поля, чтобы помочь нам, людям. Вспомогательная автоматизация дает преимущества, поскольку часто даже прогнозы с низкой степенью достоверности могут быть верными. Во-вторых, «клики» обзора могут быть немедленно отправлены обратно в машинное обучение в качестве новых точек данных обучения.

Объясним AI - объяснил.

Какие факторы стояли за этим конкретным предсказанием кода GL? Почему это всегда идет не так? Какая была следующая лучшая альтернатива? Бывают моменты, когда имеет смысл больше информации, чем просто значение поля.

Для тех моментов нам понадобится всплывающая подсказка (а к настоящему времени я уже исчерпал все свои дизайнерские навыки 😬).

Платформы машинного обучения, такие как Aito.ai, предоставляют простой обзор основных факторов, лежащих в основе прогнозов, - у каких функций был положительный рост и отрицательный рост.

И снова мы не должны попадаться в ловушку, полагая, что пользователь в отделе кредиторской задолженности ценит научный подход. Нам нужно что-то понятное, как на картинке выше, а также символы плюса и минуса, чтобы указать на главных участников прогноза.

Точно так же всплывающая подсказка может содержать следующий лучший прогноз с возможностью легко перевернуть это значение в поле. Возможности безграничны!

То, что я предлагаю выше, - это не только небольшая поправка в пользовательском интерфейсе. Я считаю, что удобство использования и понятность являются фундаментальными факторами в расширении использования ИИ.

Мы, как дизайнеры и создатели этих систем, обязаны следить за тем, чтобы мы не усложняли их, а использовали это как возможность упростить и сделать работу более приятной для миллионов и миллионов людей, которые ежедневно используют эти системы.

Я надеюсь, что вы согласны со мной в этом вопросе!

Я работаю с корпоративным программным обеспечением с 1999 года. В настоящее время я являюсь исполнительным председателем и главным директором по маркетингу в компании интеллектуальной автоматизации под названием Aito.ai, расположенной в Хельсинки, Финляндия.