AI-by-Design 解决方案专为我们动态的世界而设计

AI-by-Design 鼓励跨孤岛的工作方式，而不是从设计研究团队向人工智能工程师冷冰冰地移交见解。当设计师和人工智能工程师合作时，他们可以弥补彼此的盲点，并且减少沟通错误的空间。该流程更加高效、有效，解决方案将更加以客户为中心且技术上可行。这将确保他们应对正确的挑战，从而节省团队时间。事实上，在麦肯锡 2021 年发布的《人工智能现状》中，“开发人工智能工具时使用设计思维”被认为是人工智能高绩效者最重要的差异化因素。

3. AI-by-Design 解决方案专为我们动态的世界而设计

人工智能模型通常在沙箱环境中进行训练，但最终却被用于我们混乱、复杂的世界。因此，我们认为人工智能模型需要持续的再训练。

在现实世界中，解决方案受到用户与最终产品交互方式的影响，而人工智能具有许多动态组件。设计一种收集用户反馈和实际行为数据的方式至关重要。需要这些输入数据来改进模型，确保人工智能解决方案按预期并以合乎道德的方式工作。

这之间其实存在一种差距，虽然这听起来很理想，但我们不能只是将几位人工智能工程师和设计师放在一个团队中，并期望他们毫不费力地一起创新。我们经常观察到这两个学科没有共同语言，对彼此持有错误的假设，并且以不同的方式工作。

例如，人工智能工程师使用 Visual Studio 代码工作，而设计师通常使用 Miro 等工具。机器学习模型需要尽可能细致和准确地工作，而设计原型可能非常概念性和推测性。机器学习指标围绕数字和预测发展，而设计指标则围绕人类需求和客户体验发展。比较方法时也存在同样的差异，如图 2 所示。在图中，设计委员会的双钻石与 CRISP-DM 数据管理方法重叠。出现三个差距：

差距 1：缺少“原因”

如果人工智能工程师被排除在项目的初始阶段之外，那么他们构建的解决方案就有可能偏离最初的客户问题，了解客户需求是关键。

差距2：缺乏技术理解

另一方面，设计师常常对人工智能的可能性抱有不切实际的期望，并且并不总是了解最新的技术发展。由于设计人员无法轻易理解工程组件，因此他们通常需要帮助来掌握所提出解决方案的可行性，以避免倾向于难以实施的解决方案。

差距3：缺乏反馈循环

在流程结束时，当构建解决方案时，需要有一种方法来检查解决方案是否按预期工作、是否收集了正确的数据以及模型是否符合道德规范。这可以通过反馈循环来解决。反馈循环可以提供解决方案的大量可见性和透明度。这非常重要，因为在大多数情况下，现实世界与开发人工智能的训练环境有很大不同。此外，由于用户与已开发的人工智能解决方案之间的持续交互，将可以获得新的数据。当收集到正确的数据时，可以通过消除偏差和异常值来不断改进模型。