در UX شیراز مطرح شد: افزایش ۳۳ درصدی بهره‌وری کارمندان با استفاده از هوش مصنوعی
به گفته او با استفاده از انواع شبکه‌های عصبی الهام گرفته شده از مغز انسان می‌توان به تست‌هایی دقیق‌تر و کاربردی‌تر دست پیدا کرد.
در دیجیاتو ثبت‌نام کنید
جهت بهره‌مندی و دسترسی به امکانات ویژه و بخش‌های مختلف در دیجیاتو عضو ویژه دیجیاتو شوید.
عضویت در دیجیاتوتازههای تکنولوژی
ویدئوی مرتبط
یک محقق هوش مصنوعی و طراحی محصول در مراسم UX شیراز، درباره راه‌های استفاده از هوش مصنوعی، یادگیری ماشینی و شبکه‌های عصبی برای بهینه‌سازی تست‌های تجربه کاربری صحبت کرد و تأکید کرد استفاده از این فناوری به بهره‌وری کارمندان کمک می‌کند.
«آرمان محمدی»، در این مراسم درباره اهداف استفاده از هوش مصنوعی توضیح داد: «هدف ما از این ارائه راهکارهای بهتری پیاده‌سازی تست‌های تجربه کاربر با استفاده از هوش مصنوعی است. ما میتوانیم با این فناوری کیفیت کارمان را نیز افزایش دهیم و همچنین از آن به عنوان ابزاری برای تقویت مهارت استفاده کنیم.»
محمدی درباره تعریف طراحی محصول نیز اشاره کرد که این مفهوم فرایندی است که طراحان برای ترکیب نیازهای کاربر با اهداف تجاری به‌کار می‌برند تا به برندها برای تولید محصولات موفق کمک کند.
او در ادامه صحبت‌های خود توضیح داد که در بخش‌های مختلف ارائه محصول روی تست‌های مختلف متمرکز هستند.
این محقق حوزه هوش مصنوعی ادامه داد: «حدود ۷۴ سال پیش که اینترنت هنوز یک رویا بود، یک دانشمند درباره اینکه آیا ماشین‌ها می‌توانند فکر کنند یا نه سوالی پرسید و این سوالی برای آغاز هوش مصنوعی بود.»
محمدی همچنین گفت: «ما سه نوع هوش مصنوعی داریم: ضعیف و محدود، عمومی و قوی.بر اساس تعریف سایت ام‌آیتی، هوش مصنوعی توانایی کامپیوترها برای تقلید از عملکردهای شناختی انسان برای حل مسئله است.»
به گفته او، یادگیری ماشینی با داشتن مجموعه‌ای از داده‌ها و استخراج الگوهای مختلف اتفاق می‌افتد. ضمن اینکه در این یادگیری ماشینی شبکه‌های عصبی وجود دارند که با الهام از ساختار مغز انسان به وجود آمدند. محمدی همچنین گفت که با بیشترکردن لایه‌های شبکه‌های عصبی و بررسی بیشتر داده‌ها، می‌توان یادگیری عمیق‌تری را شاهد بود.
این محقق هوش مصنوعی در ادامه صحبت‌های خود درباره تست‌های طراحی‌شده و ضعف‌های آن‌ها نیز سخنانی ارائه کرد. او توضیح داد: «با توجه به این تست‌ها باید بگوییم که آیا ما راهکار درستی برای پیاده‌سازی اینها بکار می‌بریم؟ این تست‌ها یکسری ضعف دارند. اول اینکه آیا کاربری که در یک آزمایشگاه تجربه کاربر تست میدهد و در شرایط پراسترس است، ممکن است دیتای درستی به ما بدهد؟ دوم اینکه آیا زمانیکه ما برای انجام این تست‌ها می‌گذاریم، زمان مناسبی است؟ همه اینها باعث می‌ود امکان دریافت داده اشتباه بالا برود.»
او پیرامون تعریف RMN نیز گفت: «اگر بخواهیم تعریفی از RMN داشته باشیم، اینها با استفاده از تاریخچه قبلی، عملکرد بعدی را طراحی می‌کنند. در این مدل یک حلقه بازگشتی وجود دارد که باعث میشود در دنباله‌های کلمات با توجه به کلمه‌های قبلی باشد. این مدل یک ضعف هم دارد و این است که تعداد محدودی از کلمات را در دنباله‌ها ساپورت می‌کند. برای رفع این ضعف، حافظه کوتاه مدت طولانی نیاز داریم. با این می‌توان وابستگی طولانی مدت به کلمات قبل را کمتر کرد.»
محمدی در قسمت دیگر صحبت‌های خود به بهبود تجربه کاربری توسط هوش مصنوعی اشاره کرد: «اگر بخواهیم ویژگی تجربه کاربر با هوش مصنوعی را پیاده‌سازی کنیم، میتوانیم دنباله‌هایی که کاربران را با استفاده از یکسری ابزارها بدست آوریم.»
او همچنین با استفاده از نمودارها و آمار به دست آمده از سایت‌های مختلف توضیح داد: «نمودار بعدی نشان میدهد که طبق یکسری تحقیقات، کارمندانی که از هوش مصنوعی استفاده می‌کنند، ۳۳ درصد بهره‌وری بالا و ۴۳ درصد نیز کیفیت بالاتری دارند نسبت به کارمندانی که از هوش مصنوعی استفاده نمی‌کنند.»
برای گفتگو با کاربران ثبت نام کنید یا وارد حساب کاربری خود شوید.