Как разработать крупную языковую модель на примере приложений против пищевых отходов

Майнинг и стейкинг Стартапы и венчурный капитал

Крупные языковые модели (Large Language Models, LLM) сегодня стали одним из самых востребованных инструментов искусственного интеллекта, способным понимать и генерировать человеческий язык. Их применение простирается от простых чат-ботов до сложных систем, которые помогают с анализом и созданием текстов, поддержкой принятия решений и многим другим. Однако за технологией всегда стоит продуманное проектирование пользовательского опыта (UX), которое позволяет максимизировать пользу и удобство применения моделей. Особый интерес представляют решения в сфере борьбы с пищевыми отходами, где LLM помогают создавать инновационные приложения, которые реально влияют на качество жизни и экологию. Процесс проектирования крупной языковой модели начинается с фундаментального понимания того, почему продукт важен для конечного пользователя.

Это становится основой всего дальнейшего развития. Некоторые проекты по созданию приложений на базе LLM оказываются перегруженными сложными функциями, которые сбивают с толку пользователя или не дают прямого и понятного ответа на вопрос «что я получаю от этого?». Правильный подход должен отвечать на несколько важнейших вопросов: кто создал сервис, какую пользу он приносит, почему пользователь должен им доверять и что делать дальше. Только когда все эти моменты выстроены и понятны, можно переходить к более детальному проектированию взаимодействия. Важно отметить, что человеческие ценности и ожидания следует формулировать в понятных и доступных терминах.

Языковые модели работают в диалоговом интерфейсе, то есть пользователи общаются с ИИ как с живым собеседником. Поэтому тон и стиль общения, прозрачность и надежность продукта, а также этические рамки работы системы должны быть четко определены и согласованы внутри команды разработчиков и дизайнеров. В рамках исследования для создания LLM нужно включать взаимодействие с различными заинтересованными сторонами: разработчиками, менеджерами продукта, маркетологами и, конечно, конечными пользователями. Анализ реальных потребностей поможет выявить ключевые моменты, критические пользовательские сценарии и проблемы, с которыми сталкиваются пользователи в повседневной жизни. На примере приложений, направленных на сокращение пищевых отходов, можно посмотреть, как LLM помогают улучшать пользовательский опыт.

Примером служит гипотетическое приложение Cook To Go, которое предоставляет персональные рекомендации по приготовлению блюд, используя данные о том, что есть в холодильнике пользователя, доступных продуктах в местных магазинах и предпочтениях питания. Оно учитывает культурные и диетические особенности, особенности аллергий и религиозных ограничений, создавая на этой основе индивидуальные планы питания. Разработка подобных приложений требует точного проектирования критических пользовательских путешествий, то есть сценариев, в которых пользователь взаимодействует с системой. Например, для начинающего повара важен простой и разнообразный недельный план питания. Для вегана с аллергией - адаптация рецептов и магазинов в близлежащей области.

Для организатора вечеринки - создание меню с учетом различных пищевых ограничений гостей. Не менее значимым элементом в дизайне LLM является выработка правил взаимодействия с пользователем: какие действия допустимы, какие – нет, какие уровни неопределенности и ошибок программа может позволить себе, а какие могут навредить пользователю. Например, в случае с Cook To Go недопустимо, чтобы система предлагала рецепты, которые могут вызвать дефицит питательных веществ или оказаться неприемлемыми по культурным причинам. В то же время пользователю можно позволить уточнять предпочтения и корректировать рекомендации, не переписывая весь план питания заново. Как и в любой работе с ИИ, одним из главных вызовов является проблема «галлюцинаций» – когда модель генерирует недостоверную или ошибочную информацию.

Для решения этой проблемы в UX дизайне может быть предусмотрена функция, которая просит пользователя перепроверить данные или повторить запрос, если все результаты кажутся неверными или неуместными. Специалисты по машинному обучению работают над улучшением модели с помощью фильтрации опасного и ненадежного контента, а также собирают отзывы пользователей через «лайки» или «дизлайки», что позволяет постепенно повышать точность и полезность продукта. Чтобы связать все этапы и преобразовать изучение пользователей и аналитические данные в реальный продукт, после завершения исследований и проектирования критических пользовательских сценариев, переключаются на разработку интерфейсов. Начинают с низкоуровневых набросков и схематических диаграмм, чтобы убедиться в правильности общей концепции и логики взаимодействия. Создание интерфейсов для LLM требует глубокого понимания как технических, так и человеческих аспектов: от обработки данных до удобства восприятия и эмоционального отклика пользователя.

Разработчики и дизайнеры часто признают, что работают в быстро меняющейся среде, где нужно адаптироваться на ходу. Создание LLM требует постоянного обновления знаний, тесного сотрудничества с инженерами по машинному обучению, а также внимательного отношения к этическим и социальным аспектам применения искусственного интеллекта. Для повышения качества UX в LLM не обойтись без тестирования пользовательского понимания различных функций и возможностей модели. Например, в одном из известных инструментов Formalizer, который помогает менять стиль текста, необходимо проверить, насколько очевидны отличия между 17 вариантами преобразований текста для разных категорий пользователей. Анализ частоты использования тех или иных функций и выявление избыточных или малоэффективных опций помогает упростить и сделать интерфейс более доступным.

Аналитика и обратная связь – важные шаги на пути улучшения продукта. Отслеживание того, какие функции востребованы, какие вызывают сложности, и какие из них требуют несколько попыток коррекции, помогает лучше понять реальные потребности пользователей и корректировать разработку модели. В конечном итоге проектирование масштабной языковой модели – это не только техническая задача, но и сложный UX-процесс, направленный на создание доверия, удобства и понятности для конечного пользователя. Успешные примеры из сферы противодействия пищевым отходам показывают, что грамотное использование LLM способно преобразить повседневную жизнь, сделать ее более экологичной и гостеприимной. Тенденции в развитии языковых моделей подчеркивают необходимость учёта человеческой природы и ценностей в основе дизайна.