44\. AI & UX Research (feat. Savina Hawkins & Caleb Sponheim)
39:26 Share

为了探讨人工智能如何塑造用户体验研究和分析，主持人Therese Fessenden分享了关于该主题的两次访谈；一次是与Altis的联合创始人Savina Hawkins的对话，另一次是与NN/g的用户体验专家Caleb Sponheim的对话。在这一集中，我们探讨了人工智能为提升用户体验工作中的生产力和创新所带来的机遇，以及它所带来的风险和挑战。Savina和Caleb提供了关于用户体验专业人士如何有效利用人工智能工具并在其领域保持竞争力的实用建议。

了解更多关于Caleb Sponheim博士的信息 接受关于使用人工智能进行用户体验工作的培训：用户体验专业人士的实用人工智能课程 NN/g关于人工智能的文章 Caleb的最爱资源： 乐观的观点：Ethan Mollick的《一个有用的东西》。 怀疑的观点：Ed Zitron的《你的Ed在哪里》。每周通讯 </context> <raw_text>0 这是Normal小组的用户体验播客新闻。

我很着迷，我们又回来了，带来另一集关于人工智能与用户体验的节目。人工智能的炒作已经非常猖獗，但关于它仍然有许多未解之谜，比如人工智能将如何影响我们的工作？用户体验专业人士可以做些什么来避免被取代？这是否是目前的人工智能所能做到的？今天我们将展示我与两位嘉宾关于最新人工智能工具在用户体验领域发展的对话摘录。

用户体验研究和分析。我们将讨论人工智能的炒作与其合法风险、成本和收益之间的关系。毕竟，人工智能可以追溯到五十年代。那么，为什么我们最近几年突然听到这么多关于它的消息呢？为了解答这个问题，我们首先将听到Savina Hawkins的声音，她是Meta的高级用户体验研究员，也是一个名为Altis的人工智能平台的联合创始人，她将谈论是什么发展使得今天的人工智能与过去的人工智能不同。

在此之前，人工智能一直局限于狭窄的应用场景，因此被称为狭义人工智能，它在一些非常小众的任务上表现良好，比如图像识别、标记物体、面部检测等，但在更广泛的领域，比如自然语言处理或推理等方面则表现不佳。早在我们拥有专家系统的时候，就有过推理的尝试。

这些系统大多是逻辑设计和结构化系统，适应新环境的能力较差。如果你有一辆在美国训练了大量数据的汽车，但被带到英国，它就不知道如何适应在另一侧行驶，这就是过去人工智能的一个很好的例子。最近，我们在模型架构上取得了令人难以置信的突破，称为变换器架构，我强烈推荐。

深入了解它是如此有趣的创新。但在自然语言处理方面，这一进展是巨大的，以前的自然语言处理相对有限。你知道，如果我没有草率地处理细节和新答案以及人类沟通，尤其是两个人交谈时，那里有很多层次的意义。

我从未能够理解这个过程是如何运作的，也无法理解人类是如何理解的。但随着这些新技术的出现，我们确实看到了人工智能能够模拟的理解能力，换句话说，因为你知道，真正的理解是什么，对吧？但人工智能能够分析和理解人类互动、人类使用的语言的能力，远远超过了以往任何时候的人工智能。

这当然令人兴奋，因为这意味着现在人工智能可以进行创造性写作，我可以快速生成内容。我可以快速分析事物，这些都是我以前无法做到的。但你知道，试图做到这一点的人曾被称为疯狂，直到一两年前。

因此，看到这些突破尤其有趣，这些突破对我们的工作来说是非常重要的，因为我们所做的很多事情都是与人交谈，理解人们的需求，而人性化的交流实际上是基于语言和非语言沟通的。这种变换器架构对其他类型的模型也有影响，比如基于视觉的模型，编码器和解码器，以及这些模型内部的架构是如何运作的。

有一些非常酷的项目正在进行。例如，谷歌推出了一种模型，专门设计用于理解用户界面设计。它可以接收一个屏幕，并基本上理解按钮的位置，以及信息的布局方式，正如人类在查看该界面时能够理解的那样，这在去年之前是完全不可能的。因此，你可以看到这些围绕自然语言处理的具体创新，关于多模态人工智能、屏幕理解等，都是非常适合我们领域的，并且可以彻底改变我们工作的方式。

哦，完全是这样。想想在这一年内，模型的能力和视觉处理、语言处理方面取得了如此惊人的进展，这真是令人惊叹。当你想到像我们这样的专业人士如何最终完成工作时，这一点尤其令人惊讶。

现在我想知道，反过来，我们知道很多可能性。你会说人们在做某些事情时应该保持谨慎吗？或者是否有某种特定的能力尚未达到，可能需要更多时间或其他输入来使其最终变得更好？例如，在用户体验研究或用户体验设计的情况下。

是的，我会说，当人类解决问题时，我们使用了许多层次的智慧来确保我们做的事情是正确的。例如，当你在进行一个项目时，你会从商业视角、设计人文视角，甚至可能还有社会影响和更广泛的技术对我们共同生活的世界的影响等多个角度来考虑。人工智能尚未具备所有这些层次。

因此，重要的是要将你正在使用的工具视为思考伙伴，但更像是初级思考伙伴，你需要负责确保质量，进行事实核查，确保输出的内容确实有意义，而不仅仅是接受表面上看起来很高层次的内容。例如，Lucina的例子，大家现在都听说过。实际上，我并不喜欢这种语言，因为它暗示着某种东西是虚构的。

实际上，发生在表面下的事情是，人工智能生成的内容可能是根据其训练数据生成的一组非常可能的单词组合。但人工智能并没有对事实的理解。这些并不是其架构的一部分，因此它只是将单词以一种可能的方式串联在一起。

但你知道，互联网上的数据包含各种各样的内容。因此，错误信息和疯狂的观点、无根据的内容、写作的职业生涯等，都是使用语言的不同方式。因此，它并不总是能够区分基于事实的内容和完全合乎逻辑推理的内容，或者某些内容可能只是根据训练数据模式将单词组合在一起的方式。但你知道，这并不一定是有意义的。

显然，大型语言模型已经显著改善，这解锁了许多新能力，但仍然存在一些限制，包括之前提到的那些限制。那么，这些限制究竟有多严重？公司在全速推进这些人工智能解决方案之前还需要考虑什么？为了解决这个问题，我们将听取能源用户体验专家和前计算神经科学家的意见。

Caleb Pony认为，想象人工智能应用的积极影响是很容易的。就像在真空中一样，如果我不必写所有的电子邮件，或者如果我不必手动写出我的整个研究合作伙伴，这将是多么美好。

哦，太棒了，对吧？没有任何商业决策是在真空中做出的，无论是在个人层面还是在组织层面。

因此，当我们决定“嘿，我们将使用人工智能来加速我们的咨询业务的范围界定过程”时，这完全是另一回事。然后就会问，“这样做的成本是什么？”特别是大型语言模型，使用得当和有效地使用需要技巧。

入门的门槛很低，因为你不需要掌握除英语以外的编程语言就可以开始与之互动。但为了获得这些模型的高效性能，你需要能够为这些模型编写有效的指令或提示。因此，自动化某件事情所需的时间与作为程序员自己完成这件事情所需的时间是相似的，对吧？

自动化某件事情所需的时间将比你第一次、第二次甚至第三次自己完成它所需的时间要长。因此，你必须考虑，“自动化某件事情需要多长时间，然后可能还需要维护它、修复错误并正确实施，对吧？”然后再看看结果，或者“我能否自己完成这件事情，或者我能否请别人来做？”

一次又一次，我们必须评估并权衡在实践中创新与对炒作与现实之间保持谨慎和敏感之间的平衡，我相信你们中的许多人都见过这样的表情包，比如人们在所有事情上都撒上人工智能，所有事情上都有人工智能聊天。虽然肯定会有一些非常好的用例，我们已经看到了人工智能和生产力的惊人用例，但有多少炒作呢？我更想知道，你认为这其中有多少是炒作，有多少是合理的？

对于许多人来说，人工智能在消费者层面带来的好处之一是搜索，尤其是在用户体验领域。

我们称之为桌面研究、二次研究，对吧？我想了解更多关于上下文调查的信息。有些人可能会鼓励我使用大型语言模型来了解更多关于该方法的信息。

所以我可能会去，比如说，谷歌，德国，我会说，“嘿，你能给我提供关于什么是上下文调查的解释吗？你能给我一些来源或一些链接，以便进一步阅读吗？”现在我做到了。我向德国询问了这个确切的信息。我得到的是五个完美格式化的白皮书引用，由不同的人通过不同的组织撰写。

能源包括上下文调查。太好了。它们都不存在。它们完全是虚构的。

它们是可理解的，看起来像是可以阅读的文本组合。但它们的作者从未为能源撰写过。它们是不存在的白皮书的标题。

当我开始寻找实际信息的来源，而不仅仅是相信它所说的内容时，事情开始崩溃。每当你要求一个工具填写研究计划、草拟电子邮件或告诉我关于上下文调查或其他用户体验研究方法的信息时，责任在于我去检查确保所有这些信息都是正确的。我在使用该工具时有预算，这是一个相关的成本。

显然，人工智能并不完美，但炒作往往使人难以判断人类用户体验专业人员的角色是否真的快要结束。

尤其是当裁员似乎在我们的领域变得越来越普遍时，人工智能是否会很快夺走我们的工作？我们作为用户体验专业人员究竟有多脆弱？

利益相关者不需要一个合理的理由来解雇你。他们只需要一个理由，人工智能不需要工作就可以用作解雇你的理由。这是最可怕的事情。

关于公司裁员的新闻数不胜数。也许两年前，我还在抱怨利率。一年前，我在谈论宏观经济条件，而如今，可能是关于人工智能的声明。

他们因所有这些原因而削减开支。人们普遍期望留下来的员工能够完成与之前所有员工相同或更多的工作，对吧？如果我们专注于人工智能的这一说法，尤其是在用户体验社区中，这种说法是毫无根据的。

我们在课程中讨论设计和研究。在研究方面，你可以要求人工智能生成研究数据。你可以这样做，呃，这样做是糟糕的，你不应该这样做。

这本质上是在研究所有人类知识，而不是使用你产品的人。你可以想象，差异并不完全，但确实存在差异，对吧？此外，大型语言模型，这更像是一种哲学观点，但我认为这是正确的。大型语言模型是基于人类知识文本、可理解的文本构建和训练的，这些文本一直被创建到现在为止。

研究是探索世界、宇宙，寻找已知宇宙的边缘，凝视未知的深渊，向前迈出一小步。这一行为是极其困难的，资源密集且独特的。我没有任何理由相信人工智能能够做到这一点。

我现在无法做到，而且没有迹象表明我将能够做到。因此，关于设计的研究，我想明确的是，许多设计学科正在被人工智能颠覆。许多、许多、许多学科都在被颠覆。确实有人工智能工具正在加速并取代图形设计师、内容创作者、库存摄影师等工作中的步骤，这些学科正在受到冲击。

为了探讨人工智能如何塑造用户体验研究和分析，主持人Therese Fessenden分享了两次关于该主题的访谈；一次是与Altis的联合创始人Savina Hawkins的访谈，另一次是与NN/g的用户体验专家Caleb Sponheim的访谈。在这一集中，我们探讨了人工智能为提升用户体验工作中的生产力和创新所带来的机遇，以及它所带来的风险和挑战。Savina和Caleb提供了关于用户体验专业人士如何有效利用人工智能工具并在其领域保持竞争力的实用建议。

了解更多关于Caleb Sponheim博士的信息 接受关于使用人工智能进行用户体验工作的培训：用户体验专业人士的实用人工智能课程 NN/g关于人工智能的文章 Caleb的最爱资源： 乐观的观点：Ethan Mollick的《一个有用的东西》。 怀疑的观点：Ed Zitron的《你的Ed在哪里》。每周通讯 </context> <raw_text>0 用户体验设计是可靠的，独特的，因为根据我们的研究，设计师所做的工作，以及你们特别做的工作，仍然是安全的，人工智能尚未在其他视觉设计学科中取得进展。再说一次，并不是说我不会，但它确实没有。这同样说明了一些你们设计师所做的非常独特的事情，至少其中之一是年轻设计师所做的跨职能沟通的工作，全面的设计，最有价值的工作并不是制作漂亮的东西，而是将数据转化为可视化表示，获取反馈并进行迭代，然后实施。嗯，这不仅仅是关于东西看起来有多好，而是关于一切。

在用户体验领域，真正的工作是什么？我们只是工作量吗？我们只是数据处理者吗？还是说我们所做的还有更多，我完全支持我们所做的远不止数据分析的质量或使用figma这一点。

发生的事情远不止使用工具或进行这些研讨会。因此，我绝对认为，如果有什么的话，这些都是改进的技术，使我们能够更快地完成更多工作，正如我们所知，用户体验研究和用户体验思维在整个公司中都有大量的机会。因此，我们通常被困在产品内部，因为产品对我们这种思维的需求最为迫切。

但是如果你与销售、客户支持或市场营销合作，公司中有很多不同的接触客户的表面，但往往没有得到我们在实际产品工作中所带来的同样程度的思考和分析。因为你知道，这很有道理，如果你在用户体验方面的资源有限，必须将其部署到某个地方，这绝对是有道理的。但是，随着我们能够放大我们所做的工作量和速度，我看到一个未来，我们将更加融入整个组织。与其说我们只是与产品和设计直接关联，我们更像是知识的守护者，可以说，了解客户是谁，并帮助将客户的需求融入我们所工作的每一个方面，这远不止是产品，还包括市场营销、销售和支持，因为在整个产品中有很多这样的接口。

所以，如果有人在听，并且担心自己职业的未来，事情肯定会发生变化。我想没有人会在这个时刻猜测，否则。但我认为，对于我们来说，未来非常美好，我们将能够做更多不同类型的研究工作，并能够帮助更多的人和组织。

好消息是，人类不仅相关，而且是必要的。然而，仅仅继续做我们一直在做的事情是不够的，因为竞争环境正在迅速变化。我问了Caleb和Savina，用户体验专业人士应该培养什么样的技能，以便在人工智能时代保持相关性？

你实际上需要考虑如何与人工智能合作，这是一种独立的技能。实际上，这有一个名称，称为提示或提示设计。提示工程是它的另一个说法。所有这些都是引导人工智能做你想让它做的事情的艺术，嗯，指示它以特定的方式进行，给它反馈，你知道如何来回工作，人工智能完全是它自己的技能和艺术形式，而我们作为用户体验专业人士，真的非常适合在这方面做得很好，因为我们在访谈艺术中充满了如何引导他人进入这些新领域，并确保他们朝着这个方向而不是那个方向前进，或者故意保持开放的结局，以免无意中引导他们走向某个方向，这种权衡和艺术性地使用引导性问题与保持开放性以防止偏见之间的平衡。所有这些内容都完全适用于你如何与人工智能合作，因为即使在你用来提示人工智能的词语的细节中，这些都在模型的背景下发挥着重要作用。

因此，你用来提问的词语，从统计学的角度来看，偏见是存在的，我认为对于我们领域之外的人来说，真正理解为什么这不好可能很困难，因为错误信息的影响往往在决策做出后很久才会显现。因此，某种下游的人们往往会忘记这一点。他们在这种情况下，嗯，决策与错误信息之间并没有完美的联系。

你可能很难建立这些联系。我认为这是我们领域真正能够帮助做的事情之一，就是确保做出良好的决策，以及我们如何利用过去的信息，并将其带回当前的背景中，知道也许这是在咖啡之前进行的访谈。后来的世界现在完全不同。

因此，人们在那些访谈中所说的许多事情实际上可以应用于这个特定的新背景，或者我们正在看一些新的东西。因此，这些技能能够将数据进行上下文化，并确保它实际上以一种能够支持人类真实需求的方式被利用。同时，也要忠实于情况的真相。这其中有一种艺术。我认为我们在未来将更加相关，能够管理这个过程。

我们对人工智能的反应与对任何其他工具或颠覆的反应并没有太大不同。我想尽可能强调的是，我们在展示价值和为组织做出贡献方面的本能，以及清晰地展示影响并为影响做出贡献，在人工智能的世界中也是一样，对吧？这是一个可以以特定方式应用的新工具集。

但是如果你不这样做，你知道，如果你想能够评估业务中重要的事情，并在你所做的工作中调整你的行为以与之保持一致，那么在人工智能出现之前，你的工作可能是十个人的工作。在人工智能出现之前，正如现在一样，我并不是说其他的工作会减少，但我们拥有一整套关于如何做好工作的知识，以及如何传达这项工作的影响。这是困难的。

在用户体验领域，但我们对如何做到这一点有很多知识。当涉及到人工智能时，你不必把这些知识抛弃。始终是同样的背景，我的意思是，在某种程度上，这给了我们一种信心，你不必重新发明轮子，轮子仍然在车上，可能只是前面有一匹不同的马，或者你拿着不同的车。我不知道，可能是某种东西。

是的，是的。但人工智能现在有了全季节轮胎。

走吧。

无论我们喜欢与否，人工智能无疑是来者不拒的，它可以成为提高我们生产力的有用工具，帮助我们避免落后。事实上，改善研究质量和速度的核心需求正是Savina创办她公司的原因。

Altis，你在Altis做了很多非常酷的事情。你能告诉我们一点关于这方面的事情，以及是什么促使你进行所有这些探索的吗？是的。嗯，所以这是必要的。

所有发明的母亲，有时原型自己的解决方案，最终会得到一些非常有趣的东西。因此，Altis就是其中之一，基本上在我还是Eventbrite的时候，就有Eventbrite客户需要找出如何在疫情中生存，因为你知道Eventbrite完全是关于个人活动的。

有人覆盖了这一点，完全崩溃了许多小企业，他们是如何能够维持生计的。因此，我非常热衷于帮助这些小企业生存。所以我需要找出一种方法来扩大我所做的工作，采访更多的人，并能够更快地进行内部转变。

这实际上是因为这个原型路径，最终引出了一个问题，即人工智能是否真的能够自动化我们工作的完整部分。例如，分析过程的质量，在进行访谈后，缩短我们通常非常手动、非常注重细节的过程，看看是否可以完全上传到人工智能中，答案最终是肯定的，人工智能实际上可以做一些我们通常认为只有人类才能做的事情。

但如今的技术真的很棒。因此，显然我们希望我们的系统成为一个严肃的研究工具。为了成为一个严肃的研究工具，它必须愿意教你一些你可能完全持相反观点的事情，但事实是，它会说出其他事情。

因此，它需要能够证实其观点，并且还要阐明为什么这个特定的观点可能比其他观点更有意义。因此，所有这些都被构建到我们系统的架构中。因此，一些我们将其付诸实践的例子是，正常的人工智能系统并不真正知道过度引用和影响之间的区别。

你所做的一切实际上都是推理引擎，因此它并不真正知道过度引用和某种推断之间的区别，因为它所做的一切实际上都是影响。因此，我们构建的一个功能是，当它使用数据片段进行推理时，它实际上知道过度引用和基于某人所说的内容可以推断出的内容之间的区别。这当然非常重要，因为我们在解释时，作为人类，自然知道如何做出这种区分。

我们知道某人说了这个明确的内容，因此可以推断出X、Y、Z。但这并不是大型语言模型在后台进行的逻辑思考。它实际上只是连接概率字符串。相关内容是生成内容，而不是生成知识或信息。

因此，我们的系统非常旨在在这种情况下工作，我们试图生成知识或生成实际上有用和相关的信息，当然，任何质量的内容总是有许多可能的解释，我们甚至将这一点构建到系统中。探索几种不同的解释，并实际决定哪一种是最合理的，或者向你展示如何解释某事的不同选项，或者向你展示可用的最连贯的解释。嗯，这些思维方式并不是人工智能所特有的，而是。

非常接近我们解决许多这些问题的方法。当人们收听到这一点时，我们将为设计合作伙伴打开新的空间。因此，任何人实际上都可以访问Altis网站，注册，学习如何使用它，获取演示，并立即开始使用它。现在非常优化的使用案例是分析对话，但任何类型的对话数据。

因此，它是非常广泛可用的。它也确实只为那些已经具有研究背景并且知道自己在做什么的人设计，几乎就像获得自己的专门研究助手，以便你可以更快、更轻松地完成工作。因此，对我来说，我喜欢在实际研究工作中使用它的一个方面是，你可以将严格的设计委托出去，而不仅仅是开始所有访谈的严格编码过程，然后能够以你想要的方式处理信息，并在最后进行讲故事。

嗯，我还喜欢它的另一点是，许多客户实际上一直在帮助我们原型化ID，并且一直在他们的实际工作中使用它，通常这将教你至少一两件你在查看数据时没有看到的事情。这仅仅是因为，当两个不同的人查看同一数据集时，总会有略微不同的方法。

没有人会总是看到完全相同的事情，而人工智能则是许多人合为一体。在某种意义上，它总是以新的视角接近事物，因为它没有像人类那样的特定记忆，所有的一切都是已知的，你可以改变你是同一个人，阅读了其他三次访谈。因此，由于你首先阅读了其他两次，这已经偏见了你将如何处理接下来的几次访谈，而人工智能实际上没有这种情况，每次查看数据时，系统的设计都是从头开始。

所以，呃，正因为如此，IT缺乏我们所拥有的调味品。当然，IT也有不幸的偏见，所以知道人类可以从这个过程中被移除，因为AI也会以消极的方式产生偏见。但是，呃，这种初学者的心态如何处理一切，导致了一些新的和新颖的联系，这些联系将与您自然形成的联系有所不同，并将这些东西组织在一起，比如人类在这个项目中得出的独特见解，并将其与新的视角整合。

而且您可以通过与AI合作获得的，呃，我只是不能锁定很多。显然，这是设计系统的一部分。在进行其他项目的研究时，总是有机会测试它。呃，对我来说解锁的一些东西是，呃，日复一日的迭代周期与设计相关，在设计冲刺期间，您可以在一天内进行访谈，然后在第二天早上之前，过夜分析所有发现，并交付结果，团队可以在进入设计空间的下一天进行审查。

所以那种快速、快速的迭代周期，呃，只会让我们在这些设计冲刺中能做的事情变得更多，并能够更快地与队友合作，以一种更敏捷的方式进行。呃，我发现这一切都非常令人兴奋，我认为IT最谦卑的事情之一是，呃，通常当IT输出时，IT经常会提出一些比我个人打算写的更好的东西，这令人谦卑，但也非常令人兴奋，因为IT向您展示，当它与您合作时，它是多么的好，而当您利用它擅长的东西时，您也是多么的好。所以人类记忆有如此强烈的局限性。

没有一个人是永远不疲倦的，像是从不忘记事情。这些只是作为人类的一部分，使我们知道我们作为存在者的工作设计的一部分，而AI知道IT会在那里分析大量的数据。最后一个数据点是，阅读IT与我在第一点时的注意力水平相同。

所以我从未感到疲倦。它不是，呃，它只是能够以几乎完全相反的方式建立联系，这与我们能够运作的方式几乎是完全相反的。因此，人类直觉和将点连接在一起的能力，以及所有这些东西与分析规模的结合效果很好。所以我认为我们绝对是互补的系统，并且比其他任何东西更好地一起工作。

那是阿尔蒂斯的联合创始人萨维娜·霍金斯。现在像阿尔蒂斯这样的公司正在引领改变用户体验（U.X.）的格局。

无论您是在进行研究还是设计，都有很多机会明智而有效地使用这些工具。但是，如果您不确定从哪里开始，可以参考一些关于如何保持对AI新动态了解的建议。

但我会推荐的是以小方式参与核心大型语言模型体验。幸运的是，由于许多领先的AI公司要么在庞大的风险投资支持的预算下运营，要么由垄断的科技公司运营，最先进的大型语言模型产品是免费的。因此，我会推荐的是。

当您在做一项任务时，感觉这项任务可能会变得稍微容易一点。每当这是写作任务时，这是一件非常容易尝试的事情。如果是任何形式的定量分析，甚至是数量分析，我会认为值得额外花时间和精力去看看AI对此的处理，看看AI告诉我们这方面的内容。

您这样做的原因可能不是为了获得额外的效率，而是为了检查这些工具的表现，检查一下，哦，我能否将其整合到我的工作中？或者它还没有准备好？对吧？您可以轻松订阅太多的每日新闻、电子邮件通讯，并感到被淹没。

那是我的工作。那不是你的工作。所以我会建议订阅三个来源的每周信息。比如其中一个就像是报纸的通讯等价物，对吧？呃，外面有很多这样的东西。

但任何关于AI行业现状的每周更新，都是为了跟上发生的事情？没有什么事情是如此重要，以至于您需要每周了解的，没关系。

如果您真的想这样做，您甚至可以每月查看一次，您不会错过太多，尤其是当涉及到我们工作的实际应用时。然后，令人放心的是，我完全相信，呃，记录它，无论如何。我不认为AI行业发展得如此之快，以至于您需要每天甚至每周保持关注。此外，我建议订阅对AI的乐观视角和对AI的怀疑视角。

有很多作家在外面，乐观和怀疑对您意味着什么会有所不同，但有很多作家在外面每天都在尝试不同的事情，测试新事物，并真正推动以了解我们能做什么、能构建什么以及如何使我们的工作更好。然后，还有一个同样重要，甚至更重要的作家群体，他们提供对技术、行业、沟通和与AI相关的客户风险的知情批评，我认为接触这两种观点的两面至少是重要的。如果您拥有这三者，即每周新闻、乐观和怀疑的视角，您就很好，您就成功了。

那是凯勒·斯波恩海姆，我，NN/g的用户体验专家。我们在节目说明中包含了凯勒最喜欢的AI信息来源。但如果您想更深入地了解如何有效地使用AI进行用户体验工作，凯勒目前正在与我一起教授一门名为“用户体验专业人员的实用AI”的全天课程。

有关该课程的更多信息可以在我们的网站上找到，还有许多关于用户体验和AI的免费文章和视频。

但最后，如果我总结一下我与凯勒和萨维娜的聊天，得出的单一结论可能是这样的。AI仍在迅速发展，并带来了巨大的风险。每个在这个领域工作的人都会犹豫不决地告诉您，仍然有很多问题需要解决。

然而，将这些工具作为思考伙伴，保持对输出的健康怀疑，这是一个将帮助您管理风险并为您的团队创造更好解决方案的策略。再次感谢凯勒·斯波恩海姆和萨维娜·霍金斯分享他们的想法，并愿意与我们的社区分享。本集由我主持，瑞贝卡制作，由极具才华的克里斯·理查森制作。

要获取更多免费的用户体验内容，包括文章和视频，或有关我们即将开设的课程的信息，请访问WWW.NN.com。

如果您喜欢这个节目，请订阅或关注您选择的平台。这就是今天的内容，直到下次。记住，保持简单。