लोकांना आता रोमान्सकडे स्लॉट मशीनप्रमाणे पाहणे कंटाळवाणे वाटू लागले आहे. डेटिंग ॲप उघडा. स्वाइप करा. स्वाइप. स्वाइप. एकेकाळी कार्यक्षम वाटणारी ही पद्धत आता पोकळ वाटू लागली आहे. बहुतेक प्लॅटफॉर्म्स अजूनही या साध्या बायनरीवर (हो किंवा नाही) अवलंबून आहेत, जे केवळ एक फोटो आणि एक-दोन वाक्यांवर आधारित असते. ही प्रक्रिया मुळातच वरवरची राहते. स्क्रीनच्या मागे काहीतरी अधिक हुशार काम करत आहे, याची जाणीव वापरकर्त्यांना होते, पण ते ते काम करताना पाहू शकत नाहीत. ही अदृश्यता संशय निर्माण करते. जेव्हा एखादा अल्गोरिदम मॅच सुचवतो, तेव्हा लोकांना वाटते की तो त्यांच्याबद्दल नक्की काय जाणून आहे आणि तो काही लपवत तर नाही ना? त्यांना AI मॅचमेकिंगवर विश्वास ठेवता येत नाही कारण ते एखाद्या चित्रपटाच्या शिफारसी किंवा खरेदीच्या सूचनांपेक्षा कितीतरी पटीने जास्त महत्त्वाच्या गोष्टींशी संबंधित असूनही एखाद्या 'ब्लॅक बॉक्स'सारखे वाटते.
ही विश्वासाची समस्या केवळ चांगल्या मार्केटिंगने किंवा अधिक आकर्षक रंगछटांनी सुटू शकत नाही. यासाठी संपूर्ण प्रणाली पारदर्शकतेवर आधारित पुन्हा उभारण्याची गरज आहे. मॅच का झाली, हे वापरकर्त्यांना समजणे आवश्यक आहे. जेव्हा त्यांना त्यामागचे कारण समजते, तेव्हा ते स्वतः त्याचे मूल्यमापन करू शकतात. त्यानंतर विश्वास आपोआप निर्माण होतो.
उद्योग क्षेत्राने खऱ्या अर्थाने विश्वासार्हता मिळवून देणाऱ्या AI मॅचमेकिंग सिस्टम्सकडे कसे वळता येईल, याचे मार्ग खालीलप्रमाणे आहेत.
कनेक्शन का अस्तित्वात आहे ते स्पष्ट करा
प्रत्येक शिफारसीमागील तर्क स्पष्ट करा. वापरकर्त्यांना हे जाणून घेण्याचा अधिकार आहे की त्यांच्या फीडमध्ये एखादे विशिष्ट प्रोफाईल का आले. केवळ एक अनाकलनीय टक्केवारी (percentage score) दाखवण्याऐवजी, इंटरफेसने मॅच घडवून आणणारे प्रत्यक्ष संकेत (signals) समोर आणले पाहिजेत. कदाचित दोघांनीही हायकिंगला मुख्य छंद म्हणून नोंदवले असेल, किंवा त्यांचे वर्क-लाइफ बॅलन्सबाबतचे दृष्टिकोन समान असतील, किंवा त्यांचे कौटुंबिक नियोजनाबाबतचे दीर्घकालीन ध्येय एकसारखे असेल. हे तपशील एका अस्पष्ट अल्गोरिदमला संवादाची सुरुवात करणाऱ्या घटकात रूपांतरित करतात.
पारदर्शकता म्हणजे तुमचा मालकीचा (proprietary) कोड उघड करणे नव्हे. याचा अर्थ मशीन लॉजिकला मानवी भाषेत रूपांतरित करणे असा आहे. जेव्हा एखाद्याला दिसते की त्यांची मॅच केवळ यासाठी झाली आहे कारण दोघेही मानसिक आरोग्याला प्राधान्य देतात आणि त्यांना स्वयंपाक करायला आवडते, तेव्हा ती शिफारस समजण्यायोग्य बनते. ते त्या तर्काशी सहमत किंवा असहमत होऊ शकतात. कोणत्याही परिस्थितीत, त्यांना आता अंदाज लावावा लागत नाही. ठोस तर्क वापरकर्त्यांना त्यांच्या स्वतःच्या अपेक्षा सुधारण्यास देखील मदत करतात. जर सिस्टम केवळ लोकेशनच्या आधारावर त्यांना मॅच करत असेल, तर ते इतर घटकांना अधिक महत्त्व देण्याचा निर्णय घेऊ शकतात, ज्यामुळे सर्वांसाठीच चांगले परिणाम मिळतात.
इच्छा/आवड ठरवणारे डेटाचे ऑडिट करा
वैविध्यपूर्ण डेटा वापरा. ट्रेनिंग सेट्समधील पूर्वग्रह (bias) टाळा. हे तांत्रिक वाटू शकते, परंतु याचा मानवी परिणाम अत्यंत वैयक्तिक असतो.
बहुतेक मशीन लर्निंग मॉडेल्स ऐतिहासिक वर्तनावरून शिकतात. डेटिंग ॲप्समध्ये, हा इतिहास अनेकदा अस्तित्वात असलेले सामाजिक पूर्वग्रह दर्शवतो. जर पूर्वीच्या वापरकर्त्यांनी त्यांच्या स्वतःच्या वांशिक गटातील लोकांनाच जास्त मेसेज केले असतील, तर एक अनियंत्रित अल्गोरिदम त्याच वंशाच्या मॅचेना प्राधान्य देण्यास शिकू शकतो. जर ट्रेनिंग डेटा केवळ विसाव्या वर्षातील शहरी व्यावसायिकांकडे झुकलेला असेल, तर सिस्टम ग्रामीण वापरकर्त्यांना किंवा वयाने मोठ्या असलेल्या डेटर्सना नकळत बाजूला सारू शकते. हे पॅटर्न प्रोग्राम केलेले नसतात; जेव्हा डेटामध्ये पुरेशी व्याप्ती नसते, तेव्हा ते आपोआप निर्माण होतात.
डेव्हलपर्सना अशा ट्रेनिंग सेट्सची गरज आहे ज्यामध्ये विविध वयोगट, पार्श्वभूमी, शरीरयष्टी, भूगोल, लिंग अभिव्यक्ती (gender expressions) आणि नातेसंबंधांची ध्येये यांचा समावेश असेल. कोड जितका महत्त्वाचा आहे, तितकीच डेटाची निवड (curation) महत्त्वाची आहे. मॉडेल्स वेगवेगळ्या लोकसंख्याशास्त्रीय गटांशी (demographic groups) निष्पक्षपणे वागतात की नाही, याची नियमित चाचणी टीम्सनी केली पाहिजे आणि विसंगत निकाल आढळल्यास त्यात सुधारणा केली पाहिजे. एक विश्वासार्ह सिस्टम वापरकर्त्यांना अशा 'फिल्टर बबल्स'मध्ये अडकण्यापासून सक्रियपणे रोखते, जे कोणाला कोणासोबत असावे याबद्दलच्या संकुचित धारणांना पुष्टी देतात.
लोकांना नियंत्रण द्या
वापरकर्त्यांना नियंत्रण द्या. त्यांना त्यांच्या स्वतःच्या आवडीनिवडी समायोजित (adjust) करू द्या. अनेक प्लॅटफॉर्म्स वापरकर्त्यांना त्यांच्या स्वतःपेक्षा जास्त चांगल्या प्रकारे ओळखतात असा आव आणतात. हा अहंकार विश्वास नष्ट करतो.
खरे नियंत्रण हे वय आणि अंतराच्या मूलभूत फिल्टर्सपेक्षा अधिक खोलवर असते. अल्गोरिदमने विविध वैशिष्ट्यांना (traits) किती महत्त्व द्यावे, हे वापरकर्ते स्वतः ठरवू शकले पाहिजेत. कदाचित एखाद्या व्यक्तीला समान राजकीय मूल्ये महत्त्वाची वाटतील, परंतु करिअरच्या महत्त्वाकांक्षेबाबत ते लवचिक असू शकतात. दुसऱ्या कोणाला शैक्षणिक पार्श्वभूमीपेक्षा सर्जनशील आवडींना प्राधान्य द्यावेसे वाटू शकते. त्यांना तसे सांगू द्या. स्लाईडर्स, रँकिंग्ज किंवा स्पष्ट ट्रेड-ऑफ टूल्स उपलब्ध करून द्या, ज्यामुळे व्यक्ती स्वतःचे शोध निकष (search criteria) ठरवू शकतील.
'एजन्सी' (Agency) म्हणजे लोकांना काही विशिष्ट डेटा सिग्नल्समधून बाहेर पडण्याची (opt out) परवानगी देणे देखील आहे. जर एखाद्या वापरकर्त्याला त्यांचा लिसनिंग हिस्ट्री किंवा ब्राउझिंग बिहेविअर रोमँटिक मॅचिंगमध्ये समाविष्ट करायचे नसेल, तर ते ते डिस्कनेक्ट करू शकले पाहिजेत. जेव्हा वापरकर्त्यांना 'विषय' (subjects) न वाटता 'सहभागी' (participants) असल्यासारखे वाटते, तेव्हा विश्वास वाढतो. जो अल्गोरिदम फीडबॅक ऐकतो आणि दृश्यमानरी बदल स्वीकारतो, तो वैयक्तिक मॅचेस चुकल्या तरीही लोकांचा संयम टिकवून ठेवतो.
यश मिनिटांत नाही, तर महिन्यांत मोजा
दीर्घकालीन मूल्यावर लक्ष केंद्रित करा. तात्पुरत्या संवादांच्या पलीकडे जा. 'स्वाइप इकॉनॉमी' ही तात्काळ सहभागासाठी (immediate engagement) काम करते: जसे की ॲप उघडणे, लाईक्स आणि पहिल्या तासातील पाठवलेले संदेश. जे लोक कायमस्वरूपी भागीदारी शोधत आहेत, त्यांच्यासाठी हे निकष पूर्णपणे अपयशी ठरतात.
डिझाइनर्सनी अशा परिणामांचा मागोवा घेतला पाहिजे जे वापरकर्त्यांसाठी खरोखर महत्त्वाचे आहेत. एक आठवड्यानंतरही दोन व्यक्तींमध्ये संवाद सुरू आहे का? ते भेटले का? त्या दोघांनाही झालेल्या संवादातून समाधान मिळाले का? प्रणालीला संख्येपेक्षा खोलीला (depth) प्राधान्य देण्याचे संकेत द्या. केवळ २० रिकाम्या शुभेच्छांपेक्षा, ज्यातून तीन अर्थपूर्ण संदेश तयार होतात, असा मॅच (match) अधिक मोलाचा आहे.
हा बदल इंटरफेसच्या निर्णयांमध्ये बदल घडवून आणतो. सामान्य सुरुवातीच्या वाक्यांऐवजी (generic openers), वापरकर्त्यांच्या सामायिक आवडीनिवडींवर आधारित संवादाची सुरुवात करण्यास त्यांना प्रवृत्त करा. सतत ब्राउझिंग करण्याऐवजी, विचारपूर्वक निवड करण्यास प्रोत्साहन देण्यासाठी दैनंदिन शिफारसींवर (recommendations) मर्यादा ठेवा. वापरकर्त्याच्या दीर्घकालीन प्राधान्यक्रमांशी सुसंगत असणारी प्रोफाइल्स समोर आणा, मग ती प्रोफाइल्स त्वरित क्लिक मिळवून देत नसली तरीही. ध्येय 'कनेक्शन' साधणे आहे, व्यसन लावणे नाही.
केवळ इंजिनिअरिंगने नाही, तर सहानुभूतीने (Empathy) घडवा
अशी प्रणाली तयार करण्यासाठी केवळ कोड पुरेसा नाही. त्यासाठी सहानुभूतीची गरज आहे. लॉजिकची प्रत्येक ओळ असुरक्षितता, आशा आणि एकटेपणा यातून मार्ग काढणाऱ्या खऱ्या मानवांवर परिणाम करते. तुम्ही केवळ ऑप्टिमायझेशनद्वारे खरी जवळीक (intimacy) निर्माण करू शकत नाही.
डिझाइनर्स आणि इंजिनिअर्सनी त्यांच्या वापरकर्त्यांच्या भावनिक स्थितीचा अभ्यास करण्यासाठी वेळ दिला पाहिजे. एक आठवडाभर एकही मॅच न मिळाल्यास कसे वाटते? अल्गोरिदमने तुम्हाला नाकारले आहे असा संशय आल्यास कसे वाटते? हे प्रश्न तांत्रिक रोडमॅप्ससोबतच उत्पादन बैठकींमध्ये (product meetings) चर्चिले गेले पाहिजेत.
केवळ एंगेजमेंट मेट्रिक्ससाठी नाही, तर मानवी संबंधांसाठी डिझाइन करा. जेव्हा एखादे प्लॅटफॉर्म आपल्या वापरकर्त्यांना केवळ 'रिटेन्शन फनेल'मधील (retention funnel) डेटा पॉइंट्स न मानता पूर्ण व्यक्ती म्हणून वागवते, तेव्हा तंत्रज्ञान पार्श्वभूमीवर जाते. तेव्हा उरते ती एक अशी सेवा, जी खरोखरच एखाद्याला ते शोधण्यात मदत करते ज्याच्या शोधात तो आहे.
विश्वासार्ह AI मॅचमेकिंग केवळ एका मोठ्या प्रगतीमुळे (breakthrough) येणार नाही. ते अशा डझना खऱ्या छोट्या निर्णयांतून येते जे गूढतेपेक्षा स्पष्टतेला, सोयीपेक्षा न्याय्यतेला आणि मशीनच्या नियंत्रणापेक्षा मानवी स्वायत्ततेला (human agency) प्राधान्य देतात. जे ॲप्स हे ओळखतील, ते गर्दीच्या बाजारपेठेत स्वतःचे वेगळेपण सिद्ध करतील. वापरकर्त्यांना आधीच समजते की त्यांच्याशी फेरफार (manipulation) केली जात आहे. जे प्लॅटफॉर्म त्यांच्या बुद्धिमत्तेचा आणि भावनांचा आदर करतील, त्यांनाच वापरकर्ते पसंती देतील.
संपूर्ण विश्लेषण येथे वाचा: Source