Copilot模式-設計實踐感悟
后半年工作,比較多的時間花在了Copilot模式與PC終端融合的探索和實踐上,踩著Microsoft的Copilot+PC肩膀,想要走出一條符合數據終端實情的NUI新路子。
截止24年12月,國內在PC側還沒看到成熟的Copilot解決方案,與office365高度相似場景的WPS早在一年多前就推出了WPS AI,以chat形式支持文檔總結和內容問答,以指令形式支持模板內容撰寫、改擴寫等,這種Copilot形式更像是嵌入式的AI設計,且局限于LLM擅長的文本生成領域,借鑒意義一般;
而隨著Apple Intelligence的發布,國內一眾廠商將小藝、小愛等化身AI助手,實現系統級別的Copilot,倒是看到不少跨應用串聯用戶場景的新方案,值得深入思考;
而以數據查詢、數據分析為核心用戶需求的數據終端產品,與上述場景有較大差別;
一、實踐過程
1. 探索階段
在Copilot模式之前,我們有過大約1年的時間,嘗試chat模式在各類功能場景下的融合,識圖借助LLM實現產品體驗質的飛躍;這些實踐并非無效,它給我們Copilot模式的實踐,提供了大量的參考場景和案例;
例如,23年 GPT3.5席卷而來時,我們對LLM的運用還停留在內容總結和對話上。在資訊、研報等內容型的GUI界面上,我們加入了“總結助手”這樣的AI功能,幫助用戶自動生成AI總結,輔助閱讀。在Copilot模式下,我們需要提煉的是“總結”這樣的用戶訴求,那作為一個無處不在的AI助手,Copilot模式下需要給予用戶自由選擇待總結內容的權利,自然而然實現了從嵌入式向Copilot模式的轉變
2. 落地階段
1、我們首先選定了LLM擅長的自然語言理解,從數據檢索上進行實踐,利用Copilot輔助用戶查找指標。
從批量指標提取(全部省份、全部縣市等)、到復雜指標拆解(剪刀差>>M1、M2及指標運算)、到前后場景串聯(指標檢索后給予基礎的數據分析),實現一句自然語言的高效、專業內容返回。
表單操作也是重要的場景,我們融入了批量操作、多步驟操作,覆蓋少量但高頻的表單指令,豐富Copilot的能力;
2、其次,模塊和內容查找,對于中低階用戶也是最頭疼的使用問題。將功能庫編組、描述給予LLM一定的學習,能夠更好地滿足用戶一句話查找相關界面的需求;
3、除此以外,頁面模塊內的功能檢索和執行,也是重要的發揮場景。類似PPT內,一句話插入視頻文件。Excel內,一句話轉置表格等;
實踐過程遠比上面的描述艱辛,每一次GUI頁面的響應,都少不了function call的執行。工具/函數庫的建設、工具調用和步驟編排,這些是實踐中耗時最多的部分。
二、實踐感悟
1. 用戶反饋
在若干場景Copilot上線后,我們走訪了目標客戶群,向客戶演示并征求迭代意見。
- 大家對這種新模式表示驚嘆,感慨AI洪潮的迅猛;
- 對于熟練掌握數據目錄的高級用戶來說,這種Copilot稍顯弱智,他們更習慣和信任自己的手指;
- 作為日常涉及功能模塊、數據領域繁雜的用戶來說,認為Copilot是天降福星,能彌補他們在某些專業上的不足;
- 對于純純手動型的批量操作,大家一致認為Copilot大有可為;
2.總結感悟
在Microsoft AI CEO的一段視頻中,他表達了在當下(2024年),基于Agent的Copilot模式短時間內難以滿足用戶的訴求,大約是GPT6能夠實現的。同時,他給出了2個關鍵建議:
- 明確function call,提供更可靠的agent,實現工具的正確調用和步驟的準確規劃;
- 尋找用戶容忍度高的場景,即便是80%的準確率,也能讓用戶愿意嘗試;
結合以上兩點,我們做了擴展和深入:
- 單一場景下,少量且區分明確的tools更有利于agent的理解和調用,能確保用戶意圖執行到位;
- 不同的tools可以再結合更合適的LLM,進行tools智能化改造,實現更驚艷的能力;
- 用戶容忍度高的場景,可以進一步細化為“能否一眼識別可用”、“能否接受多次嘗試”、”是否支持二次微調“、”后果能否承擔“等;
Copilot模式會在接下來的一段時間更加深入的實踐和探索,我們也將不斷學習,后續分享更多更有價值的內容。
本文由 @Ma.x 原創發布于人人都是產品經理,未經作者許可,禁止轉載。
題圖來自Unsplash,基于CC0協議
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
- 目前還沒評論,等你發揮!