Entwicklung funktionierender Mensch-KI-Systeme: Den Alltag in Trainingsdaten verwandeln

Beschreibung

In der sich rasant entwickelnden Technologielandschaft von heute haben sich intelligente, KI-gestützte Funktionen in jeden Aspekt unserer digitalen Erlebnisse eingewoben. Von Unterhaltungsplattformen, die das, was wir sehen oder hören, personalisieren, über Feeds in sozialen Medien bis hin zu Sprachassistenten, intelligenten Copiloten und vielem mehr. Diese Systeme wirken in Demos oft beeindruckend, stoßen im tatsächlichen Einsatz jedoch an ihre Grenzen. Die Einschränkung liegt selten allein in der Modellgröße. Häufiger ist es das Fehlen gut konzipierter Feedbackschleifen zwischen Mensch und KI, die es den Systemen ermöglichen, kontinuierlich aus der tatsächlichen Nutzung zu lernen. Feedbackschleifen zwischen Mensch und KI sind die Mechanismen, durch die sich KI-Systeme auf der Grundlage des tatsächlichen Nutzerverhaltens und der Ergebnisse weiterentwickeln. Wenn sie gut konzipiert sind, wandeln sie routinemäßige Interaktionen in verlässliche Lernsignale um. Die effektivsten Rückkopplungsschleifen kombinieren zwei sich ergänzende Inputs: explizites Feedback, bei dem Nutzer absichtlich Präferenzen oder Korrekturen äußern, und implizites Feedback, bei dem das Nutzerverhalten Akzeptanz, Aufwand oder Reibungspunkte offenbart, ohne den Nutzer zusätzlich zu belasten. Dieser Vortrag stellt einen praktischen, menschenzentrierten Leitfaden für die Gestaltung von Rückkopplungsschleifen in KI-Systemen vor. Es wird dargelegt, wie man explizites Feedback mit hoher Aussagekraft an natürlichen Entscheidungspunkten identifiziert, wie man implizite Verhaltenssignale wie Akzeptanz, Ablehnung und Folgeergebnisse interpretiert und wie man beides kombiniert, um zuordenbare, hochpräzise Lernsignale zu erzeugen. Das Rahmenwerk befasst sich zudem damit, wann und wo Feedback erfasst werden sollte, um Störungen zu minimieren und die Benutzererfahrung zu verbessern.