100 días de IA, día 10: ¿Qué tan efectiva es la IA en el pensamiento de diseño para resolver problemas comerciales?

En esta publicación, veremos cómo utilizar la IA para desarrollar el pensamiento de diseño para un problema empresarial determinado. Por el bien de este ejemplo, definimos el pensamiento de diseño como una serie de pasos que se muestran a continuación. También puedes ampliar esta idea para agregar más pasos y escribir lógica para ellos.

Para establecer el contexto, tomemos un ejemplo de una cafetería que ha recibido comentarios de algunos clientes recientemente y utilícelos para aplicar el pensamiento de diseño de IA y encontrar formas de mejorar el negocio.

Usaremos el modelo gpt-4 de Open AI y usaremos el kernel semántico de Microsoft para hacer pensamiento de diseño. En el camino, también exploraremos cómo podemos utilizar el concepto de complementos en el kernel, lo que facilita la reutilización de funciones semánticas.

Así que entremos en ello.

Paso 1: configurar el kernel :

El primer paso es cargar la clave secreta de Open AI desde el archivo .env local y luego crear una nueva instancia de Kernel. Luego agregue el servicio OpenAIChatCompletion al Kernel.

Paso 2: agregue comentarios de uso y análisis FODA del negocio de cafetería :

 # SWOT questions strength_questions = ["What unique recipes or ingredients does the coffee shop use?","What are the skills and experience of the staff?","Does the coffee shop have a strong reputation in the local area?","Are there any unique features of the shop or its location that attract customers?", "Does the coffee shop have a strong reputation in the local area?", "Are there any unique features of the shop or its location that attract customers?"] weakness_questions = ["What are the operational challenges of the coffee shop? (eg, slow service, high staff turnover, not having wifi)","Are there financial constraints that limit growth or improvements?","Are there any gaps in the product offering?","Are there customer complaints or negative reviews that need to be addressed?"] opportunities_questions = ["Is there potential for new products or services (eg, delivery, food along with coffee)?","Are there under-served customer segments or market areas?","Can new technologies or systems enhance the business operations?","Are there partnerships or local events that can be leveraged for marketing?"] threats_questions = ["Who are the major competitors and what are they offering?","Are there potential negative impacts due to changes in the local area (eg, construction, closure of nearby businesses)?","Are there economic or industry trends that could impact the business negatively (eg, increased ingredient costs)?","Is there any risk due to changes in regulations or legislation (eg, health and safety, employment)?"] # SWOT answers strengths = [ "Unique coffee recipe that wins top awards","Owner trained in Sicily","Strong local reputation","Prime location on university campus" ] weaknesses = [ "High staff turnover","Floods in the area damaged the seating areas that are in need of repair","Absence of popular mocha latte from menu","Negative reviews from younger demographic for lack of hip ingredients" ] opportunities = [ "Untapped work from anywhere potential as they dont have wifi","Growing local tech startup community","Unexplored online presence and order capabilities","Upcoming annual food fair" ] threats = [ "Competition from big coffee chains nearby","There's nearby street construction that will impact foot traffic","Rising cost of coffee beans will increase the cost of coffee","No immediate local regulatory changes but it's election season" ] # Customer comments some positive some negative customer_comments = """ Customer 1: The seats look really raggedy. Customer 2: The americano is the best on this earth. Customer 3: I've noticed that there's a new server every time I visit, and they're clueless. Customer 4: Why aren't there any snacks? Customer 5: I love the coffe blend they use and can't get it anywhere else. Customer 6: The dark roast they have is exceptional. Customer 7: why is there no wifi? Customer 8: Why is the regular coffee so expensive? Customer 9: There's no way to do online ordering. Customer 10: Why is the seating so uncomfortable and dirty? """

Paso 3: creación de complementos para Design Thinking :

¿Qué es un complemento? Semantic Kernel tiene esta característica llamada Complementos donde puede definir funciones semánticas, sus entradas y reutilizarlas repetidamente. Un complemento se compone de dos archivos: .json (contiene información de configuración para LLM y parámetros de entrada) y .txt (contiene un mensaje personalizado). Para el caso de uso del pensamiento de diseño, crearemos 4 complementos. Puede encontrar el código de los 4 complementos aquí .

• Empatizar : toma los comentarios de los clientes, aísla los sentimientos y ofrece un resumen conciso de cada sentimiento expresado por el cliente.
• Definir : obtiene el resultado del paso de empatizar y clasifica el análisis en una tabla de rebajas. Define los problemas y su posible origen.

• Idear : toma el resultado del paso anterior y genera ideas en forma de una tabla de rebajas con dos columnas denominadas fruta madura y fruta madura.

• PrototypeWithPaper : este complemento toma las ideas generadas en el paso anterior y proporciona un prototipo de baja resolución, para que se pueda probar la solución.

Paso 4: júntelo todo:

Tenga en cuenta que en los pasos anteriores, aunque proporcioné el código de cuatro complementos, expliqué lo que hacen en el contexto de Design Thinking. También he mostrado el resultado que generarán. Pero en realidad no hemos llamado a esos complementos desde nuestro código. Hagámoslo ahora como se muestra a continuación.

 ## access design thiking plugin pluginsDirectory = "./plugins-sk" pluginDT = kernel.import_semantic_skill_from_directory(pluginsDirectory, "DesignThinking"); async def run_designthinking_async(): my_result = await kernel.run_async(pluginDT["Empathize"], pluginDT["Define"], pluginDT["Ideate"], pluginDT["PrototypeWithPaper"], input_str=customer_comments) display(my_result) asyncio.run(run_designthinking_async())

Ya ha visto el resultado que generan los 4 pasos en el paso anterior. Observe lo simple que hace Kernel llamar a un complemento tras otro, todo en una sola llamada.

Para concluir, esto es lo que hicimos. Escribimos mensajes personalizados, los convertimos en complementos y los colocamos en una carpeta llamada plugins-sk . Y luego usé Kernel para llamarlos usando el análisis FODA y los comentarios de los clientes de la cafetería. Ahora, al cambiar el análisis FODA y recibir comentarios de los clientes sobre un problema comercial diferente, puede pensar en diseño y encontrar una solución MVP para solucionar su problema.

Aunque en esencia tiene 4 indicaciones personalizadas, este método destaca cómo Kernel hace que el desarrollo de objetivos complejos con IA sea fácil y manejable con complementos.

Eso es todo por el día 10 de 100 días de IA.

Escribo un boletín llamado Above Average donde hablo sobre los conocimientos de segundo orden detrás de todo lo que está sucediendo en la gran tecnología. Si estás en tecnología y no quieres ser promedio, suscríbete .

Sígueme en Twitter , LinkedIn o ** HackerNoon ** para obtener las últimas actualizaciones sobre 100 días de IA. Si está en tecnología, es posible que le interese unirse a mi comunidad de profesionales de la tecnología aquí .

Anterior 100 días de IA, día 9: ¿Puede la IA generar un análisis FODA para su idea de negocio?