100 Tage KI, Tag 10: Wie effektiv ist KI im Design Thinking zur Lösung geschäftlicher Probleme?

In diesem Beitrag werden wir uns damit befassen, wie man KI für Design Thinking für ein bestimmtes Geschäftsproblem einsetzen kann. Für dieses Beispiel definieren wir Design Thinking als eine Reihe von Schritten, die unten gezeigt werden. Sie können diese Idee auch erweitern, um weitere Schritte hinzuzufügen und eine Logik dafür zu schreiben.

Um den Kontext festzulegen, nehmen wir das Beispiel eines Cafés , das kürzlich Kundenfeedback erhalten hat, und nutzen es, um KI-Design-Thinking anzuwenden und Möglichkeiten zur Verbesserung des Geschäfts zu finden.

Wir werden das gpt-4-Modell von Open AI und den Semantic Kernel von Microsoft verwenden, um Design Thinking durchzuführen. Unterwegs werden wir auch untersuchen, wie wir das Konzept der Plugins im Kernel nutzen können, um die Wiederverwendung semantischer Funktionen zu vereinfachen.

Also lasst uns loslegen.

Schritt 1 – Einrichten des Kernels :

Der erste Schritt besteht darin, den geheimen Schlüssel von Open AI aus der lokalen .env-Datei zu laden und dann eine neue Kernel-Instanz zu erstellen. Fügen Sie dann den OpenAIChatCompletion -Dienst zum Kernel hinzu.

Schritt 2 – Fügen Sie das Nutzungsfeedback und die SWOT-Analyse des Coffeeshop-Geschäfts hinzu :

 # 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? """

Schritt 3 – Plugins für Design Thinking erstellen :

Was ist ein Plugin? Semantic Kernel verfügt über diese Funktion namens Plugins, mit der Sie semantische Funktionen und deren Eingaben definieren und sie wiederholt wiederverwenden können. Ein Plug-In besteht aus zwei Dateien: .json (enthält Konfigurationsinformationen für LLM und Eingabeparameter) und .txt (enthält eine benutzerdefinierte Eingabeaufforderung). Für den Design-Thinking-Anwendungsfall werden wir 4 Plugins erstellen. Den Code für alle 4 Plugins finden Sie hier .

• Einfühlen : Nimmt Kundenfeedback entgegen, isoliert die Stimmung und gibt eine prägnante Zusammenfassung für jede vom Kunden geäußerte Stimmung.
• Definieren : Übernimmt die Ausgabe des Empathize-Schritts und kategorisiert die Analyse in einer Markdown-Tabelle. Definiert die Probleme und ihre mögliche Ursache.

• Ideate : Nimmt die Ausgabe aus dem obigen Schritt und generiert Ideen in Form einer Markdown-Tabelle mit zwei Spalten namens „Low hanging Fruit“ und „Higher-hanging Fruit“.

• PrototypeWithPaper : Dieses Plugin übernimmt die im vorherigen Schritt generierten Ideen und erstellt einen Prototyp mit niedriger Auflösung, sodass die Lösung getestet werden kann.

Schritt 4 – Alles zusammenbringen:

Beachten Sie, dass ich in den vorherigen Schritten, obwohl ich den Code für vier Plugins angegeben habe, erklärt habe, was sie im Kontext von Design Thinking tun. Ich habe auch die Ausgabe angezeigt, die sie generieren werden. Aber wir haben diese Plugins nicht wirklich aus unserem Code aufgerufen. Machen wir das jetzt wie unten gezeigt.

 ## 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())

Die Ausgabe, die alle 4 Schritte generieren, haben Sie bereits im vorherigen Schritt gesehen. Beachten Sie, wie einfach Kernel das Aufrufen eines Plug-Ins nach dem anderen in einem einzigen Aufruf macht.

Abschließend ist hier, was wir getan haben. Wir haben benutzerdefinierte Eingabeaufforderungen geschrieben, daraus Plugins gemacht und sie in einem Ordner namens „plugins-sk“ abgelegt. Und dann nutzte ich Kernel, um sie mithilfe der SWOT-Analyse und des Kundenfeedbacks für den Coffee Shop aufzurufen. Indem Sie nun die SWOT-Analyse ändern und ein Kundenfeedback zu einem anderen Geschäftsproblem einholen, können Sie Design Thinking betreiben und eine MVP-Lösung zur Behebung Ihres Problems entwickeln.

Auch wenn der Kern aus vier benutzerdefinierten Eingabeaufforderungen besteht, unterstreicht diese Methode, wie Kernel die Entwicklung komplexer Ziele mit KI mit Plugins einfach und verwaltbar macht.

Das war's für Tag 10 von 100 Tagen KI.

Ich schreibe einen Newsletter mit dem Titel Above Average, in dem ich über die Erkenntnisse zweiter Ordnung spreche, die hinter allem stecken, was in der Big-Tech-Branche passiert. Wenn Sie im technischen Bereich tätig sind und nicht durchschnittlich sein möchten, abonnieren Sie es .

Folgen Sie mir auf Twitter , LinkedIn oder ** HackerNoon ** für die neuesten Updates zu 100 Tagen KI. Wenn Sie im technischen Bereich tätig sind, könnten Sie daran interessiert sein, meiner Community von technischen Fachleuten hier beizutreten.

Zurück 100 Tage KI, Tag 9: Kann KI eine SWOT-Analyse für Ihre Geschäftsidee erstellen?