前面我们已经介绍了：
- 生成式人工智能Generative AI和LLMs介绍
- 发现和比较不同类型的 LLMs
- 正确有效的使用生成式人工智能
- 了解提示工程(Prompt Engineering)基础知识
- 创建高级提示工程(Prompt Engineering)的技巧
- 创建文本生成应用
- 生成式人工智能创建聊天应用
- 生成式人工智能构建图像生成应用
- 创建低代码的人工智能应用
应用程序的用户体验对于构建它们非常重要。用户要能够用您的应用程序有效地完成任务。效率很重要，但您也要设计应用程序，让所有人都能使用，让它们"可访问"。本章将专注于这个领域，希望最终能设计出一个人们愿意并且能够使用的应用程序。
用户体验概述和用户需求分析
在我们虚拟的教育创业公司中，我们有两类主要用户：教师和学生。这两类用户都有自己的需求。用户为中心的设计把用户放在第一位，确保产品与他们的期望目标相关并有益。
该应用程序应该是 有用的、可靠的、可访问 的和令人满意的 ，以提供良好的用户体验。
可用性
可用意味着应用程序有与其预期目的相一致的功能，比如自动评分过程或生成复习卡片。自动评分过程的应用程序应该能够按照预设的标准给学生的作业准确高效地打分。同样，生成卡片的应用程序应该能够根据它的数据制作出相关且多样的问题。
可靠性
可靠意味着应用程序能够稳定且无误地执行它的任务。然而，人工智能和人类一样并不完美，也可能会出错。应用程序可能会遇到错误或异常情况，需要人工干预或修正。您如何处理错误？在本章的最后一部分，我们将介绍如何设计人工智能系统和应用程序，实现协作和反馈。
可访问性
可访问意味着把用户体验扩展到不同能力的用户，包括残障人士，确保没有人被忽略。通过遵循可访问性的指导和原则，人工智能解决方案变得更加包容、可用，并且对所有用户都有好处。
满意度
满意度意味着该应用程序使用起来令人愉快。有吸引力的用户体验可以给用户带来积极的影响，促使他们再次使用应用程序并增加业务收入。
并不是所有的问题都能用人工智能解决。人工智能可以提升您的用户体验，无论是通过自动化手动任务还是个性化用户体验。
设计人工智能应用程序，实现信任和透明度
设计人工智能应用程序时，建立信任非常重要。信任可以让用户相信应用程序能够做好工作、一致地提供结果，并且结果是用户所需要的。这个领域的一个风险是不信任和过度信任。当用户对人工智能系统有怀疑时，就会出现不信任，这会导致用户拒绝您的应用程序。当用户对人工智能系统的能力估计过高，导致用户过分信任人工智能系统时，就会出现过度信任。例如，自动评分系统在过度信任的情况下可能会让老师不去检查一些试卷，以确保评分系统工作正常。这可能会导致学生的成绩不公平或不准确，或者错过反馈和改进的机会。
确保把信任放在设计的核心的两种方法是可解释性和可控性。
可解释性
当人工智能帮助做出决策（例如传授知识给后代）时，教师和家长了解人工智能是如何做出决策的非常重要。这就是可解释性------理解人工智能应用程序是如何做出决策的。可解释性设计包括添加人工智能应用程序能做什么的示例的细节。例如，系统可以使用："用 AI 总结笔记，让复习更容易"，而不是"开始使用 AI 老师"。
另一个例子是人工智能如何使用用户和个人数据。例如，有学生角色的用户可能有基于他们角色的限制。人工智能可能不能给出问题的答案，但可以帮助引导用户思考如何解决问题。
可解释性的最后一个关键部分是解释的简化。学生和教师可能不是人工智能的专家，所以对应用程序能做什么或不能做什么的解释应该简单且易懂。
可控性
生成式人工智能在人工智能和用户之间建立协作，例如用户可以修改不同结果的提示。此外，一旦生成输出，用户应该能够修改结果，从而给他们一种控制感。例如，使用 Bing 时，您可以根据格式、语气和长度定制提示。此外，您可以对输出做出更改并修改输出，如下所示：
Bing 还允许用户控制应用程序的另一个功能是能够选择加入或退出 AI 使用的数据。对于学校申请，学生可能想要使用他们的笔记和教师的资源作为复习材料。
设计人工智能应用程序，实现协作和反馈
正如前面提到的，生成式人工智能在用户和人工智能之间建立了协作。大部分交互都是由用户输入提示，然后人工智能生成输出。如果输出不正确怎么办？如果出现错误，应用程序如何处理？人工智能会责备用户还是需要时间来解释错误？
应用程序应该内置人工智能来接收和提供反馈。这不仅有助于人工智能系统的改进，也可以与用户建立信任。设计中应该包含反馈循环，例如对输出的简单赞同或反对。
处理这个问题的另一种方法是清楚地传达系统的功能和限制。当用户请求超出 AI 能力的内容时出错时，也应该有一种方法来处理这个问题，如下所示。
当用户需要人工智能无法提供的信息或者应用程序限制了用户可以生成摘要的问题/主题时，系统错误就会发生。比如，一个只用有限科目（比如历史和数学）的数据训练过的人工智能应用程序可能不能回答关于地理的问题。为了解决这个问题，人工智能系统可以这样回复用户："对不起，我们的产品只能处理以下主题的数据...，您的问题超出了我的能力范围。"
人工智能应用不是万能的，所以它们有时会出错。在开发应用程序的时候，您应该考虑到用户的反馈和错误处理，并且用简单明了的方式来表达。