Copilot模式-設(shè)計實踐感悟

0 評論 215 瀏覽 0 收藏 6 分鐘

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(shù)據(jù)終端實情的NUI新路子。

截止24年12月,國內(nèi)在PC側(cè)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(jié)和內(nèi)容問答,以指令形式支持模板內(nèi)容撰寫、改擴寫等,這種Copilot形式更像是嵌入式的AI設(shè)計,且局限于LLM擅長的文本生成領(lǐng)域,借鑒意義一般;

而隨著Apple Intelligence的發(fā)布,國內(nèi)一眾廠商將小藝、小愛等化身AI助手,實現(xiàn)系統(tǒng)級別的Copilot,倒是看到不少跨應(yīng)用串聯(lián)用戶場景的新方案,值得深入思考;

而以數(shù)據(jù)查詢、數(shù)據(jù)分析為核心用戶需求的數(shù)據(jù)終端產(chǎn)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(xiàn)產(chǎn)品體驗質(zhì)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(nèi)容總結(jié)和對話上。在資訊、研報等內(nèi)容型的GUI界面上,我們加入了“總結(jié)助手”這樣的AI功能,幫助用戶自動生成AI總結(jié),輔助閱讀。在Copilot模式下,我們需要提煉的是“總結(jié)”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(jié)內(nèi)容的權(quán)利,自然而然實現(xiàn)了從嵌入式向Copilot模式的轉(zhuǎn)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(shù)據(jù)檢索上進行實踐,利用Copilot輔助用戶查找指標。

從批量指標提?。ㄈ渴》荨⑷靠h市等)、到復(fù)雜指標拆解(剪刀差>>M1、M2及指標運算)、到前后場景串聯(lián)(指標檢索后給予基礎(chǔ)的數(shù)據(jù)分析),實現(xiàn)一句自然語言的高效、專業(yè)內(nèi)容返回。

表單操作也是重要的場景,我們?nèi)谌肓伺坎僮鳌⒍嗖襟E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(nèi)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(xué)習(xí),能夠更好地滿足用戶一句話查找相關(guān)界面的需求;

3、除此以外,頁面模塊內(nèi)的功能檢索和執(zhí)行,也是重要的發(fā)揮場景。類似PPT內(nèi),一句話插入視頻文件。Excel內(nèi),一句話轉(zhuǎn)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(yīng),都少不了function call的執(zhí)行。工具/函數(shù)庫的建設(shè)、工具調(diào)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。

  1. 大家對這種新模式表示驚嘆,感慨AI洪潮的迅猛;
  2. 對于熟練掌握數(shù)據(jù)目錄的高級用戶來說,這種Copilot稍顯弱智,他們更習(xí)慣和信任自己的手指;
  3. 作為日常涉及功能模塊、數(shù)據(jù)領(lǐng)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(yè)上的不足;
  4. 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(jié)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(nèi)難以滿足用戶的訴求,大約是GPT6能夠?qū)崿F(xiàn)的。同時,他給出了2個關(guān)鍵建議:

  1. 明確function call,提供更可靠的agent,實現(xiàn)工具的正確調(diào)用和步驟的準確規(guī)劃;
  2. 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(jié)合以上兩點,我們做了擴展和深入:

  1. 單一場景下,少量且區(qū)分明確的tools更有利于agent的理解和調(diào)用,能確保用戶意圖執(zhí)行到位;
  2. 不同的tools可以再結(jié)合更合適的LLM,進行tools智能化改造,實現(xiàn)更驚艷的能力;
  3. 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(diào)“、”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(xué)習(xí),后續(xù)分享更多更有價值的內(nèi)容。

本文由 @Ma.x 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理,未經(jīng)作者許可,禁止轉(zhuǎn)載。

題圖來自Unsplash,基于CC0協(xié)議

該文觀點僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺僅提供信息存儲空間服務(wù)。

更多精彩內(nèi)容,請關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發(fā)揮!