UX i współpraca z AI

Human–AI interaction · id ux

Projektowanie kontroli, informacji zwrotnej i zaufania.

Designing control, feedback and trust.

In one sentence

To projektowanie sposobu, w jaki ludzie korzystają z modelu, sprawdzają wyniki i zachowują kontrolę nad pracą.

This designs how people use a model, check its results and keep control over their work.

Problem it solves

Użytkownik może nie wiedzieć, czego oczekiwać, kiedy zaufać odpowiedzi ani jak poprawić pomyłkę lub przerwać działanie.

A user may not know what to expect, when to trust an answer or how to correct a mistake or stop an action.

What it does

Dobiera formę interfejsu, pokazuje postęp i ograniczenia, umożliwia poprawki oraz zbiera sygnały o tym, co działa źle.

It chooses an interface, shows progress and limitations, enables corrections and collects signals about what is going wrong.

Everyday example

Edytor proponuje zmianę akapitu, pozwala obejrzeć różnice, poprawić tekst i zdecydować, czy zastosować propozycję.

An editor suggests an updated paragraph and lets you inspect differences, edit the text and decide whether to apply it.

This concerns you if you…

• projektujesz funkcję, której ludzie mają używać samodzielnie
• chcesz ułatwić sprawdzanie, poprawianie i kontrolowanie wyników
• design a feature people will use independently
• want to make results easier to check, correct and control

Examples

• Interfejs konwersacyjny · human factors
• Conversational interface · human factors

Subtopics

• Kalibracja zaufania: cytaty, pewność i wyjaśnienia (Trust calibration): Showing signals that let users judge when to trust an AI answer: sources, confidence levels, short explanations and labelling of generated content.
• Kontrola użytkownika: sugestia, edycja, akceptacja (User control and oversight patterns): Patterns where AI proposes and the person edits and approves: a plan to accept, draft mode, variants to pick from, easy undo and a manual fallback path.
• Odczuwalna szybkość: strumieniowanie i wskaźniki postępu (Perceived latency and progress feedback): Making waiting for AI tolerable: streaming text, showing agent work steps and allowing interruption — following the 0.1 s / 1 s / 10 s perception thresholds.
• Projektowanie na wypadek błędów AI (Error handling and graceful failure): Assuming up front that the AI will be wrong and planning how users notice, correct and resume — in proportion to what is at stake.
• Ustawianie oczekiwań: co AI potrafi, a czego nie (Setting expectations and mental models): Helping users understand what the system can do, how well, and where it fails — so they neither overtrust it nor abandon it after the first mistake.
• Wzorce interfejsów AI (czat, copilot, akcja w tekście) (AI interface patterns): Recurring forms in which AI appears in a product — from a separate chat window, through a side assistant, to actions built into the text being edited — and when each works.
• Zbieranie opinii użytkowników (jawnych i niejawnych) (Explicit and implicit user feedback): Designing ways for users to signal AI quality: direct ratings and comments, plus behavioural signals — acceptance, edits, regeneration, abandonment.

Sources

• Full Stack Deep Learning (2022, archiwum) · reference: Pełny cykl systemu ML: dane, testy, wdrażanie, monitoring, zespoły i etyka.
• FSDL · LLM Bootcamp (2023, archiwum) · reference: Aplikacje LLM, prompting, retrieval, UX i LLMOps.
• People + AI Guidebook (Google PAIR) — generative AI update · Reena Jana, Mahima Pushkarna (People + AI Research, Google)
• Guidelines for Human-AI Interaction · S. Amershi, D. Weld, M. Vorvoreanu, A. Fourney, B. Nushi, P. Collisson, J. Suh, S. Iqbal, P. Bennett, K. Inkpen, J. Teevan, R. Kikin-Gil, E. Horvitz (Microsoft)
• The Shape of AI — AI UX pattern library · Emily Campbell