Understanding User Experiences of Computer Use Agents: Design Space and Opportunities for Building Agent UX Prototypes
यह शोध पत्र एक डिज़ाइन वर्गीकरण (टैक्सोनॉमी) विकसित करके, विशेषज्ञ अध्ययनों के माध्यम से प्रोटोटाइपिंग आवश्यकताओं की पहचान करके, और "AgentUXlab" नामक एक टूल पेश करके कंप्यूटर उपयोग एजेंटों (कंप्यूटर यूज़ एजेंट्स) के कम अध्ययन किए गए उपयोगकर्ता अनुभव को संबोधित करता है, जो डेवलपर्स को विविध एजेंट इंटरैक्शन दृष्टिकोणों को डिज़ाइन करने और उनका मूल्यांकन करने में सक्षम बनाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट डिजिटल सहायक है जो न केवल आपके सवालों के जवाब देता है बल्कि वास्तव में आपके लिए काम भी करता है। यह बटन क्लिक कर सकता है, वेबसाइटों को स्क्रॉल कर सकता है, फॉर्म भर सकता है, और यहाँ तक कि आपकी कॉफी भी खरीद सकता है, वह भी आपकी स्क्रीन को देखकर और आपकी इच्छा को समझकर। यह कोई जादू नहीं है; यह एक नए प्रकार के कंप्यूटर प्रोग्राम का नाम है जिसे "कंप्यूटर यूज़ एजेंट" (computer use agent) कहा जाता है। इसे एक ऐसे रोबोट बटलर की तरह समझें जो आपके ब्राउज़र के अंदर रहता है। लंबे समय से, वैज्ञानिक इन रोबटों को स्मार्ट और तेज़ बनाने के लिए उन्हें सिखा रहे हैं, लेकिन उनका ध्यान उनके दिमाग (कोड और मॉडल) पर रहा है। लेकिन उन्होंने ज़्यादातर यह पूछना भुला दिया है: "एक रोबोट बटलर होने का अहसास कैसा होता है?" ठीक वैसे ही जैसे आप एक ऐसा मानव सहायक नहीं चाहेंगे जो आपको कभी न बताए कि वह क्या कर रहा है, या जो बिना पूछे आपका बटुआ छीन ले, आपको एक ऐसे रोबोट सहायक की आवश्यकता है जिसे समझना आसान हो, जिसे रोकना आसान हो, और जिस पर भरोसा करना आसान हो। यह शोध पत्र इन डिजिटल सहायकों के "व्यक्तित्व" और "व्यवहार" में गहराई से उतरता है, यह समझने में कि उन्हें इस तरह कैसे डिज़ाइन किया जाए ताकि वे हमें डराएँ नहीं या ऐसी गलतियाँ न करें जिन्हें हम सुधार न सकें।
इस अध्ययन के पीछे के शोधकर्ताओं ने, जिनका नेतृत्व जेनी टी. लियांग और उनकी टीम ने किया है, महसूस किया कि जबकि हम इन शक्तिशाली एजेंटों का निर्माण कर रहे हैं, हमारे पास वास्तव में कोई नियम पुस्तिका नहीं है कि उन्हें हमारे सामने कैसे व्यवहार करना चाहिए। इसे ठीक करने के लिए, वे एक "डिज़ाइन स्पेस" (एजेंट के व्यवहार करने के सभी संभावित तरीके) का मानचित्र बनाने और उन व्यवहारों का परीक्षण करने में मदद करने के लिए एक विशेष उपकरण बनाने के एक तीन-भागों वाले साहसिक कार्य पर निकले।
सबसे पहले, उन्होंने जासूसों की तरह काम किया, 11 अलग-अलग कंप्यूटर एजेंटों को देखा जो पहले से ही दुनिया में मौजूद हैं। उन्होंने इन एजेंटों को बनाने वाले 8 विशेषज्ञों का साक्षात्कार लिया और फिर 20 आम लोगों के साथ एक नकली एजेंट का परीक्षण किया। इससे, उन्होंने 21 अलग-अलग चीजों का एक विशाल "मेन्यू" बनाया जिन्हें डिजाइनरों को सोचना चाहिए। उन्होंने इन्हें चार मुख्य श्रेणियों में समूहबद्ध किया:
- उपयोगकर्ता का प्रश्न (The User's Query): आप एजेंट से कैसे बात करते हैं। क्या आप इसे एक बड़ा कमांड देते हैं, या आप आपस में बातचीत करते हैं? क्या आप अपनी आवाज़, टेक्स्ट या चित्रों का उपयोग करते हैं?
- व्याख्यात्मकता (Explainability): एजेंट अपना काम कैसे दिखाता है। क्या वह आपको बताता है कि वह किस चीज़ पर क्लिक कर रहा है? क्या वह कार्य करने से पहले अपने "विचार" आपको दिखाता है?
- उपयोगकर्ता नियंत्रण (User Control): आप एजेंट को कैसे रोक सकते हैं या बदल सकते हैं। क्या आप इसे रोक सकते हैं? क्या आप खुद काम संभाल सकते हैं यदि यह कहीं फंस जाए?
- मानसिक मॉडल (Mental Model): आप सोचते हैं कि एजेंट क्या कर सकता है। क्या एजेंट यह स्पष्ट करता है कि उसकी सीमाएँ क्या हैं ताकि आप उससे असंभव चीजें करने की उम्मीद न करें?
एक बार जब उनके पास यह मेन्यू आ गया, तो उन्होंने दूसरा सवाल पूछा: "हम वास्तव में इन विचारों को बनाते और परीक्षण कैसे करते हैं?" एजेंट को डिज़ाइन करना कठिन है क्योंकि आमतौर पर आपको कुछ भी करने के लिए कंप्यूटर प्रोग्रामर होने की आवश्यकता होती है। इसलिए, टीम ने 12 अन्य लोगों (विशेषज्ञों और सामान्य उपयोगकर्ताओं सहित) का साक्षात्कार लिया ताकि यह पता लगाया जा सके कि किस प्रकार का टूल इसे आसान बना सकता है। उन्होंने पाया कि डिजाइनरों को पाँच मुख्य गतिविधियों की आवश्यकता होती: एजेंट क्या कर सकता है उसे परिभाषित करना, यह तय करना कि कौन सी जानकारी दिखानी है, यह डिजाइन करना कि वह आपसे कैसे बात करता है, एजेंट को यह देखने के लिए चलाना कि क्या होता है, और जब यह टूट जाए तो इसे ठीक करना।
इसे हल करने के लिए, उन्होंने AgentUXlab नामक एक शानदार नया टूल बनाया। कल्पना कीजिए कि आप एक वीडियो गेम लेवल में एक डिज़ाइनर हैं। जटिल कोड लिखने के बजाय, आप ब्लॉक्स (जैसे "यहाँ क्लिक करें," "उपयोगकर्ता का इंतज़ार करें," या "एक योजना दिखाएं") को ड्रैग और ड्रॉप करके यह फ्लोचार्ट बनाते हैं कि आपके एजेंट को कैसे व्यवहार करना चाहिए। फिर आप "प्ले" दबा सकते हैं और अपने एजेंट को वास्तव में आपके ब्राउज़र में एक वास्तविक वेबसाइट पर कॉफी ऑर्डर करने की कोशिश करते हुए देख सकते हैं। यदि एजेंट वह चीज़ खरीदने की कोशिश करता है जो आप नहीं चाहते थे, तो आप "पॉज़" दबा सकते हैं, काम संभाल सकते हैं, और उसे ठीक कर सकते हैं। यह टूल डिजाइनरों को अपने एजेंटों के लिए विभिन्न "व्यक्तित्वों" के साथ प्रयोग करने की अनुमति देता है—जैसे कि एक ऐसा एजेंट बनाना जो बहुत बातूनी हो और अनुमति मांगता हो, बनाम एक जो बहुत तेज़ हो और सब कुछ चुपचाप करता हो।
अंत में, उन्होंने इस टूल का परीक्षण 14 लोगों के साथ किया जिनके अनुभव का स्तर अलग-अलग था, सॉफ्टवेयर इंजीनियरों से लेकर उन लोगों तक जिन्होंने पहले कभी एजेंट का उपयोग नहीं किया था। उन्होंने पाया कि टूल ने अच्छा काम किया, लेकिन इसने कुछ पेचीदा हिस्सों को भी उजागर किया। उदाहरण के लिए, विजुअल "फ्लोचार्ट" (ब्लॉक्स) बड़े चित्र को देखने के लिए तो बेहतरीन थे, लेकिन कुछ लोगों को उन्हें लिखना भ्रमित करने वाला लगा। दूसरी ओर, केवल साधारण अंग्रेजी में निर्देश टाइप करना लचीला था लेकिन कभी-कभी बहुत अस्पष्ट था। सबसे बड़ा आश्चर्य यह था कि एजेंट को डिज़ाइन करने वाले लोगों को इसे डीबग करने के लिए बहुत अधिक जानकारी (जैसे कि एजेंट के आंतरिक विचार और स्क्रीन विवरण) देखने की आवश्यकता थी, जबकि एजेंट के उपयोगकर्ताओं को शायद इतना सारा शोर देखने की आवश्यकता नहीं होगी।
यह शोध पत्र सुझाव देता है कि इन एजेंटों को सुरक्षित और उपयोगी बनाने के लिए, हमें ऐसे उपकरणों की आवश्यकता है जो डिजाइनरों को बातचीत की इन विभिन्न शैलियों के बीच आसानी से स्विच करने की अनुमति दें। यह दावा नहीं करता कि इसने सब कुछ हल कर दिया है—यह सुनिश्चित करने के बारे में अभी भी बड़े सवाल बाकी हैं कि उपयोगकर्ता वास्तव में यह समझें कि एजेंट की क्षमता क्या है—लेकिन यह एक ठोस मानचित्र और एक नया प्लेग्राउंड प्रदान करता है उन सभी के लिए जो अगली पीढ़ी के सहायक, मानव-अनुकूल AI असिस्टेंट बनाने की कोशिश कर रहे हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।