Lokala AI-modeller som stöd för skapande av affinitetsdiagram

Sammanfattning

Introduktion: Denna uppsats utforskar användbarheten av lokala AI (artificiell intelligens) modeller till klustringssteget i affinitetsdiagram. Detta examensarbete är skrivet inom data- och systemvetenskap och mer specifikt inom forskningsområdet människa-datorinteraktion. Affinitetsdiagram är ett verktyg som interaktionsdesigners ofta använder för att strukturera och analysera kvalitativ data. Klustring innebär att datapunkter grupperas med liknande datapunkter. Detta är ett av de centrala stegen i affinitetsdiagram. Fältet AI har gjort stora framsteg de senaste åren. Av intresse för denna uppsats är de stora språkmodellerna. Dessa kan hantera mänskligt språk genom att konvertera innebörden från text till numeriska vektorrepresentationer med så kallade embeddings. Dessa embeddings kan användas i affinitetsdiagramsprocessen för att översätta data till ett numeriskt format som går att klustra med klustringsalgoritmer såsom k-means. De flesta stora språkmodellerna och verktygen som drar nytta av dem finns idag på centraliserade datacenter. Detta leder till flera etiska utmaningar – den främsta är att den data interaktions-designers vill klustra ofta är insamlad från deltagarstudier och inte är lämplig att dela med en tredje part. Det är möjligt att köra en språkmodell lokalt på en egen dator; detta blir då en så kallad lokal AI-modell. Därmed kan man undvika att dela data med tredje parter. Däremot är en lokal modell mer begränsad eftersom den egna datorn ofta inte har lika hög prestanda som ett datacenter. Problem: AI-fältets utveckling har lett till många nya verktyg. För interaktionsdesigners finns dock en utmaning – många implementeringar är moln baserade och gör att känslig data delas med tredje part. Eventuellt kan en implementering med lokal AI lösa det problemet. Frågeställningen: ” Hur kan en implementering med lokal AI-modell stödja interaktions-designers arbete med klustring i affinitetsdiagram?” Metod: Denna uppsats använder Research through Design. Det innebär att en artefakt har tagits fram, en prototypimplementation där klustring utförs med hjälp av lokala AI-modeller, som sedan används för att undersöka frågeställningen. Detta eftersom det inte fanns en färdig implementation med lokala AI-modeller att använda. Strategin Mixed Metods har använts till själva undersökningen. Detta innebär att både kvantitativa och kvalitativa data samlats in. Denna strategi valdes för att få en så heltäckande förståelse som möjligt. Kvalitativa data samlades in under ett användningstest med en intervjudel och kvantitativa data samlades in med en komplimenterande enkät efter testet. Totalt gjordes sex användningstester med nio deltagare. Dessa deltagare var alla interaktionsdesignstudenter vid Stockholms Universitet. De två första testerna användes som pilottester för att förbättra både artefakten och testgenomförandet. Data från testerna analyserades med deskriptiv statistik och affinitetsdiagram. Resultat: Tre olika sätt att dra nytta av artefakten identifierades. Dessa var: 1) för att komma igång med affinitetsdiagrammet 2) för att hantera överväldigande datamängder 3) som ett komplement till designprocessen. Resultaten indikerar att interaktionsdesigners kan stödjas av en implementering med lokal AI i klustringssteget av affinitetsdiagram. Vidare uttryckte deltagarna en rad önskemål på saker som skulle stärka deras användning av artefakten. Vanligaste uttryckta önskemål var ökad transparens kring hur klustringsalgoritmen fungerade och förståelse kring hur AI arbetar i allmänhet. Diskussion: Resultaten pekar på att ett verktyg likt artefakten kan vara användbart. Dock, eftersom det fanns skilda åsikter på hur det bör användas, bör ett sådant verktyg kunna användas på flera olika sätt. Ingen av deltagarna var intresserade av en komplett automatisering av processen så det är viktigt att verktyget designas som ett stöd till mänsklig klustring och inte en ersättning. Det finns också ett behov av att ge användarna av ett sådant verktyg en förståelse för hur verktyget arbetar och fungerar. Ett framtida verktyg skulle då kräva dels en grundläggande förståelse kring klustringsalgoritmer – för att kunna bedöma vad verktyget är användbart till – samt kunskap om affinitetsdiagram för att korrigera och bygga vidare på utdatan. Deltagar-antalet och -urvalet är två begränsade faktorer på studien. En framtida studie med ett större antal mer varierade deltagare skulle kunna verifiera resultatet. Denna studies användande av Mixed Methods gör dock resultaten mer pålitliga.