人性化的 AI真实的人类数据来生成和预测真正的创新成功2023 年 12 月AUTHORSColin P Ho, PhD Jiongming MuIPSOS 视图AI 系列 # IPSOSHiAi在益普索 ， 我们倡导人类智能 （ HI ） 和人工智能 （ AI ） 的独特融合推动创新 ， 为我们的客户提供有影响力的、以人为中心的见解。我们的 HI 源于我们的专业知识工程 ， 数据科学 ， 以及我们独特的高质量数据集 ， 这些数据集将创造力 ， 好奇心 ， 道德和严谨性嵌入到我们的 AI 解决方案中 ， 由我们的 Ipsos Facto GenAI 平台提供支持。我们的客户受益于更安全、更快速且植根于人类环境的见解。让我们释放 HI + AI 的潜力 ！我们都是独一无二的人类。作为消费者 ， 我们的决定是复杂的、情绪化的、上下文相关的 ， 而且往往是不合理的。尽管人工智能 (AI) 使新产品开发比以往任何时候都更快、更容易之前 ， 现成的通用模型可以歪曲或歪曲消费者的现实。在本文中 ， 我们讨论了使用真实消费者数据训练 AI 模型的实践 ， 以捕获驱动真实消费者行为的本质 ， 并生成和预测更好的创新。与真实的人类连接 ， 即使是最强大的算法也是不够的保证创新的成功。《新闻周刊》最近的一篇文章的标题是 “人工智能 ： 21 世纪的淘金热 ” ，1完美地抓住了今天的情绪 ： 像 ChatGPT 这样的大型语言模型 （ LLM ） 已经激发了人们对 AI 的兴趣 ， 并激发了成千上万的公司率先进入这个领域。虽然几乎每个行业都已经或正在开始为了采用人工智能 ， 新产品开发的最佳应用尤其明显。以下页面深入研究更好的应用生成性和分析性人工智能来推动创新成功。在典型的创新过程中 ， 概念阶段之后是评估阶段。可以在两个阶段中利用 AI ：•在构思阶段， 生成式 AI 的发散能力可以是借力开发新的产品创意。•在评估阶段， 分析 AI 的收敛能力可用于预测其市场潜力。人工智能提供了一个机会 ， 可以提高新创新的速度和成功率 ， 我们如何做到这一点将决定我们是否成功。在这两种应用中 ， 用于训练人工智能的数据至关重要。如果这两个阶段以数据为基础 ， 新产品想法更有可能成功反映消费者内在的人类需求和欲望。这些数据需要是永恒的 ， 或者至少是最新的。因为数据是如此重要对于 AI ， 我们首先解释训练数据如何决定其模型的准确性。2IPSOS 视图 | 人性化AI人性化 AI | IPSOS视图3 AI 模型变得聪明是因为它们可以学习。他们的学习有两种主要形式 ：1.监督学习例如 ， 如果我们想教 AI 识别积极和消极的社交媒体帖子 ， 我们需要向 AI 展示每个示例。通过这种方式 ， AI 可以学习与积极相关的特征和负面帖子 ， 并制定决策协议 ， 对从未接触过的新媒体帖子进行分类。把监督学习想象成父母指导孩子。如果父母想教她的孩子认识狗和猫 ， 父母会给孩子看照片需要一个人提供例子 ， 并告诉机器每个例子代表什么。2.自我监督学习作品不同的。 “培训 ” 涉及向大型语言模型 (LLM) 提供大量的大量的文本来生成预测。在这种类型的学习中 ， 人们不需要用勺子喂养 AI应该学习。 AI 可以在所提供的示例中学习结构 (例如 ，通常出现在 “谢谢 ” 之后的单词 ， 或通常出现的单词come before the words “love you ”). With a greatly amount of text and repeated exposure, LLM become really good in预测单词是如何结合在一起的。把自我监督学习想象成孩子自己学习语言。作为一个孩子反复接触言语和文字 ， 她开始识别模式并建立联系。两种学习形式的共同点是需要用我们的例子来推动人工智能让 AI 变得聪明的不是算法 ， 而是提供的示例。构建 AI 的过程就像开发幼儿的大脑。通过为孩子提供丰富的学习机会 ， 孩子变得聪明。如果为孩子提供机会很少 ， 或者更糟糕的是 ， 不正确的信息 ， 孩子的智力将受到限制或有偏见。简单来说 ， AI 的发展需要数据 ， 数据的质量决定了 AI 模型的质量。训练数据的质量可以像我们评估调查数据质量一样进行评估。我们寻找与手头任务相关的数据 ，representative of the target population and product category, and timely (i. e. reflects the time period we are look to understand). It is not possible夸大训练数据的重要性 ： AI 仅与所提供的数据一样智能。We share three principles that will be used throughout this paper (see Figure 1). While this framework was developed specifically to trainAI 用于生成或评估新产品创意 ， 它还可以用于评估任何 AI 应用程序的训练数据的充分性。4IPSOS 视图 | 人性化 AI大脑就像海绵 ； 他们吸收他们所接触的东西 - AI 没有区别相关培训数据应捕获与您的特定产品或服务类别相关的功能和情感需求代表培训数据应来自您的目标消费者 / 客户群体的稳健且具有代表性的样本永恒训练数据应不受时间流逝的影响。始终为真、有效和适用相关LLM 在书籍 ， 文章 ， 网页和问答文本数据方面进行培训。 LLM 没有在特定于任何一个产品或服务类别的数据方面进行培训代表LLM are trained on open Internet information. People who post online may not represent of the population you are interested in永恒LLM 是根据可能落后一点的数据进行训练的。例如 ， GPT - 4 是根据可用数据进行训练的到 2021 年 9 月图 1 -评估创新应用培训数据充足性的框架来源 ： 益普索图 2 -使用现成的 LLM 生成新的产品创意来源 ： 益普索人性化 AI | IPSOS视图5 人性化的一代 AI ： 使用真实真正创新的消费者数据使用 GENERATIVE AI 点燃新鲜想法改进 LLM 的一种方法是引入额外的数据 ， 以避免仅从公共培训数据中产生想法 ， 尤其是当目标是解决特定和细粒度的消费者需求。根据业务挑战 ， 可以使用各种来源来完成 ， 例如调查 ， 社交或搜索数据。当益普索同时探索多个数据源以进行模型训练时 ， 以下部分将更仔细地研究使用相关 ， 代表性和永恒的调查创新数据 (见图 3) 。为了说明人性化 AI 模型的优势 ， 我们通过捕获消费者对鼻腔过敏喷雾剂的需求未得到满足。消费者被要求用他们自己的话来表达他们的问题 ， 挫折 ，或挑战与鼻过敏喷雾剂。然后我们使用 LLM 从这些数据中产生新的产品想法。当我们比较有和没有调查数据产生的想法时 ， 优势很明显 (见图 4) 。总的来说 ， 没有调查数据产生的想法是通用的 ， 功能性的 ， 完全没有情绪。相比之下 ， 用调查数据产生的想法反映了消费者如何真实地表达他们的症状 （ 例如 ， “粘稠的粘液 ” ，“ 爆耳 ” ） 和情绪 （ 例如 ， “愉快的 ” ，“ 愉快的 ” ， “不适 ” ） 。LLM 的不同功能使它们非常适合创意产生。由于 LLM 使任何人都可以通过自然语言与 AI 进行交互 ， 因此任何新手用户都可以编写提示来生成新的产品创意 （ 例如 ， “请为洗衣液生成十个新产品创意 ” ） 。通过即时工程 ， AI 产生的想法通常是清晰和发人深省的。鉴于大量用于训练 LLM 的文本 ， 他们在表达想法方面的卓越表现流利并不奇怪。虽然强大 ，2.LLM 不包含离线世界的不成文的现实： 在线世界不是真实世界的完整表示。在线内容由Only those who are active online, with only certain topics deemed worthy of posts. For certain tasks which are means to solve specific challenges, such as ideation,这可能导致知识差距细粒度和真实的消费者知识需要特定领域 ， 仅靠在线数据是不够的。图 3:通过相关 ， 具有代表性和永恒的消费者数据增强 LLM有三个很好的理由来改进现成的 LLM (见图 2) ：1.LLM 从一个巨大的和未知的互联网景观： 我们知道 LLM 从公共互联网信息中学习 ： 网络页面、 reddit 帖子、在线书籍和其他文本来源。我们不知道这些数据源是否涵盖感兴趣的特定产品或服务类别。3.LLM 在时间胶囊中的功能： LLM 通常根据滞后的数据进行训练。对于例如 ， 虽然 ChatGPT - 4 于 2023 年首次发布 ， 但它是根据截至 2021 年 9 月的可用数据进行训练的 （ 见图 2 ） 。尽管时间上的差距因模型而异 ， 并且这些差距会随着时间的推移而消失 ， 但研究人员的职责是确保模型继续准确反映消费者的最新现实。可以针对特定产品或服务类别收集调查数据来源 ： 益普索可以定义目标样本 （ 例如 ， 过去 12 个月的鼻腔过敏喷雾剂使用者 ）调查数据可以在产生新想法之前收集 ， 并且有效期应长达一年或更长时间6IPSOS 视图 | 人类 AI 人类 AI | IPSOS视图7相关代表永恒网络世界不是一个完整的代表在线内容仅由在线活跃的人发布 ， 只有某些主题被认为值得发布。 第二个想法在没有调查数据的情况下产生了一个奇怪的结果。第一句话描述了一种为 “敏感皮肤 ” 人群设计的新产品。鉴于鼻过敏喷雾剂直接喷入鼻子 ， 这很奇怪LLM 建议一个更常见的与皮肤或美容产品相关的术语。我们认为这是因为 LLM 是通过联想来学习单词的。在英语中 ， “鼻 ” 和“ 过敏 ” 通常是同时存在的 ， 但是 “皮肤 ” 和“ 过敏 ” 也是如此。从这个意义上说 ， 收到一个引用敏感皮肤的想法并不奇怪。 LLM 旨在预测下一个单词 ， 并且可能不准确或不适当地这样做。这并不意味着从公共培训的 LLM 中产生的想法没有价值。用于训练 LLM 的大量数据可以推动有价值的想法的发现。然而 ， LLM 的黑匣子性质意味着我们对用于生成想法的数据一无所知 - 包括其来源 ，代表性 ， 或永恒。因此 ， LLM 可能偶尔会引入没有意义的想法 ， 即使从语言角度来看它们是明智的。从调查数据中生成想法时 ， 数据的来源、收集的时间以及 LLM 使用背后的推理是可见的。使用调查数据生成新产品想法的优势是 100% 透明。理解 AI 做出的决策或预测背后的推理可以保证人工智能响应的有效性。在 LLM 可用之前 ， 分析 AI 支持研究需求。在创新的世界中 ， 可以即时预测新产品成功的 AI 是许多企业寻求的承诺之地。但是 ， 与 LLM 不同 ， 现成的分析 AI 模型不可用。因为概念受数据使用的行业的启发训练分析 AI 是刺激 (例如 ， 健康皮肤与癌变皮肤的图片) ， 一些研究人员提倡使用以前测试过的概念作为训练数据。也就是说 ， 使用评估主要在市场调研中进行 ， 需要定制分析 AI 模型预测创新成功。构建成功的分析 AI 以预测新产品成功的标准与生成 AI 的标准相同 ： 相关性 ， 代表性和永恒性。这种方法确实是我们首次尝试构建分析 AI 来预测成功新产品。通过向 AI 模型提供 Ipsos 概念测试中成功和不成功概念描述的过去示例图 4:探索由 LLM 产生的想法 ， 有和没有以人为中心的调查数据过去测试的成功和不成功概念的文本描述 ， 以训练 AI 模型来预测新产品创意的成功。这种方法消除了询