Permite que los usuarios proporcionen retroalimentacion especifica y accionable sobre las salidas de IA para mejorar el rendimiento futuro. Este principio asegura que los sistemas de IA puedan aprender de las correcciones y preferencias del usuario, creando ciclos virtuosos de mejora.
La investigacion de Krause et al. (2016) sobre retroalimentacion del usuario en IA demostro que la retroalimentacion especifica acelera significativamente la mejora de IA comparado con senales simples de aceptar/rechazar. Cuanta mas informacion proporcionen los usuarios, mas rapido puede adaptarse la IA.
¿El hallazgo? Los mecanismos de retroalimentacion granular mejoran la precision de IA 34% mas rapido que la retroalimentacion binaria sola—la informacion especifica sobre que estuvo mal y por que permite mejora dirigida.
Los disenadores de interfaces habilitan la retroalimentacion de IA efectivamente. Haciendo la retroalimentacion facil. Soportando especificidad. Cerrando ciclos de mejora.
El principio: Habilita retroalimentacion. Captura especificidades. Impulsa la mejora.
La retroalimentacion granular se ha vuelto esencial para IA que mejora con el tiempo. El simple pulgar arriba/abajo solo senala calidad; la retroalimentacion especifica explica como mejorar.
Amershi et al. (2019) establecieron la retroalimentacion granular como directriz central: "Proporciona medios para que los usuarios den retroalimentacion indicando sus preferencias." Su investigacion encontro que los mecanismos de retroalimentacion especifica llevaron a 34% mejora mas rapida de IA.
Krause et al. (2016) estudiaron la granularidad de retroalimentacion en sistemas de ML interactivos. Encontraron que los usuarios que podian proporcionar correcciones especificas invirtieron 28% mas en mejora y vieron mejores resultados.
Stumpf et al. (2009) examinaron tipos de retroalimentacion en sistemas inteligentes. La retroalimentacion explicativa (por que algo estuvo mal) mejoro la adaptacion de IA 42% mas que la retroalimentacion de correccion sola.
Kulesza et al. (2015) demostraron que los usuarios que ven el impacto de su retroalimentacion en el comportamiento de IA proporcionan 55% mas retroalimentacion con el tiempo. La mejora visible crea ciclos de retroalimentacion positivos.
Para Usuarios: La retroalimentacion granular da a los usuarios agencia sobre la mejora de IA. En lugar de aceptar IA imperfecta, los usuarios pueden moldearla activamente. La retroalimentacion convierte frustracion en inversion.
Para Disenadores: Disenar para retroalimentacion requiere equilibrar especificidad con friccion. El buen diseno de retroalimentacion captura senales utiles sin agobiar a los usuarios. El mal diseno o pide demasiado o aprende muy poco.
Para Product Managers: La calidad de retroalimentacion afecta directamente la velocidad de mejora de IA. Los sistemas que capturan retroalimentacion granular iteran mas rapido. La retroalimentacion tambien proporciona perspectiva sobre las necesidades del usuario.
Para Desarrolladores: Implementar retroalimentacion granular requiere recoleccion estructurada de retroalimentacion e integracion con pipelines de entrenamiento. La retroalimentacion debe ser accionable, no solo recolectada.
Pulgar arriba/abajo proporciona base de baja friccion. Las senales simples de aprobacion requieren esfuerzo minimo y capturan sentimiento de calidad amplio. La mayoria de usuarios interactuaran con retroalimentacion facil.
Las etiquetas de problema agregan especificidad sin escribir. Etiquetas predefinidas como "muy largo," "inexacto" o "tono incorrecto" capturan problemas comunes rapidamente. Las etiquetas son faciles de seleccionar y accionables.
Los campos de texto libre capturan problemas novedosos. Algunos problemas no encajan en etiquetas—el texto libre permite a los usuarios explicar problemas unicos. El texto opcional respeta el tiempo del usuario mientras habilita profundidad.
Los ejemplos antes/despues muestran salidas ideales. "¿Que hubiera sido mejor?" captura senal positiva, no solo quejas. Los usuarios que muestran mejores alternativas proporcionan objetivos de entrenamiento claros.
El reconocimiento de retroalimentacion cierra el ciclo. Mostrar a los usuarios que la retroalimentacion fue recibida y esta siendo usada fomenta retroalimentacion continua. La retroalimentacion invisible se siente futil.