生成式人工智能通過關注基于意圖的結果規范，為人類與系統交互提供了一種新的方式。GenAI 帶來了新的挑戰，因為它的輸出是概率性的，需要理解變異性、記憶、錯誤、幻覺和惡意使用，這就帶來了構建原則和設計模式的必要性，正如 IBM 所描述的那樣。

此外，任何AI 產品都是一個分層系統，其中 LLM 只是其中一種成分，而內存、編排、工具擴展、UX 和代理用戶流才是真正的魔力！

本文是我對 GenAI 設計模式演變的研究和記錄，這些模式為產品經理、數據科學家和交互設計師提供了一種通用語言 ，幫助他們打造以人為本、值得信賴且安全的產品。通過應用這些模式，我們可以彌合用戶需求、技術能力和產品開發流程之間的差距。

以下是 21 種 GenAI UX 模式

1. GenAI 或無 GenAI
2. 將用戶需求轉化為數據需求
3. 增強或自動化
4. 定義自動化水平
5. 逐步采用人工智能
6. 利用心智模型
7. 傳達產品限制
8. 顯示思路鏈（CoT）
9. 利用多種輸出
10. 提供數據源
11. 傳達模型信心
12. 為記憶和回憶而設計
13. 提供上下文輸入參數
14. 為 coPilot、共同編輯或部分自動化而設計
15. 定義自動化的用戶控件
16. 用戶輸入錯誤狀態的設計
17. 針對人工智能系統錯誤狀態的設計
18. 設計以捕捉用戶反饋
19. 模型評估設計
20. 人工智能安全護欄設計
21. 傳達數據隱私和控制

1. GenAI 還是非 GenAI

評估 GenAI 是否改善了用戶體驗或增加了復雜性。通常，基于啟發式 (IF/Else) 的解決方案更易于構建和維護。

GenAI 有益的場景

• 開放式、富有創意且能增強用戶體驗的任務。
  例如，寫作提示、總結筆記、起草回復。
• 創建或轉換復雜的輸出（例如，圖像、視頻、代碼）。
  例如，將草圖轉換為網站代碼。
• 結構化的用戶體驗無法捕捉用戶意圖。

應避免使用 GenAI 的情況

• 結果必須精確、可審計或確定。
  例如，稅務表格或法律合同。
• 用戶期望清晰一致的信息。
  例如：開源軟件文檔

如何使用此模式

1. 確定客戶旅程中的摩擦點
2. 評估技術可行性：確定人工智能是否能夠解決摩擦點。評估規模、數據集可用性、錯誤風險評估和經濟投資回報率。
3. 驗證用戶期望：
   -通過評估系統是否增強了人類的努力還是完全取代了人類的努力，確定人工智能解決方案是否侵蝕了用戶期望，如模式 3“增強與自動化”中所述。-
   確定人工智能解決方案是否侵蝕了模式 6“心智模型”

2. 將用戶需求轉化為數據需求

這種模式確保 GenAI 開發始于用戶意圖以及實現該意圖所需的數據模型。GenAI
系統的優劣取決于其訓練數據。但真正的用戶并非以行列的方式表達，他們表達的是目標、挫折和行為。如果團隊未能將用戶需求轉化為結構化的、模型可用的輸入，最終的系統或產品可能會優化到錯誤的結果，從而導致用戶流失。

如何使用此模式

1. 作為 PM、產品設計師和數據科學家的跨職能團隊進行協作，并針對值得解決的用戶問題進行協調。
2. 定義用戶需求通過使用三角研究：定性（市場報告、調查或問卷）+ 定量（用戶訪談、觀察性研究）+ 突發（產品評論、社交聆聽等）和綜合用戶洞察 JTBD框架，同理心地圖將用戶的情緒和觀點形象化。價值主張畫布將用戶的收益和痛苦與功能結合起來
3. 通過 選擇合適的數據模型來定義數據需求和文檔，進行差距分析，并根據需要迭代優化數據模型。一旦理解了“為什么”，就將其轉化為模型的“什么” 。你的AI模型需要哪些特征、標簽、示例和上下文來學習這種行為？利用結構化協作來找出答案。

3. 增強 vs. 自動化

GenAI 應用中的一個關鍵決策是完全自動化任務還是增強人類能力。使用此模式可以使技術與用戶意圖和控制偏好保持一致。

自動化最適合用戶傾向于委派的任務，尤其是在繁瑣、耗時或不安全的情況下。例如，Intercom FinAI 會自動將冗長的電子郵件線索匯總為內部筆記，從而節省重復性、低價值任務的時間。

增強功能能夠提升效率、創造力和控制力，從而增強用戶想要持續參與的任務。例如， Abelton 的Magenta Studio支持創造性的控制，方便用戶操控和創作新音樂。

如何使用此模式

1. 為了選擇最佳方法，請使用研究綜合工具（如同理心地圖（可視化用戶情緒和觀點）和價值主張畫布（了解用戶的收益和痛苦））評估用戶需求和期望
2. 測試并驗證該方法是否會削弱或增強用戶體驗。

4. 定義自動化水平

在人工智能系統中，自動化指的是將多少控制權委托給人工智能而不是用戶。這是一種戰略性的用戶體驗模式，它根據用戶的痛點、情境場景和對產品的期望來決定自動化程度。

自動化水平

1. 無自動化（AI 輔助，用戶自主決定）
   AI 系統為用戶提供幫助和建議，但所有決定均由用戶自行決定。例如，Grammarly會突出顯示語法問題，但用戶需要自行決定接受或拒絕更正。
2. 部分自動化/副駕駛/共同編輯（AI 在用戶監督下行動）
   AI 發起操作或生成內容，但用戶根據需要進行審核或干預。例如，GitHub Copilot會建議開發人員可以接受、修改或忽略的代碼。
3. 完全自動化（AI 獨立行動）
   AI 系統無需用戶干預即可執行任務，通?；陬A定義的規則、工具和觸發器。GenAI 中的完全自動化通常被稱為代理系統 (Agentic systems)。例如，Ema可以自主規劃和執行多步驟任務，例如研究競爭對手、生成報告并通過電子郵件發送，無需用戶在每個步驟提示或干預。

如何使用此模式

1. 評估用戶需要自動化的痛點及其風險：當相關風險較低且發生故障不會造成嚴重后果時，自動化任務最為有效。低風險任務（例如發送自動提醒、促銷郵件、過濾垃圾郵件或處理常規客戶咨詢）可以自動化，最大程度地減少負面影響，同時節省時間和資源。高風險任務（例如進行醫療診斷、發送關鍵業務郵件或執行金融交易）需要仔細監督，因為一旦發生錯誤，可能會造成重大損失。
2. 評估和設計特定的自動化級別：根據用戶的期望和目標，評估用戶痛點是否應該屬于——無自動化、部分自動化或完全自動化。
3. 定義用戶控件以實現自動化（參考模式 15）

5. GenAI 的逐步采用

當用戶第一次接觸基于新技術的產品時，他們常常想知道系統能做什么和不能做什么，它如何工作以及他們應該如何與它交互。

該模式提供了多維策略來幫助用戶使用 AI 產品或功能、減少錯誤、與用戶準備情況保持一致，以提供明智且以人為本的用戶體驗。

如何使用此模式

這種模式是許多其他模式的頂峰

1. 從一開始就注重傳達好處：避免深入探討技術細節，并強調人工智能如何帶來新的價值。
2. 簡化用戶引導體驗：在詢問用戶數據共享偏好之前，先讓用戶體驗系統的價值，并優先提供基礎 AI 功能的即時訪問權限。鼓勵用戶稍后注冊以解鎖高級 AI 功能或分享更多詳細信息。例如，Adobe FireFly循序漸進地引導用戶從基礎功能到高級 AI 功能。
3. 定義自動化水平（參考模式 4）并 逐步增加自主性或復雜性。
4. 通過針對錯誤進行設計 來提供可解釋性和信任（參考模式 16 和 17）。
5. 傳達數據隱私和控制（參考模式 21），以清楚地傳達如何收集、存儲、處理和保護用戶數據。

6. 利用心智模型

心智模型幫助用戶預測系統（網頁、應用程序或其他類型的產品）的運作方式，從而影響他們與界面的交互方式。當產品與用戶現有的心智模型相符時，用戶會感覺直觀且易于上手。當兩者發生沖突時，可能會導致用戶沮喪、困惑，甚至放棄。

例如，Github Copilot 建立在開發人員從傳統代碼自動完成的思維模型之上，從而簡化了向 AI 驅動的代碼建議的過渡

例如，Adobe Photoshop 建立在使用矩形控件擴展圖像的熟悉方法的基礎上，通過集成其生成填充功能，智能地填充新創建的空間。

如何使用此模式

通過提問來識別并建立現有的心智模型

1. 用戶旅程是什么以及用戶試圖做什么？
2. 哪些心智模型可能已經存在？
3. 該產品是否打破了任何直觀的因果模式？
4. 你是否打破了現有的心智模型？如果是，請清晰地解釋如何以及原因。良好的引導、微文案和視覺提示可以幫助彌合差距。

7. 傳達產品限制

這種模式涉及清楚地傳達人工智能模型能做什么和不能做什么，包括其知識邊界、能力和局限性。

它有助于建立用戶信任、設定適當的期望、防止誤用，并在模型出現故障或異常行為時減少挫敗感。

如何使用此模式

1. 明確說明模型的局限性：顯示過時知識或缺乏實時數據的上下文提示。例如，當問題超出其知識范圍時， Claude會說明其知識范圍。
2. 當模型無法提供合適的輸出時，提供回退或升級選項。例如，當被問及與購物無關的問題時， Amazon Rufus會說：“它無法訪問事實信息，我只能協助解決與購物相關的問題和請求。”
3. 在產品營銷、入職培訓、工具提示或回應免責聲明中明確限制。

8. 顯示思路鏈（CoT）

在人工智能系統中，思路鏈（CoT） 提示 技術 通過模仿人類更結構化、循序漸進的思維過程，增強了模型解決復雜問題的能力。

CoT 展示是一種用戶體驗模式，它通過揭示 AI 是如何得出結論的來提高透明度。這可以增強用戶信任，提高可解釋性，并為用戶反饋提供空間，尤其是在高風險或模糊場景下。

例如，Perplexity通過顯示處理步驟來增強透明度，幫助用戶理解答案背后的深思熟慮的過程。

例如，Khanmigo是一種人工智能輔導系統，它通過模仿人類推理來逐步指導學生解決問題，以增強理解和學習。

如何使用此模式

1. 顯示“研究”和“推理”等狀態 來傳達進展，減少用戶的不確定性，讓等待時間感覺更短。
2. 使用漸進式披露：從高級摘要開始，并允許用戶根據需要擴展細節。
3. 提供 AI 工具透明度：清晰顯示 AI 用于生成建議的外部工具和數據源。
4. 展現信心和不確定性：表明人工智能信心水平，并在相關時強調不確定性。

9. 利用多種輸出

GenAI 憑借其概率特性，能夠對同一輸入產生不同的響應。這種模式通過并排呈現多個輸出來利用可變性。展示多樣化的選項有助于用戶創造性地探索、比較、改進或做出更符合其意圖的決策。例如， Google Gemini提供了多種選項，幫助用戶探索、改進并做出更明智的決策。

如何使用此模式

1. 解釋變化的目的：幫助用戶理解輸出之間的差異是故意的，旨在提供選擇。
2. 啟用編輯功能：讓用戶無縫地對輸出進行評分、選擇、重新混合或編輯，從而塑造結果并提供反饋。例如， Midjourney 可以幫助用戶調整提示，并指導用戶使用重新混合功能進行修改和編輯。

10.提供數據源

在 GenAI 應用程序中，清晰地闡明數據源對于透明度、可信度和用戶信任至關重要。清晰地表明 AI 的知識來源有助于用戶評估響應的可靠性并避免錯誤信息。

這在醫療保健、金融或法律指導等高風險事實領域尤其重要，因為決策必須基于經過驗證的數據。

如何使用此模式

1. 內聯引用可靠來源：將來源顯示為腳注、工具提示或可折疊鏈接。例如，NoteBookLM會在其答案中添加引用，并將每個答案直接鏈接到用戶上傳的文檔部分。
2. 清晰披露訓練數據范圍：對于生成工具（文本、圖像、代碼），請簡單解釋模型訓練時使用了哪些數據，以及未包含哪些數據。例如，Adobe Firefly披露其生成填充功能是在庫存圖像、公開授權作品以及版權已過期的公共領域內容上進行訓練的。
3. 提供來源級信心：在有多個來源貢獻的情況下，直觀地區分更高信心或更權威的來源。

11. 傳達模型信心

AI 生成的輸出具有概率性，準確度可能存在差異。顯示置信度分數可以傳達模型對其輸出的確定性。這有助于用戶評估可靠性并做出更明智的決策。

如何使用此模式

1. 評估情境和決策風險：顯示模型置信度取決于情境及其對用戶決策的影響。在醫療保健、金融或法律咨詢等高風險場景中，顯示置信度分數至關重要。然而，在AI 生成的藝術作品或故事敘述等低風險場景中，顯示置信度可能不會帶來太多價值，甚至可能帶來不必要的困惑。
2. 選擇合適的可視化：如果設計研究表明展示模型置信度有助于決策，那么下一步就是選擇合適的可視化方法。百分比、進度條或一些修飾語（“可能”、“不確定”）都能有效地傳達置信度。合適的可視化方法取決于應用程序的用例和用戶的熟悉程度。例如，Grammarly會使用“可能”之類的修飾語來描述它與用戶共同生成的內容。
3. 在低信心情況下指導用戶行動：提供前進的路徑，例如提出澄清問題或提供替代選項。

12. 為記憶和回憶而設計

記憶和回憶是一個重要的概念和設計模式，它使人工智能產品能夠存儲和重用過去交互中的信息，例如用戶偏好、反饋、目標或任務歷史，以提高連續性和情境感知。

• 通過記住過去的選擇或偏好來增強個性化
• 通過避免重復輸入請求來減輕用戶負擔，尤其是在多步驟或長格式任務中
• 支持復雜任務，如項目規劃中的縱向工作流程、通過參考或借鑒過去的進展進行學習歷程。

用于訪問信息的記憶可能是短暫的（會話內的短期）或持久的（跨會話的長期），并且可能包括對話上下文、行為信號或明確的輸入。

如何使用此模式

1. 定義用戶上下文并選擇記憶類型。
   根據用例選擇記憶類型，例如短暫記憶、持久記憶或兩者兼有。購物助理可能實時跟蹤交互，無需為未來會話保留數據，而個人助理則需要長期記憶來實現個性化。
2. 在用戶交互中智能地使用記憶
   為 LLM 構建基本提示，以便根據上下文回憶和傳達信息（例如，“上次你喜歡更輕松的語氣。我應該繼續嗎？”）。
3. 傳達透明度并提供控制功能
   清晰地傳達正在保存的內容，并允許用戶查看、編輯或刪除已存儲的記憶。使“刪除記憶”操作易于訪問。例如，ChatGPT 在其平臺上提供了廣泛的控制功能，可隨時查看、更新或刪除記憶。

13.提供上下文輸入參數

情境輸入參數通過簡化用戶交互來提升用戶體驗，并更快地實現用戶目標。通過利用用戶特定數據、用戶偏好、過往交互，甚至來自其他具有相似偏好的用戶的數據，GenAI 系統可以定制輸入和功能，以更好地滿足用戶意圖和決策。

如何使用此模式

1. 利用先前的交互：根據用戶先前輸入的內容預填充輸入。參考 模式 12，記憶與回憶。
2. 使用自動完成或智能默認設置：在用戶輸入時，根據個人和全局使用模式提供智能的實時建議。例如，Perplexity會根據您當前的查詢線索，提供智能的后續查詢建議。
3. 推薦交互式 UI 小部件：根據系統預測，提供定制的輸入小部件，例如提示框、滑塊和復選框，以增強用戶輸入體驗。例如，ElevenLabs允許用戶通過顯示預設或默認值來微調語音生成設置。

14. 為副駕駛/共同編輯/部分自動化而設計

副駕駛是一種增強模式，AI 充當協作助手，在用戶掌控全局的同時，提供情境化和數據驅動的洞察。這種設計模式在戰略制定、構思、寫作、設計或編碼等領域至關重要，因為這些領域的結果具有主觀性，用戶擁有獨特的偏好，或者用戶的創意輸入至關重要。

副駕駛 加快工作流程，增強創造力并減少認知負荷，但人類仍保留創作權和最終決策權。

如何使用此模式

1. 嵌入內聯幫助：AI 建議會根據上下文進行呈現，方便用戶輕松接受、拒絕或修改。例如，Notion AI 可以幫助您起草、總結和編輯內容，同時您可以掌控最終版本。
2. 保存用戶意圖和創意方向：讓用戶通過目標、語氣或示例等輸入來引導 AI，同時保持原創性和創意方向。例如，Jasper AI 允許用戶設置品牌語調和語氣指南，幫助構建 AI 輸出，使其更好地匹配用戶意圖。

15. 設計自動化的用戶控件

構建 UI 級機制，讓用戶根據用戶目標、上下文場景或系統故障狀態管理或覆蓋自動化。

沒有系統能夠預測所有用戶情境?？刂瀑x予用戶自主權，即使人工智能出錯，也能保持信任。

如何使用此模式

1. 采用漸進式展現：從最低限度的自動化功能開始，逐漸允許用戶選擇更復雜或自主的功能。
   例如，Canva Magic Studio一開始會提供簡單的 AI 建議，例如文本或圖像生成 ，然后逐步展示高級工具，例如 Magic Write、AI 視頻場景和品牌語音定制。
2. 為用戶提供自動化控制功能： 提供諸如 開關、滑塊或基于規則的設置等UI 控件，讓用戶選擇何時以及如何控制自動化功能。例如，Gmail 允許用戶禁用智能撰寫功能。
3. 自動化錯誤恢復設計：當 AI 出現故障（誤報/漏報）時，向用戶提供糾正措施。添加手動覆蓋、撤消或升級到人工支持的選項。例如，GitHub Copilot 建議內聯代碼，但當輸出關閉時，開發人員可以輕松拒絕、修改或撤消建議。

16. 設計用戶輸入錯誤狀態

GenAI 系統通常依賴于對人類輸入的解讀。當用戶提供模糊、不完整或錯誤的信息時，AI 可能會誤解其意圖或產生低質量的輸出。

輸入錯誤通常反映的是用戶期望與系統理解之間的不匹配。妥善處理這些問題對于維護信任和確保順暢的交互至關重要。

如何使用此模式

1. 優雅地處理拼寫錯誤：當置信度較高（例如，> 80％ ）時，使用拼寫檢查或模糊匹配自動糾正常見的輸入錯誤，并巧妙地進行表面更正（“顯示結果......”）。
2. 提出澄清性問題：當輸入過于模糊或有多種解釋時，提示用戶提供缺失的上下文。在對話設計中，當意圖明確但實體不明確時，就會發生此類錯誤。了解更多關于實體和意圖的信息。例如，當 ChatGPT 給出“首都是什么？”這樣的低語境提示時，它會提出后續問題，而不是猜測。
3. 支持快速更正：方便用戶編輯或覆蓋您的解釋。例如，ChatGPT 在已提交的提示旁邊顯示一個編輯按鈕，方便用戶修改輸入。

17. 人工智能系統錯誤狀態的設計

GenAI 輸出本質上是概率性的，容易出現幻覺、偏見和上下文錯位等錯誤。

與傳統系統不同，GenAI 的錯誤狀態難以預測。針對這些狀態進行設計需要透明度、恢復機制和用戶自主性。精心設計的錯誤狀態可以幫助用戶了解 AI 系統的邊界并重新獲得控制權。

混淆矩陣有助于分析人工智能系統錯誤，并通過顯示以下計數來深入了解模型的執行情況
-真陽性（正確識別陽性案例）
-假陽性（錯誤識別陽性案例）
-真陰性（正確識別陰性案例）
-假陰性（未能識別陰性案例）

人工智能錯誤和故障狀態的場景

1. 系統故障（錯誤輸出）
   由于數據質量差、存在偏見或模型錯覺，會出現假陽性或假陰性。例如，花旗銀行金融欺詐系統會顯示一條消息：“異常交易。您的卡已被凍結。如果是您本人操作的，請驗證您的身份。”
2. 系統限制錯誤（無輸出）
   由于未經訓練的用例或知識缺口，會出現真負例。例如，當 ODQA 系統接收到訓練數據集之外的用戶輸入時，會拋出以下錯誤：“抱歉，我們沒有足夠的信息。請嘗試其他查詢！”
3. 上下文錯誤（誤解輸出）由于解釋不清或與用戶預期相沖突而導致用戶困惑的
   真陽性結果屬于上下文錯誤。例如，當用戶從新設備登錄時，被鎖定。AI 會回復：“您的登錄嘗試已被標記為可疑活動。”

如何使用此模式

1. 傳達各種場景的人工智能錯誤：使用諸如
   “這可能不準確”、“這看起來像......”或表面置信度水平之類的短語來幫助校準信任。
2. 使用模式傳達低置信度輸出的模型置信度。
3. 提供錯誤恢復：如果發生系統故障或上下文錯誤，請提供清晰的路徑來覆蓋、重試或升級問題。
   例如，使用“嘗試其他查詢”、“讓我改進一下”或“聯系客服”等方式。
4. 啟用用戶反饋：輕松報告幻覺或錯誤輸出。了解更多關于模式 19 的信息。設計以捕獲用戶反饋。

18. 設計時要捕捉用戶反饋

現實世界的一致性需要直接的用戶反饋來改進模型，從而改進產品。當人們與人工智能系統互動時，他們的行為會塑造并影響他們未來收到的輸出。從而形成一個持續的反饋循環，系統和用戶的行為都會隨著時間的推移而不斷調整。例如，ChatGPT使用“反應”按鈕和“評論”框來收集用戶反饋。

如何使用此模式

1. 考慮隱性反饋：捕捉用戶操作，例如跳過、忽略、編輯或互動頻率。這些被動信號提供了有價值的行為線索，有助于調整推薦內容或發現用戶不感興趣的行為模式。
2. 尋求明確的反饋：通過點贊/踩、NPS 評分小部件或用戶操作后的快速調查問卷，收集用戶的直接反饋。利用這些反饋來改進模型行為和產品契合度。
3. 告知反饋的用途：讓用戶了解他們的反饋將如何影響未來的體驗。這可以增強信任，并鼓勵用戶持續做出貢獻。

19. 模型評估設計

強大的 GenAI 模型需要在訓練期間以及部署后持續進行評估。評估旨在確保模型按預期運行，識別錯誤和幻覺，并與用戶目標保持一致，尤其是在高風險領域。

如何使用此模式

有三種關鍵的評估方法可以改進機器學習系統。

1. 基于法學碩士 (LLM) 的評估（LLM-as-a-judge）一個獨立的語言模型充當自動評判者。它可以對回復進行評分，解釋其推理過程，并分配諸如有用/有害或正確/不正確等標簽。
   例如，Amazon Bedrock 使用 LLM-as-a-Judge 方法來評估 AI 模型的輸出。一個獨立的可信 LLM（例如 Claude 3 或 Amazon Titan）會根據有用性、準確性、相關性和安全性自動審核和評分回復。例如，比較兩個 AI 生成的針對同一提示的回復，評判模型會選擇更優的那個。這種自動化方法可將評估成本降低高達 98%，并加快模型選擇速度，而無需依賴緩慢且昂貴的人工審核。
2. 啟用基于代碼的評估：對于結構化任務，使用測試套件或已知輸出來驗證模型性能，特別是對于數據處理、生成或檢索。
3. 捕捉人工評估：集成實時 UI 機制，方便用戶將輸出標記為有用、有害、不正確或不清楚。更多詳情，請參閱模式 19。捕捉用戶反饋的設計
4. LLM 作為評判者和人工評估的混合方法將準確率大幅提高到 99%。

20. AI護欄設計

人工智能護欄的設計意味著在GenAI模型中建立實踐和原則，以最大限度地減少傷害、錯誤信息、不良行為和偏見。至關重要的是

• 保護用戶和兒童免受有害語言、虛構事實、偏見或虛假信息的侵害。
• 建立信任和采用：當用戶知道系統避免仇恨言論和錯誤信息時，他們會感到更安全并愿意經常使用它。
• 道德合規：歐盟人工智能法案等新規要求人工智能設計必須安全。團隊必須符合這些標準，才能保持合法合規并承擔社會責任。

如何使用此模式

1. 分析并引導用戶輸入：如果提示可能導致不安全或敏感內容，則引導用戶進行更安全的交互。例如，當Miko 機器人遇到臟話時，它會回答“我不允許使用此類語言”。
2. 過濾輸出并審核內容：使用實時審核功能檢測并過濾可能有害的 AI 輸出，在顯示給用戶之前屏蔽或重新構建它們。例如，顯示一條注釋：“此回復已根據我們的安全準則進行了修改。”
3. 使用主動警告：當用戶接觸敏感或高風險信息時，巧妙地通知他們。例如，“這只是信息建議，不能替代醫療指導。”
4. 創建強大的用戶反饋機制：讓用戶輕松舉報不安全、帶有偏見或虛假信息的輸出，從而通過主動學習循環逐步改進人工智能。例如，Instagram 提供了應用內選項，方便用戶舉報傷害、偏見或虛假信息。
5. 交叉驗證關鍵信息：對于高風險領域（例如醫療保健、法律、金融），使用可信數據庫備份 AI 生成的輸出，以捕捉幻覺。參考模式 10， 提供數據源。

21. 傳達數據隱私和控制

這種模式確保 GenAI 應用程序清楚地傳達如何收集、存儲、處理和保護用戶數據。

GenAI 系統通常依賴于敏感數據、情境數據或行為數據。處理不當可能會導致用戶不信任、法律風險或意外濫用。清晰地傳達隱私保護措施有助于用戶感到安全、受到尊重并掌控全局。例如，Slack AI 明確表示，客戶數據仍歸客戶所有并控制，不會用于訓練 Slack 或任何第三方 AI 模型。

如何使用此模式

1. 顯示透明度：當 GenAI 功能訪問用戶數據時，顯示訪問內容和原因的解釋。
2. 設計選擇加入和選擇退出流程：允許用戶輕松切換數據共享偏好設置。
3. 啟用數據審查和刪除：允許用戶查看、下載或刪除他們的數據歷史記錄，從而讓他們能夠持續控制。

蘭亭妙微(www.skdbbs.com )是一家專注而深入的界面設計公司，為期望卓越的國內外企業提供卓越的大數據可視化界面設計、B端界面設計、桌面端界面設計、APP界面設計、圖標定制、用戶體驗設計、交互設計、UI咨詢、高端網站設計、平面設計，以及相關的軟件開發服務，咨詢電話：01063334945。我們建立了一個微信群，每天分享國內外優秀的設計，有興趣請加入一起學習成長，咨詢及進群請加藍小助微信ben_lanlan。