AI প্রোডাক্টের জন্য পার্সোনা ও সিনারিও

১ · AI পার্সোনা কেন সাধারণ UX পার্সোনার চেয়ে আলাদা

একটি সাধারণ পার্সোনাপার্সোনাএকটি কাল্পনিক কিন্তু রিসার্চ-ভিত্তিক ব্যবহারকারীর প্রতিনিধিত্ব, যা ডিজাইন সিদ্ধান্ত নেওয়ার সময় "এই মানুষটার জন্য এটা কাজ করবে কি" প্রশ্ন করতে সাহায্য করে। সাধারণত বয়স, পেশা, লক্ষ্য ও হতাশার বিষয়গুলো বর্ণনা করে — এটা যথেষ্ট ছিল যখন প্রশ্ন ছিল শুধু "ইন্টারফেস কি ব্যবহারযোগ্য।" কিন্তু AI প্রোডাক্টে মূল প্রশ্ন ভিন্ন: এই ব্যক্তি AI-এর ভুলের সাথে কীভাবে আচরণ করবেন? সেই প্রশ্নের উত্তর বয়স বা পেশা থেকে সরাসরি পাওয়া যায় না — এর জন্য দরকার তিনটি অতিরিক্ত অ্যাট্রিবিউট।

২ · তিনটি অপরিহার্য অ্যাট্রিবিউট

লক্ষ্যণীয় ব্যাপার হলো এই তিনটি অ্যাট্রিবিউট প্রায়ই ডেমোগ্রাফিক্সের বিপরীতে চলে — যেমন একজন প্রযুক্তি-বিশেষজ্ঞ (উচ্চ ডোমেইন-এক্সপার্টিজ) স্বভাবতই কম ট্রাস্ট-ডিসপোজিশনের হতে পারেন, ঠিক কারণ তিনি জানেন সিস্টেম কোথায় ভুল করতে পারে — যেখানে একজন নতুন ব্যবহারকারী দ্রুত বেশি বিশ্বাস করে ফেলতে পারেন। তাই বয়স বা পেশা দিয়ে এই তিনটি অনুমান করা যায় না — এগুলো আলাদাভাবে রিসার্চ (L05-এর পদ্ধতি ব্যবহার করে) করে বের করতে হয়।

৩ · সিনারিও — পার্সোনাকে প্রেক্ষাপটের সাথে যুক্ত করা

একটি পার্সোনা একা যথেষ্ট নয় — একটি সিনারিওসিনারিওএকটি নির্দিষ্ট পার্সোনাকে একটি নির্দিষ্ট প্রেক্ষাপটে (ঝুঁকি, সময়, পরিস্থিতি) বসিয়ে বর্ণনা করা একটি সংক্ষিপ্ত গল্প, যা দেখায় সেই ব্যক্তি সেই মুহূর্তে AI-এর সাথে কীভাবে মিথস্ক্রিয়া করবেন। একজন পার্সোনাকে L07-এ আলোচিত প্রেক্ষাপট-ফ্যাক্টরগুলোর (ঝুঁকি, রিভার্সিবিলিটি, সময়ের চাপ) সাথে একটি নির্দিষ্ট মুহূর্তে বসিয়ে দেখায় — যেমন "রফিক (নতুন ব্যবহারকারী, উচ্চ ট্রাস্ট-ডিসপোজিশন) রাত ১১টায় তাড়াহুড়োয় একটি গুরুত্বপূর্ণ ইমেইলের AI-জেনারেটেড রিপ্লাই না পড়েই পাঠিয়ে দিচ্ছেন।" এই একটি বাক্যেই পার্সোনার অ্যাট্রিবিউট ও প্রেক্ষাপটের ফ্যাক্টর একসাথে দেখা যায়, এবং ডিজাইন টিম প্রশ্ন করতে পারে — এই নির্দিষ্ট মুহূর্তে কী ডিজাইন সুরক্ষা দরকার?

৪ · একটি সত্যিকারের ডেমো — পার্সোনা-ম্যাচিং স্কোর

ধরা যাক একটি নতুন high-stakes AI ফিচার (যেখানে ভুলের ফলাফল গুরুতর) টেস্ট করার জন্য কোন পার্সোনাকে সবচেয়ে বেশি অগ্রাধিকার দেওয়া উচিত তা ঠিক করতে হবে — অর্থাৎ কোন পার্সোনা "ব্লাইন্ড-ট্রাস্ট ঝুঁকি"-তে সবচেয়ে বেশি। নিচের কোডে তিনজন পার্সোনার অ্যাট্রিবিউট (১-৫ স্কেলে) এবং এই নির্দিষ্ট ফিচারের জন্য অ্যাট্রিবিউট-ওজন ব্যবহার করে একটি সত্যিকারের ওজনযুক্ত স্কোর গণনা করা হয়েছে।

# প্রতিটি অ্যাট্রিবিউট ১-৫ স্কেলে: বেশি সংখ্যা = বেশি ঝুঁকিপূর্ণ প্রবণতা
# domain_expertise: কম (১) মানে কম দক্ষ, trust_disposition ও error_tolerance:
# বেশি (৫) মানে সহজে বিশ্বাস করেন / ভুল সহজে সহ্য করেন (অর্থাৎ কম সতর্ক)
personas = {
    "নতুন ব্যবহারকারী (রফিক)": {"domain_expertise": 1, "trust_disposition": 4, "error_tolerance": 4},
    "অভিজ্ঞ পাওয়ার-ইউজার (সাথী)": {"domain_expertise": 5, "trust_disposition": 2, "error_tolerance": 2},
    "সতর্ক প্রফেশনাল (ডা. করিম)": {"domain_expertise": 5, "trust_disposition": 1, "error_tolerance": 1},
}

# এই নির্দিষ্ট high-stakes ফিচারের জন্য error_tolerance-এর ওজন সবচেয়ে বেশি,
# কারণ কম error_tolerance-এর ব্যবহারকারী ভুল হলে সবচেয়ে বেশি ক্ষতিগ্রস্ত হবেন,
# কিন্তু "ব্লাইন্ড-ট্রাস্ট ঝুঁকি" (নিজে না যাচাই করে বিশ্বাস করার প্রবণতা) দেখতে
# trust_disposition ও error_tolerance-কেই বেশি গুরুত্ব দেওয়া হয়েছে
attribute_weight = {"domain_expertise": 0.2, "trust_disposition": 0.3, "error_tolerance": 0.5}

scores = {}
for name, attrs in personas.items():
    score = sum(attrs[key] * weight for key, weight in attribute_weight.items())
    scores[name] = score
    print(f"{name}: ব্লাইন্ড-ট্রাস্ট-ঝুঁকি স্কোর = {score:.2f}")

top_priority = max(scores, key=scores.get)
print(f"\nটেস্টিংয়ে সর্বোচ্চ অগ্রাধিকার: {top_priority}")