Dit veelzeggende essay is gebaseerd op een gesprek met Priyanka Kuvalekar, een 31-jarige UX-onderzoeksleider bij Microsoft in Redmond, Washington. Dit is bewerkt voor lengte en duidelijkheid.
Ik kwam in april 2025 bij Microsoft terecht als senior UX-onderzoeker. Ik leid onderzoek voor Microsoft Teams Calls en gerelateerde AI-ervaringen.
Mijn pad naar deze baan was ongebruikelijk. Ik heb vijf jaar doorgebracht architectuur studeren op de universiteit, niet informatica of AI, en behaalde mijn diploma in India.
Ik begon mijn carrière met een voltijdse stage als junior architect terwijl ik het laatste jaar van mijn opleiding afrondde. Nadat ik was afgestudeerd, begon ik serieus na te denken over mijn volgende stappen. Moet ik doorgaan als architect of de overstap maken naar de digitale wereld?
Ik besloot een draai te maken
Ik schreef me in voor een drie maanden durende cursus gebruikerservaring, wat ertoe leidde dat ik een masterdiploma in gebruikerservaring en interactieontwerp volgde.
Ik verhuisde naar Philadelphia en begon in januari 2018 aan mijn masteropleiding. Mijn eerste stap in de branche was een stage als UX-onderzoeker bij Korn Ferry. Na een jaar stage kreeg ik een fulltime functie aangeboden, die ik tot 2021 heb vervuld.
Ik ben in oktober 2021 begonnen bij Big Tech bij Cisco en werk als UX-onderzoeksleider ruim 3 1/2 jaar voordat ik mijn huidige functie bij Microsoft bekleedde.
Mijn startpunt voor AI begon met het werken aan echte producten bij Cisco
Als hoofdonderzoeker leid ik een project gericht op AI-functies voor Webex-vergaderingen en -berichten.
Ik wist dat ik de werking van AI moest begrijpen, dus Ik heb certificering en training gevolgd, zowel via mijn bedrijf als zelfstandig Generatieve AIOntwerppatronen van AI-agenten, grote taalmodellen en het evalueren van AI-ervaring als onderzoeker.
Ik heb ook online cursussen en bronnen over UI-ontwerp onderzocht van platforms als Google Skills, Microsoft Training en DeepLearning.AI om te begrijpen hoe generatieve AI op mijn projecten kon worden toegepast.
Dit zijn de drie grootste lessen die ik heb geleerd en die mij hebben geholpen om met AI aan de slag te gaan vanuit een niet-technische achtergrond.
1. AI vereist voortdurende evaluatie
Ik heb geleerd dat je moet begrijpen hoe je AI in de praktijk kunt evalueren. AI is niet iets dat je één keer test, waarna het ‘klaar’ is. Dit vereist voortdurende evaluatie om ervoor te zorgen dat het een betrouwbare ervaring blijft bieden.
Dit betekent dat kwalitatieve onderzoeken moeten worden ontworpen die onderzoeken hoe conversationele AI zich afspeelt in verschillende gebruikersgroepen. In dit onderzoek kwamen tooninconsistenties, verkeerde interpretaties van de betekenis en tempoproblemen aan het licht.
Door pijnpunten uit de echte wereld bloot te leggen, heb ik geleerd hoe ik AI-systemen kan verfijnen om betrouwbaar en inclusief te werken.
2. AI kan barrières verlagen of onbedoeld nieuwe creëren
Een andere belangrijke les komt voort uit het benaderen van AI vanuit een toegankelijkheidslens. AI kan taken eenvoudiger maken en barrières voor mensen met een handicap verminderen, bijvoorbeeld door stappen te automatiseren. Het kan ook nieuwe hiaten creëren als het niet wordt ontworpen met toegankelijkheid in gedachten.
Toegankelijkheid en AI zijn onlosmakelijk met elkaar verbonden. Ik heb geleerd mensen met een handicap te betrekken bij AI-onderzoek en te evalueren hoe AI integreert met ondersteunende technologieën zoals schermlezers en toetsenbordnavigatie.
3. Bij het verbeteren van AI-vaardigheden is vloeiendheid belangrijker dan technische diepgang
Inbreken in AI heeft mij ook geleerd dat je niet je eigen technologie hoeft te bouwen om impact te maken, maar dat je deze wel goed genoeg moet begrijpen om ermee aan de slag te gaan.
Het gaat erom dat je voldoende leert om de kloof tussen technische teams en gebruikersbehoeften te overbruggen, en ervoor te zorgen dat de manier waarop je de AI-kwaliteit meet, geworteld is in de daadwerkelijke gebruikerservaring.
Vloeiend worden betekent dat u de concepten begrijpt achter hoe grote taalmodellen werken, wat hun beperkingen zijn, en hoe u een evaluatiekader kunt ontwerpen dat rekening houdt met deze beperkingen.
Dit heeft mij geholpen de juiste vragen te stellen aan ingenieurs en ontwerpstudies uit te voeren die vertrouwen, betrouwbaarheid en consistentie tussen verschillende gebruikersgroepen meten. Dit helpt mij ook nauw samen te werken met productmanagers om te bepalen hoe een succesvolle AI-ervaring eruit ziet.
Inbreken in AI zonder een traditionele technologische achtergrond zou een voordeel kunnen zijn
Ik raad aan om te beginnen waar AI mensen ontmoet, niet waar AI code ontmoet. Concentreer u op hoe AI in het product verschijnt en hoe mensen het ervaren.
Een van de meest praktische manieren om waarde toe te voegen zonder een traditionele achtergrond is het vormgeven van de betekenis van ‘kwaliteit’ voor AI-functies. Werk samen met productmanagers om vragen te stellen als: Is AI nog steeds binnen bereik? Kan het goed omgaan met onderbrekingen? Is het inclusief voor alle talen en dialecten?
Deze zaken worden vaak over het hoofd gezien als je AI alleen maar als een technisch systeem beschouwt, maar ze zijn wel belangrijk voor het vertrouwen van de gebruiker. Als je het in bruikbare termen kunt formuleren, zul je onmisbaar worden.
Het is belangrijk om een portfolio op te bouwen rond ‘AI-plus-mensen’
Wervingsmanagers willen niet alleen zien dat je weet dat AI bestaat, maar ook hoe je het op een verantwoorde manier vorm kunt geven en bruikbaar kunt maken.
Documenteer alle kaders, rubrieken, evaluatiestudies en voorbeelden van hoe uw inzichten beslissingen hebben beïnvloed. Zelfs als u geen toegang heeft tot grote bedrijfsprojecten, kunt u uw eigen kleinschalige onderzoeken uitvoeren naar openbaar beschikbare AI-tools en deze gebruiken om uw denkwijze te demonstreren.
Probeer vrijwilligerswerk te doen voor projecten waarbij AI is geïntegreerd in bestaande tools en beantwoord vragen als: Wat moet deze AI-functie doen? Hoe moet hij zich gedragen? Kan AI uitleggen wat het wel of niet kan doen? Herstelt hij goed als hij een fout maakt?
Dit zijn het soort vragen dat onderzoekers, productdenkers en anderen met een niet-traditionele achtergrond op unieke wijze kunnen beantwoorden.
