Asystent AI NYT Cooking pomaga w przygotowaniu obiadu, ale test ciasta ujawnia problem z wersjami

Asystent AI NYT Cooking pomógł recenzentce dostosować obiad, a potem niemal doprowadził do pomyłki z masłem, gdy przełączała się między wersjami przepisu. Ten kontrast ma znaczenie, ponieważ problem wykraczał poza to, czy AI potrafi zaproponować rozsądny zamiennik składnika.

W swojej recenzji z 7 listopada Jennifer Pattison Tuohy z The Verge opisała udane zamienniki kurczaka oraz mylącą wymianę dotyczącą pieczenia. Podczas przygotowywania oryginalnego przepisu na ciasto otrzymała ilość masła należącą do jego zmodyfikowanej wersji. Jej test dostosowywania przepisów zakończył się udanymi wypiekami, ale dopiero po tym, jak zauważyła niezgodność.

Główny konflikt dotyczy spersonalizowanej wygody kontra niezawodnych instrukcji. NYT Cooking umieszcza wygenerowane adaptacje obok przepisów mających autorytet redakcyjny. To tworzy presję, by kontekst każdej odpowiedzi był jednoznaczny. Samsung Food i inni asystenci kuchenni zapewniają kontekst konkurencyjny, lecz bezpośrednie pytanie dotyczy zaufania w samej aplikacji Cooking.

Asystent AI NYT Cooking wykracza poza wyszukiwanie przepisów

Nowa funkcja NYT Cooking zmienia relację między czytelnikiem a opublikowanym przepisem. Zamiast jedynie znajdować instrukcje, subskrybenci mogą poprosić aplikację o ich dostosowanie.

The Times opisał wdrożenie w ogłoszeniu z 23 października dotyczącym modyfikacji przepisów. Zgodnie z tym wyjaśnieniem funkcja początkowo trafiła do subskrybentów Cooking korzystających z iOS, a podczas wdrożenia monitorowano jej działanie i wykorzystanie.

Istotna zmiana polega na tym, że serwis z przepisami uczestniczy teraz w zmienianiu instrukcji, które rozpowszechnia.

Wyszukiwanie pozostawia stosunkowo jasną granicę. Czytelnik wybiera przepis, otwiera go i decyduje, czy jego wymagania pasują do kuchni. Adaptacja wprowadza kolejną warstwę decyzji. Oprogramowanie pomaga określić, co czytelnik faktycznie ugotuje.

Ta dodatkowa rola sprawia, że wygodę łatwo zrozumieć. Obiecujący obiad może stać się niepraktyczny, gdy dostępne składniki różnią się od listy zakupów. Asystent oferuje sposób na zachowanie planu obiadowego.

Adaptacja zmienia jednak obiekt, któremu czytelnicy ufają. Opublikowany przepis odzwierciedla wybory autora i proces redakcyjny. Wygenerowany wariant stanowi nowe połączenie instrukcji, nawet jeśli znaczna część jego sformułowań pozostaje znajoma.

To rozróżnienie jest ważne, ponieważ lista składników i metoda działania funkcjonują razem. Zastąpienie składnika może wymagać zmian w innych miejscach. Przydatna modyfikacja musi uwzględniać te zależności, a nie tylko podmieniać słowo.

Dlatego dostosowywanie przepisów w NYT Cooking zasługuje na ocenę jako zachowanie produktu, a nie nowinkowa funkcja. Istotnym rezultatem jest to, czy dostosowane instrukcje pozostają zrozumiałe przez cały proces przygotowania.

Płynna odpowiedź jest tylko częścią tego rezultatu. Kucharz musi także wiedzieć, którego przepisu dotyczy odpowiedź, co się zmieniło i czy wcześniejsze instrukcje nadal obowiązują.

Tworzy to inną odpowiedzialność niż odpowiadanie na ogólne pytanie kulinarne. Samodzielna odpowiedź może ujawnić swoje założenia. Odpowiedź osadzona w aplikacji z przepisami dziedziczy pozorną konkretność otaczającej ją strony.

Interfejs może zatem sprawić, że zwykła odpowiedź wyda się bardziej jednoznaczna, niż jest w rzeczywistości. Czytelnicy rozsądnie oczekują, że pytanie zadane obok przepisu będzie dotyczyć właśnie tego przepisu.

Personalizacja komplikuje to oczekiwanie. Może teraz istnieć oryginał, zmodyfikowana wersja i rozmowa odnosząca się do którejkolwiek z nich. Jeśli aplikacja nie połączy ich wyraźnie, czytelnik musi sam odtworzyć tę relację.

Znaczenie wdrożenia tkwi w tej zmianie. Cooking przechodzi od publikowania stabilnego dokumentu do zarządzania zmieniającym się zestawem instrukcji. Niezawodność musi obejmować całe to doświadczenie.

Zaufana marka przepisów przejmuje nowy ciężar

Najmocniejszy argument za tą funkcją jest praktyczny. Ludzie często potrzebują akceptowalnego obiadu z dostępnych składników, a nie dokładnego odtworzenia dania zamierzonego przez autora.

Najmocniejszy sprzeciw jest równie praktyczny. Subskrybenci, którzy cenią tworzenie przepisów przez ludzi, muszą odróżniać pracę redakcyjną od wygenerowanej adaptacji.

Relacja Joshuy Bentona z 28 października na temat reakcji czytelników udokumentowała oba stanowiska. Krytycy sprzeciwiali się wejściu AI do usługi, którą kojarzyli z ludzką wiedzą ekspercką. Wspierający czytelnicy podkreślali łatwiejsze zamienniki i codzienną wygodę.

Benton przytoczył również opis starszej redaktorki Genevieve Ko dotyczący oceny prowadzonej przez zespół. Według Ko pracownicy Cooking sprawdzali przykładowe odpowiedzi, aby dostosować funkcję do ich kulinarnej oceny.

Zaangażowanie redakcji w budowę asystenta nie sprawia, że każdy wygenerowany wariant jest przepisem przetestowanym przez redaktora.

To rozróżnienie stawia przed The Times problem komunikacyjny obok problemu inżynieryjnego. Czytelnicy spotykają asystenta w znajomym doświadczeniu marki. Niekoniecznie zatrzymują się, by ponownie rozważyć źródło autorytetu stojące za każdym zdaniem.

Oryginalny przepis i jego adaptacja mogą mieć wspólną typografię, strukturę, fotografie i znaczną część języka. Te podobieństwa sprzyjają użyteczności, ale zachęcają też czytelników do przenoszenia zaufania między nimi.

Etykieta może wskazywać udział AI. Nie może jednak potwierdzić, że zmieniona metoda zadziała w kuchni czytelnika. Produkt nadal musi pokazać, skąd bierze się pewność.

Ta presja spada bezpośrednio na wydawcę. Niezależny chatbot udziela porad pod własną tożsamością. Osadzony asystent działa obok nazwiska autora przepisu i w ramach projektu publikacji.

Czytelnicy mogą więc powiązać rozczarowującą adaptację z oryginalnym autorem, nawet jeśli autor nigdy jej nie zatwierdził. Zachowanie tej granicy chroni zarówno twórców, jak i subskrybentów.

Spór odzwierciedla również różne powody, dla których ludzie zwracają uwagę na treści o jedzeniu. Niektórzy czytelnicy chcą instrukcji i inspiracji. Inni chcą mniej przeszkód między pracą a obiadem.

Żadna z tych preferencji nie przesądza o tym, czy konkretna wygenerowana odpowiedź jest niezawodna. Czytelnik może przyjmować automatyzację z zadowoleniem, jednocześnie wymagając precyzyjnego kontekstu. Inny może nie lubić automatyzacji, lecz uznawać przydatny zamiennik.

Zespoły produktowe powinny opierać się traktowaniu tych grup jako po prostu entuzjastycznych albo opornych. Ich podstawowe oczekiwania dostarczają bardziej użytecznych informacji. Jedna grupa stawia na elastyczność; druga na relację redakcyjną.

Wiarygodne wdrożenie musi uwzględniać oba aspekty. Powinno wyjaśniać wygenerowane zmiany, nie osłabiając widoczności oryginalnej pracy. Powinno też pozwalać czytelnikom zrozumieć, co wybierają.

To sprawia, że niezawodność AI w NYT Cooking jest kwestią marki o konkretnym wymiarze interfejsu. Usługa musi zachować znaczenie swojej obietnicy redakcyjnej, jednocześnie wprowadzając instrukcje tworzone w innym procesie.

Niezbędną odpowiedzią jest wyraźniejsza odpowiedzialność. Czytelnicy nigdy nie powinni musieć domyślać się, czy konkretną zmianę wprowadził autor, redaktor, asystent czy ich własna prośba.

Problem z ciastem polegał na odpowiedzi przypisanej do niewłaściwej wersji

Epizod z pieczeniem stanowi precyzyjny przykład. Tuohy dostosowała ciasto Bundt do formy muffinów i zmniejszyła porcję. Później, przygotowując oryginalne ciasto, zapytała o masło.

Asystent podał ilość ze zmodyfikowanej wersji, nie wskazując tego kontekstu. Obie wersje miały podobno się udać. Bliski pomyłki przypadek dotyczył zastosowania odpowiedzi do niewłaściwego przygotowania.

Odpowiedź może być poprawna w ramach jednej wersji, a mimo to błędna dla aktualnie wykonywanego zadania.

To węższy wniosek niż stwierdzenie, że AI wymyśliła zły przepis na ciasto. Jest też bardziej użyteczny dla twórców. Awaria dotyczy tego, jak odpowiedź łączy się z bieżącą pracą użytkownika.

W oprogramowaniu stan oznacza informacje opisujące, co system aktualnie robi. W tym przypadku istotny stan obejmuje wybrany przepis i jego modyfikacje.

Rozumienie tego stanu przez kucharza może różnić się od rozumienia asystenta. Patrzenie na oryginalne instrukcje może sprawiać wrażenie przełączenia całego zadania z powrotem na oryginał. Rozmowa może zachować inny kontekst.

Ta luka nie wymaga jawnie absurdalnej odpowiedzi. Wystarczy wiarygodna ilość. Ponieważ odpowiedź brzmi odpowiednio, użytkownik ma niewiele powodów, by ją kwestionować.

Wynikające z tego ryzyko łatwo zbagatelizować podczas demonstracji. Demo zwykle przebiega według czystej sekwencji: otwarcie przepisu, prośba o zmianę i sprawdzenie wyniku.

Rzeczywiste użycie jest mniej uporządkowane. Ludzie porównują wersje, wracają do wcześniejszych kroków i zadają pytania po przerwach. Asystent musi pozostawać zrozumiały podczas tych przejść.

Widoczny znacznik zmiany pomaga identyfikować edytowany tekst. Niekoniecznie identyfikuje jednak przepis leżący u podstaw świeżej odpowiedzi w rozmowie. To powiązane, lecz odrębne zadania projektowe.

Asystent AI NYT Cooking wymaga zatem oceny wykraczającej poza jakość jego zamienników. Recenzenci powinni również pytać, czy użytkownicy potrafią niezawodnie określić zakres każdej odpowiedzi.

Na przykład odpowiedź mogłaby wskazywać wersję przed podaniem ilości. To proponowane zabezpieczenie, a nie opis istniejącej funkcji.

Podobnie przełączenie wersji mogłoby wywoływać wyraźną zmianę kontekstu. Alternatywnie asystent mógłby zapytać, którą wersję użytkownik ma na myśli, gdy pytanie jest niejednoznaczne.

Ważnym wymogiem jest konsekwentne zachowanie. Kucharz nie powinien musieć odkrywać metodą prób i błędów, czy nawigacja po stronie zmienia również kontekst rozmowy.

Kwestia ta zmienia także sposób klasyfikowania błędów. Błąd kulinarny, błąd arytmetyczny i niezgodność wersji wymagają różnych środków zaradczych. Łączenie ich w jedną kategorię zaciera pracę, którą należy wykonać.

Większa wiedza o przepisach mogłaby pomóc w problemie z zamiennikiem. Nie rozwiązuje jednak automatycznie niezgodności między wyświetlanym dokumentem a rozmową.

Epizod z ciastem wskazuje więc konkretną granicę personalizacji. Tworzenie alternatyw jest użyteczne tylko wtedy, gdy oprogramowanie zachowuje relacje między nimi.

Ta lekcja wykracza poza jedzenie, nie czyniąc kuchni sprawą uboczną. Gotowanie wyraźnie ujawnia problem, ponieważ instrukcje ostatecznie stają się fizycznymi działaniami. Gdy składniki zostaną połączone, korekta kontekstowa przychodzi zbyt późno.

Konkurenci czynią adaptację czymś znajomym, ale spójność nadal pozostaje nierozstrzygnięta

Adaptowanie przepisów ma już historię konkurencyjną. Samsung Food promuje spersonalizowane funkcje przepisów, a asystenci głosowi oferują inną drogę do wskazówek kuchennych.

Te podejścia kładą nacisk na różne interakcje. Aplikacja z przepisami organizuje pisemne instrukcje. Asystent głosowy odpowiada na pytania wypowiadane na głos. Podłączone urządzenia mogą dodać kolejną warstwę między poradą a działaniem.

Relacja Associated Press o automatyzacji kuchni z CES 2024 opisała firmy wprowadzające AI i robotykę do gotowania. Zapewnia to kontekst historyczny, a nie dowód, że obecne produkty oferują równoważną niezawodność.

Przydatne porównanie dotyczy tego, jak każdy produkt utrzymuje spójne zadanie kulinarne w całym swoim interfejsie.

Odpowiedź głosowa może ograniczyć potrzebę korzystania z ekranu. Pisemne instrukcje umożliwiają ich przeglądanie i porównywanie. Żadna z tych metod interakcji nie potwierdza jednak, że porada odpowiada aktualnej wersji przepisu.

To rozróżnienie zapobiega niepomocnej rywalizacji funkcji. Obsługa rozmów, zamienników czy podłączonych urządzeń niewiele mówi o tym, czy użytkownicy rozumieją wynikowe instrukcje.

Produkt może oferować mniej możliwości, a mimo to wyraźniej prowadzić użytkownika przez określone zadanie. Z kolei bogatszy interfejs może stać się trudniejszy do zaufania, jeśli jego różne elementy sobie przeczą.

W przypadku personalizacji przepisów w NYT Cooking przewaga konkurencyjna wynika z jej umiejscowienia obok źródłowego przepisu. Aplikacja może bezpośrednio połączyć adaptację z materiałem, który jest zmieniany.

Ta bliskość tworzy obciążenie omawiane wcześniej. Im bliżej generowana porada znajduje się zaufanej treści, tym ostrożniej produkt musi opisywać ich wzajemną relację.

Niezależne testy również sugerują, że zarządzanie kontekstem jest tylko częścią wyzwania. W swojej opublikowanej 8 listopada recenzji adaptacji przepisów Joe Ray z WIRED uznał tę funkcję za ogólnie użyteczną.

Mimo to wskazał adaptację przepisu na kurczaka z wydłużonym etapem gotowania, który zmniejszał kruchość mięsa. Jego relacja ilustruje odrębny problem: pojedyncze zmiany mogą brzmieć rozsądnie, podczas gdy cała metoda wymaga dokładniejszej kontroli.

Porównanie prowadzi do ostrożnego wniosku. Pozytywne doświadczenia potwierdzają praktyczną użyteczność w konkretnych przypadkach. Nie dowodzą jednak spójnej skuteczności dla różnych składników, sprzętu i próśb.

Badania techniczne traktują modyfikowanie przepisów jako odrębny problem. Artykuł dotyczący rewizji przepisów przez AI opisuje pracę na oryginalnych przepisach oraz ocenę zmienionych instrukcji na podstawie ludzkich ocen.

Badanie to nie potwierdza jakości wdrożenia Timesa. Wzmacnia jednak ważną zasadę oceny: relacja między instrukcjami źródłowymi a ich zmianami zasługuje na bezpośrednie zbadanie.

Uczciwy test konkurencyjny powinien więc zachować ten sam przepis wyjściowy i te same żądane zmiany. Następnie powinien przeanalizować całą wynikową metodę, zamiast oceniać pojedyncze odpowiedzi.

Ocena powinna obejmować także przerwania i zmiany wersji. W przeciwnym razie benchmark może pominąć dokładnie ten rodzaj niejednoznaczności, który pojawia się podczas codziennego użycia.

Nie ma tu podstaw do wskazania zwycięzcy rynku. Dostępne recenzje dostarczają przykładów, a nie kontrolowanego porównania. Pokazują, dlaczego przekonująca demonstracja pozostaje niepełną miarą pomocy w gotowaniu.

Użyteczne adaptacje nadal wymagają od kucharza weryfikacji

Wczesne dowody nie uzasadniają ani kategorycznego odrzucenia, ani automatycznego zaufania. Funkcja pomogła recenzentom przygotować posiłki, jednocześnie wymagając od nich zauważania i korygowania problemów.

To połączenie jest znane w produktach AI, lecz jego konsekwencje zasługują na konkretne omówienie. Istotne pytanie brzmi, ile weryfikacji pozostaje po stronie użytkownika i jak trudna się ona staje.

Asystent oszczędza wysiłek tylko wtedy, gdy sprawdzanie jego pracy nie pochłania wygody, którą tworzy.

Zamiennik, który doświadczony kucharz może szybko ocenić, może być wartościowy. Ta sama sugestia może wprowadzać więcej niepewności dla osoby nieznającej dania.

Doświadczenie zmienia więc praktyczną korzyść z produktu. Kompetentny użytkownik może rozpoznać podejrzany krok. Początkujący może uznać dopracowaną prezentację aplikacji za wystarczającą gwarancję.

Nie oznacza to, że narzędzie jest przydatne wyłącznie dla ekspertów. Oznacza to, że ocena powinna rozróżniać odbiorców. System, który działa dobrze przy świadomym nadzorze, ma inną granicę działania.

Dostępne recenzje nie określają, jak często występują błędy. Nie ustalają również skuteczności dla każdego typu prośby. Udany obiad nie może odpowiedzieć na te szersze pytania.

Podobnie wykryta niezgodność wersji nie dowodzi, że większość użytkowników jej doświadczy. Pokazuje tryb awarii wart przetestowania, a nie zmierzoną częstość występowania.

Niezawodność AI w NYT Cooking powinna być zatem omawiana w kategoriach obserwowalnych zachowań. Czy asystent wskazuje swoje założenia? Czy zachowuje właściwą wersję? Czy zmieniona metoda pozostaje spójna?

Te pytania dają bardziej użyteczne dowody niż pytanie, czy system jest ogólnie inteligentny. Zapewniają też wyraźniejsze cele ulepszeń.

Pełna ocena powinna odróżniać błędy widoczne od cichych. Oczywiście dziwna odpowiedź zachęca do kontroli. Wiarygodnie brzmiąca odpowiedź przypisana do niewłaściwego kontekstu może pozostać niezauważona.

Dlatego jasne oznaczenia muszą działać w miejscu podejmowania działania. Ogólne ujawnienie informacji w innym miejscu aplikacji nie powie użytkownikowi, do którego przepisu należy konkretna ilość.

Ta sama zasada ma znaczenie dla pracy z wiedzą. Zmieniony brief może znajdować się obok zatwierdzonego oryginału, a asystent może odpowiadać na podstawie każdego z nich. Użytkownik musi wiedzieć, który dokument stanowi podstawę odpowiedzi.

To powiązanie sprawia, że zarządzanie wiedzą osobistą jest istotne dla tej historii. Utrzymywanie materiału źródłowego oddzielnie od późniejszych rewizji to szerszy problem informacyjny.

Kuchnia zwiększa pilność, ponieważ użytkownik często przechodzi między czytaniem a działaniem. Wyjaśnienie wymagające starannej rekonstrukcji może stać się niepraktyczne dokładnie w najgorszym momencie.

Sceptyczne stanowisko powinno pozostać skupione. Dowody nie pokazują, że adaptacja nie ma wartości. Pokazują, że użyteczny wynik i niezawodne działanie to różne twierdzenia.

Times stoi przed zadaniem wsparcia obu tych aspektów. Lepsze sugestie mają znaczenie, ale równie ważne są widoczne założenia, zrozumiałe zmiany wersji i uczciwe przedstawienie tego, co pozostaje nieprzetestowane.

Obserwuj obsługę wersji, powtarzalne testy i kontrolę czytelnika

Kolejne użyteczne dowody będą pochodzić z zachowania produktu i powtarzalnego użycia. Szersza dostępność sama w sobie niewiele powie o tym, czy problemy wskazane we wczesnych recenzjach zostały poprawione.

Najsilniejszym sygnałem będzie ograniczenie pracy, jaką użytkownicy muszą wykonać, aby ustalić, czego dotyczy odpowiedź.

Po pierwsze, obserwuj, jak aplikacja obsługuje wersje przepisów. Istotne zmiany powinny uwidaczniać aktywną wersję i łączyć odpowiedzi konwersacyjne z tą wersją.

Odpowiedź, która wyraźnie wskazuje kontekst przepisu, zwiększyłaby zaufanie do interfejsu. Utrzymująca się niejednoznaczność osłabiłaby argument, że zintegrowana adaptacja upraszcza gotowanie.

Ten sygnał jest bardziej konkretny niż ogólne twierdzenie o dokładności. Można go ocenić, przechodząc między wersjami i zadając pytania, na które odpowiedzi się różnią.

Oddziela też proponowane ulepszenie od ogłoszonego zobowiązania. Nie ma potrzeby zakładać, że nadchodzi konkretna przebudowa. Produkt można ocenić, gdy jego zachowanie się zmieni.

Po drugie, obserwuj powtarzalne testy obejmujące pełne zadania kulinarne. Użyteczne dowody powinny wykraczać poza ocenę, czy zamiana składnika brzmi rozsądnie.

Testy powinny badać, czy lista składników, kroki przygotowania, sprzęt i ilości pozostają spójne. Powinny także uwzględniać realistyczne zmiany zdania i przerwania.

Powtarzalne sukcesy w tych warunkach wzmocniłyby argument za niezawodną pomocą. Powtarzalne porażki ujawniłyby, gdzie narzędzie nadal wymaga istotnego nadzoru.

Demonstracja jednej udanej zamiany nie może rozstrzygnąć tej kwestii. Nie zrobi tego także zestawienie nietypowych błędów. Oba są słabsze niż konsekwentne testy w jasno opisanych warunkach.

To rozróżnienie ma znaczenie dla przyszłych materiałów. Recenzenci powinni wyjaśniać, o co prosili, co zmieniła aplikacja i co wydarzyło się podczas przygotowania. Wówczas czytelnicy mają wystarczający kontekst, by ocenić znaczenie tych informacji.

Po trzecie, obserwuj kontrolę czytelnika i trwałość granic redakcyjnych. Czy subskrybenci mogą swobodnie korzystać z oryginalnych przepisów bez angażowania się w generowane adaptacje?

Czy po powrocie do aplikacji potrafią odróżnić opublikowane instrukcje autora od własnych spersonalizowanych wersji? Czy te rozróżnienia pozostają jasne, gdy zapisują, ponownie otwierają lub porównują materiały?

Ulepszenia w tym zakresie wzmocniłyby argument, że personalizacja może współistnieć z redakcyjną tożsamością usługi. Utrzymujące się zamieszanie zwiększyłoby presję na tę relację.

Kontrola czytelnika daje też wydawcy lepsze informacje. Dobrowolne, powtarzalne użycie mówi więcej o przydatności niż kontakt z funkcją, która po prostu pojawia się na każdej stronie przepisu.

Te sygnały dotyczą nadchodzących miesięcy, a nie obiecanego harmonogramu wydania. Oferują konkretne sposoby oceny postępów bez wymyślania danych o adopcji czy terminów.

Podstawowy standard jest prosty. Asystent kulinarny powinien ułatwiać wykonanie zadania i jego zrozumienie. Ulepszenie tylko pierwszej połowy pozostawia użytkownikom kompensowanie drugiej.

Zanim uznasz asystenta AI NYT Cooking za niezawodną część przygotowywania obiadu, porównaj jego wygodę z wymaganą przez niego kontrolą. Przeczytaj całą adaptację, ustal, która wersja jest aktywna, i zwróć uwagę, czy odpowiedzi uzupełniające jasno wskazują swój kontekst. Oceniając przyszłe aktualizacje, szukaj dowodów na to, że te kontrole stają się łatwiejsze, zamiast zakładać, że dłuższa lista funkcji oznacza większą niezawodność. Najbardziej użyteczne materiały będą rozróżniać udane zamiany, spójne instrukcje i jednoznaczną obsługę wersji. To odrębne osiągnięcia, a czytelnicy zasługują na ocenę każdego z nich na własnych zasadach. Czy zaufałbyś odpowiedzi dlatego, że brzmi rozsądnie, czy dlatego, że aplikacja jednoznacznie pokazuje jej związek z przepisem?