Трудно представить современные программные продукты без дизайнерских вмешательств. В результате обширных исследований и испытаний у нас есть эффективные процессы для улучшения совместной разработки на разных этапах жизненного цикла продукта.
Машинное обучение является относительно новым компонентом современных продуктов, и традиционные процессы проектирования не охватывают его более тонкие аспекты. В отсутствие надлежащего взаимодействия с UX машинное обучение может показаться конечным пользователям черным ящиком. Я изучил современные интерфейсы машинного обучения известных продуктов, чтобы узнать их волшебные ингредиенты:
1. Визуальный интеллект
В большинстве случаев продукт с ML визуально похож на продукт без ML. В отсутствие целенаправленных усилий по разработке визуальных эффектов для алгоритма пользователь остается в неведении об интеллекте, работающем в фоновом режиме при взаимодействии с продуктом. Вместо того, чтобы показывать простой загрузчик, объектив Google показывает визуальную анимацию с несколькими точками, соединяющимися линиями, чтобы абстрактно представить алгоритм обработки изображения.
2. Персонализация
Разные люди по-разному ведут себя с интерфейсом, взаимодействуя с одним и тем же набором функций. Разделение пользователей имеет решающее значение во время сбора данных, а также во время их потребления для получения интеллектуальных результатов. Например, родители и дети будут по-разному просматривать видео. Если продукт потокового видео не может отличить родителей от детей, он в конечном итоге испортит предложения. Вот почему Netflix заранее выбирает образ в настольном приложении, чтобы избежать неуместных предложений видео на более позднем этапе.
3. Отзыв
Никто не знает вариант использования лучше, чем пользователь, работающий над ним. Очень важно получать отзывы пользователей о критических областях, чтобы повысить точность алгоритмов машинного обучения в будущем. Обратная связь поддерживает эволюцию. UX-дизайн Google Maps предоставляет необязательную, но предварительную возможность быстрой обратной связи после прохождения маршрута. У Uber есть процесс сбора рейтинга водителя в конце каждой поездки. Коллективные оценки и отзывы о клиентах и водителях становятся важным параметром для алгоритма машинного обучения при принятии важных решений.
4. Юмор
Юмор — ключевое отличие человека от машины. Особенно при взаимодействии с голосовым интерфейсом пользователи ожидают более человеческого отклика. Вот почему большинство известных голосовых помощников имеют человеческое имя с отчетливым характером. Будет важно добавить юмора при разработке голосовых интерфейсов, таких как SAP Copilot, в будущем.
5. Параметры
Параметры расширяют возможности пользователей, а также дают машине возможность глубже понять их поведение. Иногда нет прямого решения проблемы. Если человек хочет добраться из пункта А в пункт Б, он может выбрать маршрут с более коротким временем или более коротким расстоянием, исходя из ситуации и личной философии. Карты Google не только дают несколько вариантов маршрута, но и кратко объясняют причины, выделяя ключевые параметры.
