UX для машинного обучения

Взгляд дизайнера на интеграцию данных и аналитики

Машинное обучение быстро внедряется в многочисленные продукты и услуги в самых разных отраслях. Скоро будет невозможно создавать какой-либо продукт без машинного обучения.

Машинное обучение влияет на то, как люди принимают более разумные решения о своих финансах, как поставщики более эффективно управляют запасами, как диагностируются заболевания, как люди имеют доступ к психиатрической помощи и как поставщики энергии более эффективно распределяют энергию. Это лишь небольшая часть его многочисленных приложений на сегодняшний день.

Инженеры становятся опытными в создании сложных алгоритмов. Специалисты по обработке данных становятся все более опытными в синтезе и анализе значений огромных наборов данных. Все больше менеджеров по продуктам формируют требования и разрабатывают рыночные стратегии с учетом машинного обучения. А как же дизайнеры? Мы всегда хотели использовать данные, которые дает нам машинное обучение. Но теперь, когда мы можем, как мы на самом деле это делаем?

Каковы последствия, возможности и ответственность проектирования для этого нового мира?

В Punchcut мы регулярно рассматриваем машинное обучение в своих решениях. Мы даже начинаем применять его внутри в рамках наших собственных процессов проектирования. Цель этого поста - поделиться своими мыслями и предоставить дизайнерам отправную точку, чтобы они могли освоить проектирование для машинного обучения.

1 / Используйте количественные данные.

Машины общаются числами. При разработке обучающейся системы мы будем сталкиваться с числами и вероятностями, которые будут определять ее решения. Как дизайнеры, нам нужно будет переводить эти числа таким образом, чтобы они соответствовали целям наших пользователей на протяжении всего их пути.

Давайте возьмем пример приложения, которое мы создали в Punchcut. RecycleBot визуально анализирует мусор и сообщает нам, в какую корзину он должен попасть. Если показать RecycleBot чашку кофе, мы получим что-то вроде этого. «Вероятность того, что этот предмет окажется в мусорном ведре для компоста, составляет 0,892». Здесь на помощь приходит дизайн. Что это означает для пользователя? Должны ли мы сказать пользователю, чтобы он положил его в мусорное ведро для компоста? Какой должна быть минимальная вероятность дать пользователям направление?

Нам не нужно знать все об алгоритмах машины, но мы должны быть знакомы с тем, как они взаимодействуют, чтобы мы могли спроектировать оптимальное взаимодействие. Заручившись помощью специалистов по обработке данных, инженеров и профильных экспертов, мы сможем уточнить наши представления о машине и, в конечном итоге, лучше обслуживать пользователей.

2 / Используйте пользовательские данные для создания гипер-персонализированного опыта.

На протяжении десятилетий создание по-настоящему персонализированного опыта всегда относилось к концепциям «голубого неба», которые неизбежно соответствуют реалиям системных ограничений. Но не больше. Машинное обучение дает дизайнерам суперсилы. Имея в своем распоряжении такое обилие пользовательской информации, мы, наконец, можем создавать гипер-контекстный и гипер-персонализированный опыт. У нас еще есть пути, но некоторые услуги уже работают в этом направлении.

Возьмем, к примеру, Netflix. Цель Netflix - создать персонализированную систему рекомендаций, способную «предлагать нужные титулы каждому из наших участников в нужное время». При просмотре Netflix не все видят одни и те же произведения искусства. Вместо этого иллюстрации создаются на основе предпочтений и поведения пользователей. Например, при показе обложки для «Криминального чтива» пользователь, который смотрел много фильмов с Умой Турман, увидит Уму на обложке. Напротив, пользователь, который смотрел больше фильмов с Джоном Траволтой, увидел бы Джона на обложке. Это делает и без того персонализированный опыт еще более персонализированным.

Мы вошли в мир, в котором люди ожидают взаимодействия с индивидуальным для них опытом. В прошлом дизайнеры были ограничены тем, что могут делать системы. Теперь системы ограничены тем, что могут представить дизайнеры.

3 / Спроектируйте, когда и как собирать данные.

Как следует из названия «машинное обучение», машинам требуется тонна высококачественных данных для обучения. Как мы получаем эти данные? Во-первых, нам нужно с самого начала подумать о том, какие данные нам нужно собирать. Во-вторых, дизайнерам необходимо разработать способы сбора данных, которые кажутся естественной частью пользовательского потока.

Например, Google Clips стремится автоматически фиксировать откровенные моменты жизни, позволяя пользователям наслаждаться ими, а не фотографировать. Однако их дизайнеры решили по-прежнему вовлекать пользователей в процесс, позволяя им решать, как должно выглядеть окончательное курирование. Пользователям предлагается множество моментов, взятых из клипов, и их просят удалить те, которые они не хотят оставлять. Это помогает алгоритмам узнать, что пользователи считают памятными моментами.

Сбор надежных данных - это ядро систем машинного обучения. У дизайнеров должна быть гипотеза для сбора полезных данных и план того, как и когда собирать эти данные.

4 / Дизайн для несовершенства.

Машинное обучение - это мощный инструмент, но далеко не идеальный. Человеческое поведение сложно предсказать. Возьмем в качестве примеров такие агенты ИИ, как Amazon Alexa и Google Home. Хотя они делают успехи в понимании естественного языка, любой, кто использовал эти агенты, скажет вам, что им все еще трудно понять нюансы нашей речи. Разработчики должны понимать эти ограничения и предоставлять пользователям возможность избежать выбора, сделанного машинами.

Вот еще один пример. Допустим, мы используем машинное обучение, чтобы анализировать модели прослушивания, чтобы порекомендовать новую музыку. Что, если пользователь решит использовать свою учетную запись для трансляции музыки на вечеринке и позволит другим изменять музыку? Что, если она будет каждую ночь играть колыбельные, чтобы помочь своему ребенку уснуть? Эти песни будут учитываться в алгоритмах, определяющих, какую музыку рекомендовать, даже если они воспроизводились только в очень определенных случаях использования.

Со временем машины научатся автоматически учитывать эти контексты. Тем не менее, дизайнеры должны знать об этих сценариях использования и разрабатывать способы, которыми пользователи могут отказаться от обучения или изменения данных.

5 / Будьте прозрачны в отношении используемых данных.

Когда вы в последний раз смотрели продукт в Интернете, а затем видели этот продукт в своей ленте Instagram, Facebook или в виде рекламы на других сайтах? Мы знаем, что продукты «следуют» за нами на основании нашей истории поиска и поведения в Интернете. Однако опасения по поводу конфиденциальности могут усилиться, если пользователи видят релевантную рекламу, но не могут понять, откуда машина узнала, что она заинтересует их. Люди строят предположения. Слушает ли машина мои разговоры? Камера моего ноутбука наблюдает за мной? Очищаются ли мои личные сообщения?

Дизайнеры должны быть прозрачными и сообщать пользователям, какие данные собираются и как они используются. Оставьте след, который заставит пользователей подумать: «Возможно, именно поэтому он предлагает это». Типичным примером этого является проверенный и надежный дизайн электронной коммерции на таких сайтах, как Amazon, с четкой маркировкой, почему предлагаются определенные товары (например, «Клиенты, которые купили этот товар, также купили»).

Пользователи будут формулировать предположения, нравится это брендам или нет. Лучше быть прозрачным, чтобы их предположения были правильными.

UX-дизайн + машинное обучение

Поскольку продукты и услуги продолжают интегрировать машинное обучение, дизайнеры будут играть решающую роль в добавлении ценности для пользователей. Системы машинного обучения стремительно развиваются и открывают новые возможности для развития человечества. Дизайнеры должны использовать количественные данные и стремиться применять принципы науки о данных таким образом, чтобы привнести в жизнь людей более значимые моменты. Мы очень рады продолжить осваивать эту новую «суперсилу» в нашем арсенале дизайнерских инструментов.

Хотите, чтобы будущее было в вашем почтовом ящике?
Нажмите здесь, чтобы подписаться на нашу ежемесячную новостную рассылку - Взгляд на будущее!