Выступление Цянь Яна в HCII, CMU
В настоящее время многие продукты начинают адаптировать машинное обучение к процессу разработки. Машинное обучение хорошо обрабатывает данные, чтобы давать предложения / прогнозы, но как это влияет на взаимодействие с пользователем?
Будучи студентами магистратуры по дизайну взаимодействия в Университете Карнеги-Меллона, мы работаем над проектом будущего образования с использованием ИИ в этом семестре. Пытаясь понять болевые точки студентов-медиков в медицинских вузах, мы также задаемся вопросом, как ИИ влияет на наши решения?
И у Microsoft, и Google есть свои принципы проектирования с использованием ИИ, но какова практика? Цянь Ян приводит два примера машинного обучения на практике в нашей выпускной студии.
Случай 1 TIRAMISU - Адаптивный интерфейс
Первый случай - это Tiramisu, краудсорсинговое автобусное приложение для районов Питтсбурга, разработанное CMU. Он собирает информацию о местоположении пользователей, запрашиваемой автобусной остановке и маршруте… и т. Д., Чтобы предоставить информацию об автобусе в режиме реального времени.
Если мы хотим создать адаптивный пользовательский интерфейс с машинным обучением в этом приложении, идеальным сценарием будет
- Пользователь скачивает приложение. Машина начинает собирать поведение пользователей. Какой маршрут они используют чаще всего? В какое время они проверяют информацию? …
- Приложение пытается предсказать поведение пользователей и автоматизировать поток пользовательского интерфейса. Иногда что-то идет не так, но со временем точность должна улучшаться.
- Приложение прекрасно понимает, чего хотят пользователи, и дает соответствующие предложения.
Так в чем же проблема этого сценария?
- Сбор проблемных данных: как машины узнают, что они делают неверные прогнозы? Для этого нужно записать последовательность действий.
- Машина делает прогноз и автоматизирует страницу вперед
- Пользователь нажимает кнопки назад, потому что прогноз неверен
- Пользователь нажимает на другой вариант.
2. Высокая стоимость ремонта адаптивных ошибок: когда машина начинает автоматизировать поток пользователей, стоимость ремонта высока. Как только прогноз оказывается неверным, пользователю нужно щелкать несколько раз, чтобы вернуться на правильную траекторию.
В результате наиболее важной частью адаптивного пользовательского интерфейса на самом деле является:
- Планирование временного развития вашего дизайна. Ожидайте адаптации на основе данных, когда мы зарисовываем рабочие процессы, образы и сценарии использования.
- Разработка восстановления. Хорошие дизайнеры создают «элегантные (машинное обучение) ошибки».
Подводя итог, можно сказать, что от базового UX до адаптированного, промежуточный UX - это то, для чего проектировщик должен разрабатывать.
Случай 2 Инструменты поддержки принятия клинических решений на основе данных
Второй случай - это инструмент поддержки принятия клинических решений, который предлагает рекомендации по выбору пациента с имплантатом сердечного насоса. Имплантация сердечной помпы - это операция с высоким риском и длительным восстановлением. Специалисты по анализу данных надеются, что этот инструмент поможет врачам принимать более правильные решения. Звучит как идеальное приложение для машинного обучения, но врачи редко используют этот инструмент в полевых условиях. Почему?
Спикер провел 14-дневное полевое наблюдение и 24 интервью и заключил следующие моменты:
- Имплантация сердечного насоса - важное решение. Большинство врачей решат сделать это, когда у них закончатся варианты. Когда это последний шаг и другого выхода нет, подсказка машины вам не нужна.
- Врачам не нужны дополнительные предложения, потому что вся медицинская бригада предоставляет информацию для поддержки принятия решения.
- Любой процент вероятности смерти ничего не значит для врача. Врачи просто спросят, опасен ли этот пациент или нет.
- Если пациент умирает после операции, это не значит, что решение неверное. Это может быть последний вариант, который есть у доктора, люди умрут, если не предпринять никаких действий.
- Определенно бывают особые случаи, когда пациент поступает в отделение неотложной помощи и нуждается в имплантации сердечного насоса напрямую, без наличия у врача его справочной информации. Однако, поскольку это редкий случай, машинное обучение в этих случаях не может помочь.
- Одно из возможных приложений состоит в том, что врач может использовать этот инструмент для своевременного направления пациента, не заставляя пациента проходить через весь медицинский процесс.
Этот инструмент определенно провален, но проблема в том, что вы не можете создать прототип, а построить его целиком, пока не осознаете его неудачу. Более того, без специалиста по данным и данных, дизайнеру трудно найти возможность для дизайна.
Итак, как проектировать с машинным обучением?
Цянь Ян взял интервью у опытных дизайнеров отрасли, и вот их ответы:
- Убедитесь, что задействован сбор данных.
- Интервью с выбросом (людьми, у которых есть особые паттерны), чтобы научиться.
- Пользователи всегда могут отказаться от нового ML.
- Еще один цикл разработки для принятия
- Для многих людей их ментальная модель в отношении ИИ является более странной. Если бы вы могли доверять незнакомцу, который может что-то за вас, эту задачу мог бы выполнить ИИ.
(например, . Когда в Inbox впервые появился двоичный классификатор для электронной почты, люди отключили его. Когда они перешли на четыре категории, люди начали адаптировать его.) - Раньше обучение дизайну было более качественным. Теперь дизайнер должен научиться проектировать с данными или даже сотрудничать с специалистом по данным. Дизайнер должен обладать базовыми статистическими знаниями, чтобы идентифицировать проблему и интерпретировать данные, чтобы понять человеческую ситуацию.
Ссылка
Цянь Ян Веб-сайт https://yangqian.myportfolio.com