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

  1. Пользователь скачивает приложение. Машина начинает собирать поведение пользователей. Какой маршрут они используют чаще всего? В какое время они проверяют информацию? …
  2. Приложение пытается предсказать поведение пользователей и автоматизировать поток пользовательского интерфейса. Иногда что-то идет не так, но со временем точность должна улучшаться.
  3. Приложение прекрасно понимает, чего хотят пользователи, и дает соответствующие предложения.

Так в чем же проблема этого сценария?

  1. 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:

  1. Планирование временного развития вашего дизайна. Ожидайте адаптации на основе данных, когда мы зарисовываем рабочие процессы, образы и сценарии использования.
  2. 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:

  1. 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.
  2. Врачам не нужны дополнительные предложения, потому что вся медицинская бригада предоставляет информацию для поддержки принятия решения.
  3. Любой процент вероятности смерти ничего не значит для врача. Врачи просто спросят, опасен ли этот пациент или нет.
  4. 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.
  5. 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.
  6. 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:

  1. Убедитесь, что задействован сбор данных.
  2. Интервью с выбросом (людьми, у которых есть особые паттерны), чтобы научиться.
  3. Пользователи всегда могут отказаться от нового ML.
  4. Еще один цикл разработки для принятия
  5. 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.)
  6. 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