Наши приложения умны. Они могут предсказать, чего хотят наши пользователи. Они могут автоматизировать задачи и принятие решений. Они могут преобразовать непостижимо сложные данные в простые идеи. Некоторые даже могут поддержать беседу. Просто все наши приложения нашли элегантные способы использования аналитики для создания лучшего и более интеллектуального опыта для наших пользователей — это дает им безошибочное преимущество. Хотя сегодня может показаться, что мы освоили интеллектуальное приложение, так было не всегда — нам приходилось долго и упорно думать о том, как внедрить сложную аналитику в качестве развивающейся (часто невидимой) парадигмы взаимодействия с пользователем (в основном изучающей трудный путь) в наших приложениях. В ходе недавней дискуссии, которую я организовал в Чикаго в 1871 году, мы поделились опытом нашей команды в этом направлении и дали несколько стратегических указаний. Вот некоторые из основных моментов:

1. Начните со своего пользователя (всегда).

«Я хочу построить нейронную сеть!»

— Кто-то глупый.

Нет, нет. Вы действительно просто хотите использовать аналитику для создания лучшего пользовательского опыта — для вашего пользователя. Возможно, в далеком будущем это требование проявится в виде машинного обучения, но сегодня просто сосредоточьтесь сначала на своем пользователе — то есть, что ему нужно делать? — — тогда — → как мы можем использовать аналитику для этого?

Например, у нас есть продукт под названием Traena, который использует «управляемый искусственным интеллектом» канал для предоставления пользователю соответствующих обучающих материалов через мобильное приложение. Как и в любом другом приложении, мы в первую очередь сосредоточились на пользовательской истории. В частности, мы знали, что пользователю нужно учиться (ага), и обучение будет происходить лучше всего, если предоставить ему обучающий контент, соответствующий его потребностям и интересам (двойное ах). Понимая эту пользовательскую историю, мы разложили ее на функцию (ленту), технические требования (реагировать на нативные, эластисеч, кинезис, конвейер данных и т. д.) и требования к аналитике (методы совместной фильтрации). Проще говоря, мы начинаем с пользователя и относимся к требованиям аналитики так же, как к техническим требованиям — не так уж сложно или иначе, верно?

2. Будьте осмотрительны в сотрудничестве/образовании/обучении.

Аналитика — это, по большей части, чуждое понятие для владельцев продуктов, дизайнеров UX/UI и даже инженеров. Это создает некоторые очевидные проблемы на нескольких этапах процесса разработки продукта. Во время создания идеи владельцы продукта и креативщики упускают возможность включить аналитику для управления определенным взаимодействием или функцией; во время архитектуры или разработки инженеры упускают возможность собрать ценные данные, которые впоследствии могут подпитывать интеллект приложения. С другой стороны, специалисты по обработке и анализу данных часто остаются в стороне, потому что на начальном этапе нет никаких данных, которые можно было бы посмотреть или использовать.

Итак, мой совет прост: во-первых, всегда привлекайте специалистов по обработке и анализу данных к решению и будьте осторожны при сборе данных/требований к аналитике на раннем этапе; во-вторых, участвуйте в непрерывном обучении в командах, чтобы выделить варианты использования и основные методы — если все понимают «мир возможного», это улучшит межфункциональную синхронизацию и позволит лучшим идеям передаваться между командами и в продукты. Будьте осмотрительны при включении их во все этапы процесса разработки вашего продукта — в большинстве случаев это просто означает присутствие аналитика в комнате и спрашивание его мнения — это легко.

3. Сделайте свой UX/UI устойчивым к сбоям (даже допускайте сбои).

Ваш ИИ/машинное обучение/движок записи/featureX поначалу будут отстойными (возможно, всегда) — они будут сильно ошибаться. Команды должны активно принимать во внимание последствия неудач аналитики для UX. Если вариант использования — персонализация, насколько она будет точной? Какой ущерб наносит неправильная рекомендация (например, Netflix, перестаньте рекомендовать «Зверополис»)? Если вариант использования — автоматизация решения/задачи, как пользователь остается вовлеченным? Как вы все еще заставляете их чувствовать себя под контролем и избегать ошибок? Если аналитика используется для персонификации приложения (например, Siri, Alexa, Cortana и т. д.), как они относятся к «персонажу» (я сам вроде как сторонник Alexa)? Мы давно прошли эпоху Clippy, но мы не должны легко забывать — и, чтобы избежать ошибок наших предков, мы должны активно изучать, как наше использование аналитики может повлиять на опыт и психологию наших пользователей. Задавайте эти вопросы, особенно при общении со своими пользователями — позже они скажут вам спасибо. С точки зрения тактики, начните с включения переопределения пользователем или альтернативных парадигм взаимодействия помимо ИИ.

4. Дайте аналитике развиваться естественным образом (не торопитесь).

Нет такой вещи, как «от нуля к глубокому обучению». Вам нужны данные, и вам нужны открытия, прежде чем вы действительно сможете создать сложные аналитические сервисы. Думайте о росте аналитических услуг как об аналоге когнитивного развития и образования человека. В раннем возрасте (в детстве) вы взрослеете благодаря обширным открытиям и наблюдениям; Точно так же вам нужно начать развивать свои аналитические услуги с помощью исследовательского анализа данных и исследований пользователей, широко исследуя сферу возможностей. После того, как вы определите ценную возможность, вы сможете дальше развивать свою модель или услугу посредством более структурированных экспериментов и проверки гипотез, по-прежнему тестируя/испытывая множество возможностей; эта вторая эволюционная стадия аналогична нашему развитию через структурированное начальное образование — по-прежнему широкое по теме и оставляющее открытым множество вариантов. После того, как вы подтвердите конкретную возможность, пришло время развиваться, оттачивать и углублять ее понимание и ценность с помощью применения в производственной системе и автоматизации ее созревания; это эквивалентно обучению в рамках вашей профессии — обучению в «реальном мире», если хотите. Короче говоря, аналитические сервисы взрослеют, как люди, — начинают широко и структурировано и извлекают выгоду из возможностей по мере их появления.

5. Потерпеть неудачу целенаправленно.

«Неудача — это просто возможность начать заново, на этот раз более разумно». - Генри Форд

Это может показаться очевидным (повторение из № 3), но неудача является критическим элементом обучения; Я имею в виду это в контексте как машин, так и людей. Алгоритм машинного обучения, по сути, использует массовые неудачи для самообучения. Люди, то же самое. Мы должны коснуться плиты, чтобы понять, что она болит. В эволюции аналитики (науки в целом) мы обнаруживаем ту же парадигму обучения, основанную на неудачах. Вы должны испробовать массу различных аналитических техник и методов, чтобы выяснить, что именно работает, а что нет. Конечно, вы можете сделать некоторые обоснованные предположения относительно того, что может быть эффективным, но вы никогда не узнаете наверняка, пока не сформулируете эту гипотезу, не проверите ее и в большинстве случаев потерпите неудачу. Быстрый поиск неудач поможет вам использовать возможности и в конечном итоге найти правильный путь. Кроме того, как только вы решите, что нашли возможность/ценность, продолжайте совершенствовать свой подход в поисках чего-то лучшего — постоянные неудачи заставят вас двигаться вперед быстрее.

Вывод

В общем, штука сложная. Для этого требуется развитая база знаний, дисциплинированный подход, другая структура команды и комфорт при повторяющихся неудачах (преднамеренных/запланированных неудачах). Наша команда нашла простоту в принципе подхода — это приводит нас к сложным, ценным результатам. Мой лучший совет для вас: начните экспериментировать со своим собственным подходом — думайте, тестируйте, повторяйте, ошибайтесь, развивайтесь — и продолжайте это делать.