Поскольку команды Data Science и UX все больше сотрудничают в проектах, связанных с персонализацией, рекомендациями и многим другим, нам необходимо работать по всем направлениям, чтобы создавать лучшие продукты.
Мы рады объявить о нашем кейсе MLUX за май 2022 года с участием Бенаса Скрипки из Expedia Group, старшего дизайнера продукта, и Виктории Лопес. Моралес, ведущий специалист по работе с данными, чтобы обсудить машинно-ориентированное проектирование и сотрудничество между командами по науке о данных и UX.
Как дизайнеры, которые отстаивают потребности и проблемы пользователей, одним из самых важных навыков, которыми должен обладать дизайнер продукта при работе с продуктами или функциями, основанными на машинном обучении, является сотрудничество с учеными по данным.
Алгоритмы машинного обучения обычно оптимизируют целевую метрику, полученную из бизнес-цели. В зависимости от варианта использования алгоритмы машинного обучения могут не учитывать пользовательский интерфейс, хотя в случаях использования, напрямую влияющих на конечного пользователя, совместная работа может обеспечить улучшенный результат.
Дизайнеры могут принести наибольшую пользу, участвуя в этапах ввода и вывода процесса машинного обучения, сотрудничая с учеными по данным, чтобы гарантировать, что правильные проблемы решаются для конечного пользователя правильным способом.
Определение потребностей в данных и модели является частью процесса формирования идеи. Возможности для сотрудничества здесь включают прогнозирование и определение дополнительных потребностей в данных и потенциальных мест для сбора данных из пользовательского интерфейса. Дизайнеры вместе с исследователем данных могут помочь определить, какая модель лучше всего подходит для решения в таких областях, как объяснимость или сложность. Специалисты по данным могут предоставить ранний анализ проблемной области, чтобы помочь направить дизайн-мышление.
Адаптация опыта и оценка модели являются частью процесса доставки. Например, понимание выходных данных модели и адаптация предлагаемого опыта на основе выходных данных. Специалисты по данным также могут работать с дизайнерами, чтобы оценить модель на основе усовершенствованных проектов, чтобы понять, достигает ли она желаемого результата.
Пример такого сотрудничества можно увидеть в добавлении к опыту дополнительных сборов данных, таких как отклонение рекомендации, для поддержки модели, а также будущих итераций, вместо сбора только неявных сигналов. Кроме того, дизайн и наука о данных могут сотрудничать, выбирая модель, которая подчеркивает важность функций и позволяет объяснить конечному пользователю, что помогает укрепить доверие и предотвратить путаницу в отношении того, почему отображаются определенные рекомендации.
Наука о данных должна быть основным членом команды разработчиков продукта или, по крайней мере, участвовать как на ранних, так и на поздних стадиях проектирования, даже если ресурсы ограничены. В некоторых организациях, где ресурсы науки о данных ограничены, основное внимание следует сместить на успешное начало проекта и совместную оценку опыта конечных пользователей.
Смотрите выступление Бенаса и Виктории на нашем YouTube-канале:
О встрече машинного обучения и взаимодействия с пользователем («MLUX»)
Мы рады создавать будущее интеллектуальных продуктов, ориентированных на человека, и считаем, что первым шагом к этому является объединение специалистов по UX и науке о данных/машинному обучению, чтобы они могли собираться вместе и учиться друг у друга на регулярных встречах, технических беседах, панели и мероприятия (проходящие удаленно).
Хотите узнать больше? Присоединяйтесь к нашей встрече, узнавайте первыми о наших мероприятиях, присоединившись к нашему списку рассылки, смотрите прошедшие мероприятия на нашем канале YouTube strong>, и подписывайтесь на нас в Twitter (@mluxmeetup) и LinkedIn.