您的位置:首頁>正文

機器學習時代的體驗設計(上):對創造人類行為學習系統的設計師和資料學家的啟示

一般來講, 數位服務的體驗遵循預定義的用戶旅程, 具有明確的狀態和動作。 一直以來, 設計師的工作一直是創建線性工作流,

並將其轉化為可以理解和不引人注目的體驗。 但是這種情況可能會成為過去時。

過去6個月, 我一直在BBVA Data&Analytics(D&A)任職一個相當獨特的職位, 這是一家卓越的財務資料分析中心。 我的工作是利用新興的機器學習技術, 使用戶體驗設計得到提升平。

除此之外, 我的職責是為資料科學團隊帶來整體的體驗設計, 並使其成為演算法解決方案的生命週期(例如預測模型、推薦系統)的重要組成部分。 同時, 我會對設計團隊的體驗設計進行創造性和戰略性的優化(例如網上銀行、網上購物、智慧決策), 引導它們發展演變為“人工智慧”的未來。

事實上, 我通過促進設計師和資料科學團隊之間的交流合作, 來達到設計出由資料和演算法驅動的理想的和可行的使用者體驗的目的。

我們定義了一種不同的體驗設計, 即人類行為學習系統使用者體驗。 這是一個新的嘗試, 因為:

它創造了新的用戶體驗類型。 它重新定義了人與機器之間的關係。 它要求設計師和資料科學家之間緊密合作。

接下來將會具體闡述這些內容的含義。

新型使用者體驗

如今, 許多數位服務的設計不僅依賴於資料操作和資訊設計, 還依賴於使用者學習系統。 如果深入剖析這些系統, 我們會發現行為資料(例如人的交互, 系統交互)被作為內容提供給生成知識的演算法。 傳播知識的介面則使得體驗更加豐富。 理想情況下, 這種體驗會尋求明確的用戶操作或後臺關鍵事件資料來創建一個回饋迴圈, 該迴圈將為演算法提供學習材料。

舉個實際的例子。 你知道Spotify “發現每週”是如何工作的嗎?

“發現每週”是Spotify的自動音樂推薦“資料引擎”, 每星期專門為每個Spotify用戶量身定制兩小時的定制音樂推薦。

架構改編使得Spotify的“發現每週”的播放清單具有強大吸引力

“發現每週”的推薦系統利用Spotify使用者創建的數百萬個播放清單, 為公司的專業播放清單和那些擁有廣大粉絲群的播放清單帶來額外的權重。 該演算法試圖強化那些具有相似品味的用戶的聽歌習慣。 它有三個主要任務:

一方面, Spotify為每個使用者創建了個性化音樂品味的簡介, 將其劃分為藝術家和少數流派;另一方面, Spotify使用上億級的播放清單, 根據播放清單中歌曲的風格特點, 去建立具有相似音樂風格的播放清單每週它都會根據每個使用者的個人口味去創建推薦列表。 基本上, 如果一首最喜歡的歌曲與一首未曾聽過的歌曲一起出現在播放清單中,那麼它就會推薦那首新歌。

一般來說,“發現週刊”播放清單會推薦30首歌曲,這個歌曲清單的內容已經足夠多了,可以較好地去發現與個人品味相匹配的音樂。這樣做的好處是可以生成數千個新的播放清單,這些新的播放清單在一周後會回饋到演算法中以產生新的推薦。

這種回饋迴圈機制通常可以使現有的體驗實現個性化、優化或自動化的目的。同時,它們還會根據建議、預測或情景來創造機會去設計新的體驗。在D&A,我首次提出了一套不太全面的設計方法。

以下是其具體步驟:為探索而設計

如你所見,推薦系統可以説明發現已知的未知甚至未知的未知。例如,Spotify通過對使用者聽音樂的行為與數十萬其他使用者的聽音樂行為之間的匹配來定義個性化體驗,從而説明發現音樂。這種體驗至少面臨三個主要的設計挑戰。

首先,推薦系統傾向於創建一個“篩檢程式”,將建議(如產品、餐廳、新聞專案、人員連接)限制在一個與過往行為緊密聯繫的世界。為了避免這種問題,資料學家有時必須調整一些不太準確的演算法,並增加一些隨機性的建議。

最後,像Spotify這樣,依靠主觀推薦的系統可以使使用者對被推薦的內容擁有更多的主觀性和多樣性的選擇。這種人為清理資料集或減小機器學習演算法局限性的方法通常被稱為“人類計算”或“互動式機器學習”或“相關回饋”。

為決策而設計

資料和演算法也提供了個性化決策的手段。例如在D&A,我們開發了一套優秀的演算法為BBVA客戶提供財務建議。

例如,我們根據帳戶餘額的時間演變來劃分儲蓄行為。通過這種技術,我們可以根據每個客戶節省資金的能力來設計個性化投資機會。

這種決策性的演算法對準確度有更高的要求,因為它們往往依賴於只能提供真實情況的資料集。在財務諮詢的案例中,客戶可以在不同銀行操作多個帳戶,從而避免對儲蓄行為的洩漏。目前來看這是一個比較好的設計實踐,因為它可以讓用戶隱晦或明確地提供不良資訊。資料學家的責任是明確回饋類型,從而豐富他們的模型,而設計師的工作是找到構成體驗組成部分的方法。

為不確定性而設計

傳統上講,電腦程式的設計遵循的是二進位的邏輯,即通過將具有明確的、有限集合的、具體的和可預測的狀態轉換成工作流程來實現 。機器學習演算法使用一種模糊邏輯來改變這種情況。它們的目的是尋找一組大概率接近樣本行為規則的模式(參見Patrick Hebron的《為設計者的機器學習》一文中關於此定義的更加具體的介紹)。這種方法包含一定程度的不精確和不可預知的行為。它們經常會回饋一些關於已有資訊精確度的提示。

“Seamful design故意向用戶展示“接縫”,並利用通常被認為是消極或有問題的特徵”。

Seamful design 利用失敗和局限來改善體驗。它通過收集用戶對於不良設計細節的建議來改善系統。DJ Patil描述了Data Jujitsu中的巧妙設計。

其他類型的機器學習演算法運用精確度和召回率來處理接縫。

精確度評分體現了提供完全符合需求的結果的能力。(精確度指的是演算法推送的內容與使用者喜好的匹配程度)召回率評分體現了提供大量可能的好建議的能力。(召回率指的是演算法推送的內容與使用者喜好匹配的內容的占比)

演算法的理想之處在于提供高精確度和高召回率。不幸的是,精確度和召回率往往相互矛盾。在許多資料分析系統中,設計決策經常需要在精度與召回率之間進行折中選擇。例如,在Spotify 的發現週刊中,必須根據推薦系統的性能來決定播放清單的大小。提供30首歌曲推薦的大播放清單可以凸顯Spotify的信心,足夠多的推薦歌曲增加了用戶獲取完美推薦的幾率。

為參與而設計

今天,我們在網上閱讀資訊是基於自身行為和其他用戶的行為產生的。演算法通常會評估社交和新聞內容的相關性。這些演算法的目的是通過推送內容獲取更高的參與度或通過發送通知來建立用戶閱讀習慣。顯然這些為我們所採取的行動並不一定是從我們自身利益出發。

可以說,我們進入了注意力經濟時代,主要的線上服務正在努力吸引人們,盡可能長時間吸引他們的注意力。他們的業務是讓用戶在其平臺上盡可能長時間的頻繁操作。但是這也帶來了差的體驗,這些體驗經常伴隨著諸如懼怕錯過資訊(FoMO)或其他困擾情緒,以此來麻痹用戶的參與。

注意力經濟的“演員”也使用麻痹使用者的方法,例如根據使用時長給予獎勵。這與老虎機中使用的機制完全相同。由此產生的體驗會促使服務(賭場)吸引使用者不斷地尋找下一個獎勵。我們的手機已經成為通知、警告、消息、轉發、喜歡的“老虎機”,有些用戶每天平均檢查150次,或者更多。今天,設計師可以使用資料和演算法來挖掘人們日常生活中的認知漏洞。這種新的能力對機器學習時代的設計原則提出了新要求(參見Aaron Weyenberg 的《優良設計的道德規範:連接時代的倫理原則)。

然而,用機器學習演算法設計的體驗並不一定會成為一種“賭場”體驗。

為時間高效利用而設計

設計一個與眾不同的而不是約定俗成的體驗有很多方式。事實上,像銀行這樣的組織有一定的優勢:它是一個以資料為基礎的行業,且不需要客戶花費大量的時間在他們的服務上。Tristan Harris的“時間高效利用運動”在這個層面上具有重要意義。他提倡使用資料緊密相關或完全不相關的體驗類型。這種技術可以保護用戶注意力和尊重人們的時間。twitter的“當你離開時……”是這種做法的一個很有說服力的案例。其它服務則善於提示與其互動的時間。這種體驗不是關注用戶留存量,而是關注交互的相關程度。

為內心平和而設計

資料學家擅長檢測正常行為和異常情況。在D&A,我們正在努力促進BBVA客戶內心平和,這種機制在情況良好的情況下能夠提供一種通用意識,並觸發更多關於異常情況的詳細回饋。

我們認為目前這一代機器學習給社會帶來了新的力量,同時也增加了創造者的責任。演算法存在偏差並且可能是資料來源固有的特徵。因此,尤其需要注意使演算法對於人們來說更清楚易懂,並且監管者可以對其進行審查,以瞭解其影響。實際上,這意味著演算法產生的內容應該保護使用者的興趣,並且應該解釋其評估的結果和使用的標準。

體驗設計其他相關的方面如下:

為公平而設計為溝通而設計為自動化而設計

可能還有更多方面的內容,期待更多人去發掘。

原文連結:https://medium.com/@girardin/experience-design-in-the-machine-learning-era-e16c87f4f2e2

本文由@百度UXC翻譯發佈于人人都是產品經理,未經許可,禁止轉載。

題圖來自PEXELS,基於CC0協議

如果一首最喜歡的歌曲與一首未曾聽過的歌曲一起出現在播放清單中,那麼它就會推薦那首新歌。

一般來說,“發現週刊”播放清單會推薦30首歌曲,這個歌曲清單的內容已經足夠多了,可以較好地去發現與個人品味相匹配的音樂。這樣做的好處是可以生成數千個新的播放清單,這些新的播放清單在一周後會回饋到演算法中以產生新的推薦。

這種回饋迴圈機制通常可以使現有的體驗實現個性化、優化或自動化的目的。同時,它們還會根據建議、預測或情景來創造機會去設計新的體驗。在D&A,我首次提出了一套不太全面的設計方法。

以下是其具體步驟:為探索而設計

如你所見,推薦系統可以説明發現已知的未知甚至未知的未知。例如,Spotify通過對使用者聽音樂的行為與數十萬其他使用者的聽音樂行為之間的匹配來定義個性化體驗,從而説明發現音樂。這種體驗至少面臨三個主要的設計挑戰。

首先,推薦系統傾向於創建一個“篩檢程式”,將建議(如產品、餐廳、新聞專案、人員連接)限制在一個與過往行為緊密聯繫的世界。為了避免這種問題,資料學家有時必須調整一些不太準確的演算法,並增加一些隨機性的建議。

最後,像Spotify這樣,依靠主觀推薦的系統可以使使用者對被推薦的內容擁有更多的主觀性和多樣性的選擇。這種人為清理資料集或減小機器學習演算法局限性的方法通常被稱為“人類計算”或“互動式機器學習”或“相關回饋”。

為決策而設計

資料和演算法也提供了個性化決策的手段。例如在D&A,我們開發了一套優秀的演算法為BBVA客戶提供財務建議。

例如,我們根據帳戶餘額的時間演變來劃分儲蓄行為。通過這種技術,我們可以根據每個客戶節省資金的能力來設計個性化投資機會。

這種決策性的演算法對準確度有更高的要求,因為它們往往依賴於只能提供真實情況的資料集。在財務諮詢的案例中,客戶可以在不同銀行操作多個帳戶,從而避免對儲蓄行為的洩漏。目前來看這是一個比較好的設計實踐,因為它可以讓用戶隱晦或明確地提供不良資訊。資料學家的責任是明確回饋類型,從而豐富他們的模型,而設計師的工作是找到構成體驗組成部分的方法。

為不確定性而設計

傳統上講,電腦程式的設計遵循的是二進位的邏輯,即通過將具有明確的、有限集合的、具體的和可預測的狀態轉換成工作流程來實現 。機器學習演算法使用一種模糊邏輯來改變這種情況。它們的目的是尋找一組大概率接近樣本行為規則的模式(參見Patrick Hebron的《為設計者的機器學習》一文中關於此定義的更加具體的介紹)。這種方法包含一定程度的不精確和不可預知的行為。它們經常會回饋一些關於已有資訊精確度的提示。

“Seamful design故意向用戶展示“接縫”,並利用通常被認為是消極或有問題的特徵”。

Seamful design 利用失敗和局限來改善體驗。它通過收集用戶對於不良設計細節的建議來改善系統。DJ Patil描述了Data Jujitsu中的巧妙設計。

其他類型的機器學習演算法運用精確度和召回率來處理接縫。

精確度評分體現了提供完全符合需求的結果的能力。(精確度指的是演算法推送的內容與使用者喜好的匹配程度)召回率評分體現了提供大量可能的好建議的能力。(召回率指的是演算法推送的內容與使用者喜好匹配的內容的占比)

演算法的理想之處在于提供高精確度和高召回率。不幸的是,精確度和召回率往往相互矛盾。在許多資料分析系統中,設計決策經常需要在精度與召回率之間進行折中選擇。例如,在Spotify 的發現週刊中,必須根據推薦系統的性能來決定播放清單的大小。提供30首歌曲推薦的大播放清單可以凸顯Spotify的信心,足夠多的推薦歌曲增加了用戶獲取完美推薦的幾率。

為參與而設計

今天,我們在網上閱讀資訊是基於自身行為和其他用戶的行為產生的。演算法通常會評估社交和新聞內容的相關性。這些演算法的目的是通過推送內容獲取更高的參與度或通過發送通知來建立用戶閱讀習慣。顯然這些為我們所採取的行動並不一定是從我們自身利益出發。

可以說,我們進入了注意力經濟時代,主要的線上服務正在努力吸引人們,盡可能長時間吸引他們的注意力。他們的業務是讓用戶在其平臺上盡可能長時間的頻繁操作。但是這也帶來了差的體驗,這些體驗經常伴隨著諸如懼怕錯過資訊(FoMO)或其他困擾情緒,以此來麻痹用戶的參與。

注意力經濟的“演員”也使用麻痹使用者的方法,例如根據使用時長給予獎勵。這與老虎機中使用的機制完全相同。由此產生的體驗會促使服務(賭場)吸引使用者不斷地尋找下一個獎勵。我們的手機已經成為通知、警告、消息、轉發、喜歡的“老虎機”,有些用戶每天平均檢查150次,或者更多。今天,設計師可以使用資料和演算法來挖掘人們日常生活中的認知漏洞。這種新的能力對機器學習時代的設計原則提出了新要求(參見Aaron Weyenberg 的《優良設計的道德規範:連接時代的倫理原則)。

然而,用機器學習演算法設計的體驗並不一定會成為一種“賭場”體驗。

為時間高效利用而設計

設計一個與眾不同的而不是約定俗成的體驗有很多方式。事實上,像銀行這樣的組織有一定的優勢:它是一個以資料為基礎的行業,且不需要客戶花費大量的時間在他們的服務上。Tristan Harris的“時間高效利用運動”在這個層面上具有重要意義。他提倡使用資料緊密相關或完全不相關的體驗類型。這種技術可以保護用戶注意力和尊重人們的時間。twitter的“當你離開時……”是這種做法的一個很有說服力的案例。其它服務則善於提示與其互動的時間。這種體驗不是關注用戶留存量,而是關注交互的相關程度。

為內心平和而設計

資料學家擅長檢測正常行為和異常情況。在D&A,我們正在努力促進BBVA客戶內心平和,這種機制在情況良好的情況下能夠提供一種通用意識,並觸發更多關於異常情況的詳細回饋。

我們認為目前這一代機器學習給社會帶來了新的力量,同時也增加了創造者的責任。演算法存在偏差並且可能是資料來源固有的特徵。因此,尤其需要注意使演算法對於人們來說更清楚易懂,並且監管者可以對其進行審查,以瞭解其影響。實際上,這意味著演算法產生的內容應該保護使用者的興趣,並且應該解釋其評估的結果和使用的標準。

體驗設計其他相關的方面如下:

為公平而設計為溝通而設計為自動化而設計

可能還有更多方面的內容,期待更多人去發掘。

原文連結:https://medium.com/@girardin/experience-design-in-the-machine-learning-era-e16c87f4f2e2

本文由@百度UXC翻譯發佈于人人都是產品經理,未經許可,禁止轉載。

題圖來自PEXELS,基於CC0協議

同類文章
Next Article
喜欢就按个赞吧!!!
点击关闭提示