機器學習時代的體驗設計（下）：對創造人類行為學習系統的設計師和數據學家的啟示

廣泛應用AI首先需要理解如何構建用戶界面，從而將這些系統的強大功能交付給用戶。

人與機器之間的新關係

在上一篇文章中，我們會發現機器學習驅動的用戶體驗不是線性的，也不是基於靜態的業務和設計規則的。它們會根據人類行為進行演變，並通過不斷變化的數據模型進行更新。每件產品或服務彷彿都有生命一般，就像如穀歌的工作人員說的那樣：“ 這是一項與眾不同的工程”。

我認為這也是一種與眾不同的設計。例如，亞馬遜將Echo定義為一台“隨著時間的推移不斷學習和增加更多功能”的設備，這個描述突出了我們需要為學習人類行為的用戶體驗系統進行設計的必要性。

機器學習的設計。圖像來源：Mike Kuniavsky《物聯網的預測行為的用戶體驗》

因此，除了要考慮首次接觸和使用產品的體驗之外，對於這類產品或服務而言，設計師同時需要考慮在使用1小時、1天、1年等時間後的體驗。

從Edyn花園傳感器的宣傳視頻中，我們可以發現體驗隨著時間的不斷演變：從建立照料花園的新習慣，到顯示植物的未知情況，再到表達出對關鍵指標的信任，最後到保證一定程度的自動化灌溉時的高效時間利用。（注：此處的解釋與上一篇文章中提到的機器學習時代用戶體驗的設計法則內容相呼應）

在設計這類數據產品時，設計師需要考慮各種情況，不光要考慮產品對人有用的情況，同時也要考慮到那些令人失望、尷尬、煩惱或停止工作等情況。

“離線體驗（offboarding experience）”的設計可能與“在線體驗（onboarding experience）”一樣重要。例如，據稱有三分之一的Fitbit用戶在6個月內停止佩戴該設備。這些數百萬個被遺棄的設備會發生什麼？它們生成的個人的數據會發生什麼變化？有什麼機會在不同的用戶體驗中使用它們？

通過不斷向算法提供行為數據來實現演變的產品（例如Fitbit）是不可避免地走向滅亡的產品。資料來源：數據產品的生死攸關。另請參閱Megan Erin Miller《了解服務體驗的生命週期》

有一種新的方式可以解決在數字與產品分離之後的出現的問題。數字服務工作在日益龐大的生態系統上，但用戶數據往往呈現中心化的趨勢。試想一下云信用的概念，它允許人們使用基於與另一種服務之間的關係的來使用其它服務。（注：芝麻信用的模式）

展望不久的將來，自然語言處理、知識表達、語音識別和自然語言生成方面的最新突破可以與機器建立更微妙和更強的關係。在幾次迭代中，亞馬遜的Echo可能會變得更加智能。人類學家Genevieve Bell預言了一種潛在演變：在AI的下一個浪潮中，人機交互到人機關係的轉變是根植於人類文化和歷史之中的：

“目前的人機交互框架並不是關於推薦系統的（目前大多數AI產品是這樣做），但從根本上來說，其實是關於教育和關懷。如果現在的產品能夠向這兩個方向靠攏，那麼我們就會處在一個從討論人機交互轉向人機關係的非常有趣的時刻。”

—— Genevieve Bell

在本節中，我們會發現算法已經逐漸融入到我們的日常生活中，數據為不斷演變的關係提供了支撐。這種演變需要設計師和數學家之間密切合作。

設計師和數據學家之間的合作關係

通過目前的工作經驗來展望數據和算法的用戶體驗，我發現它跟目前以人為中心的設計的做法是不同的。在D＆A，數據學家的角色已經從反應模型和A / B測試開發人員提升為積極的合作夥伴，他們會思考工作的意義。我們的數據科學團隊已經變成了直接與工程師、設計師和產品經理合作的團隊。

當設計符合科學

在塑造體驗的時候，我們會利用thick data和定性信息，來思考對人們生活的洞察（注：thick data為定性研究的相關信息，參見：為什麼大數據需要thick data），大數據來源於數以百萬計的人的行為數據集合以及每個個體生成的“small data”。

傳統上，設計師專注於從服務、功能或產品來定義體驗。他們將這個概念融入到與之相關的更大的生態系統中。數據學家開發的算法將支持這種體驗，並通過A / B測試進行評估。

在D＆A工作的頭幾周里，我發現設計師和數據學家經常陷入僵持的交流中，這種交流通常聽起來像這樣：

設計師：你好！你的數據和算法可以告訴我什麼？

數據學家：呃…你想知道什麼？

產生這種情況的主要問題是缺乏對彼此的實踐和目標的共同理解。例如，設計師將情境轉化為一種體驗形式。數據學家將數據和模型的內容轉化為知識。設計師經常採用可以適應不斷變化的環境和評估方式的設計路徑。

數據學家則傾向於採用類似於中心設計的方式，這種方式機械性更強但是靈活性更差。他們會嚴格遵循科學方法，認為這個方法是一個不斷改良的循環過程。

一個恰當的研究問題有助於定義在原型階段產生的假設和模型類型。這些模型是在產品得以上線生產之前建立起來的評估算法，我們稱之為“data engine-數據引擎”。每當“數據引擎”所支持的體驗沒有達到預期的效果時，就需要經歷一個重新構建問題、繼續不斷細化的循環過程。

數據科學方法及其持續評價和細化的循環過程

接觸點

科學的方法和任何設計方法一樣，形成、作出新的評估與推進新的迭代都是必要的。然而，這不是一個開放式的過程。它有一個明確的開始和結束，但沒有明確的時間表。數據學家Neal Lathia認為，“ 跨學科的工作很難，直到你們使用同一種語言 ”。

另外，我相信設計師和數據學家必須沉浸在對方的實踐中才能建立一個共同的節奏。到目前為止，我已經為設計師和數據科學家編寫了幾個重要的接觸點，以便為算法提供有意義的用戶體驗。它們是：

1、共同創造包含優先事項、目標和範圍的體驗及解決方案的切實可行的構想

通過定量調查、桌面研究和實地調研的洞察評估任何假設；

2、從願景和研究中闡明關鍵問題。這些問題可以是：團隊是否提出正確的問題；算法是否可以提供可操作的解決方案

3、了解給出解決方案的數據模型的所有局限性；

4、指定一個理想體驗的成功指標，並在測試發布之前對其進行驗證評估。驗證階段作為項目的完成點，並且必須將其定義為項目目標的一部分（例如，將建議召回率提高5％，檢測到85%的將要違約的客戶）；

5、評估“數據引擎”對用戶體驗的影響。正如Neal Lathia指出的那樣，數據學家對算法進行“離線”操作，並且評估與實際用戶體驗提升相關的改進是非常困難的。

這種相互作用的協作表明了我正在試圖闡明的一種新型設計。青蛙設計的CEO-Harry West在最新的一篇文章中提出了“系統行為設計”一詞：

“以人為本的設計已經從對象設計（工業設計）擴展到體驗設計（增強交互設計，視覺設計和空間設計），下一步將是系統行為設計：決定自動化或智能係統行為的算法的設計“

—— Harry West

願景驅動的協作關係

到目前為止，我認為“生活體驗”是數據科學與設計的交匯點。對於設計師和數據學家來說，不可缺少的第一步是建立一個切實的願景和結果（如體驗、解決方案、優先事項、目標、範圍和可行性意識）。 Airbnb的產品總監Jonathan Golden稱這是一種以願景驅動的產品管理方法：

“公司的願景就是你想要這個世界看起來像五年後的樣子。團隊協作將幫助公司實現這個目標。“

—— Jonathan Golden

然而，這個概念化階段要求的願景呈現不僅僅是在董事會議上播放一個完美的ppt。因此，我的方法是聘請設計/科學合作夥伴來設計。它與亞馬遜的CTO—— Werner Vogels所描述的“ Working Backwards”相似：

“從客戶出發，並“向後”推演工作，直到你實現以最低的技術要求實現想要達到的目標。我們的目標是通過持續、明確的客戶關注點來推動精簡化。“

—— Werner Vogels

通過與設計故事相結合的思考，創造一種具有潛在未來的技術來述說現在。由 Futures Cones和Matt Jones開發的圖表：《跳到最後——實用設計說明》

設計故事的目的是使以下方面有形化，包括：技術的變革，設計語言、儀式、特別的時刻、挫折、“離線體驗”等。它有助於項目的不同利益相關者參與到重要問題中，以了解目標體驗意味著什麼以及團隊為什麼要共同構建這個體驗。

購買下一代Garden Sensor有什麼意義？你能用它做什麼？你不被允許做什麼？你不會再做什麼？首次使用人們如何和這個技術進行交互？然後在一個月，一年或者更長的時間裡如何進行常規的交互？具有創造性和切實可行的解決辦法可能會在項目開始之前就產生，有時甚至從創建虛擬的客戶評論、用戶手冊、新聞稿、廣告就開始了。這些材料是將未來帶到現實的一種方式，抑或是我們所說的“近未來實驗室”：

“設計故事充當了討論和評估變革的依據，這種變化可能會改變人們所期望的願景和必要的計劃。”

在D＆A，這意味著我通過為數據學家和設計師的研究創建一個切實可行的願景來將他們緊密團結起來。首先，我們列出正在進行的調研問題。

然後，我們將他們的演變映射到2-3次迭代中，以便了解：技術未來會是什麼樣的？它可以在什麼場景下使用？誰會使用它，以及會是什麼類型的體驗？每個參與者通過講故事的方式，使用虛構的廣告模板來講述他們的解決方案。最後將它們歸類為未來的概念。

我們收集所有的材料，並推廣最有前景的概念。之後，我們在內部通過一系列的文章和視頻廣告來分享這些成果，這些文章和廣告會從我們的觀點（可能的）和用戶的觀點（理想的）來描述體驗的主要特點、屬性以及性質。

這種類型的虛構材料可以讓設計師和數據學家感受並獲得對技術和體驗的直觀理解。這些成果有助於建立聲譽、爭取支持、回應質疑、創造動力和分享共同的願景。最後，不同觀點的人的反饋可以幫助預測機遇和挑戰。

設計特點

在這篇文章中，我認為，隨著機器學習和“人工智能”的發展，設計師和數據學家都有責任理解如何塑造改善生活的體驗。或者正如Greg Borenstein在《向用戶致敬：一個未知的研究群體如何掌握關鍵技術來使用人工智能解決真正人類問題》一文中指出的：

“廣泛應用AI首先需要理解如何構建用戶界面，從而將這些系統的強大功能交付給用戶。”

—— Greg Borenstein

這種系統行為設計代表了以人為中心設計變革的未來。到目前為止，我在機器學習時代創造有意義的體驗的過程中，發現其具有以下特徵：

反饋： 數據是行為學習系統的用戶體驗的生命線。通過精心設計的反饋循環機制，確保系統得到適當的數據補充。
關係： 數據和學習算法的結合可以引發多種體驗的變革。定義人與機器之間的關係，例如創造符合人們興趣的習慣、找到已知的未知、發現未知的未知、傳達某種內心平和的狀態、或者重視時間高效利用。此外，當事情開始變得令人失望、尷尬、煩惱、停止工作或有用時，準備“離線體驗”的關鍵時刻就到來了。
Seamfulness（有縫性） ：考慮將算法的能力和缺陷作為體驗的一部分。例如，預測與通知不同，設計者必須考慮預測中的不確定性將如何支撐用戶行為。