機(jī)器學(xué)習(xí) (ML) 是幫助計(jì)算機(jī)揭示數(shù)據(jù)模式與關(guān)系(而不是依靠手工編程)的科學(xué)。機(jī)器學(xué)習(xí)是一個(gè)強(qiáng)大的工具，可用于打造個(gè)性化的動(dòng)態(tài)體驗(yàn)。機(jī)器學(xué)習(xí)已經(jīng)有力地推動(dòng)了從 Netflix 建議到自動(dòng)駕駛汽車等各項(xiàng)技術(shù)的發(fā)展。然而，隨著使用機(jī)器學(xué)習(xí)打造的體驗(yàn)越來(lái)越多，顯而易見(jiàn)的是，用戶體驗(yàn) (UX) 設(shè)計(jì)者仍然需要更多地了解如何讓用戶感覺(jué)自己能輕松駕馭科技(而不是反之)。

正如移動(dòng)革命以及之前網(wǎng)絡(luò)技術(shù)的興起一樣，機(jī)器學(xué)習(xí)將促使我們對(duì)我們構(gòu)建的幾乎所有體驗(yàn)進(jìn)行反思、重構(gòu)、置換和考量，從而開(kāi)辟全新可能。在 Google 用戶體驗(yàn)社區(qū)，我們啟動(dòng)了一個(gè)“以人為中心的機(jī)器學(xué)習(xí)”(HCML) 項(xiàng)目，旨在幫助聚焦和引導(dǎo)上述對(duì)話。從這個(gè)角度出發(fā)，我們審視了各個(gè)產(chǎn)品，以查看機(jī)器學(xué)習(xí)如何能夠以人類需求為中心并以機(jī)器學(xué)習(xí)所獨(dú)有的方式來(lái)滿足這些需求。

在 Google，我們團(tuán)隊(duì)與公司內(nèi)部用戶體驗(yàn)設(shè)計(jì)者合作，探討如何加速核心機(jī)器學(xué)習(xí)概念的開(kāi)發(fā)，了解如何將機(jī)器學(xué)習(xí)集成到用戶體驗(yàn)工具腰帶中以及如何確保以包容的方式構(gòu)建機(jī)器學(xué)習(xí)和人工智能 (AI)。

如果您剛剛開(kāi)始接觸機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)領(lǐng)域的復(fù)雜性以及***的創(chuàng)新機(jī)遇可能讓您感覺(jué)無(wú)所適從。不必恐慌，先停下來(lái)，給自己留點(diǎn)時(shí)間適應(yīng)一下。您并不需要從頭開(kāi)始，也可以在團(tuán)隊(duì)中發(fā)揮重要作用。

為了幫助設(shè)計(jì)師適應(yīng)設(shè)計(jì)機(jī)器學(xué)習(xí)驅(qū)動(dòng)的產(chǎn)品這一全新領(lǐng)域，我們提出了七個(gè)觀點(diǎn)。這些觀點(diǎn)源自我們與 Google 用戶體驗(yàn)和人工智能團(tuán)隊(duì)的合作(并進(jìn)行了必要的試驗(yàn)，允許合理的錯(cuò)誤數(shù)量)，將幫助您遵循用戶優(yōu)先的原則，實(shí)現(xiàn)快速迭代，了解機(jī)器學(xué)習(xí)帶來(lái)的獨(dú)特機(jī)遇。

我們開(kāi)始吧!

1. 不要指望機(jī)器學(xué)習(xí)去思考它要解決什么問(wèn)題

現(xiàn)在，圍繞機(jī)器學(xué)習(xí)和人工智能的宣傳鋪天蓋地，天花亂墜。許多公司和產(chǎn)品團(tuán)隊(duì)不是首先關(guān)注他們要解決什么重大問(wèn)題，而是一開(kāi)始就直奔以機(jī)器學(xué)習(xí)作為解決方案的產(chǎn)品戰(zhàn)略。

[[203836]]

這種模式對(duì)純粹探索或了解某項(xiàng)技術(shù)的作用很有用，并且常常會(huì)啟迪對(duì)新產(chǎn)品的思索。然而，如果您并未瞄準(zhǔn)人類需求，那么您只是在構(gòu)建一套非常強(qiáng)大的系統(tǒng)來(lái)解決一個(gè)很小、也許根本不存在的問(wèn)題。

因此，我們的***個(gè)觀點(diǎn)便是您仍然需要一如既往地努力發(fā)掘人類的需求。這涉及到人種學(xué)、背景查詢、采訪、深入研究、調(diào)研、查閱客戶支持服務(wù)單據(jù)、日志分析并與人們接觸，以弄清楚您是否正在解決某個(gè)問(wèn)題或是滿足某個(gè)未曾言明的人類需求。不要指望機(jī)器學(xué)習(xí)去思考它要解決什么問(wèn)題。我們?nèi)匀恍枰x問(wèn)題。作為用戶體驗(yàn)設(shè)計(jì)者，我們已經(jīng)擁有指導(dǎo)我們團(tuán)隊(duì)的工具，無(wú)論主流的技術(shù)范式為何。

2. 詢問(wèn)自己機(jī)器學(xué)習(xí)是否能以獨(dú)特方式解決問(wèn)題

一旦您確認(rèn)您需要滿足哪些需求之后，您將需要評(píng)估機(jī)器學(xué)習(xí)是否能夠以獨(dú)特方式滿足這些需求。有許多符合前述條件的問(wèn)題并不需要機(jī)器學(xué)習(xí)解決方案。

目前，產(chǎn)品開(kāi)發(fā)中的一大挑戰(zhàn)是確定哪些體驗(yàn)需要機(jī)器學(xué)習(xí)，哪些體驗(yàn)可通過(guò)機(jī)器學(xué)習(xí)得到實(shí)質(zhì)性增強(qiáng)，哪些體驗(yàn)不能通過(guò)機(jī)器學(xué)習(xí)得到改善，甚至?xí)词芷浜ΑＳ泻芏喈a(chǎn)品無(wú)需使用機(jī)器學(xué)習(xí)，也可以讓人感覺(jué)很“智能”或“人性化”。不要想當(dāng)然地認(rèn)為只有機(jī)器學(xué)習(xí)才能解決問(wèn)題。

▲ Gmail 會(huì)查找包含類似“attachment”和“attached”之類詞語(yǔ)的短語(yǔ)，以便在您忘記插入附件時(shí)彈出提醒。啟發(fā)式設(shè)計(jì)在這里就很有效。盡管機(jī)器學(xué)習(xí)系統(tǒng)很可能能夠捕獲更多的潛在失誤，但其構(gòu)建成本卻要高得多。

我們?cè)O(shè)計(jì)了一組練習(xí)來(lái)幫助團(tuán)隊(duì)理解機(jī)器學(xué)習(xí)對(duì)于其用例的價(jià)值。為此，這些練習(xí)深入探究人們?cè)谂c機(jī)器學(xué)習(xí)系統(tǒng)交互時(shí)可能提出的具體心智模式和期望以及該系統(tǒng)需要哪些數(shù)據(jù)。

以下是我們讓團(tuán)隊(duì)圍繞他們要使用機(jī)器學(xué)習(xí)解決的用例進(jìn)行研究和解答的三個(gè)示例練習(xí)：

• 描述理論上的人類“專家”目前執(zhí)行此任務(wù)的方法。
• 如果您的人類專家要執(zhí)行此任務(wù)，您如何為他們提供響應(yīng)，以便他們?cè)谙乱淮文芨倪M(jìn)方法?對(duì)于混淆矩陣中的所有四個(gè)階段均執(zhí)行上述步驟。
• 如果由人類來(lái)執(zhí)行此項(xiàng)任務(wù)，用戶會(huì)希望他們做出哪些假設(shè)?

請(qǐng)花幾分鐘時(shí)間回答各個(gè)問(wèn)題，了解人類能為機(jī)器學(xué)習(xí)驅(qū)動(dòng)的產(chǎn)品提供的自動(dòng)假設(shè)。這些假設(shè)如同產(chǎn)品團(tuán)隊(duì)在探討產(chǎn)品時(shí)的提示一樣重要，或者如同用戶研究時(shí)的刺激一樣有用。我們稍后講解定義標(biāo)簽和訓(xùn)練模型時(shí)還會(huì)再講到這方面的內(nèi)容。

在完成這些練習(xí)以及特定產(chǎn)品和功能的其他一些草圖和串連圖板后，我們將團(tuán)隊(duì)關(guān)于產(chǎn)品的各種想法分別寫入一個(gè)簡(jiǎn)單的 2x2 網(wǎng)格中：

▲ 將想法寫入這個(gè) 2x2 網(wǎng)格中。讓團(tuán)隊(duì)投票選擇哪些想法能夠給用戶帶來(lái)***的影響，哪些想法通過(guò)機(jī)器學(xué)習(xí)解決方案可以得到***程度的加強(qiáng)。

這有助于我們區(qū)分作用顯著的想法和作用不大的想法，區(qū)分能夠通過(guò)機(jī)器學(xué)習(xí)加以增強(qiáng)的想法和機(jī)器學(xué)習(xí)對(duì)其無(wú)甚幫助或幫助不大的想法。在這些對(duì)話期間，您應(yīng)該已經(jīng)開(kāi)始與工程團(tuán)隊(duì)合作，但如果您尚未開(kāi)始合作，那現(xiàn)在正是參照機(jī)器學(xué)習(xí)的發(fā)展現(xiàn)狀衡量一下這些想法的好時(shí)機(jī)。您應(yīng)當(dāng)首先專注于機(jī)器學(xué)習(xí)能夠以獨(dú)特方式給用戶帶來(lái)***影響(見(jiàn)上述矩陣右上角)的想法。

3. 利用個(gè)人數(shù)據(jù)和向?qū)нM(jìn)行模仿

原型設(shè)計(jì)是機(jī)器學(xué)習(xí)系統(tǒng)面臨的一大挑戰(zhàn)。如果您的產(chǎn)品的所有價(jià)值在于使用獨(dú)特的用戶數(shù)據(jù)來(lái)打造專屬定制體驗(yàn)，那就注定不能快速設(shè)計(jì)出貼近真實(shí)的原型。同樣，如果您等待建成一套齊全的機(jī)器學(xué)習(xí)系統(tǒng)來(lái)測(cè)試設(shè)計(jì)，那在測(cè)試完畢后再進(jìn)行任何有意義的更改很可能都為時(shí)已晚。但有兩種用戶研究方法可以幫助您：使用參與者的個(gè)人案例和 Oz 研究向?qū)А?/p>

在利用早期模型進(jìn)行用戶研究時(shí)，讓參與者為課程提供一些他們自己的數(shù)據(jù)，例如個(gè)人照片、聯(lián)系人列表，或者他們收到的音樂(lè)或電影建議。請(qǐng)記住，務(wù)必明確完整地告知參與者在測(cè)試期間會(huì)如何使用這些數(shù)據(jù)以及何時(shí)刪除這些數(shù)據(jù)。您甚至可以將這作為參與者的趣味“家庭作業(yè)”，要求他們?cè)谡n前完成(畢竟大家都喜歡討論自己喜歡的電影)。

您可以利用這些示例數(shù)據(jù)來(lái)模擬系統(tǒng)的正確或錯(cuò)誤響應(yīng)。例如，您可以模擬系統(tǒng)向用戶推薦不合適的電影來(lái)觀察其反應(yīng)，了解用戶對(duì)系統(tǒng)返回該結(jié)果的原因做出的假設(shè)。相比使用虛擬數(shù)據(jù)或概念性說(shuō)明，這種方法能夠幫助您更有效地評(píng)估這些可能性涉及的成本與收益。

第二種有效測(cè)試尚未成型的機(jī)器學(xué)習(xí)產(chǎn)品的方法是執(zhí)行 Oz 研究向?qū)?。這種用戶研究方法曾經(jīng)十分流行，但在過(guò)去約 20 年間漸失風(fēng)頭。現(xiàn)在它們又卷土重來(lái)了。

▲ 適合使用 Oz 向?qū)Х椒y(cè)試的最簡(jiǎn)單的體驗(yàn)之一便是聊天界面。只需安排團(tuán)隊(duì)成員在聊天的另一端輸入“人工智能”提供的“回答”。

快速提醒：Oz 研究向?qū)⑴c者認(rèn)為自己是在與自主系統(tǒng)進(jìn)行互動(dòng)，但系統(tǒng)其實(shí)是由人控制的(通常由團(tuán)隊(duì)成員控制)。

讓團(tuán)隊(duì)成員模仿機(jī)器學(xué)習(xí)系統(tǒng)的操作(例如聊天回復(fù)，建議參與者應(yīng)該給誰(shuí)撥打電話，或者電影建議)，可以模擬與“智能”系統(tǒng)互動(dòng)。這些互動(dòng)對(duì)于指導(dǎo)設(shè)計(jì)思路至關(guān)重要，因?yàn)閰⑴c者真正認(rèn)為自己是在與人工智能互動(dòng)時(shí)，他們會(huì)自然而然地形成系統(tǒng)的心智模式，并根據(jù)這些模式調(diào)整自己的行為。觀察他們的調(diào)整以及與系統(tǒng)的二階互動(dòng)非常有助于啟迪設(shè)計(jì)靈感。

4. 權(quán)衡誤報(bào)和漏報(bào)的成本

機(jī)器學(xué)習(xí)系統(tǒng)出錯(cuò)在所難免。了解這些錯(cuò)誤的性質(zhì)以及它們對(duì)產(chǎn)品用戶體驗(yàn)的影響非常重要。我們?cè)诘?2 點(diǎn)的一個(gè)問(wèn)題中提到了混淆矩陣這一概念。這是機(jī)器學(xué)習(xí)中的一個(gè)關(guān)鍵概念，描述了當(dāng)機(jī)器學(xué)習(xí)系統(tǒng)判斷正確或出錯(cuò)時(shí)的情況。

▲ 混淆矩陣的四個(gè)狀態(tài)，以及可能對(duì)用戶意味著什么。

所有錯(cuò)誤對(duì)于機(jī)器學(xué)習(xí)系統(tǒng)而言沒(méi)什么不同，而對(duì)于人則不是這樣。例如，如果有一個(gè)“這是人類還是怪物?”的分類器，那么偶然地將一個(gè)人歸類為怪物對(duì)系統(tǒng)來(lái)說(shuō)只是一個(gè)錯(cuò)誤。它不會(huì)認(rèn)為所做的分類會(huì)冒犯用戶或其文化背景。它也不會(huì)明白，與將怪物意外地標(biāo)記為人相比，系統(tǒng)用戶對(duì)于被意外標(biāo)記為怪物會(huì)感到更不舒服。但這可能就是我們以人為中心的偏見(jiàn): )

用機(jī)器學(xué)習(xí)術(shù)語(yǔ)來(lái)說(shuō)，您需要有意識(shí)地在系統(tǒng)的準(zhǔn)確率和召回率之間進(jìn)行權(quán)衡。也就是說(shuō)，您需要決定是包括所有正確答案重要，即使這意味著會(huì)加入較多錯(cuò)誤答案(優(yōu)化召回率)，還是寧可遺漏一些正確答案也要***程度減少錯(cuò)誤答案(優(yōu)化準(zhǔn)確率)重要。例如，如果您在 Google 照片中搜索“游樂(lè)場(chǎng)”，您可能會(huì)看到如下結(jié)果：

這些結(jié)果包含幾個(gè)兒童玩耍的場(chǎng)景，但不是在游樂(lè)場(chǎng)上。在此案例中，召回率優(yōu)先于準(zhǔn)確率。與僅包含游樂(lè)場(chǎng)照片但可能排除了您要尋找的照片相比，獲取所有游樂(lè)場(chǎng)照片但包含幾個(gè)相似但不完全正確的照片更重要。

【本文是51CTO專欄機(jī)構(gòu)“谷歌開(kāi)發(fā)者”的原創(chuàng)稿件，轉(zhuǎn)載請(qǐng)聯(lián)系原作者(微信公眾號(hào)：Google_Developers)】

戳這里，看該作者更多好文