欧美精品videosbestsex日本,欧美成人护士h版

搜索

APP

起點課堂會員權(quán)益

職業(yè)體系課特權(quán)

線下行業(yè)大會特權(quán)

個人IP打造特權(quán)

30+門專項技能課

1300+專題課程

12場職場軟技能直播

12場求職輔導直播

12場專業(yè)技能直播

會員專屬社群

榮耀標識

發(fā)布

注冊 | 登錄

機器學習時代的體驗設計（上）：對創(chuàng)造人類行為學習系統(tǒng)的設計師和數(shù)據(jù)學家的啟示

百度MEUX

2018-02-05

2 評論 6819 瀏覽 14 收藏

17 分鐘

許多數(shù)字服務的設計不僅依賴于數(shù)據(jù)操作和信息設計，還依賴于用戶學習系統(tǒng)。

一般來講，數(shù)字服務的體驗遵循預定義的用戶旅程，具有明確的狀態(tài)和動作。一直以來，設計師的工作一直是創(chuàng)建線性工作流，并將其轉(zhuǎn)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數(shù)據(jù)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，我的職責是為數(shù)據(jù)科學團隊帶來整體的體驗設計，并使其成為算法解決方案的生命周期（例如預測模型、推薦系統(tǒng)）的重要組成部分。同時，我會對設計團隊的體驗設計進行創(chuàng)造性和戰(zhàn)略性的優(yōu)化（例如網(wǎng)上銀行、網(wǎng)上購物、智能決策），引導它們發(fā)展演變?yōu)椤叭斯ぶ悄堋钡奈磥怼?/p>

事實上，我通過促進設計師和數(shù)據(jù)科學團隊之間的交流合作，來達到設計出由數(shù)據(jù)和算法驅(qū)動的理想的和可行的用戶體驗的目的。

我們定義了一種不同的體驗設計，即人類行為學習系統(tǒng)用戶體驗。這是一個新的嘗試，因為：

它創(chuàng)造了新的用戶體驗類型。
它重新定義了人與機器之間的關系。
它要求設計師和數(shù)據(jù)科學家之間緊密合作。

接下來將會具體闡述這些內(nèi)容的含義。

新型用戶體驗

如今，許多數(shù)字服務的設計不僅依賴于數(shù)據(jù)操作和信息設計，還依賴于用戶學習系統(tǒng)。如果深入剖析這些系統(tǒng)，我們會發(fā)現(xiàn)行為數(shù)據(jù)（例如人的交互，系統(tǒng)交互）被作為內(nèi)容提供給生成知識的算法。傳播知識的界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后臺關鍵事件數(shù)據(jù)來創(chuàng)建一個反饋循環(huán)，該循環(huán)將為算法提供學習材料。

舉個實際的例子。你知道Spotify “發(fā)現(xiàn)每周”是如何工作的嗎？

“發(fā)現(xiàn)每周”是Spotify的自動音樂推薦“數(shù)據(jù)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(gòu)改編使得Spotify的“發(fā)現(xiàn)每周”的播放列表具有強大吸引力

“發(fā)現(xiàn)每周”的推薦系統(tǒng)利用Spotify用戶創(chuàng)建的數(shù)百萬個播放列表，為公司的專業(yè)播放列表和那些擁有廣大粉絲群的播放列表帶來額外的權(quán)重。該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為每個用戶創(chuàng)建了個性化音樂品味的簡介，將其劃分為藝術家和少數(shù)流派；
另一方面，Spotify使用上億級的播放列表，根據(jù)播放列表中歌曲的風格特點，去建立具有相似音樂風格的播放列表
每周它都會根據(jù)每個用戶的個人口味去創(chuàng)建推薦列表?；旧?，如果一首最喜歡的歌曲與一首未曾聽過的歌曲一起出現(xiàn)在播放列表中，那么它就會推薦那首新歌。

一般來說，“發(fā)現(xiàn)周刊”播放列表會推薦30首歌曲，這個歌曲列表的內(nèi)容已經(jīng)足夠多了，可以較好地去發(fā)現(xiàn)與個人品味相匹配的音樂。這樣做的好處是可以生成數(shù)千個新的播放列表，這些新的播放列表在一周后會反饋到算法中以產(chǎn)生新的推薦。

這種反饋循環(huán)機制通?？梢允宫F(xiàn)有的體驗實現(xiàn)個性化、優(yōu)化或自動化的目的。同時，它們還會根據(jù)建議、預測或情景來創(chuàng)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(tǒng)可以幫助發(fā)現(xiàn)已知的未知甚至未知的未知。例如，Spotify通過對用戶聽音樂的行為與數(shù)十萬其他用戶的聽音樂行為之間的匹配來定義個性化體驗，從而幫助發(fā)現(xiàn)音樂。這種體驗至少面臨三個主要的設計挑戰(zhàn)。

首先，推薦系統(tǒng)傾向于創(chuàng)建一個“過濾器”，將建議（如產(chǎn)品、餐廳、新聞項目、人員連接）限制在一個與過往行為緊密聯(lián)系的世界。為了避免這種問題，數(shù)據(jù)學家有時必須調(diào)整一些不太準確的算法，并增加一些隨機性的建議。

其次，讓用戶可以自主選擇推薦的各個部分也是一個很好的設計實踐。例如，亞馬遜允許用戶刪除可能對建議產(chǎn)生不利影響的項目。想象一下，顧客為他人購買禮物，這些禮物不一定是未來個性化推薦的數(shù)據(jù)參考。

最后，像Spotify這樣，依靠主觀推薦的系統(tǒng)可以使用戶對被推薦的內(nèi)容擁有更多的主觀性和多樣性的選擇。這種人為清理數(shù)據(jù)集或減小機器學習算法局限性的方法通常被稱為“人類計算”或“交互式機器學習”或“相關反饋”。

為決策而設計

數(shù)據(jù)和算法也提供了個性化決策的手段。例如在D＆A，我們開發(fā)了一套優(yōu)秀的算法為BBVA客戶提供財務建議。

例如，我們根據(jù)賬戶余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(jù)每個客戶節(jié)省資金的能力來設計個性化投資機會。

這種決策性的算法對準確度有更高的要求，因為它們往往依賴于只能提供真實情況的數(shù)據(jù)集。在財務咨詢的案例中，客戶可以在不同銀行操作多個賬戶，從而避免對儲蓄行為的泄漏。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信息。數(shù)據(jù)學家的責任是明確反饋類型，從而豐富他們的模型，而設計師的工作是找到構(gòu)成體驗組成部分的方法。

為不確定性而設計

傳統(tǒng)上講，計算機程序的設計遵循的是二進制的邏輯，即通過將具有明確的、有限集合的、具體的和可預測的狀態(tài)轉(zhuǎn)換成工作流程來實現(xiàn)?。機器學習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(guī)則的模式（參見Patrick Hebron的《為設計者的機器學習》一文中關于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(jīng)常會反饋一些關于已有信息精確度的提示。

例如，預訂平臺Kayak通過分析歷史價格變化來預測價格的演變。它的“預測”算法旨在讓用戶對是否在一個合適的時間購買一張票產(chǎn)生信心（參見Neal Lathia?《在票價背后的機器學習》）。數(shù)據(jù)學家自然傾向于給出算法預測值的精確度：“我們預測這個票價是x”。這個“預測”實際上是一個基于歷史趨勢的結(jié)果呈現(xiàn)。然而，預測與告知并不相同，設計師必須考慮這樣的預測能夠支撐用戶的行為：“買！這個票價可能會增加”?！翱赡堋迸c“價格走勢的預測”是用戶體驗中的“完美銜接”，這個概念是由 Mark Weiser在施樂帕洛阿爾托研究中心工作期間首次提出，然后由?Chalmers and MacColl進一步將其發(fā)展為一個新的概念——seamful design（有縫設計）：

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

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

其他類型的機器學習算法運用精確度和召回率來處理接縫。

精確度評分體現(xiàn)了提供完全符合需求的結(jié)果的能力。（精確度指的是算法推送的內(nèi)容與用戶喜好的匹配程度）
召回率評分體現(xiàn)了提供大量可能的好建議的能力。（召回率指的是算法推送的內(nèi)容與用戶喜好匹配的內(nèi)容的占比）

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。在許多數(shù)據(jù)分析系統(tǒng)中，設計決策經(jīng)常需要在精度與召回率之間進行折中選擇。例如，在Spotify 的發(fā)現(xiàn)周刊中，必須根據(jù)推薦系統(tǒng)的性能來決定播放列表的大小。提供30首歌曲推薦的大播放列表可以凸顯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(wǎng)上閱讀信息是基于自身行為和其他用戶的行為產(chǎn)生的。算法通常會評估社交和新聞內(nèi)容的相關性。這些算法的目的是通過推送內(nèi)容獲取更高的參與度或通過發(fā)送通知來建立用戶閱讀習慣。顯然這些為我們所采取的行動并不一定是從我們自身利益出發(fā)。

在注意力經(jīng)濟中，設計師和數(shù)據(jù)學家都應該從用戶的焦慮、強迫、恐懼、壓力和其他精神負擔中學習。資料來源：《地球村及其不適》。照片來源：Nicolas?Nova

可以說，我們進入了注意力經(jīng)濟時代，主要的在線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(yè)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(jīng)常伴隨著諸如懼怕錯過信息（FoMO）或其他困擾情緒，以此來麻痹用戶的參與。

注意力經(jīng)濟的“演員”也使用麻痹用戶的方法，例如根據(jù)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(chǎn)生的體驗會促使服務（賭場）吸引用戶不斷地尋找下一個獎勵。我們的手機已經(jīng)成為通知、警告、消息、轉(zhuǎn)發(fā)、喜歡的“老虎機”，有些用戶每天平均檢查150次，或者更多。今天，設計師可以使用數(shù)據(jù)和算法來挖掘人們?nèi)粘Ｉ钪械恼J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(yōu)良設計的道德規(guī)范：連接時代的倫理原則）。

然而，用機器學習算法設計的體驗并不一定會成為一種“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(yōu)勢：它是一個以數(shù)據(jù)為基礎的行業(yè)，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。他提倡使用數(shù)據(jù)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。其它服務則善于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(nèi)心平和而設計

數(shù)據(jù)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(nèi)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，并觸發(fā)更多關于異常情況的詳細反饋。

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(chuàng)造者的責任。算法存在偏差并且可能是數(shù)據(jù)源固有的特征。因此，尤其需要注意使算法對于人們來說更清楚易懂，并且監(jiān)管者可以對其進行審查，以了解其影響。實際上，這意味著算法產(chǎn)生的內(nèi)容應該保護用戶的興趣，并且應該解釋其評估的結(jié)果和使用的標準。

體驗設計其他相關的方面如下：