Σχεδίαση εμπειρίας στην Εποχή Μάθησης Μηχανών

Σημειώσεις για τους σχεδιαστές και τους επιστήμονες δεδομένων που δημιουργούν μαζί συστήματα που μαθαίνουν από τις ανθρώπινες συμπεριφορές

1. Εισαγωγή

Παραδοσιακά, η εμπειρία μιας ψηφιακής υπηρεσίας ακολουθεί προκαθορισμένες διαδρομές των χρηστών με σαφείς καταστάσεις και ενέργειες. Μέχρι πρόσφατα, ήταν η δουλειά του σχεδιαστή να δημιουργήσει αυτές τις γραμμικές ροές εργασίας και να τις μετατρέψει σε κατανοητές και διακριτικές εμπειρίες. Αυτή είναι η ιστορία της αλλαγής αυτής της πρακτικής.

Κατά τη διάρκεια των τελευταίων 6 μηνών δουλεύω σε μια μάλλον μοναδική θέση στο BBVA Data & Analytics (D & A), ένα κέντρο αριστείας στην ανάλυση οικονομικών δεδομένων. Η δουλειά μου είναι να καταστήσω το σχεδιασμό των εμπειριών των χρηστών να φτάσει σε νέα όρια με την εμφάνιση τεχνικών μάθησης μηχανών. Η δική μου ευθύνη - μεταξύ άλλων - είναι να φέρει ένα ολιστικό σχεδιασμό εμπειρίας σε ομάδες επιστημόνων δεδομένων και να το καταστήσει ουσιαστικό μέρος του κύκλου ζωής των αλγοριθμικών λύσεων (π.χ. πρότυπα πρότυπα, συστήματα συστημικής). Παράλληλα, πραγματοποιώ δημιουργικές και στρατηγικές αναθεωρήσεις των εμπειριών που δημιουργούν οι ομάδες σχεδιασμού (π.χ. ηλεκτρονική τραπεζική, ηλεκτρονικές αγορές, έξυπνη λήψη αποφάσεων) για να κατευθύνουν την εξέλιξή τους σε ένα μέλλον «τεχνητής νοημοσύνης». Πρακτικά ενισχύω τις συνεργασίες μεταξύ ομάδων σχεδιαστών και επιστημόνων δεδομένων για να οραματιστούν επιθυμητές και εφικτές εμπειρίες με δεδομένα και αλγόριθμους.

Μαζί καθορίζουμε ένα διαφορετικό σχεδιασμό εμπειρίας με συστήματα που μαθαίνουν από τις ανθρώπινες συμπεριφορές. Πιστεύω ότι πρόκειται για μια νέα πρακτική, διότι:

1. Δημιουργεί νέους τύπους εμπειριών χρηστών.
2. Επαναπροσδιορίζει τη σχέση μεταξύ ανθρώπων και μηχανών.
3. Ζητεί μια στενή συνεργασία μεταξύ σχεδιαστών και επιστημόνων δεδομένων.

Επιτρέψτε μου να περιγράψω καθεμία από αυτές τις επιπτώσεις.

2. Οι νέοι τύποι εμπειριών χρήστη

Σήμερα, ο σχεδιασμός πολλών ψηφιακών υπηρεσιών δεν βασίζεται μόνο στη χειραγώγηση των δεδομένων και στον σχεδιασμό πληροφοριών, αλλά και σε συστήματα που μαθαίνουν από τους χρήστες τους. Εάν ανοίξετε την κουκούλα αυτών των συστημάτων, θα δείτε ότι τα δεδομένα συμπεριφοράς (π.χ. ανθρώπινες αλληλεπιδράσεις, συναλλαγές με συστήματα) τροφοδοτούνται ως περιβάλλον αλγορίθμων που δημιουργούν γνώσεις. Μια διεπαφή επικοινωνεί αυτή τη γνώση για να εμπλουτίσει μια εμπειρία. Στην ιδανική περίπτωση, αυτή η εμπειρία επιδιώκει σαφείς ενέργειες χρηστών ή σιωπηρά συμβάντα αισθητήρων για τη δημιουργία ενός βρόχου ανατροφοδότησης που θα τροφοδοτεί τον αλγόριθμο με εκπαιδευτικό υλικό.

Επιτρέψτε μου να σας δώσω ένα πρακτικό παράδειγμα. Ξέρετε πώς λειτουργεί το Spotify Discovery Weekly;

Η εβδομαδιαία Discovery είναι η αυτοματοποιημένη μηχανή δεδομένων της Spotify, η οποία φέρνει δύο ώρες συνήθειας μουσικής συστάσεων, προσαρμοσμένες ειδικά σε κάθε χρήστη του Spotify κάθε Δευτέρα.

Εξηγήθηκε το Spotify Discovery Weekly. Το σχήμα που προσαρμόστηκε από τη μαγεία που κάνει τα playlists του Discover Weekly Playlists του Spotify τόσο καλό.

Το σύστημα συστημένων συγγραφέων Discover Weekly χρησιμοποιεί τα εκατομμύρια λίστες αναπαραγωγής που δημιουργούν οι χρήστες Spotify. Δίνει ιδιαίτερο βάρος στις λίστες αναπαραγωγής των ειδικών της εταιρείας και σε εκείνους με περισσότερους οπαδούς. Ο αλγόριθμος επιχειρεί να αυξήσει τις συνήθειες ακρόασης ενός ατόμου με όσους έχουν παρόμοιες προτιμήσεις. Το κάνει σε τρία κύρια καθήκοντα:

  1. Από τη μία πλευρά, το Spotify δημιουργεί ένα προφίλ της εξατομικευμένης γεύσης κάθε χρήστη σε μουσική, ομαδοποιημένο σε ομάδες δημιουργών και μικρο-είδη.
  2. Από την άλλη πλευρά, το Spotify χρησιμοποιεί τα δισεκατομμύρια των λιστών αναπαραγωγής για να δημιουργήσει ένα μοντέλο για όλη τη μουσική που γνωρίζουν, βασισμένη σε όλα τα τραγούδια που ο κόσμος συγκεντρώνει σε playlist.
  3. Κάθε εβδομάδα συνδέει τις γνώσεις της μουσικής με το προσωπικό προφίλ γεύσης κάθε χρήστη. Βασικά, αν ένα αγαπημένο τραγούδι τείνει να εμφανίζεται σε playlist μαζί με ένα τρίτο τραγούδι που δεν ακούστηκε πριν, θα προτείνει αυτό το νέο τραγούδι.

Ένα τυπικό playlist Discover Weekly συνιστά 30 τραγούδια, ένα αρκετά μεγάλο σύνολο για να ανακαλύψετε μουσική που ταιριάζει με μια προσωπική γεύση μεταξύ άλλων ψευδών θετικών. Αυτή η εμπειρία προκαλεί την αποκατάσταση χιλιάδων νέων λιστών αναπαραγωγής που διοχετεύονται πίσω στον αλγόριθμο μια εβδομάδα μετά από τη δημιουργία νέων συστάσεων.

Αυτοί οι μηχανισμοί βρόχου ανατροφοδότησης προσφέρουν συνήθως τρόπους εξατομίκευσης, βελτιστοποίησης ή αυτοματοποίησης των υφιστάμενων υπηρεσιών. Δημιουργούν επίσης ευκαιρίες για να σχεδιάσουν νέες εμπειρίες βασισμένες σε συστάσεις, προβλέψεις ή συμφραζόμενα. Στο D & A, καταλήξαμε σε μια πρώτη μη πλήρη λίστα. Εδώ είναι μια διαδρομή:

2.1. Σχεδιασμός για ανακάλυψη

Έχουμε δει ότι τα συστήματα συνιστώμενων συμβάλλουν στην ανακάλυψη των γνωστών άγνωστων ή ακόμα και των άγνωστων άγνωστων. Για παράδειγμα, το Spotify βοηθά στην ανακάλυψη της μουσικής μέσω μιας εξατομικευμένης εμπειρίας που καθορίζεται στον αγώνα μεταξύ μιας ατομικής συμπεριφοράς ακρόασης και της συμπεριφοράς ακρόασης εκατοντάδων χιλιάδων άλλων ατόμων. Αυτός ο τύπος εμπειρίας έχει τουλάχιστον τρεις μεγάλες προκλήσεις σχεδιασμού.

Πρώτον, τα συστήματά τους έχουν την τάση να δημιουργούν μια «φούσκα φίλτρου» που περιορίζει τις προτάσεις (π.χ. προϊόντα, εστιατόρια, ειδησεογραφικά στοιχεία, άτομα που συνδέονται με) σε έναν κόσμο που συνδέεται αυστηρά με ένα προφίλ που βασίζεται σε προηγούμενες συμπεριφορές. Σε απάντηση, οι επιστήμονες των δεδομένων πρέπει μερικές φορές να τροποποιήσουν τους αλγόριθμους τους ώστε να είναι λιγότερο ακριβείς και να προσθέσουν μια δόση τυχαίας στις προτάσεις.

Δεύτερον, είναι επίσης καλή πρακτική σχεδίασης να αφήσουμε μια ανοιχτή πόρτα για τους χρήστες να αναμορφώσουν πτυχές του προφίλ τους που επηρεάζουν την ανακάλυψη. Θα ονομαζόμουν αυτό το χαρακτηριστικό "προφίλ detox". Για παράδειγμα, το Amazon επιτρέπει στους χρήστες να αφαιρούν στοιχεία που ενδέχεται να επηρεάσουν αρνητικά τις συστάσεις. Φανταστείτε ότι οι πελάτες αγοράζουν δώρα για τους άλλους και αυτά τα δώρα δεν είναι απαραίτητα σημαντικά για μελλοντικές εξατομικευμένες συστάσεις.

Τέλος, οι οργανώσεις που βασίζονται σε υποκειμενικές συστάσεις όπως το Spotify τώρα εξαναγκάζουν τους ανθρώπους να δώσουν περισσότερη υποκειμενικότητα και ποικιλομορφία στην προτεινόμενη μουσική. Αυτή η προσέγγιση χρήσης ανθρώπων για τον καθαρισμό συνόλων δεδομένων ή την άμβλυνση των περιορισμών του αλγορίθμου μηχανικής μάθησης συνήθως ονομάζεται "Ανθρώπινος Υπολογισμός" ή "Διαδραστική Εκμάθηση Μηχανών" ή "Ανατροφοδότηση Συνάφειας".

2.2. Σχεδιασμός για λήψη αποφάσεων

Τα δεδομένα και οι αλγόριθμοι παρέχουν επίσης μέσα για την εξατομίκευση της λήψης αποφάσεων. Για παράδειγμα, στην D & A αναπτύξαμε προηγμένες τεχνικές για να συμβουλεύουμε τους πελάτες της BBVA για τη χρηματοδότησή τους.

Για παράδειγμα, εξετάζουμε τη χρονική εξέλιξη των ισοζυγίων λογαριασμών για την κατάτμηση των συμπεριφορών εξοικονόμησης. Με την τεχνική αυτή είμαστε σε θέση να εξατομικεύσουμε τις επενδυτικές ευκαιρίες ανάλογα με την ικανότητα κάθε πελάτη να εξοικονομεί χρήματα.

Αυτός ο τύπος αλγορίθμων που οδηγεί στη λήψη αποφάσεων χρειάζεται να μάθει να είναι πιο ακριβής, απλά επειδή βασίζονται συχνά σε σύνολα δεδομένων που δίνουν μόνο μια προοπτική πραγματικότητας. Στην περίπτωση παροχής συμβουλευτικών υπηρεσιών, ένας πελάτης μπορεί να χειρίζεται πολλαπλούς λογαριασμούς σε άλλες τράπεζες, αποτρέποντας μια σαφή εικόνα των συμπεριφορών εξοικονόμησης. Αποδείχθηκε καλή πρακτική σχεδίασης για να επιτρέπει στους χρήστες να λένε έμμεσα ή ρητά για κακές πληροφορίες. Είναι ευθύνη του υπεύθυνου των δεδομένων να εκφράζουν τους τύπους των ανατροφοδοτήσεων που εμπλουτίζουν τα μοντέλα τους και τη δουλειά του σχεδιαστή για να βρουν τρόπους ώστε να αποτελέσουν μέρος της εμπειρίας.

2.3. Σχεδιασμός για αβεβαιότητα

Παραδοσιακά, ο σχεδιασμός προγραμμάτων ηλεκτρονικών υπολογιστών ακολουθεί μια δυαδική λογική με ένα σαφές πεπερασμένο σύνολο συγκεκριμένων και προβλέψιμων καταστάσεων μεταφρασμένων σε μια ροή εργασίας. Οι αλγόριθμοι μηχανικής μάθησης αλλάζουν αυτό με την εγγενή ασαφή λογική τους. Έχουν σχεδιαστεί για να αναζητήσουν μοτίβα μέσα σε ένα σύνολο δειγμάτων συμπεριφορών που πιθανώς προσεγγίζουν τους κανόνες αυτών των συμπεριφορών (βλ. Machine Learning for Designers από τον Patrick Hebron για μια πιο λεπτομερή εισαγωγή στο θέμα). Αυτή η προσέγγιση έρχεται με μια ορισμένη αβεβαιότητα και απρόβλεπτες συμπεριφορές. Συχνά επιστρέφουν ορισμένες πληροφορίες σχετικά με την ακρίβεια των πληροφοριών που δίνονται.

Οι όμορφες ραφές του αλγορίθμου Kayak Price Trend με επίπεδο εμπιστοσύνης για την αγορά συμβουλεύουν

Για παράδειγμα, η πλατφόρμα κρατήσεων Kayak προβλέπει την εξέλιξη των τιμών σύμφωνα με την ανάλυση των ιστορικών αλλαγών των τιμών. Ο αλγόριθμος "farecasting" του έχει σχεδιαστεί για να επιστρέψει η εμπιστοσύνη στο αν είναι μια ευνοϊκή στιγμή για να αγοράσει ένα εισιτήριο (βλέπε Neal Lathia The Machine Learning Behind Farecast). Ένας επιστήμονας δεδομένων φυσικά έχει την τάση να μετράει με ακρίβεια τον αλγόριθμο που προβλέπει μια τιμή: «Προβλέπουμε ότι αυτό το κόμιστρο θα είναι x». Αυτή η «πρόβλεψη» είναι στην πραγματικότητα μια πληροφορία που βασίζεται σε ιστορικές τάσεις. Ωστόσο, η πρόβλεψη δεν είναι η ίδια με την ενημέρωση και ο σχεδιαστής πρέπει να εξετάσει πόσο καλά μια τέτοια πρόβλεψη θα μπορούσε να υποστηρίξει μια ενέργεια χρήστη: "Αγοράστε! αυτό το ναύλο είναι πιθανό να αυξηθεί ". Το «πιθανό» με μια επισκόπηση της τάσης των τιμών είναι ένα παράδειγμα μιας "όμορφης ραφής" στην εμπειρία του χρήστη, μια ιδέα που επινοήθηκε από τον Mark Weiser κατά την εποχή του ερευνητικού κέντρου Xerox Palo Alto και αναπτύχθηκε περαιτέρω από τους Chalmers και MacColl ως seamful σχέδιο:

"Ο συνεχής σχεδιασμός περιλαμβάνει την εσκεμμένη αποκάλυψη των ραφών στους χρήστες και την αξιοποίηση χαρακτηριστικών που συνήθως θεωρούνται αρνητικά ή προβληματικά".

Ο συνεχής σχεδιασμός αφορά την αξιοποίηση αποτυχιών και περιορισμών για τη βελτίωση της εμπειρίας. Πρόκειται για τη βελτίωση του συστήματος που επιτρέπει στους χρήστες να γνωρίζουν σχετικά με κακές συστάσεις. Ο DJ Patil περιγράφει λεπτές τεχνικές στο Data Jujitsu.

Άλλοι τύποι αλγορίθμων μηχανικής μάθησης κοινοποιούν τις ραφές με αποτελέσματα ακριβείας και ανάκλησης.

  • Η βαθμολογία ακρίβειας κοινοποιεί την ικανότητα να παρέχει ένα αποτέλεσμα που ταιριάζει ακριβώς με αυτό που επιθυμείτε.
  • Η βαθμολογία ανάκλησης κοινοποιεί την ικανότητα να παρέχει ένα μεγάλο σύνολο πιθανών καλών συστάσεων.

Το ιδανικό για έναν αλγόριθμο είναι να παρέχει αποτελέσματα υψηλής ακρίβειας και ανάκλησης. Δυστυχώς, η ακρίβεια και η ανάκληση συχνά λειτουργούν μεταξύ τους. Σε πολλά συστήματα ανάλυσης δεδομένων, υπάρχει συχνά η ανάγκη λήψης αποφάσεων σχεδιασμού με την ανταλλαγή μεταξύ ακρίβειας και ανάκλησης. Για παράδειγμα, στο Spotify Discovery Weekly, έπρεπε να ληφθεί μια σχεδιαστική απόφαση για τον καθορισμό του μεγέθους των λιστών αναπαραγωγής ανάλογα με την απόδοση του συστήματός του. Ένα μεγάλο playlist υπογραμμίζει την εμπιστοσύνη του Spotify για την παράδοση ενός μάλλον μεγάλου αποθέματος 30 τραγουδιών, ένα σύνολο αρκετά ευρύ ώστε να αυξήσει τις ευκαιρίες για τους χρήστες να σκοντάψουν σε τέλειες συστάσεις.

2.4. Σχεδιασμός για εμπλοκή

Σήμερα, αυτό που διαβάζουμε στο διαδίκτυο βασίζεται στις δικές μας συμπεριφορές και στις συμπεριφορές άλλων χρηστών. Οι αλγόριθμοι συνήθως βαθμολογούν τη συνάφεια του κοινωνικού περιεχομένου και του περιεχομένου ειδήσεων. Στόχος αυτών των αλγορίθμων είναι η προώθηση περιεχομένου για υψηλότερη δέσμευση ή η αποστολή ειδοποιήσεων για τη δημιουργία συνηθειών. Προφανώς, αυτές οι ενέργειες που έγιναν για λογαριασμό μας δεν είναι αναγκαστικά για το δικό μας συμφέρον.

Στην οικονομία της προσοχής, τόσο οι σχεδιαστές όσο και οι επιστήμονες των δεδομένων πρέπει να μάθουν από τις ανησυχίες, τις εμμονές, τις φοβίες, το άγχος και άλλα διανοητικά βάρη των συνδεδεμένων ανθρώπων. Πηγή: Το παγκόσμιο χωριό και οι δυσκολίες του. Φωτογραφία ευγενική προσφορά του Nicolas Nova.

Αναμφισβήτητα, μπήκαμε στην οικονομία της προσοχής και οι μεγάλες ηλεκτρονικές υπηρεσίες αγωνίζονται για να αγκιστρώσουν τους ανθρώπους, να προσελκύσουν την προσοχή τους όσο το δυνατόν περισσότερο. Η επιχείρησή τους είναι να διατηρούν τους χρήστες όσο το δυνατόν περισσότερο και συχνότερα στις πλατφόρμες τους. Αυτό οδηγεί στην ανάπτυξη των κολλητικών, αναγκών εμπειριών που συχνά παίζουν με συναισθήματα όπως ο φόβος της απουσίας (FoMO) ή άλλες εμμονές για να κάνουν τη συμμετοχή του χρήστη.

Οι ηθοποιοί της οικονομίας προσοχής χρησιμοποιούν επίσης τεχνικές που προωθούν τον εθισμό, όπως οι Ανταλλαγές Χρονοδιαγράμματος Μεταβλητών. Είναι ακριβώς οι ίδιοι μηχανισμοί με αυτούς που χρησιμοποιούνται στα μηχανήματα τυχερών παιχνιδιών. Η προκύπτουσα εμπειρία προάγει το ενδιαφέρον της υπηρεσίας (το καζίνο) να συνδέει τους ανθρώπους ατελείωτα για την επόμενη ανταμοιβή. Τα κινητά μας τηλέφωνα έχουν γίνει αυτά τα μηχανήματα τυχερών παιχνιδιών των ειδοποιήσεων, των ειδοποιήσεων, των μηνυμάτων, των επαναλήψεων, των συμπαθειών, που μερικοί από εμάς ελέγχουν κατά μέσο όρο 150 φορές την ημέρα εάν όχι περισσότεροι. Σήμερα ο σχεδιαστής μπορεί να χρησιμοποιήσει δεδομένα και αλγόριθμους για να εκμεταλλευτεί τις γνωστικές ευπάθειες των ανθρώπων στην καθημερινή τους ζωή. Αυτή η νέα δύναμη εγείρει την ανάγκη για νέες αρχές σχεδιασμού στην εποχή της μηχανικής μάθησης (βλ. Aaron Weyenberg Η ηθική του καλού σχεδιασμού: Μια αρχή για τη συνδεδεμένη ηλικία).

Ωστόσο, η εμπειρία που σχεδιάστηκε με τους αλγόριθμους μηχανικής μάθησης δεν χρειάζεται να είναι αυτή ενός καζίνο.

2.5. Σχεδιασμός για χρόνο που ξοδεύεται καλά

Υπάρχουν ευκαιρίες για να σχεδιάσετε μια ριζικά διαφορετική εμπειρία από τη δέσμευση. Πράγματι, ένας οργανισμός όπως μια τράπεζα έχει το πλεονέκτημα ότι είναι μια επιχείρηση που τρέχει με δεδομένα και δεν χρειάζεται οι πελάτες να ξοδεύουν το μέγιστο χρονικό διάστημα με τις υπηρεσίες τους. Το Tristan Harris Time Well Spent είναι ιδιαίτερα εμπνευσμένο από αυτή την άποψη. Προωθεί το είδος της εμπειρίας που χρησιμοποιούν τα δεδομένα για να είναι υπερβολικά συναφή ή σιωπή. Ο τύπος της τεχνολογίας για να προστατεύσει την εστίαση του χρήστη και να σέβεται το χρόνο των ανθρώπων. Το Twitter "Ενώ ήσασταν μακριά ..." είναι ένα συγκλονιστικό παράδειγμα αυτής της πρακτικής. Άλλες υπηρεσίες είναι καλοί στο να προτείνουν στιγμές για να τους εμπλακεί. Αντί για τη μέτρηση της διατήρησης του χρήστη, αυτός ο τύπος εμπειρίας επικεντρώνεται στο πόσο σχετικές είναι οι αλληλεπιδράσεις.

2.6. Σχεδιασμός για την ειρήνη του μυαλού

Οι επιστήμονες δεδομένων είναι καλοί στην ανίχνευση της κανονικής συμπεριφοράς και των ανώμαλων καταστάσεων. Στο D & A, εργαζόμαστε για να προωθήσουμε μια ειρήνη στο μυαλό στους πελάτες της BBVA με μηχανισμούς που δίνουν μια γενική συνείδηση ​​όταν τα πράγματα είναι καλά και που ενεργοποιούν πιο λεπτομερείς πληροφορίες σχετικά με τις ανώμαλες καταστάσεις. Γενικότερα, πιστεύουμε ότι η σημερινή γενιά μηχανικής μάθησης φέρνει νέες δυνάμεις στην κοινωνία, αλλά αυξάνει επίσης την ευθύνη των δημιουργών τους. Υπάρχει αλγοριθμική προκατάληψη και μπορεί να είναι εγγενής στις πηγές δεδομένων. Συνεπώς, υπάρχει ιδιαίτερη ανάγκη να καταστούν οι αλγόριθμοι πιο ευανάγνωστες για τους ανθρώπους και να ελεγχθούν από τις ρυθμιστικές αρχές ώστε να κατανοήσουν τις επιπτώσεις τους. Πρακτικά αυτό σημαίνει ότι η γνώση που παράγει ο αλγόριθμος πρέπει να διασφαλίζει το ενδιαφέρον των χρηστών του και τα αποτελέσματα της αξιολόγησης και τα κριτήρια που χρησιμοποιούνται θα πρέπει να εξηγούνται.

Πρόσθετες σχετικές εκτάσεις εμπειρίας είναι:

  • Σχεδιασμός για δικαιοσύνη
  • Σχεδιασμός για συνομιλία
  • Σχεδιασμός για αυτοματοποίηση

Και μάλλον πολλά άλλα.

3. Η νέα σχέση μεταξύ ανθρώπων και μηχανών

Στο προηγούμενο τμήμα διαπιστώσαμε ότι οι εμπειρίες που βασίζονται στη μηχανική μάθηση δεν είναι γραμμικές ή βασίζονται σε στατικούς κανόνες επιχειρήσεων και σχεδιασμού. Εξελίσσονται σύμφωνα με τις ανθρώπινες συμπεριφορές με συνεχώς ενημερωμένα μοντέλα που τροφοδοτούνται από ροές δεδομένων. Κάθε προϊόν ή υπηρεσία γίνεται σχεδόν σαν ένα ζωντανό, αναπνευστικό πράγμα. Ή όπως λένε οι άνθρωποι στο Google: "Είναι ένα διαφορετικό είδος μηχανικής". Θα έλεγα ότι είναι επίσης ένα διαφορετικό είδος σχεδιασμού. Για παράδειγμα, ο Amazon εξηγεί την εγκεφαλικότητα του Echo ως κάτι που "μαθαίνει συνεχώς και προσθέτει περισσότερη λειτουργικότητα με την πάροδο του χρόνου". Αυτή η περιγραφή υπογραμμίζει την ανάγκη να σχεδιαστεί η εμπειρία για να μάθουν τα συστήματα από την ανθρώπινη συμπεριφορά.

Ο σχεδιασμός των μηχανών μάθησης. Εικόνα εμπνευσμένη από τον Mike Kuniavsky: Το UX της προγνωστικής συμπεριφοράς για το IoT.

Συνεπώς, πέρα ​​από την πρώτη επαφή και την εμπειρία επιβίβασης, αυτός ο τύπος προϊόντος ή υπηρεσίας απαιτεί εκτιμήσεις σχετικά με τη χρήση τους μετά από 1 ώρα, 1 ημέρα, 1 έτος κλπ. Αν κοιτάξετε το διαφημιστικό βίντεο του αισθητήρα κήπου Edyn, θα παρατηρήσετε η εξέλιξη της εμπειρίας από τη δημιουργία νέων συνηθειών για τη φροντίδα ενός κήπου στην επικοινωνία των άγνωστων αγνώστων σχετικά με τα φυτά, τη μεταφορά της ειρήνης του μυαλού στις βασικές μετρήσεις και την εξασφάλιση χρόνου που δαπανάται με κάποιο επίπεδο αυτοματισμού ποτίσματος.

Αυτός ο τύπος προϊόντος δεδομένων απαιτεί υπεύθυνο σχεδιασμό που λαμβάνει υπόψη στιγμές που τα πράγματα αρχίζουν να απογοητεύουν, να ενοχλούν, να ενοχλούν ή να σταματούν να δουλεύουν ή να είναι χρήσιμα. Ο σχεδιασμός της "εμπειρίας από την απογείωση" θα μπορούσε να γίνει σχεδόν εξίσου σημαντικός με την "εμπειρία επιβίβασης". Για παράδειγμα, το ένα τρίτο των χρηστών του Fitbit σταματά να φορούν τη συσκευή εντός 6 μηνών. Τι συμβαίνει με αυτά τα εκατομμύρια εγκαταλελειμμένων αντικειμένων; Τι συμβαίνει με τα δεδομένα και τις πληροφορίες σχετικά με το άτομο που παράγουν; Ποιες είναι οι ευκαιρίες να χρησιμοποιηθούν σε διαφορετικές εμπειρίες;

Τα προϊόντα που χαρακτηρίζονται από μια εμπειρία που εξελίσσεται σύμφωνα με δεδομένα συμπεριφοράς που τροφοδοτούν συνεχώς τους αλγορίθμους (π.χ. Fitbit) είναι ζωντανά προϊόντα που αναπόφευκτα έχουν επίσης την τάση να πεθαίνουν. Πηγή: Η ζωή και ο θάνατος των προϊόντων δεδομένων. Δείτε επίσης την κατανόηση του κύκλου ζωής των εμπειριών εξυπηρέτησης από τον Megan Erin Miller.

Υπάρχουν νέοι τρόποι να φανταστεί κανείς τη σχέση μετά από μια ψηφιακή διάλυση με ένα προϊόν. Οι ψηφιακές υπηρεσίες λειτουργούν σε όλο και πιο εκτεταμένο οικοσύστημα των πραγμάτων και των καναλιών, αλλά τα δεδομένα των χρηστών έχουν την τάση να είναι πιο συγκεντρωτικά. Σκεφτείτε την έννοια της φορητής φήμης που επιτρέπει στους ανθρώπους να χρησιμοποιούν μια υπηρεσία που βασίζεται στη σχέση που μετράται με μια άλλη υπηρεσία.

Κοιτάζοντας λίγο περισσότερο στο εγγύς μέλλον, η πρόσφατη ανακάλυψη της Φυσικής Επεξεργασίας Γλωσσών, της Αναπαράστασης Γνώσης, της Αναγνώρισης Φωνής και της Γλωσσικής Παραγωγής Φύσης θα μπορούσε να δημιουργήσει πιο λεπτές και ισχυρότερες σχέσεις με τις μηχανές. Σε μερικές επαναλήψεις, η Amazon Echo μπορεί να αρχίσει να είναι πολύ πιο ενθουσιώδης. Μια πιθανή εξέλιξη που ο ανθρωπολόγος Genevieve Bell προβλέπει μια στροφή από τις αλληλεπιδράσεις ανθρώπου-υπολογιστή με τις σχέσεις ανθρώπου-υπολογιστή στο επόμενο κύμα του AI έχει τις ρίζες του στον ανθρώπινο πολιτισμό και την ιστορία:

"Επομένως, το πλαίσιο δεν αφορά συστάσεις, όπου είναι μεγάλο μέρος του AI, αλλά είναι στην πραγματικότητα για τη φροντίδα και τη φροντίδα. Αν αυτοί γίνουν οι λέξεις-κλειδιά, τότε θα καθίσετε σε αυτή την πολύ ενδιαφέρουσα στιγμή που θα μπορέσετε να περιγράψετε τις αλληλεπιδράσεις ανθρώπου-υπολογιστή με τις σχέσεις ανθρώπου-υπολογιστή ».
- Genevieve Bell

Σε αυτήν την ενότητα έχουμε δει ότι οι αλγόριθμοι πλησιάζουν την καθημερινότητά μας και ότι τα δεδομένα παρέχουν ένα πλαίσιο για μια εξελισσόμενη σχέση. Οι συνέπειες αυτής της εξέλιξης απαιτούν πιο έντονη συνεργασία μεταξύ του σχεδιασμού και της επιστήμης των δεδομένων.

4. Η συνεργασία μεταξύ σχεδιαστών και επιστημόνων δεδομένων

Η εμπειρία μου μέχρι στιγμής που επινοεί εμπειρίες με δεδομένα και αλγόριθμους δείχνει ότι είναι μια διαφορετική πρακτική από το σημερινό σχεδιασμό που βασίζεται στον άνθρωπο. Στο D & A, ο ρόλος των επιστημόνων δεδομένων έχει αυξηθεί από το αντιδραστικό μοντέλο και τους προγραμματιστές δοκιμών A / B σε ενεργούς συνεργάτες που σκέφτονται για τις συνέπειες της εργασίας τους. Οι μοναδικές ομάδες επιστήμης δεδομένων μας χωρίζονται σε ομάδες που συνεργάζονται πιο άμεσα με μηχανικούς, σχεδιαστές και διαχειριστές προϊόντων.

Όταν ο σχεδιασμός συναντά την επιστήμη

Τη στιγμή της διαμόρφωσης μιας εμπειρίας, εκμεταλλευόμαστε τα παχιά δεδομένα, τις ποιοτικές πληροφορίες που παρέχουν πληροφορίες για τη ζωή των ανθρώπων (βλέπε Tricia Wang Γιατί τα μεγάλα δεδομένα χρειάζονται μεγάλα δεδομένα), μεγάλα δεδομένα από τα συγκεντρωτικά δεδομένα συμπεριφοράς εκατομμυρίων ανθρώπων και τα μικρά δεδομένα που κάθε άτομο παράγει.

Κλασσικά, οι σχεδιαστές εστιάζουν στον ορισμό της εμπειρίας της υπηρεσίας, του χαρακτηριστικού ή του προϊόντος. Φωνάζουν την ιδέα στο ευρύτερο οικοσύστημα που σχετίζεται με αυτό. Οι επιστήμονες δεδομένων αναπτύσσουν τους αλγορίθμους που θα υποστηρίξουν αυτή την εμπειρία και θα την μετρήσουν με τον έλεγχο Α / Β.

Τις πρώτες εβδομάδες στο ρόλο μου στο D & A, βρήκα τους σχεδιαστές και τους επιστήμονες των δεδομένων συχνά κολλημένοι σε αδιέξοδο ανταλλαγές που συνήθως ακουγόταν έτσι:

Σχεδιαστής: Γεια σας! Τι μπορείτε να μου, τα δεδομένα και οι αλγόριθμοί σας με λένε;
Επιστήμονας δεδομένων: Λοιπόν ... Τι θέλετε να ξέρετε;

Το κύριο ζήτημα ήταν η έλλειψη κοινής κατανόησης της πρακτικής και των στόχων του άλλου. Για παράδειγμα, οι σχεδιαστές μετατρέπουν ένα πλαίσιο σε μια μορφή εμπειρίας. Οι επιστήμονες δεδομένων μετασχηματίζουν ένα πλαίσιο με δεδομένα και μοντέλα στη γνώση. Οι σχεδιαστές υιοθετούν συχνά ένα μονοπάτι που προσαρμόζεται σε ένα μεταβαλλόμενο πλαίσιο και νέες εκτιμήσεις. Οι επιστήμονες δεδομένων χρησιμοποιούν διαδικασίες παρόμοιες με το σχεδιασμό του πυρήνα, αλλά είναι πιο μηχανικές και λιγότερο οργανικές. Ακολουθούν αυστηρά τις επιστημονικές μεθόδους με τις κυκλικές διαδικασίες συνεχούς βελτίωσης.

Ένα σωστά διατυπωμένο ερευνητικό ερώτημα συμβάλλει στον καθορισμό της υπόθεσης και των τύπων μοντέλων που θα αναπτυχθούν στη φάση της προτυποποίησης. Τα μοντέλα είναι οι αλγόριθμοι που αξιολογούνται πριν αναπτυχθούν στην παραγωγή σε αυτό που αποκαλούμε D & A ως "μηχανή δεδομένων". Όποτε η εμπειρία που υποστηρίζεται από τον "κινητήρα δεδομένων" δεν λειτουργεί όπως αναμενόταν, το πρόβλημα πρέπει να αναδιατυπωθεί για να συνεχιστεί η κυκλική διαδικασία συνεχούς βελτίωσης.

Η μέθοδος της επιστήμης των δεδομένων και οι κυκλικές διαδικασίες της συνεχούς αξιολόγησης και βελτίωσης

4.1. Τα σημεία επαφής

Η επιστημονική μέθοδος είναι παρόμοια με οποιαδήποτε σχεδιαστική προσέγγιση που διαμορφώνει και κάνει νέες εκτιμήσεις καθώς απαιτούνται νέες επαναλήψεις. Ωστόσο, δεν είναι μια διαδικασία ανοιχτού τύπου. Έχει ξεκάθαρη αρχή και τέλος αλλά δεν έχει ορισμένο χρονοδιάγραμμα. Ο επιστήμονας δεδομένων Neal Lathia υποστηρίζει ότι «η διεπιστημονική εργασία είναι δύσκολη, μέχρι να μιλήσετε την ίδια γλώσσα». Επιπλέον, πιστεύω ότι οι σχεδιαστές και οι επιστήμονες δεδομένων πρέπει να βυθιστούν στην πρακτική του άλλου για να οικοδομήσουν ένα κοινό ρυθμό. Μέχρι στιγμής, κωδικοποίησα πολλά σημαντικά σημεία επαφής για τους σχεδιαστές και τους επιστήμονες δεδομένων για να παράγουν μια ουσιαστική εμπειρία χρηστών που τροφοδοτείται από αλγόριθμους. Αυτοί πρέπει:

  1. Συνδημιουργήστε μια απτή εικόνα της εμπειρίας και της λύσης με προτεραιότητες, στόχους και πεδίο εφαρμογής
  2. Αξιολογήστε οποιαδήποτε παραδοχή με πληροφορίες από ποσοτικές έρευνες, έρευνες γραφείου και έρευνες πεδίου.
  3. Αρθρώστε τις βασικές ερωτήσεις από το όραμα και την έρευνα. Είναι η ομάδα που ρωτάει τις σωστές ερωτήσεις και είναι οι αλγόριθμοι απαντήσεων που θα μπορούσαν να δώσουν δυνατότητα άσκησης προσφυγής;
  4. Κατανοήστε όλους τους περιορισμούς του μοντέλου δεδομένων που δίνει απαντήσεις.
  5. Καθορίστε τις μετρήσεις επιτυχίας για μια επιθυμητή εμπειρία και καθορίστε τις πριν από την έκδοση μιας δοκιμής. Η φάση επικύρωσης χρησιμεύει ως σημείο στάσης και πρέπει να οριστεί ως μέρος των στόχων του έργου (π.χ. βελτίωση της ανάκλησης των συστάσεων κατά 5%, ανίχνευση του 85% των πελατών που πρόκειται να προκαθοριστούν).
  6. Αξιολογήστε την επίδραση της μηχανής δεδομένων στην εμπειρία του χρήστη. Όπως δήλωσε ο Neal Lathia, είναι ιδιαίτερα δύσκολο για τους επιστήμονες δεδομένων να εργάζονται "εκτός σύνδεσης" σε έναν αλγόριθμο και να μετρούν βελτιώσεις που θα συσχετίζονται με βελτιώσεις στην πραγματική εμπειρία του χρήστη.

Αυτή η αλληλένδετη συνεργασία απεικονίζει ένα νέο τύπο σχεδιασμού που προσπαθώ να εκφράσω. Σε ένα πρόσφατο άρθρο ο CEO της Harry West στο βάτραχο πρότεινε τον όρο «σχεδιασμός της συμπεριφοράς του συστήματος»:

"Ο ανθρώπινος σχεδιασμός έχει επεκταθεί από το σχεδιασμό των αντικειμένων (βιομηχανικός σχεδιασμός) στο σχεδιασμό των εμπειριών (προσθέτοντας το σχεδιασμό αλληλεπίδρασης, τον οπτικό σχεδιασμό και το σχεδιασμό των χώρων) και το επόμενο βήμα θα είναι ο σχεδιασμός της συμπεριφοράς του συστήματος: οι αλγόριθμοι που καθορίζουν τη συμπεριφορά των αυτοματοποιημένων ή ευφυών συστημάτων "
- Χάρι Γουέστ

4.2. Μια εταιρική σχέση που βασίζεται σε όραμα

Μέχρι στιγμής έχω υποστηρίξει ότι οι «εμπειρίες διαβίωσης» αναδύονται στο σταυροδρόμι της επιστήμης και του σχεδιασμού των δεδομένων. Ένα απαραίτητο πρώτο βήμα είναι για τους σχεδιαστές και τους επιστήμονες δεδομένων να δημιουργήσουν ένα απτό όραμα και τα αποτελέσματά του (π.χ. εμπειρία, λύση, προτεραιότητες, στόχοι, πεδίο εφαρμογής και συνειδητοποίηση της σκοπιμότητας). Ο Διευθυντής Προϊόντων Airbnb, Jonathan Golden, καλεί την προσέγγιση διαχείρισης προϊόντων που βασίζεται σε όραμα:

"Το όραμα της εταιρείας σας είναι αυτό που θέλετε να μοιάζει στον κόσμο σε πέντε και πλέον χρόνια. Τα αποτελέσματα είναι οι εντολές της ομάδας που θα σας βοηθήσουν να φτάσετε εκεί. "
- Ο Jonathan Golden

Ωστόσο, αυτή η φάση σχεδιασμού προϋποθέτει ότι τα οράματα ζουν όχι μόνο ως τέλεια επίπεδη πράγματα για το δωμάτιο του πίνακα PowerPoint. Ως εκ τούτου, μία από τις προσεγγίσεις μου είναι να εμπλέξω την εταιρική σχέση σχεδιασμού / επιστήμης για την παραγωγή φανταστικών σχεδίων. Έχει ομοιότητες με την διαδικασία της Επεξεργασίας του Αμαζονίου, όπως περιγράφεται από τον ΚΟΤ Werner Vogels:

"Ξεκινάτε με τον πελάτη σας και εργάζεστε με τον τρόπο σας προς τα πίσω μέχρι να φτάσετε στο ελάχιστο σύνολο τεχνολογικών απαιτήσεων για να ικανοποιήσετε αυτό που προσπαθείτε να επιτύχετε. Ο στόχος είναι να οδηγήσει την απλότητα μέσα από μια συνεχή, σαφή εστίαση στον πελάτη. "
- Ο Βέρνερ Βόγκελς
Το να σκέφτεσαι με το Design Fiction δημιουργεί πιθανές μελλοντικές εξελίξεις μιας τεχνολογίας για να διευκρινίσει το παρόν. Σχέδιο εμπνευσμένο από τους κώνοι Futures και Matt Jones: Jumping to the End - Πρακτική φαντασία σχεδιασμού.

Το Design Fiction στοχεύει να καταστήσει απτή την εξέλιξη των τεχνολογιών, τη γλώσσα που χρησιμοποιείται για να τις περιγράψει, τις τελετουργίες, τις μαγικές στιγμές, τις απογοητεύσεις και γιατί όχι την «εξωφρενική εμπειρία». Βοηθά τα διάφορα ενδιαφερόμενα μέρη ενός έργου να συμμετάσχουν σε ουσιαστικά ερωτήματα για να κατανοήσουν τι σημαίνει η επιθυμητή εμπειρία και γιατί η ομάδα πρέπει να την οικοδομήσει. Ποιες είναι οι συνέπειες της αγοράς αυτής της νέας γενιάς αισθητήρα κήπου; Τι μπορείτε να κάνετε με αυτό; Τι δεν επιτρέπεται να κάνετε; Τι δεν θα κάνετε πια; Πώς ένας άνθρωπος αλληλεπιδρά με την τεχνολογία αυτή την πρώτη φορά, και στη συνέχεια, συνήθως μετά από ένα μήνα, ένα έτος ή περισσότερο; Δημιουργικές και απτές απαντήσεις σε αυτά τα ερωτήματα μπορούν να γίνουν ζωντανές πριν ένα έργο αρχίσει ακόμη και με τη δημιουργία φανταστικών αναλύσεων πελατών, εγχειριδίου χρήστη, δελτίου τύπου, διαφημίσεων. Αυτό το υλικό είναι ένας τρόπος να φέρουμε το μέλλον στο παρόν ή όπως λέμε στο Εργαστήριο Κοντινών Μελλοντικών:

"Τα Design Fictions δρουν ως ένα τοτέμ για συζήτηση και αξιολόγηση των αλλαγών που θα μπορούσαν να κάμψουν τα οράματα του επιθυμητού και το σχεδιασμό του τι είναι απαραίτητο".

Στο D & A αυτό σημαίνει ότι συλλέγω επιστήμονες και σχεδιαστές δεδομένων με στόχο να δημιουργήσω ένα απτό όραμα της ερευνητικής τους ατζέντας. Πρώτον, καταρτίζουμε πρώτα τις τρέχουσες γραμμές των ερευνών.

Στη συνέχεια, προβάλλουμε την εξέλιξή τους σε 2 ή 3 επαναλήψεις αναρωτιούνται: Ποια θα ήταν η εμφάνιση της πιθανής τεχνολογίας; Πού θα μπορούσε να χρησιμοποιηθεί; Ποιος θα το χρησιμοποιήσει και για ποιο είδος εμπειρίας; Κάθε συμμετέχων χρησιμοποιεί το πρότυπο μιας φανταστικής διαφήμισης για να πει ιστορίες με πρακτικές απαντήσεις σε αυτές τις ερωτήσεις. Μαζί τους ομαδοποιούμε σε μελλοντικές έννοιες.

Συλλέγουμε όλο το υλικό και προωθούμε τις πιο ελπιδοφόρες ιδέες. Στη συνέχεια, μοιράζονται αυτά τα αποτελέσματα εσωτερικά σε σειρά διαφημίσεων χαρτιού και βίντεο που περιγράφουν τα κύρια χαρακτηριστικά, τα χαρακτηριστικά, τα χαρακτηριστικά της εμπειρίας από την άποψή μας (την πιθανή) και την άποψη του χρήστη (το επιθυμητό).

Αυτός ο τύπος φανταστικού υλικού επιτρέπει τόσο στους σχεδιαστές όσο και στους επιστήμονες δεδομένων να αισθάνονται και να αποκτούν μια πρακτική κατανόηση της τεχνολογίας και της εμπειρίας της. Τα αποτελέσματα βοηθούν στην οικοδόμηση αξιοπιστίας, στη στήριξη της στήριξης, στην αντιμετώπιση του σκεπτικισμού, στη δημιουργία ορμής και στην κοινή χρήση ενός κοινού οράματος. Τέλος, η ανατροφοδότηση των ανθρώπων με διαφορετικές προοπτικές επιτρέπει την πρόβλεψη ευκαιριών και προκλήσεων.

5. Τα χαρακτηριστικά σχεδιασμού

Σε αυτό το άρθρο, υποστήριξα ότι, με την πρόοδο της μηχανικής μάθησης και της «τεχνητής νοημοσύνης» (AI), γίνεται ευθύνη τόσο των σχεδιαστών όσο και των επιστημόνων δεδομένων να κατανοήσουν πώς να διαμορφώσουν εμπειρίες που βελτιώνουν τη ζωή. Ή όπως ισχυρίζεται ο Greg Borenstein στην εξουσία προς τον άνθρωπο: Πώς μια άγνωστη ομάδα ερευνητών κρατάει το κλειδί για τη χρήση του AI για την επίλυση πραγματικών ανθρωπίνων προβλημάτων:

"Αυτό που χρειάζεται για την ευρεία υιοθέτηση του AI είναι η κατανόηση του τρόπου κατασκευής διεπαφών που θέτουν τη δύναμη αυτών των συστημάτων στα χέρια των ανθρώπινων χρηστών τους".
- Γκρεγκ Μπορενστάιν

Αυτός ο τύπος σχεδιασμού της συμπεριφοράς του συστήματος αντιπροσωπεύει ένα μέλλον στην εξέλιξη του ανθρωποκεντρικού σχεδιασμού. Μέχρι στιγμής στο ταξίδι μου για τη δημιουργία ουσιαστικών εμπειριών στην εποχή μηχανικής μάθησης, μπορώ να διατυπώσω τα ακόλουθα χαρακτηριστικά:

Ανατροφοδότηση: Τα δεδομένα είναι η ζωτικότητα της εμπειρίας του χρήστη με συστήματα που μαθαίνουν. Εξασφαλίστε ότι τα συστήματα τροφοδοτούνται σωστά με προσεκτικά κατασκευασμένους μηχανισμούς βρόχου ανατροφοδότησης.
Σχέση: Ο συνδυασμός δεδομένων και αλγορίθμων μάθησης μπορεί να προκαλέσει μια εξέλιξη πολλαπλών εμπειριών. Σχεδιάστε τη σχέση μεταξύ ανθρώπου και μηχανής που μαθαίνει για παράδειγμα να δημιουργεί συνήθειες ευθυγραμμισμένες με το ενδιαφέρον των ανθρώπων, βρίσκοντας το γνωστό άγνωστο, ανακαλύπτοντας τα άγνωστα άγνωστα, μεταφέροντας μια ορισμένη ειρήνη του μυαλού ή εκτιμώντας το χρόνο που ξοδεύετε καλά. Επιπλέον, προετοιμάστε την "εμπειρία απογείωσης" για στιγμές στη σχέση όταν τα πράγματα αρχίζουν να απογοητεύουν, να ενοχλούν, να ενοχλούν ή να σταματούν να δουλεύουν ή να είναι χρήσιμα.
Κομψότητα: Σκεφτείτε να μεταφέρετε τόσο την ισχύ όσο και τις ατέλειες των αλγορίθμων στην επιφάνεια ως μέρος της εμπειρίας. Για παράδειγμα, η πρόβλεψη δεν είναι η ίδια με την ενημέρωση και ο σχεδιαστής πρέπει να εξετάσει πόσο καλά το επίπεδο αβεβαιότητας σε μια πρόβλεψη θα μπορούσε να υποστηρίξει μια ενέργεια χρήστη.

Αυτό είναι ένα εκτεταμένο αντίγραφο μιας ομιλίας που έδωσα στην εκδήλωση Τετάρτη του Design στο Κέντρο Καινοτομίας BBVA στη Μαδρίτη στις 21 Σεπτεμβρίου 2016 που δημοσιεύτηκε αρχικά στο ιστολόγιο BBVA Data & Analytics https://www.bbvadata.com/experience-design- στην εποχή της εκμάθησης της μηχανής /. Πολλές ευχαριστίες στην ομάδα σχεδιασμού BBVA για την πρόσκλησή τους και στους συμμετέχοντες για το ενδιαφέρον τους.

Χάρη στον Leonardo Baldassini, τον Neal Lathia και τον Nicolas Nova για τα σχόλιά τους.