使用機器學習進行設計時的7個步驟 (下)

原文標題：以人為中心的機器學習 (Human-Centered Machine Learning)

作者 / Josh Lovejoy 和 Jess Holbrook

此文分上下篇，上篇請戳這裡：使用機器學習進行設計時的7個步驟 (上)。

5.規劃共同學習和調整

最有價值的機器學習系統應隨著時間的推移與使用者的心智模式交替進化。當人們與這些系統進行互動時，他們也在影響和調整著他們將來看到的各種系統輸出。這些調整反過來將改變使用者與系統的互動方式，從而改變心智模式，如此反覆，形成一個反饋環路。這可能會導致“陰謀論”，人們使系統形成不正確或不完整的心智模式，並會遇到試圖根據這些虛構的規則操控輸出的問題。您需要使用明確的心智模式引導使用者，鼓勵他們提供有利於他們自己和模式的反饋。

機器學習系統是基於現有資料集訓練的，因此，我們通常無法預測系統將如何針對新輸入進行調整。因此，我們需要相應調整我們的使用者研究和反饋策略。這意味著我們需要在產品週期中提前規劃開展縱向的、人機互動頻繁的廣泛研究。隨著使用者和用例不斷增多，您需要預留充足的時間，通過定量分析準確率和錯誤率來評估機器學習系統的效能，並在使用者使用這些系統時與他們坐在一起，以瞭解他們的心智模式如何隨著每一次成功或失敗而發生變化。

此外，作為使用者體驗設計者，我們需要考慮如何能夠在整個產品生命週期內獲得使用者的真實反饋，以改進機器學習系統。機器學習系統是良好還是卓越，區別在於設計的互動模式是否方便提供反饋以及是否能夠快速顯示反饋的好處。

▲ Google 應用每隔一會就會詢問某個特定卡片此刻是否有用，以獲取有關其建議的反饋。

▲ 使用者可以針對 Google 搜尋自動完成提供反饋，包括為什麼預測可能不合適。

6.使用正確的標籤訓練演算法

作為使用者體驗設計者，我們已經習慣於將線框、模型、原型和紅線作為我們的標誌性交付成果。然而，蹊蹺的是：當談到通過機器學習增強的使用者體驗時，我們能夠侃侃而談的寥寥無幾。這時“標籤”就派上用場了。

標籤是機器學習不可或缺的一部分。有些人的工作就是檢視大量內容併為內容新增標籤，回答一些類似“這張照片中是否有一隻貓？”的問題。一旦將足夠的照片標記為“貓”或“非貓”，您就會獲得一個資料集，您可以用它來訓練模型識別貓。或者更準確地說，能夠讓模型以一定的置信水平預測一張它從未見過的照片中是否有貓。很簡單，對不對？

▲ 您能通過這個測驗嗎？

當您冒險進入模型目標定是預測一些對使用者來說很主觀的東西（如他們是否認為某篇文章很有趣或建議的電子郵件回覆有意義）的領域時，挑戰就來了。而且模型需要長時間的訓練，獲得一個完全標記的資料集的成本可能非常高昂，更不用說標籤錯誤將給您的產品可行性帶來巨大影響。

以下是應採取的做法：首先進行合理的假設，然後與各種協作者對這些假設進行討論。這些假設通常應採用的格式為：“對於處於 ________ 情況中的 ________ 使用者，我們假設他們更喜歡 ________ 而不是 ________。”然後，儘快將這些假設定於使用最頻繁的原型裡，以開始收集反饋並進行迭代。

聘請可以充當機器學習最佳老師的專家，即具有您嘗試預測的相關領域專業知識的人員。我們建議您聘請多名專家，或讓您團隊中的某人作為後備人員擔任該職位。在我們團隊，我們稱這些人為“內容專家”。

此時，您將會確定哪些假設看起來更加“真實”。然而，在您開始大規模收集資料和進行標記之前，您需要使用由內容專家從真實的使用者資料中挑選的示例進行關鍵的第二輪驗證。使用者應測試一個高保真的原型，並知道自己正與一個合法的人工智慧互動（根據上面的第 3 點）。

通過實操驗證，讓您的內容專家針對您希望您的人工智慧生成的內容建立大量手工設計的示例組合。這些示例將為您提供一個資料收集路線圖、一套用於開始訓練模型的強大標籤集，以及一個用於設計大規模標記協議的框架。

7.擴充您的使用者體驗系列，機器學習是一個創造性過程

考慮您作為一個使用者體驗設計者所收到的最糟糕的微觀管理“反饋”。您能想象一個人靠在您的肩膀上，然後您每動一下就對您吹毛求疵嗎？好，現在繼續在您的頭腦中想象該畫面，您一定不想遇到這樣的人，您的工程師也是。

有許多潛在的方法都可以應對機器學習挑戰，因此，作為一個使用者體驗設計者，太過規範化或進度太快可能導致過程意外地停頓，從而削弱了您的工程師同事的創造力。相信他們的直覺，並鼓勵他們進行實驗，即使在完整評估框架到位之前他們可能對通過使用者進行測試猶豫不決。

與我們平常習慣的過程相比，機器學習是一個更具創造力和表現力的工程過程。訓練模型的過程很緩慢，並且視覺化工具還不是很出色，因此，工程師最後在調整演算法時，經常需要靠想象力（甚至有一種稱為“主動學習”的方法，手動“調整”每次迭代後的模型）。您的工作是在此過程中幫助他們做出卓越的以使用者為中心的選擇。

▲ 與工程師、產品設計師等合作，以整合出恰當的體驗。

因此，可以通過示例—— decks、個人經歷、視訊、原型、來自使用者研究的剪輯、作品等啟發工程師，讓他們觀看和感受什麼是出色的體驗，熟悉使用者研究目標和結果，並禮貌地請他們加入精彩的 UX crits 世界和研討會，向他們介紹設計衝刺哲學 (https://designsprintkit.withgoogle.com)，以幫助他們更深入地理解您的產品原則和體驗目標。工程師越早適應迭代，機器學習管道的穩健性就越好，您就越能有效地影響產品。

結論

以上就是我們與 Google 團隊強調的七個觀點。我們希望它們能幫助您思考您自己基於機器學習的產品。隨著機器學習開始支援越來越多的產品和體驗，讓我們堅守以人為中心的責任，為人們提供獨特價值和卓越的體驗。

作者

Josh Lovejoy 是 Google Research 和機器智慧小組的一位使用者體驗設計者。他致力於互動設計、機器學習和無意識偏見覺察的交叉領域的研究，並主導 Google 的機器學習公平性設計和策略工作。

Jess Holbrook 是 Google Research 和機器智慧小組的一位使用者體驗經理兼使用者體驗研究員。他和他的團隊致力於基於人工智慧和機器學習的多種產品的工作，採取以人為中心的方法來處理這些技術。

Akiko Okazaki 製作了精美的插圖。

推薦閱讀：

使用機器學習進行設計時的7個步驟 (上)

讓中國開發者更容易地使用TensorFlow打造人工智慧應用

開源機器學習庫Deeplearn.js

Google釋出機器學習開源視覺化工具Facets