許多數(shù)字服務(wù)的設(shè)計(jì)不僅依賴(lài)于數(shù)據(jù)操作和信息設(shè)計(jì)，還依賴(lài)于用戶(hù)學(xué)習(xí)系統(tǒng)。

一般來(lái)講，數(shù)字服務(wù)的體驗(yàn)遵循預(yù)定義的用戶(hù)旅程，具有明確的狀態(tài)和動(dòng)作。一直以來(lái)，設(shè)計(jì)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(yàn)。但是這種情況可能會(huì)成為過(guò)去時(shí)。

過(guò)去6個(gè)月，我一直在BBVA Data＆Analytics（D＆A）任職一個(gè)相當(dāng)獨(dú)特的職位，這是一家卓越的財(cái)務(wù)數(shù)據(jù)分析中心。我的工作是利用新興的機(jī)器學(xué)習(xí)技術(shù)，使用戶(hù)體驗(yàn)設(shè)計(jì)得到提升平。

除此之外，我的職責(zé)是為數(shù)據(jù)科學(xué)團(tuán)隊(duì)帶來(lái)整體的體驗(yàn)設(shè)計(jì)，并使其成為算法解決方案的生命周期（例如預(yù)測(cè)模型、推薦系統(tǒng)）的重要組成部分。同時(shí)，我會(huì)對(duì)設(shè)計(jì)團(tuán)隊(duì)的體驗(yàn)設(shè)計(jì)進(jìn)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(gòu)物、智能決策），引導(dǎo)它們發(fā)展演變?yōu)椤叭斯ぶ悄堋钡奈磥?lái)。

事實(shí)上，我通過(guò)促進(jìn)設(shè)計(jì)師和數(shù)據(jù)科學(xué)團(tuán)隊(duì)之間的交流合作，來(lái)達(dá)到設(shè)計(jì)出由數(shù)據(jù)和算法驅(qū)動(dòng)的理想的和可行的用戶(hù)體驗(yàn)的目的。

我們定義了一種不同的體驗(yàn)設(shè)計(jì)，即人類(lèi)行為學(xué)習(xí)系統(tǒng)用戶(hù)體驗(yàn)。這是一個(gè)新的嘗試，因?yàn)椋?/p>

• 它創(chuàng)造了新的用戶(hù)體驗(yàn)類(lèi)型。
• 它重新定義了人與機(jī)器之間的關(guān)系。
• 它要求設(shè)計(jì)師和數(shù)據(jù)科學(xué)家之間緊密合作。

接下來(lái)將會(huì)具體闡述這些內(nèi)容的含義。

新型用戶(hù)體驗(yàn)

如今，許多數(shù)字服務(wù)的設(shè)計(jì)不僅依賴(lài)于數(shù)據(jù)操作和信息設(shè)計(jì)，還依賴(lài)于用戶(hù)學(xué)習(xí)系統(tǒng)。如果深入剖析這些系統(tǒng)，我們會(huì)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(shí)的算法。傳播知識(shí)的界面則使得體驗(yàn)更加豐富。理想情況下，這種體驗(yàn)會(huì)尋求明確的用戶(hù)操作或后臺(tái)關(guān)鍵事件數(shù)據(jù)來(lái)創(chuàng)建一個(gè)反饋循環(huán)，該循環(huán)將為算法提供學(xué)習(xí)材料。

舉個(gè)實(shí)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(dòng)音樂(lè)推薦“數(shù)據(jù)引擎”，每星期專(zhuān)門(mén)為每個(gè)Spotify用戶(hù)量身定制兩小時(shí)的定制音樂(lè)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(qiáng)大吸引力

“發(fā)現(xiàn)每周”的推薦系統(tǒng)利用Spotify用戶(hù)創(chuàng)建的數(shù)百萬(wàn)個(gè)播放列表，為公司的專(zhuān)業(yè)播放列表和那些擁有廣大粉絲群的播放列表帶來(lái)額外的權(quán)重。該算法試圖強(qiáng)化那些具有相似品味的用戶(hù)的聽(tīng)歌習(xí)慣。它有三個(gè)主要任務(wù)：

1. 一方面，Spotify為每個(gè)用戶(hù)創(chuàng)建了個(gè)性化音樂(lè)品味的簡(jiǎn)介，將其劃分為藝術(shù)家和少數(shù)流派；
2. 另一方面，Spotify使用上億級(jí)的播放列表，根據(jù)播放列表中歌曲的風(fēng)格特點(diǎn)，去建立具有相似音樂(lè)風(fēng)格的播放列表
3. 每周它都會(huì)根據(jù)每個(gè)用戶(hù)的個(gè)人口味去創(chuàng)建推薦列表?；旧希绻皇鬃钕矚g的歌曲與一首未曾聽(tīng)過(guò)的歌曲一起出現(xiàn)在播放列表中，那么它就會(huì)推薦那首新歌。

一般來(lái)說(shuō)，“發(fā)現(xiàn)周刊”播放列表會(huì)推薦30首歌曲，這個(gè)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(gè)人品味相匹配的音樂(lè)。這樣做的好處是可以生成數(shù)千個(gè)新的播放列表，這些新的播放列表在一周后會(huì)反饋到算法中以產(chǎn)生新的推薦。

這種反饋循環(huán)機(jī)制通?？梢允宫F(xiàn)有的體驗(yàn)實(shí)現(xiàn)個(gè)性化、優(yōu)化或自動(dòng)化的目的。同時(shí)，它們還會(huì)根據(jù)建議、預(yù)測(cè)或情景來(lái)創(chuàng)造機(jī)會(huì)去設(shè)計(jì)新的體驗(yàn)。在D＆A，我首次提出了一套不太全面的設(shè)計(jì)方法。

以下是其具體步驟：

為探索而設(shè)計(jì)

如你所見(jiàn)，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(guò)對(duì)用戶(hù)聽(tīng)音樂(lè)的行為與數(shù)十萬(wàn)其他用戶(hù)的聽(tīng)音樂(lè)行為之間的匹配來(lái)定義個(gè)性化體驗(yàn)，從而幫助發(fā)現(xiàn)音樂(lè)。這種體驗(yàn)至少面臨三個(gè)主要的設(shè)計(jì)挑戰(zhàn)。

首先，推薦系統(tǒng)傾向于創(chuàng)建一個(gè)“過(guò)濾器”，將建議（如產(chǎn)品、餐廳、新聞項(xiàng)目、人員連接）限制在一個(gè)與過(guò)往行為緊密聯(lián)系的世界。為了避免這種問(wèn)題，數(shù)據(jù)學(xué)家有時(shí)必須調(diào)整一些不太準(zhǔn)確的算法，并增加一些隨機(jī)性的建議。

其次，讓用戶(hù)可以自主選擇推薦的各個(gè)部分也是一個(gè)很好的設(shè)計(jì)實(shí)踐。例如，亞馬遜允許用戶(hù)刪除可能對(duì)建議產(chǎn)生不利影響的項(xiàng)目。想象一下，顧客為他人購(gòu)買(mǎi)禮物，這些禮物不一定是未來(lái)個(gè)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(hù)對(duì)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(jī)器學(xué)習(xí)算法局限性的方法通常被稱(chēng)為“人類(lèi)計(jì)算”或“交互式機(jī)器學(xué)習(xí)”或“相關(guān)反饋”。

為決策而設(shè)計(jì)

數(shù)據(jù)和算法也提供了個(gè)性化決策的手段。例如在D＆A，我們開(kāi)發(fā)了一套優(yōu)秀的算法為BBVA客戶(hù)提供財(cái)務(wù)建議。

例如，我們根據(jù)賬戶(hù)余額的時(shí)間演變來(lái)劃分儲(chǔ)蓄行為。通過(guò)這種技術(shù)，我們可以根據(jù)每個(gè)客戶(hù)節(jié)省資金的能力來(lái)設(shè)計(jì)個(gè)性化投資機(jī)會(huì)。

這種決策性的算法對(duì)準(zhǔn)確度有更高的要求，因?yàn)樗鼈兺蕾?lài)于只能提供真實(shí)情況的數(shù)據(jù)集。在財(cái)務(wù)咨詢(xún)的案例中，客戶(hù)可以在不同銀行操作多個(gè)賬戶(hù)，從而避免對(duì)儲(chǔ)蓄行為的泄漏。目前來(lái)看這是一個(gè)比較好的設(shè)計(jì)實(shí)踐，因?yàn)樗梢宰層脩?hù)隱晦或明確地提供不良信息。數(shù)據(jù)學(xué)家的責(zé)任是明確反饋類(lèi)型，從而豐富他們的模型，而設(shè)計(jì)師的工作是找到構(gòu)成體驗(yàn)組成部分的方法。

為不確定性而設(shè)計(jì)

傳統(tǒng)上講，計(jì)算機(jī)程序的設(shè)計(jì)遵循的是二進(jìn)制的邏輯，即通過(guò)將具有明確的、有限集合的、具體的和可預(yù)測(cè)的狀態(tài)轉(zhuǎn)換成工作流程來(lái)實(shí)現(xiàn)?。機(jī)器學(xué)習(xí)算法使用一種模糊邏輯來(lái)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(jiàn)Patrick Hebron的《為設(shè)計(jì)者的機(jī)器學(xué)習(xí)》一文中關(guān)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(yù)知的行為。它們經(jīng)常會(huì)反饋一些關(guān)于已有信息精確度的提示。

例如，預(yù)訂平臺(tái)Kayak通過(guò)分析歷史價(jià)格變化來(lái)預(yù)測(cè)價(jià)格的演變。它的“預(yù)測(cè)”算法旨在讓用戶(hù)對(duì)是否在一個(gè)合適的時(shí)間購(gòu)買(mǎi)一張票產(chǎn)生信心（參見(jiàn)Neal Lathia?《在票價(jià)背后的機(jī)器學(xué)習(xí)》）。數(shù)據(jù)學(xué)家自然傾向于給出算法預(yù)測(cè)值的精確度：“我們預(yù)測(cè)這個(gè)票價(jià)是x”。這個(gè)“預(yù)測(cè)”實(shí)際上是一個(gè)基于歷史趨勢(shì)的結(jié)果呈現(xiàn)。然而，預(yù)測(cè)與告知并不相同，設(shè)計(jì)師必須考慮這樣的預(yù)測(cè)能夠支撐用戶(hù)的行為：“買(mǎi)！這個(gè)票價(jià)可能會(huì)增加”?！翱赡堋迸c“價(jià)格走勢(shì)的預(yù)測(cè)”是用戶(hù)體驗(yàn)中的“完美銜接”，這個(gè)概念是由 Mark Weiser在施樂(lè)帕洛阿爾托研究中心工作期間首次提出，然后由?Chalmers and MacColl進(jìn)一步將其發(fā)展為一個(gè)新的概念——seamful design（有縫設(shè)計(jì)）：

“Seamful design故意向用戶(hù)展示“接縫”，并利用通常被認(rèn)為是消極或有問(wèn)題的特征”。

Seamful design 利用失敗和局限來(lái)改善體驗(yàn)。它通過(guò)收集用戶(hù)對(duì)于不良設(shè)計(jì)細(xì)節(jié)的建議來(lái)改善系統(tǒng)。DJ Patil描述了Data Jujitsu中的巧妙設(shè)計(jì)。

其他類(lèi)型的機(jī)器學(xué)習(xí)算法運(yùn)用精確度和召回率來(lái)處理接縫。

1. 精確度評(píng)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(hù)喜好的匹配程度）
2. 召回率評(píng)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(hù)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(shè)計(jì)決策經(jīng)常需要在精度與召回率之間進(jìn)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(lái)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(hù)獲取完美推薦的幾率。

為參與而設(shè)計(jì)

今天，我們?cè)诰W(wǎng)上閱讀信息是基于自身行為和其他用戶(hù)的行為產(chǎn)生的。算法通常會(huì)評(píng)估社交和新聞內(nèi)容的相關(guān)性。這些算法的目的是通過(guò)推送內(nèi)容獲取更高的參與度或通過(guò)發(fā)送通知來(lái)建立用戶(hù)閱讀習(xí)慣。顯然這些為我們所采取的行動(dòng)并不一定是從我們自身利益出發(fā)。

在注意力經(jīng)濟(jì)中，設(shè)計(jì)師和數(shù)據(jù)學(xué)家都應(yīng)該從用戶(hù)的焦慮、強(qiáng)迫、恐懼、壓力和其他精神負(fù)擔(dān)中學(xué)習(xí)。資料來(lái)源：《地球村及其不適》。照片來(lái)源：Nicolas?Nova

可以說(shuō)，我們進(jìn)入了注意力經(jīng)濟(jì)時(shí)代，主要的在線服務(wù)正在努力吸引人們，盡可能長(zhǎng)時(shí)間吸引他們的注意力。他們的業(yè)務(wù)是讓用戶(hù)在其平臺(tái)上盡可能長(zhǎng)時(shí)間的頻繁操作。但是這也帶來(lái)了差的體驗(yàn)，這些體驗(yàn)經(jīng)常伴隨著諸如懼怕錯(cuò)過(guò)信息（FoMO）或其他困擾情緒，以此來(lái)麻痹用戶(hù)的參與。

注意力經(jīng)濟(jì)的“演員”也使用麻痹用戶(hù)的方法，例如根據(jù)使用時(shí)長(zhǎng)給予獎(jiǎng)勵(lì)。這與老虎機(jī)中使用的機(jī)制完全相同。由此產(chǎn)生的體驗(yàn)會(huì)促使服務(wù)（賭場(chǎng)）吸引用戶(hù)不斷地尋找下一個(gè)獎(jiǎng)勵(lì)。我們的手機(jī)已經(jīng)成為通知、警告、消息、轉(zhuǎn)發(fā)、喜歡的“老虎機(jī)”，有些用戶(hù)每天平均檢查150次，或者更多。今天，設(shè)計(jì)師可以使用數(shù)據(jù)和算法來(lái)挖掘人們?nèi)粘Ｉ钪械恼J(rèn)知漏洞。這種新的能力對(duì)機(jī)器學(xué)習(xí)時(shí)代的設(shè)計(jì)原則提出了新要求（參見(jiàn)Aaron Weyenberg?的《優(yōu)良設(shè)計(jì)的道德規(guī)范：連接時(shí)代的倫理原則）。

然而，用機(jī)器學(xué)習(xí)算法設(shè)計(jì)的體驗(yàn)并不一定會(huì)成為一種“賭場(chǎng)”體驗(yàn)。

為時(shí)間高效利用而設(shè)計(jì)

設(shè)計(jì)一個(gè)與眾不同的而不是約定俗成的體驗(yàn)有很多方式。事實(shí)上，像銀行這樣的組織有一定的優(yōu)勢(shì)：它是一個(gè)以數(shù)據(jù)為基礎(chǔ)的行業(yè)，且不需要客戶(hù)花費(fèi)大量的時(shí)間在他們的服務(wù)上。Tristan Harris的“時(shí)間高效利用運(yùn)動(dòng)”在這個(gè)層面上具有重要意義。他提倡使用數(shù)據(jù)緊密相關(guān)或完全不相關(guān)的體驗(yàn)類(lèi)型。這種技術(shù)可以保護(hù)用戶(hù)注意力和尊重人們的時(shí)間。twitter的“當(dāng)你離開(kāi)時(shí)……”是這種做法的一個(gè)很有說(shuō)服力的案例。其它服務(wù)則善于提示與其互動(dòng)的時(shí)間。這種體驗(yàn)不是關(guān)注用戶(hù)留存量，而是關(guān)注交互的相關(guān)程度。

為內(nèi)心平和而設(shè)計(jì)

數(shù)據(jù)學(xué)家擅長(zhǎng)檢測(cè)正常行為和異常情況。在D＆A，我們正在努力促進(jìn)BBVA客戶(hù)內(nèi)心平和，這種機(jī)制在情況良好的情況下能夠提供一種通用意識(shí)，并觸發(fā)更多關(guān)于異常情況的詳細(xì)反饋。

我們認(rèn)為目前這一代機(jī)器學(xué)習(xí)給社會(huì)帶來(lái)了新的力量，同時(shí)也增加了創(chuàng)造者的責(zé)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(duì)于人們來(lái)說(shuō)更清楚易懂，并且監(jiān)管者可以對(duì)其進(jìn)行審查，以了解其影響。實(shí)際上，這意味著算法產(chǎn)生的內(nèi)容應(yīng)該保護(hù)用戶(hù)的興趣，并且應(yīng)該解釋其評(píng)估的結(jié)果和使用的標(biāo)準(zhǔn)。

體驗(yàn)設(shè)計(jì)其他相關(guān)的方面如下：

1. 為公平而設(shè)計(jì)
2. 為溝通而設(shè)計(jì)
3. 為自動(dòng)化而設(shè)計(jì)

可能還有更多方面的內(nèi)容，期待更多人去發(fā)掘。

原文鏈接：https://medium.com/@girardin/experience-design-in-the-machine-learning-era-e16c87f4f2e2

本文由@百度UXC翻譯發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自PEXELS，基于CC0協(xié)議