使用機器學習進行設計時的7個步驟（上）

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

文 / Josh Lovejoy 和 Jess Holbrook

機器學習 (ML) 是幫助計算機揭示數據模式與關係（而不是依靠手工編程）的科學。機器學習是一個強大的工具，可用於打造個性化的動態體驗。機器學習已經有力地推動了從 Netflix 建議到自動駕駛汽車等各項技術的發展。然而，隨著使用機器學習打造的體驗越來越多，顯而易見的是，用戶體驗 (UX) 設計者仍然需要更多地了解如何讓用戶感覺自己能輕鬆駕馭科技（而不是反之）。

正如移動革命以及之前網路技術的興起一樣，機器學習將促使我們對我們構建的幾乎所有體驗進行反思、重構、置換和考量，從而開闢全新可能。在 Google 用戶體驗社區，我們啟動了一個「以人為中心的機器學習」(HCML) 項目，旨在幫助聚焦和引導上述對話。從這個角度出發，我們審視了各個產品，以查看機器學習如何能夠以人類需求為中心並以機器學習所獨有的方式來滿足這些需求。

在 Google，我們團隊與公司內部用戶體驗設計者合作，探討如何加速核心機器學習概念的開發，了解如何將機器學習集成到用戶體驗工具腰帶中以及如何確保以包容的方式構建機器學習和人工智慧 (AI)。

如果您剛剛開始接觸機器學習，機器學習領域的複雜性以及無限的創新機遇可能讓您感覺無所適從。不必恐慌，先停下來，給自己留點時間適應一下。您並不需要從頭開始，也可以在團隊中發揮重要作用。

為了幫助設計師適應設計機器學習驅動的產品這一全新領域，我們提出了七個觀點。這些觀點源自我們與 Google 用戶體驗和人工智慧團隊的合作（並進行了必要的試驗，允許合理的錯誤數量），將幫助您遵循用戶優先的原則，實現快速迭代，了解機器學習帶來的獨特機遇。

我們開始吧！

1. 不要指望機器學習去思考它要解決什麼問題

現在，圍繞機器學習和人工智慧的宣傳鋪天蓋地，天花亂墜。許多公司和產品團隊不是首先關注他們要解決什麼重大問題，而是一開始就直奔以機器學習作為解決方案的產品戰略。

這種模式對純粹探索或了解某項技術的作用很有用，並且常常會啟迪對新產品的思索。然而，如果您並未瞄準人類需求，那麼您只是在構建一套非常強大的系統來解決一個很小、也許根本不存在的問題。

因此，我們的第一個觀點便是您仍然需要一如既往地努力發掘人類的需求。這涉及到人種學、背景查詢、採訪、深入研究、調研、查閱客戶支持服務單據、日誌分析並與人們接觸，以弄清楚您是否正在解決某個問題或是滿足某個未曾言明的人類需求。不要指望機器學習去思考它要解決什麼問題。我們仍然需要定義問題。作為用戶體驗設計者，我們已經擁有指導我們團隊的工具，無論主流的技術範式為何。

2. 詢問自己機器學習是否能以獨特方式解決問題

一旦您確認您需要滿足哪些需求之後，您將需要評估機器學習是否能夠以獨特方式滿足這些需求。有許多符合前述條件的問題並不需要機器學習解決方案。

目前，產品開發中的一大挑戰是確定哪些體驗需要機器學習，哪些體驗可通過機器學習得到實質性增強，哪些體驗不能通過機器學習得到改善，甚至會反受其害。有很多產品無需使用機器學習，也可以讓人感覺很「智能」或「人性化」。不要想當然地認為只有機器學習才能解決問題。

Gmail 會查找包含類似「attachment」和「attached」之類詞語的短語，以便在您忘記插入附件時彈出提醒。啟發式設計在這裡就很有效。儘管機器學習系統很可能能夠捕獲更多的潛在失誤，但其構建成本卻要高得多。

我們設計了一組練習來幫助團隊理解機器學習對於其用例的價值。為此，這些練習深入探究人們在與機器學習系統交互時可能提出的具體心智模式和期望以及該系統需要哪些數據。

以下是我們讓團隊圍繞他們要使用機器學習解決的用例進行研究和解答的三個示例練習：

描述理論上的人類「專家」目前執行此任務的方法。

如果您的人類專家要執行此任務，您如何為他們提供響應，以便他們在下一次能改進方法？對於混淆矩陣中的所有四個階段均執行上述步驟。

如果由人類來執行此項任務，用戶會希望他們做出哪些假設？

請花幾分鐘時間回答各個問題，了解人類能為機器學習驅動的產品提供的自動假設。這些假設如同產品團隊在探討產品時的提示一樣重要，或者如同用戶研究時的刺激一樣有用。我們稍後講解定義標籤和訓練模型時還會再講到這方面的內容。

在完成這些練習以及特定產品和功能的其他一些草圖和串連圖板後，我們將團隊關於產品的各種想法分別寫入一個簡單的 2x2 網格中：

將想法寫入這個 2x2 網格中。讓團隊投票選擇哪些想法能夠給用戶帶來最大的影響，哪些想法通過機器學習解決方案可以得到最大程度的加強。

這有助於我們區分作用顯著的想法和作用不大的想法，區分能夠通過機器學習加以增強的想法和機器學習對其無甚幫助或幫助不大的想法。在這些對話期間，您應該已經開始與工程團隊合作，但如果您尚未開始合作，那現在正是參照機器學習的發展現狀衡量一下這些想法的好時機。您應當首先專註於機器學習能夠以獨特方式給用戶帶來最大影響（見上述矩陣右上角）的想法。

3. 利用個人數據和嚮導進行模仿

原型設計是機器學習系統面臨的一大挑戰。如果您的產品的所有價值在於使用獨特的用戶數據來打造專屬定製體驗，那就註定不能快速設計出貼近真實的原型。同樣，如果您等待建成一套齊全的機器學習系統來測試設計，那在測試完畢後再進行任何有意義的更改很可能都為時已晚。但有兩種用戶研究方法可以幫助您：使用參與者的個人案例和 Oz 研究嚮導。

在利用早期模型進行用戶研究時，讓參與者為課程提供一些他們自己的數據，例如個人照片、聯繫人列表，或者他們收到的音樂或電影建議。請記住，務必明確完整地告知參與者在測試期間會如何使用這些數據以及何時刪除這些數據。您甚至可以將這作為參與者的趣味「家庭作業」，要求他們在課前完成（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據來模擬系統的正確或錯誤響應。例如，您可以模擬系統向用戶推薦不合適的電影來觀察其反應，了解用戶對系統返回該結果的原因做出的假設。相比使用虛擬數據或概念性說明，這種方法能夠幫助您更有效地評估這些可能性涉及的成本與收益。

第二種有效測試尚未成型的機器學習產品的方法是執行 Oz 研究嚮導。這種用戶研究方法曾經十分流行，但在過去約 20 年間漸失風頭。現在它們又捲土重來了。

適合使用 Oz 嚮導方法測試的最簡單的體驗之一便是聊天界面。只需安排團隊成員在聊天的另一端輸入「人工智慧」提供的「回答」。

快速提醒：Oz 研究嚮導參與者認為自己是在與自主系統進行互動，但系統其實是由人控制的（通常由團隊成員控制）。

讓團隊成員模仿機器學習系統的操作（例如聊天回復，建議參與者應該給誰撥打電話，或者電影建議），可以模擬與「智能」系統互動。這些互動對於指導設計思路至關重要，因為參與者真正認為自己是在與人工智慧互動時，他們會自然而然地形成系統的心智模式，並根據這些模式調整自己的行為。觀察他們的調整以及與系統的二階互動非常有助於啟迪設計靈感。

4. 權衡誤報和漏報的成本

機器學習系統出錯在所難免。了解這些錯誤的性質以及它們對產品用戶體驗的影響非常重要。我們在第 2 點的一個問題中提到了混淆矩陣這一概念。這是機器學習中的一個關鍵概念，描述了當機器學習系統判斷正確或出錯時的情況。

混淆矩陣的四個狀態，以及可能對用戶意味著什麼。

所有錯誤對於機器學習系統而言沒什麼不同，而對於人則不是這樣。例如，如果有一個「這是人類還是怪物？」的分類器，那麼偶然地將一個人歸類為怪物對系統來說只是一個錯誤。它不會認為所做的分類會冒犯用戶或其文化背景。它也不會明白，與將怪物意外地標記為人相比，系統用戶對於被意外標記為怪物會感到更不舒服。但這可能就是我們以人為中心的偏見: )

用機器學習術語來說，您需要有意識地在系統的準確率和召回率之間進行權衡。也就是說，您需要決定是包括所有正確答案重要，即使這意味著會加入較多錯誤答案（優化召回率），還是寧可遺漏一些正確答案也要最大程度減少錯誤答案（優化準確率）重要。例如，如果您在 Google 照片中搜索「遊樂場」，您可能會看到如下結果：

這些結果包含幾個兒童玩耍的場景，但不是在遊樂場上。在此案例中，召回率優先於準確率。與僅包含遊樂場照片但可能排除了您要尋找的照片相比，獲取所有遊樂場照片但包含幾個相似但不完全正確的照片更重要。

敬請期待《使用機器學習進行設計時的7個步驟 (下)》

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！