Oplev design i æraen om maskinlæring

Noter til designere og datavidenskabere, der skaber sammen systemer, der lærer af menneskelig adfærd

1. Introduktion

Traditionelt følger oplevelsen af ​​en digital tjeneste efter foruddefinerede brugerrejser med klare tilstande og handlinger. Indtil for nylig har det været designerens job at skabe disse lineære arbejdsgange og omdanne dem til forståelige og diskret oplevelser. Dette er historien om, hvordan denne praksis ændrer sig.

I løbet af de sidste 6 måneder har jeg arbejdet i en temmelig unik position hos BBVA Data & Analytics (D&A), et center for ekspertise inden for analyse af finansielle data. Mit job er at få design af brugeroplevelser til at nå en ny grænse med fremkomsten af ​​maskinlæringsteknikker. Mit ansvar - blandt andet - er at bringe et holistisk oplevelsesdesign til team af dataforskere og gøre det til en væsentlig del af livscyklussen for algoritmiske løsninger (f.eks. Forudsigelsesmodeller, anbefalingssystemer). Parallelt foretager jeg kreative og strategiske anmeldelser af oplevelser, som designteam producerer (f.eks. Online bank, online shopping, smart beslutningstagning) for at styre deres udvikling til en fremtid med "kunstig intelligens". Praktisk set øger jeg partnerskaberne mellem team af designere og datavidenskabsmænd til at forestille sig ønskelige og gennemførlige oplevelser drevet af data og algoritmer.

Sammen definerer vi en anden form for oplevelsesdesign med systemer, der lærer af menneskelig adfærd. Jeg tror, ​​dette er en ny praksis, fordi:

1. Det skaber nye typer brugeroplevelser.
2. Det omdefinerer forholdet mellem mennesker og maskiner.
3. Det anmoder om et stramt partnerskab mellem designere og dataforskere.

Lad mig beskrive hver af disse implikationer.

2. De nye typer brugeroplevelser

I dag er design af mange digitale tjenester ikke kun afhængig af datamanipulation og informationsdesign, men også på systemer, der lærer af deres brugere. Hvis du åbner hætten til disse systemer, vil du se, at adfærdsdata (f.eks. Menneskelige interaktioner, transaktioner med systemer) føres som kontekst til algoritmer, der genererer viden. En grænseflade formidler den viden for at berige en oplevelse. Ideelt set søger denne oplevelse eksplicitte brugerhandlinger eller implicitte sensorhændelser for at skabe en feedback-loop, der vil fodre algoritmen med læringsmateriale.

Lad mig give dig et praktisk eksempel. Ved du, hvordan Spotify Discovery Weekly fungerer?

Discovery Weekly er Spotifys automatiske musikanbefalinger "datamotor", der bringer to timers specialfremstillede musikanbefalinger, tilpasset specifikt til hver Spotify-bruger hver mandag.

Spotify Discovery ugentlig forklaret. Skema tilpasset fra magien, der gør Spotifys Discover Weekly-spillelister så forbandede gode.

Discover Weekly's anbefalingssystem udnytter de millioner af afspilningslister, som Spotify-brugere opretter. Det giver ekstra vægt på virksomhedens egne eksperter-spillelister og dem med flere følgere. Algoritmen forsøger at øge en persons lyttevaner med dem med lignende smag. Det gør det i tre hovedopgaver:

  1. På den ene side opretter Spotify en profil af hver brugers individualiserede smag i musik, grupperet i klynger af kunstnere og mikrogenrer.
  2. På den anden side bruger Spotify milliarder af spillelister til at opbygge en model af al musikken, de kender til, baseret på alle de sange, folk grupperer i spillelister.
  3. Hver uge forbinder det viden om musik, der er bygget med hver brugeres personlige smagsprofil. Grundlæggende, hvis en favorittsang har en tendens til at vises på spillelister sammen med en tredje sang, der ikke er hørt før, antyder den den nye sang.

En typisk Discover Weekly-afspilningsliste anbefaler 30 sange, et stort nok sæt til at opdage musik, der matcher med en personlig smag blandt andre falske positiver. Denne oplevelse provokerer kurateringen af ​​tusinder af nye spillelister, der føres tilbage til algoritmen en uge efter for at generere nye anbefalinger.

Disse feedback loop-mekanismer tilbyder typisk måder at personalisere, optimere eller automatisere eksisterende tjenester. De skaber også muligheder for at designe nye oplevelser baseret på anbefalinger, forudsigelser eller kontekstualisering. Hos D&A kom jeg på en første ikke-omfattende liste. Her er en gennemgang:

2.1. Design til opdagelse

Vi har set, at anbefalingssystemer hjælper med at finde de kendte ukendte eller endda de ukendte ukendte. F.eks. Hjælper Spotify med at opdage musik gennem en personlig oplevelse, der er defineret i forholdet mellem en individuel lytteopførsel og lytteopførsel fra hundreder af tusinder af andre individer. Den type erfaring har mindst tre store designudfordringer.

For det første har anbefalingssystemer en tendens til at oprette en "filterboble", der begrænser forslag (f.eks. Produkter, restauranter, nyheder, folk at forbinde med) til en verden, der er strengt knyttet til en profil, der bygger på fortidens opførsel. Som svar skal dataforskere undertiden finjustere deres algoritmer for at være mindre nøjagtige og tilføje en dosis tilfældighed til forslagene.

For det andet er det også god designpraksis at lade en åben dør for brugerne omforme aspekter af deres profil, der påvirker opdagelsen. Jeg vil kalde denne funktion "profil detox". Amazon tillader for eksempel brugere at fjerne elementer, der kan have en negativ indflydelse på anbefalingerne. Forestil dig, at kunderne køber gaver til andre, og disse gaver er ikke nødvendigvis materielle til fremtidige personaliserede anbefalinger.

Endelig rekrutterer organisationer, der er afhængige af subjektiv anbefaling som Spotify, mennesker til at give mere subjektivitet og mangfoldighed til den foreslåede musik. Denne tilgang til at bruge mennesker til at rense datasæt eller afbøde begrænsningerne i maskinlæringsalgoritme kaldes almindeligvis "Human Computation" eller "Interactive Machine Learning" eller "Relevance Feedback".

2.2. Design til beslutningstagning

Data og algoritmer giver også midler til at personalisere beslutningstagningen. For eksempel hos D&A udviklede vi avancerede teknikker til at rådgive BBVA-kunder om deres økonomi.

For eksempel overvejer vi den tidsmæssige udvikling af kontosaldo til segmentbesparelsesadfærd. Med denne teknik er vi i stand til at personalisere investeringsmuligheder i henhold til hver kundes kapacitet til at spare penge.

Denne type algoritmer, der fører til beslutningstagning, skal lære at være mere præcis, simpelthen fordi de ofte er afhængige af datasæt, der kun giver et perspektiv af virkeligheden. I tilfælde af finansiel rådgivning kunne en kunde drive flere konti med andre banker, hvilket forhindrer en klar opfattelse af spareadfærd. Det viste sig at være en god designpraksis at lade brugerne fortælle implicit eller eksplicit om dårlig information. Det er dataforskerens ansvar at udtrykke de typer af feedback, der beriger deres modeller, og designerens job for at finde måder at gøre det til en del af oplevelsen.

2.3. Design til usikkerhed

Traditionelt følger design af computerprogrammer en binær logik med et eksplicit begrænset sæt konkrete og forudsigelige tilstande oversat til en arbejdsgang. Maskinlæringsalgoritmer ændrer dette med deres iboende fuzzy logik. De er designet til at lede efter mønstre inden for et sæt prøveadfærd for at sandsynligvis tilnærme reglerne for disse adfærd (se Machine Learning for Designers af Patrick Hebron for en mere detaljeret introduktion til emnet). Denne tilgang kommer med en vis grad unøjagtighed og uforudsigelig opførsel. De returnerer ofte nogle oplysninger om nøjagtigheden af ​​de givne oplysninger.

De smukke sømme i Kayak Price Trend-algoritmen med et tillidsniveau for købsrådgivning

F.eks. Forudser bookingplatformen Kajak udviklingen i priser i henhold til analysen af ​​historiske prisændringer. Dens “farecasting” -algoritme er designet til at vende tilbage til tilliden til, om det er et gunstigt øjeblik at købe en billet (se Neal Lathia The Machine Learning Behind Farecast). En dataforsker er naturligt tilbøjelig til at måle, hvor nøjagtigt algoritmen forudsiger en værdi: ”Vi forudsiger, at denne billetpris vil være x”. Denne 'forudsigelse' er faktisk en information baseret på historiske tendenser. Alligevel er forudsigelse ikke det samme som at informere, og en designer skal overveje, hvor godt en sådan forudsigelse kunne understøtte en brugerhandling: “Køb! denne billetpris stiger sandsynligvis ”. Det 'sandsynlige' med et overblik over prisudviklingen er et eksempel på en “smuk søm” i brugeroplevelsen, en opfattelse opfundet af Mark Weiser på tidspunktet for Xerox Palo Alto Research Center og videreudviklet af Chalmers og MacColl som sømfuld design:

”Sømfuldt design involverer bevidst at afsløre sømme for brugerne og drage fordel af funktioner, der normalt betragtes som negative eller problematiske”.

Seamful design handler om at udnytte fejl og begrænsninger for at forbedre oplevelsen. Det handler om at forbedre systemet, så brugerne kan fortælle om dårlige anbefalinger. DJ Patil beskriver subtile teknikker i Data Jujitsu.

Andre typer maskinlæringsalgoritmer kommunikerer sømmene med scoringer af præcision og tilbagekaldelse.

  • Præcisionsscore kommunikerer evnen til at give et resultat, der nøjagtigt matcher det, der ønskes.
  • Genkaldsresultatet formidler evnen til at give et stort sæt mulige gode anbefalinger.

Det ideelle til en algoritme er at levere scoringer med høj præcision og gentagelse. Desværre fungerer præcision og tilbagekaldelse ofte imod hinanden. I mange dataanalysesystemer er der ofte et behov for at tage designbeslutninger med kompromis mellem præcision og tilbagekaldelse. I Spotify Discovery Weekly måtte der for eksempel træffes en designbeslutning for at definere størrelsen på afspilningslister i henhold til anbefalingssystemets ydelse. En stor spilleliste fremhæver Spotifes tillid til at levere en temmelig stor opgørelse på 30 sange, et bredt sæt til at øge mulighederne for brugere til at snuble efter perfekte anbefalinger.

2.4. Design til engagement

I dag er det, vi læser online, baseret på vores egen adfærd og andre brugers adfærd. Algoritmer scorer typisk relevansen af ​​socialt og nyhedsindhold. Formålet med disse algoritmer er at fremme indhold til større engagement eller sende meddelelser for at skabe vaner. Det er klart, at disse handlinger, der træffes på vores vegne, ikke nødvendigvis er af vores egen interesse.

I opmærksomhedsøkonomien bør både designere og datavidenskabsmænd lære af ængstelser, besættelser, fobier, stress og andre mentale byrder for de forbundne mennesker. Kilde: Global Village og dens ulemper. Foto med tilladelse fra Nicolas Nova.

Det er sandsynligt, at vi er gået ind i opmærksomhedsøkonomien, og store onlinetjenester kæmper for at koble folk, gribe deres opmærksomhed så længe som muligt. Deres forretning er at holde brugerne aktive så længe og ofte som muligt på deres platforme. Dette fører til udvikling af klæbrige, trængende oplevelser, der ofte spiller med følelser som Fear for Missing Out (FoMO) eller andre besættelser for at dope brugerengagement.

Aktørerne i opmærksomhedsøkonomien bruger også teknikker, der fremmer afhængighed såsom belønning med variabel tidsplan. Det er nøjagtig de samme mekanismer som dem, der bruges i spilleautomater. Den resulterende oplevelse fremmer tjenestens interesse (casinoet), der tilslutter folk uendeligt søger efter den næste belønning. Vores mobiltelefoner er blevet disse spilleautomater med notifikationer, alarmer, beskeder, retweets, likes, som nogle af os gennemsnitligt tjekker 150 gange om dagen, hvis ikke mere. I dag kan designer bruge data og algoritmer til at udnytte menneskers kognitive sårbarheder i deres hverdag. Denne nye magt rejser behovet for nye designprincipper i maskinlæringsalderen (se Aaron Weyenberg Etik for god design: Et princip for den tilsluttede alder).

Alligevel behøver oplevelsen designet med maskinlæringsalgoritmer ikke at være et casino.

2.5. Design til god tid brugt

Der er muligheder for at designe en radikalt anden oplevelse end engagement. Faktisk har en organisation som en bank fordelen ved at være en virksomhed, der kører på data og ikke har brug for kunder til at bruge det maksimale tidsrum med deres tjenester. Tristan Harris Time Well Brugt bevægelse er særlig inspirerende i den forstand. Han fremmer den type oplevelse, der bruger data til at være superrelevant eller være tavse. Den type teknologi, der beskytter brugerfokus og for at respektere folks tid. Twitteren "Mens du var væk ..." er et overbevisende eksempel på denne praksis. Andre tjenester er gode til at foreslå øjeblikke, hvor de kan samarbejde. I stedet for at måle brugeropbevaring, fokuserer den type oplevelse på, hvor relevante interaktionerne er.

2.6. Design til ro i sindet

Data forskere er gode til at opdage normal opførsel og unormale situationer. Hos D&A arbejder vi for at fremme en ro i sindet for BBVA-kunder med mekanismer, der giver en generel opmærksomhed, når ting er i orden, og som udløser mere detaljeret information om unormale situationer. Mere generelt tror vi, at den nuværende generation af maskinlæring bringer nye kræfter til samfundet, men øger også deres skabers ansvar. Algoritmisk bias findes og kan være iboende for datakilderne. Som følge heraf er der et særligt behov for at gøre algoritmer mere læsbare for mennesker og kontrolleres af regulatorer for at forstå deres implikationer. Praktisk betyder dette viden om, at en algoritme producerer, skal beskytte deres brugers interesse, og resultaterne af evalueringen og de anvendte kriterier skal forklares.

Yderligere relaterede terræn med oplevelsesdesign er:

  • Design til retfærdighed
  • Design til samtale
  • Design til automatisering

Og sandsynligvis mange flere.

3. Den nye relation mellem mennesker og maskiner

I det foregående afsnit har vi set, at oplevelserne, der drives af maskinlæring, ikke er lineære eller baseret på statiske forretnings- og designregler. De udvikler sig i henhold til menneskelig adfærd med konstant opdatering af modeller, der er fodret med datastrømme. Hvert produkt eller tjeneste bliver næsten som en levende, åndedræts ting. Eller som folk på Google ville sige: ”Det er en anden form for teknik”. Jeg vil hævde, at det også er en anden slags design. For eksempel forklarer Amazon Echos hjernethed som en ting, der "konstant lærer og tilføjer mere funktionalitet over tid". Denne beskrivelse fremhæver behovet for at designe oplevelsen for systemer til at lære af menneskelig adfærd.

Designet til maskiner at lære. Billede inspireret af Mike Kuniavsky: UX of Predictive Behavior for IoT.

Derfor, ud over at overveje den første kontakt og onboarding-oplevelsen, kræver denne type produkt eller service overvejelser om brugen af ​​dem efter 1 time, 1 dag, 1 år osv. Hvis du ser på reklamevideoen til Edyn-haven sensoren vil du bemærke udviklingen af ​​oplevelsen fra at skabe nye vaner til at passe på en have til at kommunikere de ukendte ukendte om planter, for at formidle ro i nøglemetrikerne og for at garantere god tid brugt med et niveau af vanding automatisering.

Den type dataprodukt kræver et ansvarligt design, der tænker på øjeblikke, hvor tingene begynder at skuffe, genere, irritere eller stoppe med at arbejde eller være nyttige. Designet af "offboarding-oplevelsen" kunne blive næsten lige så vigtigt som "onboarding-oplevelsen". F.eks. Ophører angiveligt en tredjedel af Fitbit-brugerne med at bruge enheden inden for 6 måneder. Hvad sker der med disse millioner af forladte forbundne objekter? Hvad sker der med dataene og intelligensen om den person, de producerede? Hvad er mulighederne for at bruge dem i forskellige oplevelser?

Produkter, der er kendetegnet ved en oplevelse, der udvikler sig i henhold til adfærdsdata, der konstant foder algoritmer (f.eks. Fitbit), er levende produkter, som uundgåeligt også har en tendens til at dø. Kilde: Dataprodukternes liv og død. Se også Forståelse af livscyklus for serviceerfaringer af Megan Erin Miller.

Der er nye måder at forestille sig forholdet efter en digital sammenbrud med et produkt. Digitale tjenester arbejder på et stadig mere omfattende økosystem af ting og kanaler, men brugerdata har en tendens til at blive mere centraliseret. Tænk på forestillingen om bærbart omdømme, der giver folk mulighed for at bruge en service baseret på forholdet målt med en anden tjeneste.

Når man ser lidt længere ind i den nærmeste fremtid, kunne det nylige gennembrud inden for naturlig sprogbehandling, videnrepræsentation, stemmegenkendelse og natursprogsproduktion skabe mere subtile og stærkere forhold til maskiner. I nogle få iterationer begynder Amazon Echo muligvis at være meget mere nærende. En potentiel udvikling, som antropolog Genevieve Bell forudser et skifte fra mellem-computer-interaktion til menneskelige-computer-relationer i Den næste bølge af AI er forankret i menneskets kultur og historie:

”Så rammen der ikke handler om anbefalinger, som er, hvor meget af AI er nu, men faktisk handler om pleje og pleje. Hvis disse bliver buzzwords, så sidder du i dette meget interessante øjeblik med at være i stand til at svinge fra at tale om menneskelige-computer-interaktioner til mennesker-computer-relationer. ”
- Genevieve Bell

I dette afsnit har vi set, at algoritmer nærmer sig vores hverdag, og at data giver en kontekst for et udviklende forhold. Implikationerne af denne udvikling kræver mest intens samarbejde mellem design og datavidenskab.

4. Partnerskabet mellem designere og dataforskere

Min oplevelse hidtil med at forestille mig erfaringer med data og algoritmer viser, at det er en anden praksis end det nuværende menneskecentrede design. Hos D&A er dataforskernes rolle blevet hævet fra reaktive model- og A / B-testudviklere til proaktive partnere, der tænker over konsekvenserne af deres arbejde. Vores unikke datavidenskabsteam indgår i undergrupper, der samarbejder mere direkte med ingeniører, designere og produktledere.

Når design møder videnskab

I det øjeblik, vi udformer en oplevelse, udnytter vi tykke data, den kvalitative information, der giver indsigt i folks liv (se Tricia Wang Why Big Data Needs Thick Data), big data fra de aggregerede adfærdsdata fra millioner af mennesker og de små data, som hver enkelt person genererer.

Klassisk fokuserer designere på at definere oplevelsen af ​​tjenesten, funktionen eller produktet. De hekker konceptet inden for det større økosystem, der vedrører det. Dataforskere udvikler de algoritmer, der understøtter denne oplevelse og måler den med A / B-test.

De første par uger i min rolle hos D&A fandt jeg designere og datavidenskabsmænd ofte fast i uheldige udvekslinger, der typisk lød sådan:

Designer: Hej! Hvad kan du, dine data og algoritmer fortælle mig?
Dataforsker: Nå ... Hvad vil du vide?

Det vigtigste emne var manglen på delt forståelse af hinandens praksis og mål. For eksempel omdanner designere en kontekst til en form for oplevelse. Dataforskere omdanner en kontekst med data og modeller til viden. Designere vedtager ofte en sti, der tilpasser sig en skiftende kontekst og nye påskønnelser. Data forskere anvender processer, der ligner humber-center design, men er mere mekaniske og mindre organiske. De følger strengt de videnskabelige metoder med dets cykliske processer med konstant forfining.

Et korrekt formuleret forskningsspørgsmål hjælper med at definere hypotesen og hvilke typer modeller der skal udvikles i prototypefasen. Modellerne er de algoritmer, der evalueres, inden de implementeres til produktion i det, vi kalder D&A en "datamaskin". Hver gang oplevelsen, der understøttes af "datamaskinen", ikke fungerer som forventet, skal problemet omformuleres for at fortsætte den cykliske proces med konstant forfining.

Datavidenskabsmetoden og dens cykliske processer med konstant evaluering og forfining

4.1. Berøringspunkterne

Den videnskabelige metode svarer til enhver designtilgang, der dannes og gør nye påskønnelser, da nye iterationer er nødvendige. Alligevel er det ikke en åben process. Det har en klar start og slutning, men ingen bestemt tidslinje. Datavidenskabsmand Neal Lathia hævder, at "tværfagligt arbejde er hårdt, indtil du taler det samme sprog". Derudover tror jeg designere og datavidenskabere må fordybe sig i den andres praksis for at opbygge en fælles rytme. Indtil videre kodificerede jeg adskillige vigtige berøringspunkter for designere og dataforskere for at producere en meningsfuld brugeroplevelse drevet af algoritmer. De skal:

  1. Co-create en håndgribelig vision af oplevelsen og løsningen med prioriteter, mål og rækkevidde
  2. Evaluer enhver antagelse med indsigt fra kvantitativ efterforskning, desk research og feltundersøgelser.
  3. Formulere de vigtigste spørgsmål fra visionen og forskningen. Stiller teamet de rigtige spørgsmål, og er svarene algoritmer kunne give handling?
  4. Forstå alle begrænsningerne i datamodellen, der giver svar.
  5. Specificer succesmetrikerne for en ønskelig oplevelse, og definer dem, inden en test frigives. Valideringsfasen fungerer som stoppoint, og den skal defineres som en del af projektets mål (f.eks. Forbedre tilbagekaldelsen af ​​anbefalingerne med 5%, opdage 85% af de kunder, der er ved at misligholde).
  6. Evaluer datamaskinens indflydelse på brugeroplevelsen. Som anført af Neal Lathia er det især svært for dataforskere at arbejde “offline” på en algoritme og måle forbedringer, der korrelerer med forbedringer i den faktiske brugeroplevelse.

Dette sammenflettede samarbejde illustrerer en ny type design, som jeg forsøger at formulere. I en nylig artikel foreslog Harry West CEO hos frog udtrykket 'design af systemadfærd':

”Menneskecentreret design er udvidet fra design af objekter (industrielt design) til design af oplevelser (tilføjelse af interaktionsdesign, visuel design og design af rum), og det næste trin vil være design af systemadfærd: design af algoritmerne, der bestemmer opførslen af ​​automatiserede eller intelligente systemer ”
- Harry West

4.2. Et visionstyret partnerskab

Indtil videre har jeg argumenteret for, at "levende oplevelser" dukker op på tværs af datavidenskab og design. Et uundværligt første skridt er for designere og dataforskere er at etablere en håndgribelig vision og dens resultater (f.eks. Erfaring, løsning, prioriteringer, mål, rækkevidde og bevidsthed om gennemførlighed). Airbnb-produktdirektør Jonathan Golden opfordrer til, at en visionstyret produktadministrationsmetode:

”Din virksomhedsvision er, hvordan du ønsker, at verden skal se ud om fem-plus år. Resultaterne er holdmandaterne, der hjælper dig med at komme dertil. ”
- Jonathan Golden

Denne konceptualiseringsfase kræver dog, at visioner ikke lever lige så flade perfekte ting til bestyrelsesrum PowerPoint. Derfor er en af ​​mine tilgange at engagere design / videnskabspartnerskabet til at producere designfiktion. Det har ligheder med Amazons Working Backwards-proces som beskrevet af deres CTO Werner Vogels:

”Du starter med din kunde og arbejder dig baglæns, indtil du kommer til et minimum af teknologikrav for at tilfredsstille det, du prøver at opnå. Målet er at drive enkelhed gennem et kontinuerligt, eksplicit kundefokus. ”
- Werner Vogels
At tænke ved at gøre med Design Fiction skaber potentielle fremtider for en teknologi til at afklare nutiden. Skema inspireret af Futures Cones og Matt Jones: Jumping to the End - Practical Design Fiction.

Design Fiction sigter mod at gøre håndgribelig udviklingen af ​​teknologier, det sprog, der bruges til at beskrive dem, ritualerne, de magiske øjeblikke, frustrationerne og hvorfor ikke "offboarding-oplevelsen". Det hjælper de forskellige interessenter i et projekt med at engagere sig i væsentlige spørgsmål for at forstå, hvad den ønskede oplevelse betyder, og hvorfor teamet skal bygge det. Hvad er konsekvenserne af at købe den næste generations Haveføler? Hvad kan du gøre med det? Hvad har du ikke lov til at gøre? Hvad gør du ikke mere? Hvordan interagerer et menneske med denne teknologi første gang og derefter rutinemæssigt efter en måned, et år eller mere? Kreative og håndgribelige svar på disse spørgsmål kan komme til live, før et projekt endda starter med oprettelsen af ​​fiktive kundeanmeldelser, brugermanual, pressemeddelelse, annoncer. Dette materiale er en måde at bringe fremtiden til i nutiden eller som vi siger på det nærmeste fremtidige laboratorium:

”Designfiktioner fungerer som et totalemne til diskussion og evaluering af ændringer, der kan bøje visioner om det ønskelige og planlægge, hvad der er nødvendigt.”

Hos D&A betyder det, at jeg samler dataforskere og designere med det formål at skabe en håndgribelig vision af deres forskningsdagsorden. Først kortlægger vi først de igangværende undersøgelseslinjer.

Derefter projicerer vi deres udvikling i 2 eller 3 iterationer, der undrer os: Hvordan ville den potentielle resulterende teknologi se ud? Hvor kunne det bruges? Hvem ville bruge det og til hvilken type oplevelse? Hver deltager bruger skabelonen til en fiktiv annonce til at fortælle historier med praktiske svar på disse spørgsmål. Sammen grupperer vi dem i fremtidige koncepter.

Vi samler alt materiale og fremmer de mest lovende koncepter. Derefter deler vi disse resultater internt i række papir- og videoannoncer, der beskriver de vigtigste funktioner, attributter, egenskaber ved oplevelsen fra vores synspunkt (det mulige) og brugerens synspunkt (det ønskelige).

Denne type fiktivt materiale giver både designere og datavidenskabere mulighed for at føle og få en praktisk forståelse af teknologien og dens oplevelse. Resultaterne hjælper med at opbygge troværdighed, indrømme støtte, imødegå skepsis, skabe fart og dele en fælles vision. Endelig giver feedback fra mennesker med forskellige perspektiver mulighed for at foregribe muligheder og udfordringer.

5. Designegenskaber

I denne artikel har jeg argumenteret for, at med udviklingen af ​​maskinlæring og "kunstig intelligens" (AI) bliver det både designere og datavidenskabers ansvar at forstå, hvordan man former oplevelser, der forbedrer liv. Eller som Greg Borenstein argumenterer med magten til folket: Hvordan en ukendt gruppe forskere har nøglen til at bruge AI til at løse reelle menneskelige problemer:

"Hvad der er behov for AIs brede vedtagelse er en forståelse af, hvordan man bygger grænseflader, der sætter styrken i disse systemer i hænderne på deres menneskelige brugere."
- Greg Borenstein

Denne type design af systemadfærd repræsenterer en fremtid i udviklingen af ​​menneskecentreret design. Indtil videre i min rejse med at skabe meningsfulde oplevelser i maskinlærings æraen kan jeg formulere følgende egenskaber:

Feedback: Data er livsgrundlaget for brugeroplevelsen med systemer, der lærer. Garanti for, at systemer bliver ordentligt fodret med omhyggeligt udformede feedback loop-mekanismer.
Forhold: Kombinationen af ​​data og læringsalgoritmer kan udløse en udvikling af flere oplevelser. Planlæg forholdet mellem mennesker og maskinen, der lærer for eksempel at skabe vaner, der er tilpasset folks interesse, finde det kendte ukendte, opdage de ukendte ukendte, kommunikere en bestemt ro i sindet eller værdsætte den god tid. Derudover skal du forberede "offboarding-oplevelsen" til øjeblikke i forholdet, når tingene begynder at skuffe, genere, irritere eller stoppe med at arbejde eller være nyttige.
Seamfulness: Overvej at bringe både kraften og manglerne i algoritmer til overfladen som en del af oplevelsen. Forudsigelse er for eksempel ikke det samme som at informere, og en designer skal overveje, hvor godt usikkerhedsniveauet i en forudsigelse kan understøtte en brugerhandling.

Dette er en udvidet udskrift af et foredrag, som jeg holdt ved onsdagens begivenhed i BBVA Innovation Center i Madrid den 21. september 2016, der oprindeligt blev offentliggjort i BBVA Data & Analytics 'blog https://www.bbvadata.com/experience-design- in-the-maskine-learning-æra /. Mange tak til BBVA Design-teamet for deres invitation og til de deltagende for deres interesse.

Tak til Leonardo Baldassini, Neal Lathia og Nicolas Nova for deres feedback.