2019人工智能用户体验设计指南:技术、场景、设计

本文在微软、谷歌、adobe的AI设计经验基础上,结合了我的亲身实践经验,重新梳理、更新,总结而成。

技术 /

- 人工智能的角色地位

我觉得MIT教授Patrick Winston总结的蛮好,他把AI在软件系统中的身份分为四类:

tools, assistants, peers, and managers.

- tools 工具,这个很好理解,比如AI用于识别垃圾邮件、分类图像都是此类;

- assistants 助手,例如siri,扮演的是助理的角色,辅助系统帮助用户完成某项任务;

- peers 同等地位的公民,就像我们经常接到电话机器人的电话,AI已经如同人的存在一样在我们身边;

- managers 管理者,先问问读者们,当你的工作、报酬都由AI来分配的时候,你会怎么想?

举阮一峰在文章中提到的一个现象为例,硅谷科技公司正在用 API 替代掉中层干部。例如,外卖送餐员不再有领导,他们直接从 API 接单,然后把送餐结果反馈给 API。把API换成AI,即AI管理者

Amazon有一个众包市场, Mechanical Turk(MTurk),可使个人和企业轻松地将其流程和工作外包给可以执行这些任务的分布式劳动力。就是一个典型的AI管理者模式。

场景 /

- 实际痛点、解决方案

How Adobe Became a Successful $95 Billion SaaS Company

经过35年的发展,adobe的市值已经近千亿。这无疑得益于这些年来的产品形态、应用领域的拓展,再加上AI驱动的底层技术支持。

Adobe Sensei把AI技术与实际的应用场景紧密结合,痛点跟AI解决方案,值得我们借鉴。Adobe Sensei驱动(AI)解决方案:

- 处理重复、耗时的流程,帮助用户有更多的时间来创作;

- 当信息太多而无法查找,帮助用户寻找目标;

- 当趋势或重大事件发生时, 用户可以获得有关数据驱动方式的建议,帮助用户更好地确定决策的优先级。

- 设计师需要掌握的知识

- 找到用户的需求与AI能力的交集

- 了解适合AI的场景

- 了解不适合AI的场景

此部分详细查看《谷歌AI Guidebook读后感,应该如何设计智能产品?

设计 /

- 人机交互重点环节

AI系统的设计需要重点关注的4个环节:初始化、交互进行中、出错时、全过程。

- 环节1 初始化

主要处理用户预期与系统能力范围的匹配。需要告知用户AI可以 完成哪些事情,哪些问题暂时是无法解决的。

- 环节2 交互进行中

AI需要多少时间完成,结果对应的相关信息,结果对应的基准指标是什么。

- 环节3 出错时

AI出错时,用户可以什么样的方式去参与修正,需要提供用户反馈或者修正的方式。

- 环节4 全过程

记录当前交互状态、学习用户的使用行为、更新、鼓励用户反馈、告知用户变化的内容、用户可以全局控制AI。

- 设计模式指南

- 模式1 -

探索大数据,提取规律

从大数据中分类、提取,提供灵感、输入建议等。

关于灵感,我们不能从无到有创造出一些东西。而机器可以从大数据中提取信息,激发我们的灵感;

关于提取知识,我们无法从大数据中,而机器可以总结,提炼出来;

Ancestry.com是一个 案例,该站点帮助用户快速完成创建家谱。系统通过分析数百万个通过机器学习处理的扫描图像,历史文档和公共记录,读取,分类与用户潜在祖先匹配的记录,反馈给用户,借此用户可以快速地完成家谱的创建。

- 模式2 -

了解用户 ,实现产品的个性化定制

机器学习能够根据其对用户的了解,结合总体趋势,为用户提供个性化定制的服务。Netflix是一个很好的例子。不仅是内容的个性化定制,布局形态也是可以如此。

- 模式3 -

内容理解,实现自动分组

利用机器学习,机器对文本、图像、声音等都有了感知能力,经过训练AI系统弄,从而可以实现对内容的理解。比如adobe的Lightroom产品中,AI可以在照片中发现人物,从而主动对照片进行分组和标记,从而可以快速搜索目标。

- 模式4 -

提供捷径,流程自动化

自动抠图、图像定位、内容生成等,可以加速用户创建内容的速度,例如Fontphoria使用增强现实技术自动检测新样式并将其叠加到现实世界中的物理对象上。把以往需要手动的多项操作,交由AI自动完成。

- 模式5 -

人机交互,设计除了键盘、鼠标之外的交互方式

除了键盘、鼠标,有什么其他的交互方式是适合AI的?比如语音、手势,甚至人脸,表情等等,借助于AI对内容的理解,我们可以实现各式各样、新的交互方式。

基于音频的音乐搜索引擎Shazam是一个很好的例子,用户唱几句,AI即可立即识别歌曲。

- 模式6 -

建议和指引,设计人机协作的功能

一个明显的特点就是,在人机协作的系统里,AI扮演的是助手的角色,一般用来提供建议和路径指引。

产品形态可以是聊天机器人,也可以是其他的交互方式。一般设计师会习惯性地理解为是聊天机器人,其实不然,小到一个简单的toast,其实也是可以有协作的功能的。

- 模式7 -

优雅的失败,清晰告知用户AI系统可以做什么,不能做什么

微软在论文《Guidelines-for-Human-AI-Interaction-camera-ready》中也提到了AI系统首要解决的问题就是如何清晰地传达系统可以解决的问题,保证用户的预期不要被过度拔高。

系统有可能会出错,需要有个明确的指示,告知用户,让用户理解。

本文分享自微信公众号 - 无界社区mixlab(mix-lab)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-11-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习AI算法工程

lightgbm模型实战案例:京东金融信贷需求预测

在本次比赛中,数据分析比较少,仅仅是用 Jupyter Notebook 简单的画了几个图,没有针对数据情况进行特定的特征提取,基本上是想到什么特征就用什么特征...

11820
来自专栏编程之心

会写 Py 脚本,就能开发机器学习工具!

Streamlit是第一个专门针对机器学习和数据科学团队的应用开发框架,它是开发自定义机器学习工具的最快的方法,你可以认为它的目标是取代Flask在机器学习项目...

12250
来自专栏GitHubDaily

为了拯救脸盲,这个表情包网站在 GitHub 上开源了一款明星识别器!

现在,有一家公司来拯救脸盲了,不是你熟悉的硅谷 / 后厂村大公司,而是一家动图表情包网站:GIPHY。

8120
来自专栏机器学习AI算法工程

特征工程全过程

  有这么一句话在业界广泛流传:数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢?顾名思义,其本质是一项工程活动,目的是...

11750
来自专栏GitHubDaily

如何从零开始,自学成为一名数据科学家?

导读:如何通过免费方式学习数据科学?数据科学家 Rebecca Vickery 从技术能力、理论和实践经验三个方面入手介绍了自己的经验。

7210
来自专栏GitHubDaily

英伟达小姐姐开源 Python 隐藏技巧,上了 GitHub 热榜!

转自量子位,作者栗子 常常发资源的英伟达工程师小姐姐 Chip Huyen,又发射了一套 Python 隐藏功能合集。

8210
来自专栏机器学习AI算法工程

xgboost模型实战案例:预测未来一段时间的路段交通流量

(ps. 不是我不调参,不融合模型,是以现在的特征即使做了这些,提高也不会很大,所以还是特征的问题,可能太简单了)

17440
来自专栏云技术+云运维

exsi速用命令和常见问题

vicfg-user --url https://esxi-host/sdk/webService --username root --password [ol...

19620
来自专栏机器学习AI算法工程

用户贷款风险预测:Stacking模型融合

近7万贷款用户的基本身份信息、消费行为、银行还款等数据信息,需要参赛者以此建立准确的风险控制模型,来预测用户是否会逾期还款。

8420
来自专栏机器学习AI算法工程

机器学习比赛大杀器----模型融合(stacking & blending)

集成模型是一种能在各种的机器学习任务上提高准确率的强有力技术。在这篇文章中,我会分享我在Kaggle比赛中的集成方法。

28540

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励