使用机器学习进行设计时的7个步骤 (下)

原文标题：以人为中心的机器学习 (Human-Centered Machine Learning)

作者 / Josh Lovejoy 和 Jess Holbrook

此文分上下篇，上篇请戳这里：使用机器学习进行设计时的7个步骤 (上)。

5.规划共同学习和调整

最有价值的机器学习系统应随着时间的推移与用户的心智模式交替进化。当人们与这些系统进行交互时，他们也在影响和调整着他们将来看到的各种系统输出。这些调整反过来将改变用户与系统的交互方式，从而改变心智模式，如此反复，形成一个反馈环路。这可能会导致“阴谋论”，人们使系统形成不正确或不完整的心智模式，并会遇到试图根据这些虚构的规则操控输出的问题。您需要使用明确的心智模式引导用户，鼓励他们提供有利于他们自己和模式的反馈。

机器学习系统是基于现有数据集训练的，因此，我们通常无法预测系统将如何针对新输入进行调整。因此，我们需要相应调整我们的用户研究和反馈策略。这意味着我们需要在产品周期中提前规划开展纵向的、人机交互频繁的广泛研究。随着用户和用例不断增多，您需要预留充足的时间，通过定量分析准确率和错误率来评估机器学习系统的性能，并在用户使用这些系统时与他们坐在一起，以了解他们的心智模式如何随着每一次成功或失败而发生变化。

此外，作为用户体验设计者，我们需要考虑如何能够在整个产品生命周期内获得用户的真实反馈，以改进机器学习系统。机器学习系统是良好还是卓越，区别在于设计的交互模式是否方便提供反馈以及是否能够快速显示反馈的好处。

▲ Google 应用每隔一会就会询问某个特定卡片此刻是否有用，以获取有关其建议的反馈。

▲ 用户可以针对 Google 搜索自动完成提供反馈，包括为什么预测可能不合适。

6.使用正确的标签训练算法

作为用户体验设计者，我们已经习惯于将线框、模型、原型和红线作为我们的标志性交付成果。然而，蹊跷的是：当谈到通过机器学习增强的用户体验时，我们能够侃侃而谈的寥寥无几。这时“标签”就派上用场了。

标签是机器学习不可或缺的一部分。有些人的工作就是查看大量内容并为内容添加标签，回答一些类似“这张照片中是否有一只猫？”的问题。一旦将足够的照片标记为“猫”或“非猫”，您就会获得一个数据集，您可以用它来训练模型识别猫。或者更准确地说，能够让模型以一定的置信水平预测一张它从未见过的照片中是否有猫。很简单，对不对？

▲ 您能通过这个测验吗？

当您冒险进入模型目标定是预测一些对用户来说很主观的东西（如他们是否认为某篇文章很有趣或建议的电子邮件回复有意义）的领域时，挑战就来了。而且模型需要长时间的训练，获得一个完全标记的数据集的成本可能非常高昂，更不用说标签错误将给您的产品可行性带来巨大影响。

以下是应采取的做法：首先进行合理的假设，然后与各种协作者对这些假设进行讨论。这些假设通常应采用的格式为：“对于处于 ________ 情况中的 ________ 用户，我们假设他们更喜欢 ________ 而不是 ________。”然后，尽快将这些假设置于使用最频繁的原型里，以开始收集反馈并进行迭代。

聘请可以充当机器学习最佳老师的专家，即具有您尝试预测的相关领域专业知识的人员。我们建议您聘请多名专家，或让您团队中的某人作为后备人员担任该职位。在我们团队，我们称这些人为“内容专家”。

此时，您将会确定哪些假设看起来更加“真实”。然而，在您开始大规模收集数据和进行标记之前，您需要使用由内容专家从真实的用户数据中挑选的示例进行关键的第二轮验证。用户应测试一个高保真的原型，并知道自己正与一个合法的人工智能交互（根据上面的第 3 点）。

通过实操验证，让您的内容专家针对您希望您的人工智能生成的内容创建大量手工设计的示例组合。这些示例将为您提供一个数据收集路线图、一套用于开始训练模型的强大标签集，以及一个用于设计大规模标记协议的框架。

7.拓展您的用户体验系列，机器学习是一个创造性过程

考虑您作为一个用户体验设计者所收到的最糟糕的微观管理“反馈”。您能想象一个人靠在您的肩膀上，然后您每动一下就对您吹毛求疵吗？好，现在继续在您的头脑中想象该画面，您一定不想遇到这样的人，您的工程师也是。

有许多潜在的方法都可以应对机器学习挑战，因此，作为一个用户体验设计者，太过规范化或进度太快可能导致过程意外地停顿，从而削弱了您的工程师同事的创造力。相信他们的直觉，并鼓励他们进行实验，即使在完整评估框架到位之前他们可能对通过用户进行测试犹豫不决。

与我们平常习惯的过程相比，机器学习是一个更具创造力和表现力的工程过程。训练模型的过程很缓慢，并且可视化工具还不是很出色，因此，工程师最后在调整算法时，经常需要靠想象力（甚至有一种称为“主动学习”的方法，手动“调整”每次迭代后的模型）。您的工作是在此过程中帮助他们做出卓越的以用户为中心的选择。

▲ 与工程师、产品设计师等合作，以整合出恰当的体验。

因此，可以通过示例—— decks、个人经历、视频、原型、来自用户研究的剪辑、作品等启发工程师，让他们观看和感受什么是出色的体验，熟悉用户研究目标和结果，并礼貌地请他们加入精彩的 UX crits 世界和研讨会，向他们介绍设计冲刺哲学 (https://designsprintkit.withgoogle.com)，以帮助他们更深入地理解您的产品原则和体验目标。工程师越早适应迭代，机器学习管道的稳健性就越好，您就越能有效地影响产品。

结论

以上就是我们与 Google 团队强调的七个观点。我们希望它们能帮助您思考您自己基于机器学习的产品。随着机器学习开始支持越来越多的产品和体验，让我们坚守以人为中心的责任，为人们提供独特价值和卓越的体验。

作者

Josh Lovejoy 是 Google Research 和机器智能小组的一位用户体验设计者。他致力于交互设计、机器学习和无意识偏见觉察的交叉领域的研究，并主导 Google 的机器学习公平性设计和策略工作。

Jess Holbrook 是 Google Research 和机器智能小组的一位用户体验经理兼用户体验研究员。他和他的团队致力于基于人工智能和机器学习的多种产品的工作，采取以人为中心的方法来处理这些技术。

Akiko Okazaki 制作了精美的插图。

推荐阅读：

使用机器学习进行设计时的7个步骤 (上)

让中国开发者更容易地使用TensorFlow打造人工智能应用

开源机器学习库Deeplearn.js

Google发布机器学习开源可视化工具Facets