近年来,AI技术的发展吸引越来越多人的目光,AI+营销、AI+安防等等有 AI 概念的事件频频出现在人们的视野中。那么,在智能化的领域中,作为设计师,有什么设计机会是可以探索和发力的呢?以下内容是笔者通过已有的实践经验以及桌面调研、观察、分析后总结的在智能化时代下,关于设计机会的观点概述,包括以下内容:

  • 弱智能化下,设计在产品中应该做些什么?
  • 结合AI能力,设计在产品中应该做些什么?
  • 对技术的了解

一、弱智能环境下,为用户树立正确的期望

智能不是万能的,现在的智能技术还达不到完全智能化,不能做到完全无人工参与就能获得满意结果的情况,甚至在人为参与的过程中,还会与人的互动发生错误。这是弱智能环境下,数据量及模型还不成熟的反应。特斯拉自动驾驶汽车在三月份发生了一场车祸(如图所示),自动驾驶看起来非常智能,但其实功能并不是完全自动的,自动驾驶模块只处理部分驱动功能。

△ 特斯拉自动驾驶汽车发生车祸(图片来源:CNNtech)

在 Chatbot 的上下文对话中,也总是会存在语义理解出现错误的状况,其智能程度也是在逐步提升的过程中。设计师需要让用户能注意到产品的智能化程度,设定合理的预期,减少用户体验的落差,并在同时能够展现产品的优势特色以吸引、留住用户。

1. 告诉用户我能做什么

智能算法能力提升后,达到某个阶段,可以定期的告知用户自己可以做什么。或者在用户进入新产品的某个垂直能力下,告诉用户自己能够做到什么程度。例如小冰机器人,会在新功能发布后,主动向用户推送信息,告知用户自己现在拥有的新能力,如图所示。

△ 小冰新功能提醒(图片来源:微信截屏)

2. 还不能做什么,做错了应该怎么反应

当用户想做什么但是做不了时,需要告知用户功能的局限性,在不同的场景下,可以有不同的应对方案。如在一般轻松的会话过程中,可以模拟机器人的年龄较小,还处在学习中,降低用户的预期并获得理解,引导用户体验现有的功能。如果在较为严谨、紧急的会话过程中,则可以通过升级人工的方式来解决问题,或定时告知用户对会话内容的跟进及处理情况。

二、弱智能环境下,增强智能特征使产品显得更智能

笔者从智能的概念出发去探讨智能化特征,以及智能化特征对用户的感受,由此去挖掘产品中的设计机会点。

1. 从「智能」到产品「智能化」

从「智能」的定义出发去推演智能化特征,智能是指具有「智慧」与「能力」,智慧是能够触感、记忆内容,能够具备思维能力,并通过语言与行为展现出来。「智能化」则是指非智慧的对象通过技术能力具备智能的表象化能力及特征,智能化则能够感知内容,对内容具有记忆,能够产生类似思维的能力,自我学习、主动适应的能力,并通过触点表现行为。相对应的,产品具有「智能化」特征,是能够进行智能感知,进行实时分析并自主决策,并能够通过执行表现出来。

△ 「智能」的定义分析(图片来源:笔者自绘)

2. 从产品「智能化」特征到用户的「智能化」感受特征

智能化是产品的表象,相对应的,用户对智能化的特征感受是多方面的,与用户的调研中我们能抽取到一些对智能化感受的关键话术——「它是能快速理解的」、「能主动提供帮助的」、「知道我的,懂我的」、「能够及时,适时的通知、帮助我」、「背后逻辑好像很复杂很厉害」但是「需要我做的很轻便」,「让我看起来很简单」、「对我很亲切」,将其与智能化特征相对应进行归纳,总结智能化特征下用户感受特征。

在智能感知的环节,产品给到用户的感受应该是「快速」、「主动」的。「快速」在于用户的信息能够被快速获取,或者产品能够自动得获取信息,然后主动地为用户提供帮助。

在实时分析、决策的环节,产品给到用户的感受应该是「能记忆」、「能预测或推荐」,记忆用户的行为偏好、关注内容等作为数据标签,为用户提供其个性化的信息及操作路径,满足用户的预期。在产品中监控用户操作路径预测行为给予辅助,或是对数据信息进行分析,给出推荐信息,帮助用户进行判断操作。

在执行及其表现上,能够进行「化繁为简」的处理,从流程环节或是单界面互动上减少用户低价值的操作,使其能够清晰认知、简便操作。感官上,一方面体现化繁为简的技术感,另一方面则从与人的距离感上拉进关系,表现拟人化的亲近。

这些智能化特征在前后台产品中可以发散运用。在后台产品中,笔者主要以自动化、记忆、实时监测等手段来增强产品的智能感。详见文章《如何让产品像人工智能一样懂你?我总结了这些方法!》

△ 「智能」的用户感受分析(图片来源:笔者自绘)

三、告知用户AI所产生的内容

1. 在产品中透出算法智能的能力,增强用户对AI能力的信心

算法智能在产品中很多时候都是隐形的发挥作用,像 NLP技术中对语义理解分析、匹配、预测等都是黑盒状态,设计上可以更多的透出算法智能为用户带来的便利,使用户认知到算法智能的能力,提升对产品智能能力的信任感。

举个例子,在智能定位模型训练的过程中,对一批相似的训练数据进行聚类再呈现给用户,在设计上可以提示用户 AI 能力为其所做的事情。如图所示,告知用户产品已经为其智能聚合了相似的类,提升其操作效率。

△ 智能聚类(图片来源:店小蜜问答训练已上线)

在 AI数据处理的过程中,会对数据进行打标使结果更加准确。可以通过分析对象的搜索、点击、点击停留、收藏、转发等交互行为,或个性化特征则如性别、年龄、收入等,甚至一些外界自然因素如时间、天气等来作为特征进行打标。在推荐结果中可以透出特征信息,若结果是正向的,将提升增加用户对智能的信任。

举个例子,如图所示,当用户在查找某个知识内容时,当向用户推荐解决方案时,同时透出智能化推荐的原因。如该例子中采用了用户使用的特征,大部分人看过后还有使用的特征标签更能获取用户的信任,辅助用户判断,提升内容的点击转化率。

△ 知识智能推荐(图片来源:笔者设计稿)

2. 明确是AI能力所提供的辅助决策

另外一方面,在弱智能环境下,由于数据量的不足,AI 所产生的结果(预测或推荐等)可能存在错误的情况。这时候,需要明确告知用户哪部分是 AI 所产生的结果,让用户自己决定是否信任内容而去进一步采纳。在现阶段,AI 与人工之间是相辅相成的关系,特别是在后台产品中,为了保证任务结果的准确性,用户还是会参与到过程中,人工辅助下,AI 能获得更精准的结果。同时,AI 产生的结果在一定程度上还是在辅助用户进行便捷的操作。

举个智能预测推荐的例子,在为对象打上数据类型的标签时,通过对内容的文本分析、整体内容的打标偏向,预判用户会为该对象打上什么类型的标签。如图所示,预测用户将会打的标签并进行操作提醒,但由用户自己决定是否采用。

△ 数据类型智能推荐(图片来源:笔者设计稿)

四、解释机器是怎么思考的

现在算法智能在产品上的体现是隐形的,并且在弱智能环境下,算法能力还不能完全做到针对用户个性化、特定场景下的自主学习能力,这需要大量的数据来源进行训练。由于算法模型能力有限,并且会影响到产品形态及逻辑,因此与用户实际的理解会有差距,从而导致用户在使用过程中达不到想要的结果。设计在这里发挥的作用既是在以目标为导向下,引导用户如何正确的利用智能能力以获得正确的结果,达到期望。

解释机器是怎么思考的有解释的程度之分,从智能化前台产品到后台产品,解释的程度及成本从低到高。

1. 初级阶段:解释怎么用

在初期阶段,主要引导用户如何使用产品,解释其如何开始运作。以 chatbot 产品为例,在面向消费者时,在会话起始需要引导用户开启意图,开启某个意图的方式是命中与意图相关的话术。引导用户明确自己的意图,在该意图下应该发出怎样的话术才能触发。举个例子,在会话过程中进行购物,需要明确发出「买某某」的意图,引导其意识到要有「买」的关键词才能进入到购买的流程中。

对于 chatbot 的后台产品来说,首先需要认知后台和前台会话的关联性,如何产生前台的效果,相对应的功能分别产生怎么样的作用。举个例子,如图所示,在进行后台配置时,告知用户该功能是对应前台所展现的效果。

△ 前后台对应展现(图片来源:AlimeBot Plantform)

2. 进阶阶段:解释需要做什么能更好的获得结果

在后台产品的配置中,会有一些算法配置方式,会使前台产品表现得更加智能。但是算法配置的方式,更多的是从算法角度出发,反推到业务中去解决问题,设计上需要建立两者之间的关系,使用户理解如何做能更好的获得前台展现效果。举个例子,在面向 chatbot 的知识后台产品中,为了使用户话术能更好的命中知识语料,将引导用户对命中话术的关键词进行标注,增加句子的识别度。如图所示,在输入话术之后,提升用户进行话术的关键词标注。

△ 关键词标注(图片来源:笔者设计稿)

3. 高级阶段:理解算法模型背后的知识(适用于后台产品)

针对知识型的后台,在大量知识的情况下,为了更好的维护及查看知识,将会对知识进行结构化的设定,结构化的规范来自于算法逻辑,需要用户对规范有一定的了解才能进行合理的配置及使用。另外还会对用户在业务上的梳理能力提出挑战。在这个阶段,初期在线下进行培训会比较便捷,后期可以考虑在产品上进行课程的培训。另一方面,对于业务的梳理,产品设计上要尽量靠近用户现实的梳理思路及梳理现实情况。举个例子,业务小二通常使用 xmind 工具进行业务知识结构的梳理,在梳理的过程中有反复增删改、定位查看、全局查看的操作,对业务的梳理概况要有个整体性的掌控感。因此在工具优势的基础上进行设计,在产品中完成整体链路的编辑。

△ 知识结构化梳理(图片来源:笔者设计稿)

五、对结果提供反馈的入口,以便进一步训练智能模型

对算法所展现的结果,给到反馈的入口,可以是一个点赞、点踩,也可以是一个留言入口。为智能化的过程形成一个闭环流程,使训练的智能模型能够更准确。设计师需要判断应该是怎样的反馈形式,如何吸引用户完成反馈。

1. 鼓励用户对数据的内容进行反馈

当用户与产品进行互动时,给到用户的反馈不一定准确,可能存在未定位到,定位不准及定位错误的情况,在给到用户的解决方案不能满足用户时,最好追加一步询问,使用户对内容进行反馈。

通常在未定位到内容时,智能能力没有解决用户的问题,一般情况下需引导其到其他途径中去解决问题。在定位不准时,可能需要引导用户换一种说法去定位内容。若定位多次仍不准确,或定位错误的情况下,对给出的结果进行评价,针对给出的评价能够进入到对应的递进途径中去解决问题,目前为了保证用户完好的体验,都需要有人工服务来兜底解决。对于智能能力来说,引导用户对数据内容进行评价反馈,可以使得智能模型维护人员进行更有针对性的调整,使智能能力更加精准。

六、了解技术的边界

为什么谈设计机会还要聊「要了解技术的边界」?技术是实现的基础,特别是在新兴领域中,对技术的理解是实现设计的基石。笔者认为设计师了解技术边界有以下两个方面的优势:

1. 更好得洞察设计机会

在智能化的新领域中,对技术的理解可以帮助设计师更好的理解产品背后运行的逻辑,你可能会在技术基础上对技术传递和用户接收之间产生一些判断:是否要将技术能力透出给用户感知?如果透出,如何让用户进行理解及信任?

2. 更深的参与讨论,提供设计决策,帮助算法、开发明确优化内容的方向

能够和算法、产品针对设想的方案进行有技术理解的讨论,可以明确哪些体验点能够实现,哪些存在困难,困难点在哪里,明确体验点的优先级,为算法、开发明确在体验层面上技术可以发挥的精益作用。

图片素材来源:Justas Galaburda

「职场中的涨薪方法」

点赞
收藏
继续阅读相关文章

发表评论 快来秀出你的观点

还可以输入 800 个字
 
 
载入中....
评论 收藏