Главные операционные директора технологических компаний часто обсуждают автоматизацию процессов и, в частности, способы использования инструментов искусственного интеллекта для повышения эффективности. В Кайросе я управляю всеми нашими операциями с помощью еженедельных отчетов, генерируемых на основе данных в сочетании со структурированной обратной связью, но это не дает мне представления о том, что на самом деле происходит внутри отдела или с людьми в этих отделах. Чтобы хорошо выполнять свою работу, я трачу недели на то, чтобы получить четкое представление о проблемах и сильных сторонах каждого отдела, а также учусь быть связующим звеном между всей компанией для генерального директора. Я постоянно внедряю новые технологии искусственного интеллекта и автоматизации (или выделяю ресурсы на создание собственных), чтобы оптимизировать этот процесс, чтобы моя команда могла более эффективно применять свои таланты.
Несколько месяцев назад я начал анализировать функции и показатели, связанные с нашим продуктом, чтобы по-новому взглянуть на то, как наши клиенты используют наш продукт. Я узнал, что у нас были серьезные проблемы со сбором и реализацией отзывов клиентов и что у нас не хватало инфраструктуры, чтобы делать это эффективно. Я поговорил с нашими клиентами и просмотрел их историю использования, но попытка разобраться во всех данных была непосильной. Естественно, я начал исследовать, какие существуют инструменты, которые могут автоматизировать цикл обратной связи и могут включать моделирование изменений функций. Я не мог ничего найти, но я спустился по кроличьей норе, которая привела меня к пересечению дизайна, машинного обучения и продуктов, вызывающих привыкание.
Насколько я понимаю, проведение исследования UX чрезвычайно сложно. В настоящее время проведение исследования UX является ресурсоемким, дорогостоящим и дает результаты, которые очень специфичны для конкретного варианта использования и, следовательно, практически невозможно обобщить. Это неэффективно, но на данный момент это единственный вариант. Хотя исследования UX всегда будут требовать участия человека в их администрировании, создание модели искусственного интеллекта, которая прогнозирует и оптимизирует наилучший пользовательский опыт, будет превосходной альтернативой и, как подтвердили недавние исследования, вполне возможно.
Предпосылки: установленные модели искусственного интеллекта для предпочтений пользователей
Хорошо известно, что алгоритмы можно обучить определять предпочтения человека и делать прогнозы на основе предыдущих действий. Хотя это приложение отличается от дизайна, ярким примером этого является Netflix. Пользователи следуют рекомендациям Netflix 80% времени. Для достижения этих результатов Netflix использует алгоритм кластеризации.
Алгоритмы кластеризации сначала определяют предпочтения контента, группируют пользователей с похожими пользователями, а затем дают рекомендации, основанные на поведении групп. Amazon внедрил аналогичную систему совместной фильтрации, которая использует статистические методы для группировки набора пользователей на основе того, какие продукты они приобрели, какие продукты они просмотрели, и их оценки этих продуктов. Рекомендации для отдельных пользователей основаны на тех, кто добился успеха или потерпел неудачу в группе. Даже распродажи и эксклюзивные предложения основаны на этих алгоритмах. Итак, мы знаем, что ИИ хорошо разбирается в прогнозировании пользовательских предпочтений, но что это может означать для оценки пользовательского опыта?
AI и UX
Машинное обучение готово произвести революцию в пользовательском опыте и дизайне интерфейсов. Эта концепция была недавно протестирована исследователями при оценке удобства интерфейса мобильного приложения.
Одним из ключевых факторов, определяющих удобство приложения для пользователя, является то, легко ли идентифицируются нажимаемые элементы. Настраиваемые элементы - это части пользовательского интерфейса, которые вызывают какое-то действие при нажатии. Исследователи вышеупомянутого исследования использовали нейронную сеть прямого распространения с глубокой архитектурой для извлечения функций приложений. Обучающие данные для модели были собраны краудсорсингом - участники создали помеченные экраны, на которых отображалась вероятность нажатия на отмеченный элемент. Это позволило модели делать собственные прогнозы для экранов мобильных приложений, анализируя различные обозначения возможности нажатия: условные обозначения, местоположение, цвет, размер и слова. Прогнозы модели на невидимом наборе данных согласовывались с другой группой пользователей до 90%. Самой выдающейся особенностью было точное предсказание человеческой неопределенности. В тех случаях, когда у пользователей был консенсус, модель давала определенные вероятности нажатия, близкие к 0 или 1. Когда пользователи меняли свои метки, вероятности, полученные с помощью модели, были ближе к 0,5. Полная архитектура модели показана ниже.
Это исследование важно по нескольким причинам. Во-первых, он показывает, что машинное обучение можно использовать для оценки того, удобен ли пользовательский интерфейс приложения. Это приведет к значительному сокращению количества времени и ресурсов, необходимых для A / B-тестирования. Во-вторых, он демонстрирует, что мы можем построить аналогичные модели прогнозирования, функционирующие по сути как сети GAN, с дополнительными данными краудсорсинга для обучения с подкреплением.
Кроме того, эти модели могут быть обучены восприятию и собранным данным определенного пользовательского сегмента, а затем выходные данные могут быть смоделированы для всей пользовательской базы, чтобы лучше понять их влияние. Затем можно использовать алгоритмы кластеризации, чтобы предложить разным типам пользователей более персонализированный пользовательский интерфейс. На данный момент ресурсы делают предложение персонализированной версии продукта крайне неэффективным, но это может измениться. Следует, однако, отметить, что обеспечение брендинга униформы может стать проблемой при реализации этого направления действий.
Наконец, исследование показывает, что большая часть существующих интерактивных систем основана на соглашениях. В результате интерактивные системы были оптимизированы для достижения поставленных вручную целей, которые часто не совпадают с истинными предпочтениями пользователей и не могут быть обобщены для разных областей. Чтобы преодолеть это несоответствие, другие исследователи предложили новый алгоритм: оптимизатор интерактивной системы (ISO), который определяет цель пользователя на основе его взаимодействий и оптимизирует интерактивную систему в соответствии с этой предполагаемой целью.
Интересно отметить, что существуют модели искусственного интеллекта, способные изменять поведение пользователей. Вместо того, чтобы адаптировать продукт для повышения вовлеченности, boundless.ai наблюдает за поведением пользователей, прогнозирует элементы, которые «удивят и порадуют» пользователей, и положительно усиливает желаемое поведение пользователей. Это может включать вознаграждение пользователей, когда они правильно взаимодействуют с продуктом или когда они предоставляют обратную связь, что делает ценность талантливого специалиста по UX гораздо более важной.
ИИ и зависимость
Учитывая, что дизайн продукта предназначен для обеспечения максимально полезного опыта для пользователя, возникает вопрос: может ли ИИ сделать использование продукта слишком полезным?
Происхождение продуктов, вызывающих привыкание, довольно интересно и контекстуально удивительно. Основанная на психологии и первоначально введенная Б.Дж. Фоггом, концепция поведенческого дизайна (ранее каптология - Компьютеры как технологии убеждения) была изначально создана для того, чтобы оказывать положительное влияние на общество. Что, - спросил Фогг, - можем ли мы разработать образовательное программное обеспечение, которое побуждает студентов учиться дольше, или программу финансового менеджмента, которая поощряла бы пользователей экономить больше? »Однако практика интеграции вызывающего привыкание дизайна в продукты приняла неожиданный поворот. Многие из его учеников продолжали создавать приложения, которые подвергались значительной критике за разработку функций, которые привязывали пользователей к их телефонам и приложениям. В 2006 году одним из его учеников был Майк Кригер - основатель Instagram.
Интернет-зависимость в наше время - довольно распространенное явление. А продукты, которые мы используем, часто усиливают привыкание во имя удобства пользователя. Когда мы доходим до конца эпизода Карточного домика на Netflix, следующий эпизод воспроизводится автоматически. Мы предрасположены позволить этому случиться, потому что мы настолько мысленно погружены в шоу, что наша мотивация очень высока, и мы хотим знать: Что будет в следующем эпизоде?. Остановить труднее, чем продолжить. На государственных должностях используется тот же принцип импульса, чтобы подтолкнуть людей к пенсионному плану на рабочем месте. Они делают это вариантом по умолчанию, а не выбором.
Эта концепция известна как Принцип переменного вознаграждения, в котором результат настолько полезен, а острые ощущения настолько сильны, что в конечном итоге человек делает выбор, который в противном случае он бы не сделал. Платформы социальных сетей, такие как Facebook, Instagram и Snapchat, на самом деле имеют алгоритмы, которые предназначены для использования аналогичных уязвимостей в человеческом поведении, таких как необходимость социальной проверки, чтобы пользователи были привязаны к своим приложениям. Эти функции делают использование Интернета достаточно захватывающим, но ИИ может усугубить проблему.
Использование совместной фильтрации может помочь этим приложениям обнаруживать и использовать личные уязвимости, а не более общие человеческие уязвимости. Система на базе искусственного интеллекта может узнать, какие уровни и какие стимулы лучше всего подходят для пользователя. Кроме того, можно делать рекламу, чтобы повлиять на политическую идеологию конкретного пользователя, ориентируясь на тех людей, которые будут наиболее уязвимы для предложения, и адаптируя рекламный контент к ним. Еще один интересный вариант использования, который пока принят только в Японии, - это интеграция ИИ через виртуальных персонажей в приложениях для знакомств. Эти персонажи учатся на интересах пользователей и со временем учатся говорить и делать то, что удерживает пользователя в приложении.
В заключение, AI имеет возможность радикально улучшить UX, предоставляя больше возможностей для ввода данных пользователем и позволяя продуктам адаптироваться к предпочтениям пользователей. Создание таких моделей может привести к более быстрой и продуктивной разработке продукта. Кроме того, это, скорее всего, предоставит психологам и другим ученым новое понимание человеческого поведения, чтобы лучше понять, что движет людьми на стыке технологий и поведения. Тем не менее, для тех из нас, кто работает в этой области, важно до такой степени учитывать последствия понимания человеческого поведения и, в частности, личных уязвимостей. Необходимо найти четкий баланс между улучшением пользовательского опыта без использования естественных склонностей пользователей.
