机器学习时代的体验设计（上）：对创造人类行为学习系统的设计师和数据学家的启示

　　许多数字服务的设计不仅依赖于数据操作和信息设计，还依赖于用户学习系统。

　　

 

　　一般来讲，数字服务的体验遵循预定义的用户旅程，具有明确的状态和动作。一直以来，设计师的工作一直是创建线性工作流，并将其转化为可以理解和不引人注目的体验。但是这种情况可能会成为过去时。

　　过去6个月，我一直在BBVA Data&Analytics(D&A)任职一个相当独特的职位，这是一家卓越的财务数据分析中心。我的工作是利用新兴的机器学习技术，使用户体验设计得到提升平。

　　除此之外，我的职责是为数据科学团队带来整体的体验设计，并使其成为算法解决方案的生命周期(例如预测模型、推荐系统)的重要组成部分。同时，我会对设计团队的体验设计进行创造性和战略性的优化(例如网上银行、网上购物、智能决策)，引导它们发展演变为“人工智能”的未来。

　　事实上，我通过促进设计师和数据科学团队之间的交流合作，来达到设计出由数据和算法驱动的理想的和可行的用户体验的目的。

　　

 

　　我们定义了一种不同的体验设计，即人类行为学习系统用户体验。这是一个新的尝试，因为：

　　它创造了新的用户体验类型。

　　它重新定义了人与机器之间的关系。

　　它要求设计师和数据科学家之间紧密合作。

　　接下来将会具体阐述这些内容的含义。

　　新型用户体验

　　如今，许多数字服务的设计不仅依赖于数据操作和信息设计，还依赖于用户学习系统。如果深入剖析这些系统，我们会发现行为数据(例如人的交互，系统交互)被作为内容提供给生成知识的算法。传播知识的界面则使得体验更加丰富。理想情况下，这种体验会寻求明确的用户操作或后台关键事件数据来创建一个反馈循环，该循环将为算法提供学习材料。

　　

 

　　举个实际的例子。你知道Spotify “发现每周”是如何工作的吗?

　　“发现每周”是Spotify的自动音乐推荐“数据引擎”，每星期专门为每个Spotify用户量身定制两小时的定制音乐推荐。

　　

 

　　架构改编使得Spotify的“发现每周”的播放列表具有强大吸引力

　　“发现每周”的推荐系统利用Spotify用户创建的数百万个播放列表，为公司的专业播放列表和那些拥有广大粉丝群的播放列表带来额外的权重。该算法试图强化那些具有相似品味的用户的听歌习惯。它有三个主要任务：

　　一方面，Spotify为每个用户创建了个性化音乐品味的简介，将其划分为艺术家和少数流派;

　　另一方面，Spotify使用上亿级的播放列表，根据播放列表中歌曲的风格特点，去建立具有相似音乐风格的播放列表

　　每周它都会根据每个用户的个人口味去创建推荐列表。基本上，如果一首最喜欢的歌曲与一首未曾听过的歌曲一起出现在播放列表中，那么它就会推荐那首新歌。

　　一般来说，“发现周刊”播放列表会推荐30首歌曲，这个歌曲列表的内容已经足够多了，可以较好地去发现与个人品味相匹配的音乐。这样做的好处是可以生成数千个新的播放列表，这些新的播放列表在一周后会反馈到算法中以产生新的推荐。

　　这种反馈循环机制通常可以使现有的体验实现个性化、优化或自动化的目的。同时，它们还会根据建议、预测或情景来创造机会去设计新的体验。在D&A，我首次提出了一套不太全面的设计方法。

　　以下是其具体步骤：

　　为探索而设计

　　如你所见，推荐系统可以帮助发现已知的未知甚至未知的未知。例如，Spotify通过对用户听音乐的行为与数十万其他用户的听音乐行为之间的匹配来定义个性化体验，从而帮助发现音乐。这种体验至少面临三个主要的设计挑战。

　　首先，推荐系统倾向于创建一个“过滤器”，将建议(如产品、餐厅、新闻项目、人员连接)限制在一个与过往行为紧密联系的世界。为了避免这种问题，数据学家有时必须调整一些不太准确的算法，并增加一些随机性的建议。