阅读更多
引用
原文:Human-Centered Machine Learning
作者:Josh Lovejoy 是 Google 研究和机器情报部门的 UX 设计师。工作涉及互动设计,机器学习和无意识偏见意识。主导了 Google 的机器学习的设计和策略;Jess Holbrook 是 Google 研究和机器情报部门的 UX 经理和 UX 研究员。他和他的团队工作涉及人工智能和机器学习的多种产品,采取以人为本的方法来处理这些技术。
翻译:聂震坤
审校:屠敏

引用
设计面向用户的机器学习时需要注意的7点

如果你刚开始接触机器学习并且感觉有些无所适从,不要惊慌或者怀疑自己,给自己时间适应。此篇文章中指出了七个要点,来帮助设计师们更快的设计出关于机器学习的产品。基于在谷歌 UX 与 AI 部门的经验,这些要点可以帮助你时刻将用户放在第一位,并了解机器学习的独特魅力。

1. 机器学习无法发现需要解决的问题

很多公司和研发机构对于机器学期与人工智能的观点本末倒置–没有仔细思考什么问题才是最需要解决的,取而代之的是直接以机器学习作为一种解决方案开始制定策略。

对于纯粹的开发人员来说这种做法并无大碍。相反,这还能经常激发人们对新产品的思考。然而,如果解决方案不符合需求,开发人员便不得不建立一个非常强大的系统来解决一个非常小或者不存在的问题。

因此,优先了解用户的需求便是此文第一个要点。在开始研发以前,进行深入调查,接近用户,找出真正需要解决的问题与人们没有提出的隐性需求。机器学习无法弄清他需要解决什么问题,所有这一部分仍然需要由开发团队来定义。在 UXers,无论主流技术规范如何变化,我们已经有专业的工具来指导我们的团队。

2. 问问自己机器学习能否出色的解决问题

一旦确定了真正需要解决的问题,研发团队便应该开始思考机器学习能否以一个独特的方式解决问题。事实上,有很多常见的问题并不需要使用机器学习来解决。

现阶段产品研发部门的难点之一便是甄别出什么样的问题需要使用机器学习,什么样的问题使用了机器学习可以获得很大提升,什么样的问题使用了机器学习后并没有正面效果。很多的产品并不需要使用机器学习也可以给人一种智能的感觉。不要陷入只有机器学习才能解决问题的误区。

当有邮件中有附件或类似词组时,Gmail 会检查邮件有没有包含附件。这是启发式研发一个很好的例子,可以用低成本解决很多潜在的错误

我们创建了一系列的练习来帮助各种团队,使他们了解机器学习在他们使用时的定位。这些练习是通过深入了解与机器学习系统进行交互时可能给用户带来什么样的心理模型和期望的细节,以及该系统需要哪些数据。以下是三个例子:
引用
描述理论上人类专家今天可能执行任务的方式。

如果人类专家要执行这个任务,你会如何回应他们,以便下次改进?对混淆矩阵的所有四个阶段进行此操作。

如果一个人普通人要执行这个任务,那么用户希望他们做出什么样的假设?


花费几分钟时间思考如上的每一个问题,揭露出人们将会对对机器学习产品进行的假设。以上方法同样适用于产品团队对用户研究进行讨论。稍后,在介绍定义标签和培训模型时,会再介绍此内容。

在经历过这些联系和额外的测试后,我们将所有团队的想法统计在了一个2X2图中。

在这个2x2图中绘制想法。团队投票表决哪个想法会对用户产生最大的影响,而机器学习解决方案将会最大限度地增强用户的影响力

此图能够将有影响力的想法与不那么有影响力的想法分开,并且看出哪些想法依赖于机器学习而不是或者可能仅仅从中受益。你应该已经在工程项目中进行过类似谈话。如果没有,那么这正是绝佳的时机让他们了解机器学习的现实与人们的想法。无论是最大用户影响力,还是机器学习的独特性(图的右上方)应该时刻成为团队注意的焦点。

3. 用个人示例与向导进行伪装

当前,机器学习的一大难点便是制造出一个原型机。如果您的产品的整体价值在于使用独特的用户数据来定制她的体验,那么您不能只是将其快速原型化,而是可以随时随地使用户获得代入感。另一方面,如果等待机器学习系统完全建立以后再进行测试设计,则有可能已经太晚了。不过有两种用户研究方法可以改善此类状况:使用使用者的个人示例和 Wizard of Oz 研究。

当在早期样机上进行用户研究时,让用户提供一些他们自己的信息。并且务必告诉用户在测试中使用它们数据的目的,并在测试结束后删除。

通过这些示例,可以模拟的正确和错误的系统响应。例如,可以模拟系统向用户返回错误的建议,以查看用户的反应以及对系统返回错误结果的假设。此类模拟可以比虚拟实例更有效地评估花费与收益。

第二种好用的测试尚未完成的机器学习方法是引用 Wizard of Oz 研究。因为不被接受,过去20年此研究一直没有受到重视。然而如今又渐渐回归公众视野。

聊天界面是使用 Wizard of Oz 测试最简单的方法之一。在聊天的另一端只需要一个队友就可以模仿 “AI” 输入“答案”


提示: Wizard of Oz 的参与者认为他们是在与一个自动的系统进行互动,但实际上通常是由另一个人进行控制(比如队友)。

队友模仿与机器学习系统行动,如聊天响应,建议联系人列表,或电影建议等可以模拟的与“智能”系统的交互。这些相互作用对于指导设计是至关重要的,因为当参与者认真地参与到他们认为是人工智能的系统进行互动的时候,他们自然会倾向于形成系统的心理模型,并根据这些模型来调整他们的行为。观察其与系统的适应性和二次相互作用对于启发设计是非常有价值的。

4. 了解好的错误与坏的错误的代价

正常的机器学习系统往往伴随着各种错误。因此,了解这些错误的样子以及对用户体验的影响是尤为重要的。在第二点中提到的混淆矩阵就是一个关键概念,他描述了当机器学习系统正确或错误时应有的样子。

混乱矩阵的四个状态及其对用户可能意味着什么


所有的错误,对于机器学习来说都一样重要,但是对于用户来说就不一样了。比如,在一个机器学习系统中加入一个“防捣乱”系统,然而这个系统错误的认为一个普通用户是来捣乱的。这对于系统来说只是一个普通的错误,它并没有冒犯用户或者用户的文化背景。系统并不知道使用该系统的人可能会被意外的标记为捣乱者,或者一个捣乱者被标记成了人。但这也许就是以人为本的弊端。

在机器学习领域,经常需要在系统的精确度和回收率之间进行有意识的权衡。换句话说,是包含所有的正确答案更重要,即使这意味着会添加进少数错误的答案;还是最大限度的减少错误的答案,但会漏过一些正确的答案更重要。例如,在谷歌中搜索“操场( playground )”,可能会出现这样的结果:

上图包含了几张小孩玩耍的图片,但是并不是在操场上。这种情况下,谷歌选择尽可能包含所有的正确答案,忽视少量的错误答案。

5. 与用户共同学习并适应用户

一个好的机器学习系统应当能够随着时间的推移与用户的心理模型一起演变。当人们与这些系统进行互动时,系统会影响和调整他们将来会看到的产出种类。这些调整反过来将改变用户如何与系统进行交互,然后改变系统,如此往复。但是这类系统也容易受到阴谋论的影响。人们给系统形成了错误或不完整的心理模型,并尝试根据这类虚拟规则控制输出信息的类型。

不断预测用户的下一个字是一个良性循环的过程,用户使用的越久,系统能给出的建议越精确


当用现有数据对机器学习进行训练,若遇到了无法预测的输入,系统会进行相应的调整。所以需要适应用户研究和反馈策略。这意味着在产品周期中进行纵向,高度接触以及广泛的研究。同时需要计划足够的时间通过定量测量准确性和错误来评估机器学习系统的性能。与用户一起使用这些系统来了解心理模型是如何随着成功或者失败进行演变的。此外,作为 UXers,我们需要考虑如何在整个产品生命周期中获得用户的反馈,以改进机器学习系统。设计一种可以简单快速获得用户反馈的交互模式是让机器学习系统更进一步的关键。

谷歌每次都会询问用户当先选项卡是否有用,以获得有关建议和反馈意见


人们可以对 Google 搜索自动填充提供反馈,比如此预测不合适

6. 使用正确的标签来训练算法

标签是机器学习基础的一部分。有人的工作就是浏览大量的内容并给这些内容打上标签,回答类似于这张图是不是猫的问题。一旦获得了足够多的猫的图片,就可以使用这些数据来让机器识别出含有锚的图片。甚至在没有浏览图片的时候就能预测出这张图中有没有猫。

你可以通过这个测验吗


但是当训练更主观的模型例如建议用户回复重要的邮件时,挑战就来了。模型需要很长时间才能培训完成,并且获得一个完全标记的数据集可能会非常昂贵,更不要说错误的标签可能会对您的产品的可行性产生巨大的影响。
这是模型的工作原理:首先建立一个合理假设,这些假设可能会以这样的形式出现:“_使用者在_状况下,我们假设他想_,不想_”。然后尽可能快地将这些假设转化为最简单的原型,以便开始收集反馈和迭代。

寻找具有预测相关领域专业知识的人员成为机器学习的老师作为团队的后援,通常称这些人为内容专家。

到目前为止,开发人员那些假设使人感觉到真实。但是,在大型数据收集和标签开始投资之前,将需要使用由内容专家实际用户数据进行策划的示例来执行关键的第二轮验证是有必要的。用户应该测试一个高保真的原型,并认为他们正在与一个成熟的 AI 交互。(同第三点)

通过现场验证,让内容专家床创建一个大范围的手写示例来解释 AI 是如何工作的。这些例子可以提供数据收集的线路图,一套强大的标签培养模型,以及大规模设计标签协议的框架。

7. 扩展 UX 系列,机器学习是一个创造性过程
有很多潜在的方法可以应对任何机器学习挑战,因为一个 UXer,规范太快可能导致无意锚定,从而减少您的工程同行的创造力。相信他们自己的直觉,并鼓励他们进行实验。即使在完整的评估框架到位之前,他们可能会犹豫与用户进行测试。

机器学习是一个比我们普遍习惯的更有创造力和表现力的工程过程。培训一个模型可能进展缓慢慢,可视化的工具还不成熟,所以工程师最终在调整算法时需要经常使用他们的想象力(甚至有一种称为“主动学习”的方法,手工“调整”每次迭代后的模型)。但是在每次选择时,切记以用户为中心。

与工程,产品等部门合作,总结出正确的研发经验

总结

以上为 Google 团队内部强调的七点。希望能在读者创建机器学习类产品时有所帮助。随着机器学习融入越来越多的产品,谨记开发者的责任,保持以人为中心,为用户寻求独特的价值,使每一次体验都力争完美。

引用
由中国人工智能学会、阿里巴巴集团 & 蚂蚁金服主办,CSDN、中国科学院自动化研究所承办的第三届中国人工智能大会(CCAI 2017)将于 7 月 22-23 日在杭州召开。作为中国国内高规格、规模空前的人工智能大会,本次大会由中国科学院院士、中国人工智能学会副理事长谭铁牛,阿里巴巴技术委员会主.席王坚,香港科技大学计算机系主任、AAAI Fellow 杨强,蚂蚁金服副总裁、首席数据科学家漆远,南京大学教授、AAAI Fellow 周志华共同甄选出在人工智能领域本年度海内外最值得关注的学术与研发进展,汇聚了超过 40 位顶级人工智能专家,带来 9 场权威主题报告,以及“语言智能与应用论坛”、“智能金融论坛”、“人工智能科学与艺术论坛”、“人工智能青年论坛”4 大专题论坛,届时将有超过 2000 位人工智能专业人士参与。

目前,大会 8 折优惠门票正在火热发售中,扫描下方图片中的二维码或直接点击链接火速抢票。
  • 大小: 238 KB
  • 大小: 222.8 KB
  • 大小: 29 KB
  • 大小: 24.9 KB
  • 大小: 1.5 MB
  • 大小: 38.9 KB
  • 大小: 301.3 KB
  • 大小: 1.4 MB
  • 大小: 86.4 KB
  • 大小: 108.1 KB
  • 大小: 686.1 KB
  • 大小: 178.9 KB
0
0
评论 共 0 条 请登录后发表评论

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • 七步从入门到精通Python机器学习

    我们涵盖了一些最常用最知名的机器学习算法(knn最近邻,k-means聚类,支持向量机),了解了一种强有力的集成方法(随机森林),涉及了一些其他机器学习支持方案(降维,模型验证技巧)。幸运的是,Python 是当前...

  • 机器学习面试150题:不只是考SVM xgboost 特征工程

    本博客曾经在10~13年连续4年整理过各大公司数据结构和算法层面的笔试题、面试题,很快,2014年之后,机器学习大伙,很多公司开始招AI方面的人才,很多同学也会从网上找各种各样的机器学习笔试题、面试题,但和数据...

  • 机器学习的1000+篇文章总结

    机器学习的1000+篇文章总结 本文收集和总结了有关机器学习的1000+篇文章,由于篇幅有限只能总结近期的内容,想了解更多内容可以访问:http://www.ai2news.com/, 其分享了有关AI的论文、文章、图书。 吴恩达机器...

  • 德育知识元素挖掘系统设计 软件工程 spring boot + Vue.js + python机器学习

    注意到德育教育文本信息的类别需要开发人员自己指定,因此决定针对不同的文本,将类别作为监督学习的目标值,而对其他的文本信息,将这些数据进行量化,作为模型的特征值,并通过机器学习的算法建立和训练模型。...

  • ChatGPT 在机器学习中的应用

    ​大家都知道ChatGPT。它在解释机器学习和深度学习概念方面也非常高效,至少到 2021 年是这样。在这篇文章中,我想展示它的人工智能知识。我们来测试一下吧。

  • 总结了200道经典的机器学习面试题(附参考答案)

    本文总结了往年BAT机器学习面试题,干货满满,值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验,刷题肯定是必不可少的。本文根据网络在线发布的BAT机器学习面试1000题系列,整理了一份面试刷题宝典...

  • 50道经典机器学习面试题

    SVM是一个面向数据的分类算法,它的目标是为确定一个分类超平面,从而将不同的数据分隔开。 扩展: 支持向量机学习方法包括构建由简至繁的模型:线性可分支持向量机、线性支持向量机及非线性支持向量机。当训练...

  • MATLAB 2021b的机器学习、深度学习实践应用

    长期从事Python、Matlab机器学习及深度学习等研究工作,具备良好的数学及信号处理基础,熟悉如神经网络、支持向量机、决策树、随机森林等,以及群优 化算法,如遗传算法、蚁群算法、蝙蝠算法等,近些年一直在对深度...

  • 实用机器学习

    大数据时代为机器学习的应用提供了广阔的空间,各行各业涉及数据分析的工作都需要使用机器学习算法。 本书围绕实际数据分析的流程展开,着重介绍数据探索、数据预处理和常用的机器学习算法模型。本书从解决实际问题...

  • 基于MATLAB 2021b的机器学习、深度学习

    采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式,抽丝剥茧、深入浅出分析图像处理、机器学习和深度学习在应用时需要掌握的经验及编程技巧。

  • 机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总

    介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室...

  • 机器学习与深度学习资料

    机器学习与深度学习资料 机器学习 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep ...

  • BAT机器学习面试1000题系列

    1、本文的内容全部来源于七月在线发布的BAT机器学习面试1000题系列; 2、文章中带斜体的文字代表是本人自己增加的内容,如有错误还请批评指正; 3、原文中有部分链接已经失效,故而本人重新加上了新的链接,如有...

  • 机器学习(一) 本文(3万字) | 机器学习概述 |

    统计学习的主要特点是:(1)统计学习以计算机及网络为平台,是建立在计算机及网络上的:(2)统计学习以数据为研究对象,是数据驱动的学科:(3)统计学习的目的是对数据进行预测与分析:(4)统计学习以方法为中心,统计...

  • 吴恩达《机器学习》笔记

    引言:个人当前研究倾向是智慧...公开课看:吴恩达coursera《机器学习》,李飞飞斯坦福《卷积神经网络》,李宏毅台湾大学《机器学习》/《深度学习》。 竞赛:https://beetl.ai/data; 官方代码,这个方法有70%准确率。 ...

  • Python机器学习的步骤

    原文出处: kdnuggets   译文出处:数据工匠   开始。这是最容易令人丧失斗志的两个字。...本文旨在通过七个步骤,使用全部免费的...

  • 机器学习原来这么有趣!第五章:Google 翻译背后的黑科技:神经网络和序列到序列学习

    Google 翻译背后的黑科技:神经网络和序列到序列学习,人工智能-计算机翻译实现

  • 七步精通Python机器学习

    本文旨在通过七个步骤,使用全部免费的线上资料,帮助新人获取最基本的 Python 机器学习知识,直至成为博学的机器学习实践者。这篇概述的主要目的是带领读者接触众多免费的学习资源。这些资源有很多,但哪些是最

  • 从零开始掌握Python机器学习:七步教程 基础篇

    机器学习背景的新手成长为知识渊博的实践者,而且这个过程中仅需要使用免费的材料和资源即可。 第一步:基本 Python 技能 如果我们打算利用 Python 来执行机器学习,那么对 Python 有一些基本的了解就是至关重要的...

Global site tag (gtag.js) - Google Analytics