人們會與界面輸出進行互動，期間系統(tǒng)所接收到的反饋信息即為「輸入」。我們可以有意識地通過這些反饋來優(yōu)化模型并提升功能體驗。
我們將要探討四種類型的輸入：
- 校準設置：獲取基本設置信息，使功能進入運作狀態(tài)。
- 隱性反饋：潛移默化地從人們的行為當中獲取反饋信息。
- 顯性反饋：允許人們直接對輸出進行反饋。
- 手動修正：允許人們自主更正模型產(chǎn)生的錯誤輸出。
通過校準設置，系統(tǒng)可以獲取到用于開啟功能的基本信息，譬如生物識別或環(huán)境信息等等。
我們以 HomeCourt 為例。這款 app 可以輔助人們提升投籃水平。它通過機器學習來分析攝像頭捕捉到的圖像，進而為你提供一系列相關的統(tǒng)計數(shù)據(jù)，例如命中率等等。
為了實現(xiàn)這些功能，app 首先需要進行校準設置，從而正確地識別到人、籃筐和球場。其實現(xiàn)方式非常簡單易行，你只需要將前置攝像頭對準籃筐的方向，app 即可自動標定位置。
接下來，它會提示你投一次籃，然后所有的校準工作就完成了。
這里的體驗亮點在于整個校準過程的簡單與自然。你不需要手動畫線幫助系統(tǒng)進行識別，不需要確認識別結果是否正確，不需要在不同的位置反復投籃來提升識別率。
設計原則：確保校準過程的簡單快捷，僅讓用戶提供最為必要的信息。
再來看 Face ID。其校準設置只需要通過兩次掃描來收集最基本的信息；接下來無論人們戴上眼鏡或是改變發(fā)型，都無需再次校準。
設計原則：盡可能通過技術手段避免在使用過程中進行多次校準設置。
在設置 Face ID 的過程中，我們也會進行持續(xù)的提示和引導。首先，我們會清楚地告訴人們?yōu)槭裁葱枰獟呙杳娌，讓人們知?Face ID 的工作機制及便捷之處。
在整個過程中，我們會以可視化的方式讓人們始終對進度保持感知。
如果掃描停滯了，我們會提供必要的指引，幫助人們進入正確的操作狀態(tài)。
最后，我們會明確地反饋成功結果。
設計原則：在校準設置的過程中，要始終為人們提供介紹、指引、狀態(tài)反饋與確認。
當然，F(xiàn)ace ID 所收集的信息對于人們來說非常敏感。為了尊重人們的隱私，我們還會在「設置」當中提供修改或刪除相關信息的方式。
設計原則：為人們提供更新信息的方式。
正如前面所說，完成初始的校準設置后，無論人們改變發(fā)型，還是戴上眼鏡、帽子、圍巾，甚至是隨著年齡增長而發(fā)生相貌的變化，F(xiàn)ace ID 都可以持續(xù)運行，而無需多次設置。這對于我們來說其實是非常大的挑戰(zhàn)。
人們自然不會愿意被反復要求進行校準設置。Face ID 所采用的策略，是在人們每一次使用 Face ID 時潛移默化地獲取和更新面部信息。這就是我們接下來要聊的第二類輸入類型。
隱性反饋會在人們使用功能的過程中獲取相關信息，用以對功能進行優(yōu)化和更新。
隱性反饋最常用于功能的個性化處理。譬如 Siri 會根據(jù)人們使用設備的習慣對搜索狀態(tài)進行定制。你在首屏展開搜索欄后，Siri 便會直接呈現(xiàn)一些你最有可能需要用到的 app。
這里具體會呈現(xiàn)哪些 app 將取決于 Siri 所接收到的一系列隱性反饋，包括你最常用到哪些，你剛剛用過哪些，以及你在每天的這個時段通常會用哪些，等等。
如上圖所示，在行車時，我通常會打開「地圖」導航，或是打開「音樂」、「播客」聽點東西。
而在工作時間，我通常會用到「備忘錄」和「提醒事項」等等。
在家里，我通常會用到「信息」和朋友們交流，或是查看「健身記錄」和「新聞」等等。
取決于我如何使用我的手機，Siri 會試著判斷我在特定場景下的意圖，并將我最可能用到的那些主動呈現(xiàn)給我。
設計原則：通過觀察人們如何與功能進行互動，來判斷他們的習慣與需求意圖，進而主動提供相應的個性化體驗。
隨著時間的推移，Siri 會越來越精準地理解我的意圖。除了提供 app 建議，它還會開始嘗試為我的各種高頻操作提供快捷方式。
譬如在車上時，Siri 會根據(jù)我常去的地方或是接下來的會議場所提供導航建議。
在工作時，它會為我提供工作相關備忘錄或提醒事項的快捷方式。
回到家后，快捷方式則變?yōu)榧揖涌刂苹颉感畔ⅰ埂ⅰ窮acetime」。
這些快捷方式會在你開始使用新手機或新系統(tǒng)的幾天或幾周后開始提供。由于 Siri 需要基于隱性反饋來學習你的習慣與意圖，因此要達到足夠的精確度，勢必要花上一定的時間。這不成問題，付出時間成本來提升精確度，比立刻提供不靠譜的建議要好很多。
設計原則：隱性反饋不會帶來立竿見影的效果，體驗的精確性會隨著時間而逐漸提升。
這些個性化建議會在鎖屏上出現(xiàn)，其中有可能包含比較敏感的信息。為了尊重隱私，我們會為每個 app 提供相應的設置，允許人們決定是否將相關信息呈現(xiàn)在搜索建議當中。
設計原則：在運用隱性反饋時，要始終考慮到人們的隱私與安全性問題。
除了個性化以外，隱性反饋還可以用于細微之處的體驗提升。我們以 iOS 的鍵盤為例。鍵盤的每個按鍵都有其各自的實際點擊區(qū)域。
通過機器學習，系統(tǒng)可以動態(tài)優(yōu)化這些點擊區(qū)域，譬如根據(jù)你正在輸入的單詞或是手指的位置來調節(jié)點擊區(qū)域的實際尺寸。
請注意，按鍵的可視尺寸從不會真正發(fā)生變化；但人們會隨著時間的推移而感知到鍵盤正變得越來越精準和個性化。
設計原則：可以通過隱性反饋來逐漸提升交互操作的精準度與舒適度。
再來看 Siri 建議在 Safari 中的運用。Safari 會通過機器學習從信息、郵件、閱讀列表、iCloud 標簽頁等地方收集網(wǎng)頁鏈接，目的是從你的關系鏈或個人瀏覽行為當中提取更多你可能感興趣的網(wǎng)頁內容。
不過偶爾你也會覺得某些建議并不是你想要看到的，譬如一篇你不感興趣的文章，或是你不夠信任的內容出處。如果這些建議都不具備推薦價值，人們就會逐漸對搜索建議甚至是 Safari 失去信任。這是我們必須要避免的狀況。
之前我們談到過如何通過釋義信息來解釋為什么會推薦特定的內容，但除此之外，我們仍然希望為人們提供手動控制的方式，來標定他們不希望看到的內容。這就是我們接下來要聊的第三類輸入類型。
顯性反饋是指允許用戶直接對輸出結果進行明確的反饋。
在剛剛 Safari 的例子中，我們可以提供這樣的功能，允許用戶標定他們不想看到的內容，這樣模型便可以從中學習，避免在將來呈現(xiàn)類似的內容。
應該如何設計這樣的反饋機制呢？我們時常會見到這樣兩個操作，「喜歡」和「不喜歡」：
不過即便搭配文字標簽，它們會帶來的結果依然有些不明。
譬如我想對某篇推薦內容進行反饋，于是喚起菜單，看到有個選項叫做「喜歡」。這時我會想，我是不是要對每一篇我喜歡的文章都執(zhí)行一次這樣的操作呢？
正向的顯性反饋會帶來額外的交互和認知成本。人們勢必會猜測是否需要逐一「喜歡」才能提升推薦的精準度。其實用戶對于內容的正向反饋可以更明確地體現(xiàn)在其他行為當中，例如閱讀、收藏或分享。
設計原則：盡可能只提供負面反饋方式作為顯性反饋。
然而，即便只提供「不喜歡」這一個選項，依然會帶來認知上的不明。我不喜歡的是這篇文章，還是作者，還是來源出處，或是分享給我這篇文章的人或 app 呢？我依然會困惑于點擊按鈕可能造成的結果。
而「減少此類內容的推薦」或「隱藏這條推薦」則更加易于人們對操作結果產(chǎn)生預期。
要想給人們更多的控制權，我們還可以允許他們進行更具體的選擇，例如減少特定來源或來自某人的內容推薦。
設計原則：在顯性反饋中，清晰地描述出操作的含義及結果，并盡可能提供更具體的選項來幫助用戶理解和選擇。
當然，在我選擇了某個負面選項之后，界面應該立刻對我的操作進行響應，移除相應的內容且不再進行推薦。
設計原則：對人們的顯性反饋即刻進行響應，并持續(xù)保持作用。
顯性反饋可以幫助模型減少錯誤的或是不恰當?shù)妮敵鼋Y果。但對于某些功能來說，顯性反饋的方式可能并不適合，甚至是難以實現(xiàn)的。
譬如我在和朋友討論狗狗安吉時想要輸入「Angie」，但在輸入「angie」后系統(tǒng)卻想將其修正成「angle」。這顯然是不合適的。
假設我們通過顯性反饋的方式為人們提供一個選項菜單。這不僅讓人感覺非常異樣，而且根本無助于我實現(xiàn)想要的輸入。
實際上，我可以選中被系統(tǒng)修正的單詞，手動輸入正確的「Angie」。系統(tǒng)會學習我的手動修正，并且不會再將我接下來輸入的「Angie」更改為其他單詞。這就是我們接下來要聊的第四類輸入類型。
手動修正允許人們通過正常的操作方式來自主更正那些錯誤的輸出結果。
何為「正常的操作方式」？在剛剛鍵盤輸入的例子中，我們使用標準的、人人皆知的文本操作方法來重新輸入單詞，從而更正了系統(tǒng)的錯誤；期間不涉及任何額外的界面元素，譬如選項菜單等等。這就是「正常的操作方式」。
手動修正可以在不帶來額外交互邏輯的情況下對輸出結果進行優(yōu)化。
以「照片」為例。它可以通過機器學習來自動優(yōu)化照片，例如找到最佳旋轉角度和裁切方式。
「照片」提供優(yōu)化建議的方式非常微妙。你進入照片的編輯模式，選擇旋轉或裁切工具，照片便會自動進行細微的調整。但它實際上并沒有真正進行修改，僅是作為一個簡單的操作起點供你選擇。如果你覺得自動調整符合心意，直接點擊「完成」即可。
如果你不喜歡它的建議，也可以直接通過相關的控件進行手動調整，修正系統(tǒng)的優(yōu)化方案；系統(tǒng)也會自動退出自動優(yōu)化模式。
設計原則：
- 允許人們通過常規(guī)操作修正輸出結果。
- 在人們進行修正之后，模型的行為方式即刻發(fā)生變化，例如當人們修改單詞之后，鍵盤不再對其進行修正建議。
- 將手動修正作為顯性反饋的一種形式，來優(yōu)化機器學習的輸出結果。
這些就是我們希望與各位分享的關于機器學習界面設計的相關模式及設計原則。如你所見，其中覆蓋了很多我們長久以來非常熟悉的那些界面元素。
設計方法并非完全新穎，改變了的只是新的技術與使用場景。無論選擇怎樣的設計模式，都必須確保對人們的尊重。無論釋義信息還是顯性反饋，都會需要人們付出額外的認知與操作成本，甚至干擾人們的注意力。因此選擇設計方法時，必須做到以人為本。
基于機器學習的產(chǎn)品體驗設計，需要考慮的遠不止界面輸出層面。數(shù)據(jù)，指標，輸入，輸出，這四個方面的要素共同決定了產(chǎn)品能否為人們提供易于理解、符合直覺的體驗。
正如我們在此次分享開頭時所說，我們正在或將要打造的產(chǎn)品及體驗都無法脫離機器學習而存在。我們看到了諸多案例，包括如何借助機器學習來幫助人們保持注意力，如何提供更優(yōu)質的推薦內容，如何在恰當?shù)臅r間呈現(xiàn)最符合場景的信息，如何自動完成常規(guī)任務。
機器學習所能做到的遠不止這些，我們可以借助它的力量來提升生存的質量，例如通過追蹤運動行為來督促我們保持健康，通過計算機視覺及語音控制的運用來幫助盲人「聽」到景象，通過偵測心率來判斷健康問題等等。當你將技術與你們所秉承的價值結合到一起時，你就可以創(chuàng)造出能夠提升人類生存質量的產(chǎn)品體驗。
承擔因您的行為而導致的法律責任，
本站有權保留或刪除有爭議評論。
參與本評論即表明您已經(jīng)閱讀并接受
上述條款。