机器学习时代，对设计工具的再思考

西班牙+法国”比任何其他单词组合形式更加接近“巴黎”。同样的：“国王 – 男人+女人”的组合形式则最接近“女王”这个迷人的机制提供了一种全新的设计工具思维方式。它允许我们在视觉或语言上运用视觉概念，而无需使用辅助的抽象概念和控制系统。例如，如果我们想要查找与毕加索的作品相似的东西，但是不包含他在立体主义时期的作品，我们可以这样做：同样的，我们可以在语音信息或任何其他媒体上做类似的事情。在过去的几年中，包括“Style Transfer”和“Neural Doodle”在内的类似技术进一步扩展了这些机制。这些技术已经在照片共享类应用程序中实现 – 它们并不像是设计工具中的功能，而是作为一种新颖的照片滤镜，与Instagram或Photoshop的滤镜类似。正如20世纪90年代Photoshop的“filter bubble”功能那样，这种新功能的新颖表现很快迎合了大众的趣味，但是对概念化或扩展设计过程并没有多少意义。但作为一个更大、更全面的设计框架的组成部分，这些技术提供了一种强大的机制，它们允许我们通过直接操纵概念空间去探索和构思想法。然而，正如技术具有变革性一样，我认为这些技术还存在一些缺陷。每个设计师都知道，设计最难的事情并不是做出个人决策，最困难的部分是协调许多组成部分的决策，以产生一个有凝聚力的整体。作为设计师，我们必须在多个组成部分的决策之间来回切换，同时将整体牢记在心。有时候这些组成部分的决策之间也可能是彼此冲突的。就像魔方一样，我们不能简单地解决一个面，然后再去解决下一面。这会浪费我们之前做的一些工作。我们必须同时解决所有面。这可能是一个非常复杂的过程，但学会如何从整体上处理这种事情是成为一名合格设计师的核心所在。虽然之前讨论过的机器学习技术可以帮助简化这些组成部分的决策，但它们并没有完全解决设计的最困难部分。为了帮助设计师建立这种专业认知，我们来探讨另外两个概念。过程组织与对话接口机器学习系统理解只传达一个独立的命令或者信息点的简单表达式要比理解复杂、多信息的的表达式容易得多。然而，在设计一个事物的过程中最难的点之一就是思考如何拆分一个复杂的系统，使其变成简单易懂的概念。设计工具能帮助设计者的最重要一点也就是在这个简化过程中。工具可以帮助设计者通过创建接口和工作流来创建简洁的表达式，这些界面和工作流程通过一系列简单的体验和决策来引导用户，而每个决策点都是处理一个更大更复杂任务的其中一方面。这种方法的一个很好的例子是20q，也就是电子版的游戏二十问。像传统的问答游戏一样，20Q让用户思考一个物体或者一个名人，然后提供一系列相应的多选题来发现用户到底在想什么。通常在这个系统中首先询问的问题是“它是一个动物，植物，矿物或者一个概念吗？”接下来的问题就是试着去区分和用户提供的信息有更深层次区别的一些选项举个例子，如果第一个问题的答案是“动物”那么接下来的问题就会是“是一个哺乳动物吗?”如果第一个问题的答案是“蔬菜”那么接下来的问题就会是“它通常是绿色的吗?”每一个随后的问题都可以用“是”、“否”、“有时”或“不相关”来回答。20Q系统在20个问题后猜对正确的人、地点或事物的概率是80%，而在25个问题后，概率就到了98%。这个系统使用了一种叫做学习决策树的机器学习算法，这种算法能帮助机器通过最少的步骤与问题猜对用户给出的信息。通过利用用户与系统交互时产生的数据，该算法会研究每个问题的相对值，以便删除尽可能多的不正确选项，以此保证它能够首先向用户提出最重要的问题。举个例子，如果已经知道了用户脑子里想的是一个名人，那么接下来的问题问这个名人是否还健在就要比问这个人是否写过书要有用的多，因为只有一小波历史人物现在还健在，但是许多名人却都出版过书。虽然没有一个独立的问题能全部涵盖用户所想，但相对较少的经过精心挑选的问题还是能以令人惊奇的速度揭开正确答案的。除了能帮助系统理解用户的表达，这个系统还能让用户更清楚、更有目的地表达自己的想法。其核心是，这个系统可以被看作是一个通过大量相关决策发现最佳路径的机制。每一个问题以及答案都起到了一个翻译向导的作用。使用户更接近她或他想要表达的意思，同时还帮助用户探索了可能想思考和表达的方方面面。这种机制还能拓展到设计界面领域，能够帮助用户通过回答一系列问题来设计出其期望的形式。同时基于更自然的交互模式，这些问题还可以直接用口头来回答……或者是姿势，这样用户根本不需要学习复杂的菜单系统或者工具。基于机器学习的最新进展，机器越来越有可能回答出用户复杂的、具有关联性的设计问题。例如，用户可以提出一些能帮助他或她去评价设计在实际用户中的适用性的真实问题。这种对话将模拟人类对话的形式，同时机器的背后有着海量关于这个设计问题的数据。可以帮助用户更好的解决遇到的问题。这还有可能关联到机器能模拟现实世界中相关约束的能力，如物质、物理或化学等方面。通过在实时交互中嵌入这种能力，架构师可以快速排除不靠谱的想法，并产出一些丰硕的成果，这样可以节省大量的时间。除了“真实世界的约束”，用户给出的交互指令经常不是明确的—或者因为机器的知识有限，或者就是因为用户没有表达清楚。预期给出“最佳猜测”，这个系统可以提供更多的问题或替代方案以弄清用户的真实想法。因此，这种会话既能有效的澄清用户的真实意图，又可以构建完善的机器知识库。同时这还是一种更自然的记录机制，它可以保存用户想法的迭代更新过程，这种方式也比传统的“行动历史”更容易被审查和分析。通过将流程线性铺开，查阅“信息流”，用户可以检查她或他思维的整个过程，并能轻松的回到任意一个节点，并在保存其他设计的同时向一个新方向努力。结论许多人似乎很担心人工智能会取代我们的工作，让我们失业。我却看到了一个更乐观的未来的可能性，在未来，我们仍将发挥重要作用。事实上，我们仍是更强大的。在这样的未来，我们不会与物体竞争，我们会利用他们来拓展我们所能做的事情，就像过往历史一样。但要做到这一点，我们需要时刻提醒自己工具的本质是什么。工具不单单意味着使我们生活的更轻松。他们的目的是给我们一个杠杆，让我们看到更远更美的景色。通过工具可以举起石头，但人却能造出大教堂。机器学习时代的体验设计（上）机器学习时代的体验设计（下）原文作者：Patrick Hebron原文链接：https://medium.com/artists-and-machine-intelligence/rethinking-design-tools-in-the-age-of-machine-learning-369f3f07ab6c本文由@百度UXC 翻译发布于人人都是产品经理，未经许可，禁止转载。