UX機械学習スペシャリストのための7つのヒント

フリーランスの編集者であるAlyona Lazarevaは、GoogleのUX専門家による記事を、仕事で機械学習を使用する方法について、またユーザーのニーズを忘れないように適合させました 。



機械学習（ML）は、学習可能なアルゴリズムを構築する方法を研究する人工知能の広範なサブセクションです。



機械学習により、コンピューターはデータのパターンと関係を検出できるため、パーソナライズされた動的なUXを作成するための優れたツールです。 その範囲は広い：Netflixのアドバイザリーメカニズムから無人車両まで。 MLの制御下でプロジェクトに取り組む際のUXスペシャリストのタスクは、ユーザーにテクノロジーの制御を与えることであり、その逆はできません。



機械学習により、ほぼすべての製品を作成するアプローチを再考する必要が徐々にあります。 この記事では、UXデザイナーがMLを使用する際にユーザーのニーズにどのように焦点を当てるかについて7つのヒントをまとめました。

製品が解決する問題を特定します。

多くの企業は、機械学習を使用することを決めていますが、製品が解決すべき問題を十分に理解していません。 このアプローチは、研究を実施する場合、または新しい技術の能力に精通する場合に受け入れられます。 他のすべてのケースでは、ユーザーのニーズを理解することから始める価値があります。そうしないと、軽微または存在しない問題を解決する強力なシステムを作成するリスクがあります。







したがって、最初のポイントは非常に簡単です。機械学習では、どの問題やタスクを解決する必要があるかを判断できません。



あなたはまだこのハードワークを自分でしなければなりません。 エスノグラフィー、コンテキストクエリ、インタビュー、調査、顧客サポートリクエストの読み取り、ログ分析、ユーザーとのコミュニケーションは、ユーザーのニーズを理解しているかどうかを調べるのに役立ちます。

機械学習の真のニーズを見つける

機械学習を使用するという事実が高品質の製品になるとは思わないでください。 この高度な技術を使用せずに解決できる多くのタスクがあります。 したがって、この段階での目標は、機械学習が必要かどうか、それが製品に役立つのか、害を及ぼすだけなのかを判断することです。







Gmailがメッセージに「添付ファイル」や「添付ファイル」などのフレーズを見つけると、ドキュメントの添付を忘れたかどうかを確認します。 添付ファイルがない場合、リマインダーが表示されます。 ここでは、発見的アルゴリズムがうまく機能します。 機械学習の方が効果はありますが、コストはもっと高くなります。



一連の演習を開発し、チームが機械学習の使用を決定したときにチームに提供します。 演習は、MLシステムと対話するときにユーザーにどのような考えや期待が生じるか、またその構築に必要なデータを理解するのに役立ちます。

• 人があなたの問題を解決できる方法を説明してください。
• 人がこのタスクを実行した場合、結果を改善するのにどのようなフィードバックが役立ちますか？ 不正確性のマトリックスの 4つのフェーズについてこの質問に答えてください。
• 人がこのタスクを実行する場合、ユーザーは何を受け取りますか？

これらの質問に対する回答は、チームと話し合い、ユーザー調査の基礎を形成する必要があります。 演習、 スケッチ、絵コンテでの作業が終了したら、すべてのアイデアをマトリックスに入れます。







このマトリックスにアイデアを入れます。 どのアイデアがユーザーに最も大きな影響を与え、どのアイデアがMLから最も利益を得るかについて投票するようチームに依頼します。



これにより、最も効果的なアイデアが浮き彫りになり、そのうちどれが機械学習に大きく依存しており、どれがそのアプリケーションからわずかに利益を得ることができるかが決まります。 開始するアイデアは、マトリックスの右上隅にあります。 そして、まだ開発者を議論に引き込んでいないのであれば、それをやる時です。

個人データとWizard of Oz実験を使用してプロトタイプをテストする

MLシステムを使用する場合、プロトタイピング時に必然的に困難に直面します。 製品の主なタスクが一意のユーザーデータの分析である場合、現実的なプロトタイプを迅速に作成することは不可能です。 また、テスト時に機械学習システムが製品に組み込まれている場合、大幅な設計変更を行うことはできません。

ただし、ユーザー調査には2つのアプローチがあります。個人ユーザーの例を使用し、 Wizard of Oz実験を実施します。



最初のプロトタイプを使用してユーザー調査を実施する際、参加者に個人データを共有するよう依頼します。たとえば、受け取った写真、連絡先リスト、音楽、映画の推奨事項などです。 テスト中にこのデータがどのように使用され、いつ削除されるかを参加者に通知する必要があります。 これらの例を使用して、正しいシステム応答と誤ったシステム応答をシミュレートできます。 たとえば、ユーザーに映画のおすすめを提供するシステムの動作をシミュレートできます。 システムがこの特定の結果を生成した理由をユーザーがどのように説明するかに注目してください。 この方法は、架空の例や製品コンセプトの説明を使用する以上に役立ちます。



MLシステムの制御下でまだ作成されていない製品のテストに有効な2番目のアプローチは、「オズの魔法使い」という研究です。







チャットインターフェイスは、Wizard of Ozアプローチを使用してテストできる最も単純なMLシステムの1つです。 このテストでは、ユーザーのアクションに応じて人工知能のアクションをシミュレートするようチームのメンバーに依頼します。



研究を行う際の重要な条件-ユーザーは、自律システムと対話していると考えるべきです。 しかし、実際には、その画面は製品に精通している人によって制御されています（原則として、これはチームのメンバーです）。 そのタスクは、MLシステムの動作をシミュレートすることです：チャットボットの回答、通話の連絡先の提案、映画の推薦。 ユーザーは、人工知能として認識しているものと対話するとき、システムに関するアイデアを形成し、それらに従って行動を調整します。 このプロセスを監視することは、作業において非常に重要です。

偽陽性および偽陰性の応答のコストを比較検討する

システムが間違っています。 これらのエラーがユーザーの目にどのように見えるかを理解することが重要です。 2番目の段落では、不正確なマトリックスに言及しました。この機械学習の重要な概念は、システムが正しく応答するか、エラーが発生するプロセスを説明しています。





不正確なマトリックスの4つの状態と、ユーザーにとっての可能性のある値。



MLシステムの場合、すべてのエラーは同じですが、人々はそれらを異なって認識します。 たとえば、分類子「man or troll？」を取り上げます。 人をトロールとしてランダムに分類することは、単にシステムエラーです。 彼女は文化的側面の知識がなく、誰かを怒らせたくありません。 システムは、トロールとして識別した人が、誤って人として識別されたトロールよりも強い怒りを覚えることを理解していません。



MLに関しては、システムの精度と完全性の間の妥協点を見つける必要があります 。 たとえば、遊び場の写真をGoogleで検索すると、次の結果が表示されます。







結果には、遊んでいる子供たちの写真が含まれていますが、遊び場ではありません。 この場合、正確性よりも完全性の方が重要です。必要な写真を除外するよりも、リクエストの条件を完全に満たしていない写真をいくつか追加する方が適切です。

システム適応の計画

MLシステムを使用する主な価値は、それらが自分自身を変え、製品に対するユーザーの認識を変えることです。 人がシステムと対話するほど、結果はより正確になります。 ユーザーがそれを把握し、フィードバックを促すようにします。 これは、それらと製品の両方に役立ちます。







Gboardキーボードは、ユーザーの次の単語を予測するために進化します。 ユーザーがこの機能を使用するほど、推奨事項は改善されます。



MLシステムが既存のデータセットでトレーニングされると、最初は表現しない方法でMLシステムが新しいデータに適応します。 したがって、ユーザーの調査とフィードバック戦略を調整する必要があります。 これは、製品サイクルで事前に計画する必要があることを意味します。

• 製品に対するユーザーの態度の分析。
• 長期研究;
• 広範な研究。

ユーザー数の増加に伴う精度とエラーを測定して、MLシステムのパフォーマンスを評価するのに十分な時間を費やす必要があります。 また、ユーザーを監視して、システムの成功と失敗による影響を理解することをお勧めします。



さらに、MLシステムのパフォーマンスを向上させるには、製品ライフサイクル全体を通してユーザーからフィードバックを得る方法を検討する必要があります。 フィードバックを促進し、それに迅速に対応する相互作用テンプレートは、優れた製品を優れたものにします。







Googleアプリは、カードの有用性について、好みをよりよく理解するために時々尋ねます。







ユーザーは、提案されたオプションが不適切と思われる理由など、Google検索のオートコンプリートに関するフィードバックを残すことができます。

適切なタグを使用してアルゴリズムをトレーニングする

タグは機械学習の重要な側面です。 大量のコンテンツをレビューし、適切なタグを付ける専門家がいます：たとえば、「この写真に猫がいますか？」 より正確には、このモデルは、写真に猫が今まで見たことがない猫があるかどうかを一定の確率で仮定します。







このテストに合格できますか？



主観的な仮定に関しては困難が生じます。 たとえば、推奨される記事またはメールの返信がユーザーにとって役立つかどうか。 モデルのトレーニングには多くの時間がかかり、完全なデータセットを取得するには費用がかかりすぎる可能性があります。 したがって、タグの誤用は、製品の実行可能性に大きな影響を与える可能性があります。



だから、ここでそれを行う方法です。 合理的な仮定から始めて、同僚と議論してください。 通常、次のようになります。「私たちは、________の状況で_________ユーザーが________ではなく________を好むと仮定します。」 議論の結果に基づいて、フィードバックの収集を開始し、製品の開発を開始するために、できるだけ早くプロトタイプを準備します。 MLシステムの最適な教師になる専門家を見つけます。 予測を行うエリアで有能であることを確認してください。 一度に複数の人を雇用するか、安全上の理由から、この役割をチームの誰かに任せることをお勧めします。 私たちのチームでは、これらの人々を「コンテンツの専門家」と呼びます。



あなたと一緒に、彼らはデータを収集し、システムを学び始めるためのタグを特定するための計画を立てるのに役立つAI作業の例を作成します。

UXチームを展開する

上司から受け取った最悪のコメントを考えてください。 今、誰かがあなたの後ろに立って、あなたのすべての行動についてコメントしていると想像してください。 このイメージを念頭に置き、開発者をそのように扱わないようにしてください。



MLの問題を解決する方法はたくさんあります。 UXスペシャリストとして、あなたにはビジョンに対する権利がありますが、開発者にそれを課すべきではありません。 評価システムの準備が整う前にユーザーのシステムの動作をテストすることをためらう場合でも、彼らの直感を信じて実験させてください。



機械学習は創造的で表現力豊かな技術プロセスです。 モデルのトレーニングは時間がかかる場合があり、視覚化のためのツールがあまりないため、開発者はアルゴリズムを設定するときに想像力を使用する必要があります。 「アクティブラーニング」と呼ばれる方法論があり、各反復後にモデルを手動で「調整」します。 あなたの仕事は、ユーザー指向の選択を支援することです。







最良の結果を得るには、開発者および製品チームと協力してください。



したがって、個人的なストーリー、ビデオ、プロトタイプ、ユーザー調査の結果、優れたUXがどのようなものであるかを示すクールなプロジェクトなどの例を挙げて、彼らを刺激してください。 カスタムリサーチの目標の理解に取り組みます。 製品のデバイスの機能とUXの目標をよりよく理解できるように、作業で使用する方法について説明します。 同僚があなたの方法を早く学べば学ぶほど、開発プロセスの信頼性と効率は向上します。

おわりに

これらはGoogleで重要だと思う7つのヒントです。 製品の開発時に機械学習を使用する場合、それらが役立つことを願っています。 この作業には、人々に焦点を合わせ、彼らにとってユニークな価値を見つけ、製品とやり取りするそれぞれの体験を本当に驚くほどにする必要があることを忘れないでください。

Netologyコースについて

1. プログラム「ビッグデータ：大規模なデータセットの操作の基本」



誰のために：エンジニア、プログラマー、アナリスト、マーケティング担当者-ビッグデータテクノロジーを掘り下げ始めたばかりの人。

• 技術の歴史と基礎の紹介。
• ビッグデータを収集する方法。
• データ型;
• 基本的および高度なビッグデータ分析方法。
• 大規模なデータアレイを操作するためのプログラミング、ストレージ、および処理アーキテクチャの基礎。

クラス形式：オンライン



→ リンクの詳細



2. プログラム「データサイエンティスト」



誰のために：ビッグデータで働いている、またはそれをしようとしているスペシャリスト、およびデータサイエンスの分野でキャリアを積むことを計画している人。 トレーニングには、少なくとも1つのプログラミング言語（できればPython）を知っていて、高校の数学（できれば大学）でプログラムを覚えておく必要があります。



コーストピック：

• 基本的なツール、Hadoop、クラスターコンピューティングでトレーニングを表現します。
• 決定木、k最近傍法、ロジスティック回帰、クラスタリング。
• データの次元削減、分解方法、スペースの修正。
• 推奨システムの紹介。
• 画像認識、マシンビジョン、ニューラルネットワーク;
• ワープロ、配信セマンティクス、チャットボット。
• 時系列、ARMA / ARIMAモデル、複雑な予測モデル。

クラス形式：オフライン、モスクワ、デジタル10月センター。 Yandex Data Factory、Rostelecom、Sberbank-Technology、Microsoft、OWOX、Clever DATA、MTSの専門家が教えています。



→ リンクの詳細



3. UXプログラム：

• 「インターフェースデザイン：戦略からテストまでのUXデザイン」→
• 「UX分析：ユーザー調査と常識」→