Makine Öğrenimi Ürün Koleksiyonu: Bunlar, Google tarafından dahili olarak özetlenen yedi ana noktadır
Li Lin Ruopu Derleyin ve organize edin
Qubit Raporu | Genel Hesap QbitAI
Makine öğrenimi çukuruna girerken ürün yöneticileri nelere dikkat etmelidir?
Google'ın kullanıcı deneyimi tasarım ekibi 7 noktayı özetledi ve kübitler şu şekilde derlendi:
Makine öğrenimi (ML) kullanılmadığında, bir web sitesi veya uygulamanın yapay olarak belirlenmiş birçok kuralı vardır. Ve makine öğrenimi, ürünlerin bu kurallara güvenmeden verilerden kalıpları ve ilişkileri keşfetmesine olanak tanır.
Makine öğrenimi, hepsi bu teknolojiyi kullanan video web sitelerinden, haber uygulamalarından insansız araçlara kadar kullanıcılar için kişiselleştirilmiş bir dinamik deneyim oluşturabilir.
Bu nedenle, kullanıcı deneyimi tasarımcıları veya ürün yöneticileri önemli bir görevle karşı karşıyadır: Makine öğrenimi ve kullanıcı deneyimi arasındaki koordinasyonu sağlayın, böylece kullanıcılar teknoloji tarafından kontrol edilmek yerine teknolojinin kontrolünde olduklarını hissederler.
İnternetin ve mobil İnternetin iki dalgası gibi, ML de her kullanıcı deneyimini oluştururken yeniden düşünmemizi, yeniden düzenlememizi, değiştirmemizi ve yeni olasılıkları değerlendirmemizi gerektirir.
Makine öğreniminin getirdiği yeni sorunların üstesinden gelmek için, Google'ın kullanıcı deneyimi tasarım ekibi çabalar için bir yön belirledi: " İnsan merkezli makine öğrenimi "(HCML).
Bu isim tanıdık geliyor mu? Qubit, muhtemelen daha çok "kullanıcı merkezli tasarım" gibi olduğu için tahmin ediyor.
Ürünlere "insan merkezli" bir bakış açısıyla bakıyoruz ve insan ihtiyaçlarından nasıl başlayacağımızı keşfediyoruz ve bu ihtiyaçları çözmek için yalnızca makine öğrenimi aracılığıyla gerçekleştirilebilecek benzersiz yöntemler kullanıyoruz.
Makine öğreniminde yeniyseniz, bilgi miktarının çok fazla olduğunu hissedebilirsiniz.
Panik yapmayın.
Google kullanıcı deneyimi ekibi ve AI ekibinin iş birliği ve deneme yanılma deneyimi sayesinde, kullanıcı deneyimi tasarımcılarının yeni "makine öğrenimi odaklı ürünler" alanına alışmalarına yardımcı olmak için aşağıdaki 7 noktayı listeledik.
Bu noktalar, kullanıcıları ilk sıraya koymanıza, hızla yineleme yapmanıza ve makine öğreniminin getirdiği benzersiz fırsatları anlamanıza yardımcı olabilir.
Hadi başlayalım.
1. Makine öğreniminin kendi kendine çözülmesi gereken sorunları çözmesini beklemeyin
Makine öğrenimi ve yapay zeka yutturmaca çok sıcak.Ürün stratejilerini oluştururken birçok şirket ve ürün ekibi, çözmek istedikleri sorun ne olursa olsun makine öğrenimini bir çözüm olarak kullanmaya bile karar veriyor.
Tamamen teknik bir keşifse, bunda yanlış bir şey yoktur ve aynı zamanda ürün tasarımına ilham verebilir.
Ama bir ürün tasarlıyorsanız ve insanların ihtiyaçlarından ilerlemiyorsanız, çok küçük ya da var olmayan sorunları çözmek için çok güçlü bir sistem kurabilirsiniz.
Bu nedenle söylemek istediğimiz ilk nokta, madencilik kullanıcı ihtiyaçlarının zorlu işlerini hala yapmanız gerektiğidir.
Bu durumsal araştırmalar, röportajlar, derinlemesine tartışmalar, kullanıcı anketleri ve günlük analizi basitleştirilemez. Sorunu çözüp çözmediğinizi veya potansiyel ihtiyaçlarını bulup bulmadığınızı öğrenmek için kullanıcılara yaklaşmanız gerekir.
Makine öğrenimi kendi başına çözülecek sorunu çözemez ve onu tanımlamamız gerekir.
Kullanıcı deneyimi tasarımcıları olarak, hangi teknoloji paradigmasının yol açtığına bakılmaksızın, ekibe rehberlik etmek için temel araçlarımız aynı kalır.
2. Kendinize makine öğreniminin sorunları benzersiz bir şekilde çözüp çözemeyeceğini sorun
Çözülmesi gereken sorunları ve karşılanması gereken ihtiyaçları belirledikten sonra, makine öğreniminin bu sorunları benzersiz bir şekilde çözüp çözemeyeceğini değerlendirme zamanı.
Çoğu problem makine öğrenimi gerektirmez.
Ürün geliştirmenin bu bölümünde, hangi kullanıcı deneyiminin makine öğrenimi gerektirdiğini, makine öğrenimi kullanıldığında hangi işlevlerin anlamlı bir şekilde geliştirileceğini, hangi kullanımın aynı olup olmadığını ve kullanılsa bile kullanılmamasından daha iyi olduğunu belirlemek büyük bir zorluktur.
Pek çok ürün, insanlara "akıllı" veya "kişiselleştirme" hissi vermek için makine öğrenimine ihtiyaç duymaz. Yalnızca makine öğreniminin ürünü kurtarabileceğini düşünmeyin.
Ek ipuçlarını eklemeyi unuttum, makine öğrenimi için uygun değil
Takımın makine öğreniminin değerini kullanım örneği açısından anlamasına yardımcı olmak için bir dizi soru oluşturduk.
Bu sorular, kullanıcının makine öğrenimi sistemiyle etkileşimde ne tür zihinsel modellere ve beklentilere sahip olabileceğini ve sistemin hangi verilere ihtiyacı olduğunu derinlemesine araştırır.
İşte üç örnek: Bir Google ekibi, bir kullanım senaryosunu çözmek için makine öğrenimini kullanmak istediğinde şu soruları yanıtladı:
Teorik bir insan "uzmanın" bu görevi şimdi nasıl yerine getirebileceğini açıklayın.
İnsan uzmanlarınız bu görevi yerine getirecek olsaydı, bir dahaki sefere iyileştirmek için onlara nasıl yanıt verirsiniz? Dört kafa karışıklığı matrisi durumu (doğru, doğru negatif, yanlış pozitif, yanlış negatif) açıklanmıştır.
Bir kişi bu görevi gerçekleştirmek isterse, kullanıcılar onlardan hangi varsayımlarda bulunmalarını bekler?
Bu soruları yanıtlamak için birkaç dakikanızı ayırmak, kullanıcıların ML ürünlerini kullanmak için hangi ön ayarları getireceğini anlamamıza yardımcı olabilir. Bu sorular, ürün ekibinin tartışmasında veya kullanıcı araştırması sürecinde sorulabilir.
Etiketleri ve eğitim modellerini tanımlamayı tartıştığımızda bunlara daha sonra değineceğiz.
Bu soruları yanıtladıktan ve belirli bir ürün veya işlev için bir storyboard yazdıktan sonra, ekibin tüm ürün fikirlerini bu dört bölüme koyabiliriz:
Yatay eksen makine öğreniminin etkisini temsil eder ve dikey eksen kullanıcılar üzerindeki etkiyi temsil eder
Bu koordinat sistemi sayesinde, hangi fikirlerin daha etkili olduğunu ve hangi fikirlerin ML'ye ulaşmak için dayandığını öğrenebiliriz. Önceki diyalogda, geliştiricilerle çalışmaya başlamalısınız. Başlamadıysanız, buradan başlamak için çok geç değil. Bu fikirlerin pratikte makine öğrenimi ile çözülüp çözülemeyeceğini ölçmelerine izin verin.
Kadranın sağ üst köşesindeki işlevler: Kullanıcılar üzerinde en büyük etkiye sahip olanlar ve makine öğrenimi teknolojisinin benzersiz deneyimler getirebildiği en yüksek önceliğe sahip olanlardır.
3. Prototip tasarımı: kişisel örnekler ve Wizard of Oz
Makine öğrenimi sistemlerinin önemli bir sorunu prototiplemedir.
Bir ürünün temel değeri, benzersiz veriler aracılığıyla kullanıcılar için kişiselleştirilmiş bir deneyimi özelleştirmede yatıyorsa, gerçekçi bir prototipi hızlı bir şekilde tasarlamanız zordur. Ancak, ML sisteminin tasarımını test etmeden önce kurulmasını beklerseniz, onu değiştirme şansı olmayabilir.
Bununla birlikte, bu sorunu çözebilecek iki kullanıcı araştırma yöntemi vardır: kişisel örnekler oluşturmak için katılımcıları kullanmak ve Wizard of Oz araştırması.
Kullanıcı araştırması için ilk modelleri kullanırken, katılımcılardan kişisel fotoğraflar, adres defterleri, aldıkları müzik veya film önerileri gibi kendi verilerinden bazılarını getirmelerini isteyebilirsiniz. Elbette, katılımcıların verilerinin ne için kullanılacağını ve ne zaman silineceğini tam olarak anlaması gerekir.
Katılımcılar için bu çok ilginç bir ev ödevi olabilir.
Bu örnekler aracılığıyla, sistemin doğru ve yanlış yanıtlarını simüle edebilirsiniz. Örneğin, sistemin kullanıcıya yanlış işlem önerileri sunmasını simüle edebilir, kullanıcının yanıtını kontrol edebilir ve hatanın nedeni hakkındaki varsayımlarını anlayabilirsiniz.
Sanal örnekler veya kavramsal açıklamalarla karşılaştırıldığında, bu, çeşitli olasılıkların maliyetlerini ve faydalarını daha güvenilir bir şekilde değerlendirmenize yardımcı olabilir.
Henüz oluşturulmamış makine öğrenimi ürünleri için ikinci test yöntemi, Oz Büyücüsü araştırmasıdır. Geçtiğimiz 20 yılda, Wizard of Oz araştırması, kullanıcı araştırma yöntemlerinde gittikçe daha az önemli hale geldi ve şimdi geri döndü.
Oz Büyücüsü? Oz sihirbazı?
Bu test türü, kullanıcıya geri bildirim vermek için sistemin bir ürün ekibi üyesi tarafından değiştirilmesini ifade eder.
Sohbet arayüzü, Wizard of Oz'u test etmenin en kolay yollarından biridir, ancak bir ürün kişisi diğer tarafta bir yanıt girmek için "AI" gibi davranarak hazırlandığı sürece.
Ürün ekibi üyelerinin, kullanıcıların deneyim ile "akıllı" sistem arasındaki etkileşimi simüle etmelerine yardımcı olabilecek sohbet mesajlarını yanıtlama, çağrı önerileri ve film önerileri verme gibi makine öğrenimi sisteminin davranışını taklit etmesine izin verin.
Bu etkileşimler, ürün tasarımı için temel rehberlik sağlayabilir, çünkü katılımcılar "AI" ile ciddi bir şekilde etkileşime girdiğinde, doğal olarak sistemin yeni bir kuvvet modelini oluşturacak ve davranışlarını modele göre ayarlayacaklardır.
Sisteme adaptasyonlarını ve sistemle ikincil etkileşimleri gözlemlemek, ürün tasarımı için büyük bir referans değeridir.
4. Yanlış pozitiflerin ve yanlış negatiflerin maliyetini ölçün
Makine öğrenimi sisteminiz hatalar yapacak. Bu hataların neye benzediğini ve kullanıcının ürün deneyimini nasıl etkilediğini anlamak önemlidir.
İkinci noktada kafa karışıklığı matrisinden bahsetmiştik. Bu, makine öğreniminde bir makine öğrenimi sisteminin doğru veya yanlış olduğunda nasıl göründüğünü açıklayan temel bir kavramdır.
Karışıklık matrisinin dört durumu ve kullanıcılar için ne anlama geldiği
Makineler için tüm hatalar aynıdır, ancak insanlar için değildir.
Örneğin, insanları yanlışlıkla canavar olarak tanımlayan bir "insan veya canavar" sınıflandırıcımız varsa. Bu sadece sistemdeki bir hatadır ve hakaret veya kültürel kaygıları içermez. Makine, yanlış bir şekilde canavar olarak tanımlanan insanların neden olduğu saldırganlık duygusunun, yanlış bir şekilde insan olarak tanımlanmaktan çok daha büyük olduğunu anlamayacaktır. Bu, insan merkezli önyargı olabilir. :)
Makine öğreniminde, doğruluğu ve geri çağırma oranlarını bilinçli olarak tartmamız gerekir.
Diğer bir deyişle, tüm doğru cevapları dahil etmenin daha önemli olduğunu düşünüyorsanız, daha fazla yanlış cevaplar da dahil edeceğiniz anlamına gelir (hatırlama oranını optimize edin); yanlış cevapları en aza indirmek istiyorsanız, fiyat doğru cevapların bazılarını atmaktır (doğru cevapları optimize edin) oranı).
Örneğin, Google Foto'da oyun parkı ararsanız, aşağıdaki sonuçları görebilirsiniz:
Bunlar, oyun oynayan çocukların sahnelerini içerir, ancak oyun alanında değildir. Bu durumda, hatırlama oranı doğruluk oranına göre önceliklidir ve tüm oyun alanı fotoğraflarını bulmak daha önemlidir.
5. Planlanan evrim
En iyi makine öğrenimi sistemi, kullanıcının zihinsel modeliyle birlikte gelişmelidir.
İnsanlar bu sistemlerle etkileşime girdiklerinde, bu sistemin gelecekteki çıktılarını da etkiliyor ve ayarlıyorlar; ve bu ayarlamalar da kullanıcıların sistemle etkileşim biçimini değiştirecek ...
Elbette, bu tür bir sürekli geri bildirim döngüsü zararsız veya kısır olabilir. Bu yüzden kullanıcıları yönlendirmeye ve kendinize ve modelinize faydalı olacak geri bildirimler vermeye dikkat etmeniz gerekiyor.
Erdemli çemberin bir örneği, kullanıcıların daha sonra hangi karakterleri gireceğini sürekli olarak geliştirebilen ve tahmin edebilen Gboard of Google Input'dur. Sistem önerilerini ne kadar çok kişi kullanırsa, verilen öneriler o kadar iyi olur.
Gboard şematik
Makine öğrenimi sistemleri mevcut veri kümeleri üzerinde eğitilir ve yeni girdilere göre ayarlanacaktır, ancak bu değişikliklerin gerçekleşmeden önce tahmin edilmesi zordur. Bu nedenle, kullanıcı araştırma ve geri bildirim stratejilerini aynı anda ayarlamamız gerekiyor. Bu, ürün döngüsünde önceden uzunlamasına, son derece kişiselleştirilmiş ve kapsamlı araştırmaların planlanması anlamına gelir.
Kullanıcılar ve kullanım senaryoları makine öğrenimi sisteminin performansını değerlendirmek için arttıkça doğruluğu ve geri çağırma oranını ölçmek için yeterli zaman planlamanız gerekir. Elbette, sistemi nasıl kullandıklarını ve başarı veya başarısızlığın arkasındaki zihinsel modeli anlamak için kullanıcılarla oturmanız da gerekir.
Ek olarak, makine öğrenimi sistemini iyileştirmek için ürün yaşam döngüsü boyunca kullanıcılardan nasıl gerçek geri bildirim alacağımızı düşünmemiz gerekiyor. Daha iyi ve daha hızlı bir etkileşimli geri bildirim modunun tasarlanıp tasarlanamayacağı, iyi bir makine öğrenimi sistemi ile mükemmel bir makine öğrenimi sistemi arasındaki farktır.
Google uygulaması, alakalı geri bildirimler almak için belirli aralıklarla bir sayfa kartının yararlı olup olmadığını soracaktır.
Kullanıcılar, tahmin edilen sonuçların neden uygunsuz olduğu vb. Dahil olmak üzere Google arama otomatik tamamlaması hakkında geri bildirim sağlayabilir.
6. Algoritmayı doğru etiketle eğitin
Etkileşimden bahsettiğimizde, çıktıların işaretleri olarak tel kafesleri, maketleri, prototipleri ve kırmızı çizgileri kullanmaya alışkınız.
Ancak, makine öğrenimi ile geliştirilmiş etkileşimler hakkında konuştuğumuzda, daha fazlasını belirtmemiz gerekiyor çünkü "etiketler" geliyor.
Etiketler, makine öğreniminin önemli bir parçasıdır.
Pek çok insanın işi, örneğin bir resimde kedi olup olmadığını işaretlemek gibi birçok içeriğe bakmak ve onu etiketlemektir. Yeterli sayıda fotoğraf "kedi" veya "kedi dışı" olarak işaretlendiğinde, modeli kedileri tanıması için eğitmek için kullanılabilecek bir veri kümesi oluşturulur. Daha kesin olmak gerekirse, modelin bir fotoğrafta belirli bir güven düzeyine sahip bir kedi olup olmadığını tahmin etmesine izin verin.
Basit, değil mi?
Bu testi geçebilir misin?
Asıl zorluk, modelin bir makaleyle ilgilenip ilgilenmedikleri veya e-posta yanıt önerileri sunup sunmadıkları gibi kullanıcı için çok öznel olan şeyleri tahmin etmesini sağlamaktır.
Dahası, model eğitimi uzun zaman alır.Tamamen etiketlenmiş bir veri seti elde etmek çok pahalı olabilir ve yanlış etiketlerin de ürün üzerinde çok büyük olumsuz etkileri olabilir.
Ne yapmalıyım?
Makul varsayımlarla başlayabilir ve bunları kapsamlı bir şekilde tartışabilirsiniz.
Bu varsayımlar genellikle şu biçimi alır: "(a) durumundaki (a) kullanıcı için, kullanıcının (bunu) (bunu) tercih ettiğini varsayıyoruz". Ardından bu varsayımları mümkün olan en kısa sürede prototipe koyun, geri bildirim toplayın ve yineleyin.
Makine öğreniminiz için, ilgili alanlarda derinlemesine araştırma yapmış bir uzman gibi yabancı bir yardım bulmanız önerilir.
Ardından, hangi varsayımların daha "gerçek" göründüğünü keşfedeceksiniz. Ancak büyük ölçekli veri toplama ve etiketlemeden önce, uzmanların kritik bir ikinci doğrulama turu için bazı gerçek kullanıcı verilerini seçmesine izin vermek en iyisidir.
Kullanıcılar, aslına uygun bir prototipi test etmeli ve bir yapay zeka ile etkileşime girdiklerini hissetmelidir.
Bu pratik doğrulamalar sayesinde uzmanlar, yapay zeka işlevlerinin örnek bir kombinasyonunu oluşturabilir. Daha sonra bu durumları, güçlü bir eğitim veri kümesi ve büyük ölçekli bir etiketleme protokol çerçevesi oluşturmak için sonraki toplama için bir yol haritası olarak kullanın.
7. Düşüncenizi genişletin ve yaratıcılığa tam anlamıyla yer verin
Bir ürün yöneticisi olarak, ince ayar konusunda çıldırtıcı geri bildirimler alabilirsiniz ve asla uğraşmak istemeyeceğiniz mühendisler olabilir.
Makine öğrenimine özel, referans için bazı küçük öneriler var.
Bir makine öğrenimi ürün yöneticisi için çok fazla özellik, kasıtsız sabitlemeye yol açabilir ve bu da mühendislerin yaratıcılığını kısıtlar. İçgüdülerine güvenin ve onları, tüm çerçeve tamamlanmasa bile denemeye devam etmeleri için teşvik edin, kullanıcı testine başlayabilirsiniz.
Makine öğrenimi daha yaratıcı ve anlamlı bir projedir. Ancak bir modeli eğitmek yavaş olabilir ve görselleştirme araçları çok iyi olmayabilir, bu nedenle mühendisler sonunda algoritmayı ayarladıklarında, genellikle hayal gücüne güvenmeleri gerekir ...
Bu nedenle, ürün yöneticilerinin her zaman mühendislere kullanıcı odaklılık yolunda yardımcı olması gerekir.
Daha iyi bir gelecek yaratmak için birlikte çalışın
Mühendislere ilham vermek, hafif eleştiriler vermek ve ürünün ilkelerini ve hedeflerini derinlemesine anlamalarına yardımcı olmak için farklı yöntemler kullanmak gerekir.
Bir mühendis ne kadar erken yinelemeye başlarsa, makine öğrenimi sistemi o kadar sağlam olabilir ve etkili bir yapay zeka ürününü başlatma olasılığınız o kadar artar.
sonuç olarak
Bunlar, Google'da vurguladığımız yedi kilit nokta. Umarım makine öğrenimi ürünleri geliştiren veya geliştirmek isteyenler size yardımcı olur. Makine öğrenimi gittikçe daha fazla ürün sunmaya başladığında, daha insan odaklı olmalı ve insanlara benzersiz, değerli ve mükemmel ürün deneyimleri sunmalıyız.
Yazar:
Josh Lovejoy, Kullanıcı Deneyimi Tasarımcısı, Google Araştırma ve Makine Öğrenimi Grubu
Jess Holbrook, Kullanıcı Deneyimi Yöneticisi ve UX Araştırmacısı, Google Araştırma ve Makine Öğrenimi Grubu
Çizim Akiko Okazaki
Bitiş
Bir uyarı
Beş grup kübit okuyucu başvuruya açıktır.Yapay zeka ile ilgilenen arkadaşlar, kübit asistanının WeChat qbitbot2'sini ekleyebilir, gruba katılmak için başvurabilir ve yapay zekayı birlikte tartışabilir.
Ayrıca, qubit ustaları tarafından bir araya getirilen otonom sürüş teknolojisi grubu, Yalnızca otonom sürüşle ilgili alanlarda çalışan öğrencileri veya öncü mühendisleri kabul edin . Uygulama yöntemi: qbitbot2'yi arkadaş olarak ekleyin, not " Otopilot "Katılmak için başvurun ~
İşe Alım
Qubit'ler işe alıyor muhabiri düzenlemek Pozisyonları bekliyorum, Pekin, Zhongguancun'da çalışıyor. İlgili ayrıntılar için lütfen şu yanıtı verin: resmi hesabın diyalog arayüzünde "İşe Alım".
