使用機(jī)器學(xué)習(xí)進(jìn)行產(chǎn)品設(shè)計(jì)時(shí)，保持以人為中心原則的7個(gè)步驟

機(jī)器學(xué)習(xí)是幫助計(jì)算機(jī)揭示數(shù)據(jù)模式與關(guān)系的科學(xué)。機(jī)器學(xué)習(xí)是一個(gè)強(qiáng)大的工具，可用于打造個(gè)性化的動(dòng)態(tài)體驗(yàn)。機(jī)器學(xué)習(xí)已經(jīng)有力地推動(dòng)了從 Netflix 建議到自動(dòng)駕駛汽車(chē)等各項(xiàng)技術(shù)的發(fā)展。隨著使用機(jī)器學(xué)習(xí)打造的產(chǎn)品越來(lái)越多，產(chǎn)品的用戶體驗(yàn)設(shè)計(jì)師則需要更多地了解如何讓用戶感覺(jué)自己能輕松駕馭科技。

正如移動(dòng)革命以及之前網(wǎng)絡(luò)技術(shù)的興起一樣，機(jī)器學(xué)習(xí)將促使我們對(duì)我們構(gòu)建的幾乎所有體驗(yàn)進(jìn)行反思、重構(gòu)、置換和考量，從而開(kāi)辟全新可能。在 Google 用戶體驗(yàn)社區(qū)，我們啟動(dòng)了一個(gè)“以人為中心的機(jī)器學(xué)習(xí)”(HCML - Human-centered machine learning) 項(xiàng)目，旨在幫助聚焦和引導(dǎo)上述對(duì)話。從這個(gè)角度出發(fā)，我們審視了各個(gè)產(chǎn)品，以查看機(jī)器學(xué)習(xí)如何能夠以人類(lèi)需求為中心并以機(jī)器學(xué)習(xí)所獨(dú)有的方式來(lái)滿足這些需求。在 Google，我們團(tuán)隊(duì)與公司內(nèi)部用戶體驗(yàn)設(shè)計(jì)者合作，探討如何加速核心機(jī)器學(xué)習(xí)概念的開(kāi)發(fā)，了解如何將機(jī)器學(xué)習(xí)集成到用戶體驗(yàn)工具腰帶中以及如何確保以包容的方式構(gòu)建機(jī)器學(xué)習(xí)和人工智能。

如果您剛剛開(kāi)始接觸機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)領(lǐng)域的復(fù)雜性以及無(wú)限的創(chuàng)新機(jī)遇可能讓您感覺(jué)無(wú)所適從。不必恐慌，先停下來(lái)，給自己留點(diǎn)時(shí)間適應(yīng)一下。您并不需要從頭開(kāi)始，也可以在團(tuán)隊(duì)中發(fā)揮重要作用。

為了幫助設(shè)計(jì)師適應(yīng)設(shè)計(jì)機(jī)器學(xué)習(xí)驅(qū)動(dòng)的產(chǎn)品這一全新領(lǐng)域，我們提出了七個(gè)觀點(diǎn)。這些觀點(diǎn)源自我們與 Google 用戶體驗(yàn)和人工智能團(tuán)隊(duì)的合作（并進(jìn)行了必要的試驗(yàn)，允許合理的錯(cuò)誤數(shù)量），將幫助您遵循用戶優(yōu)先的原則，實(shí)現(xiàn)快速迭代，了解機(jī)器學(xué)習(xí)帶來(lái)的獨(dú)特機(jī)遇。

我們開(kāi)始吧。

1. 不要指望機(jī)器學(xué)習(xí)去思考它要解決什么問(wèn)題

現(xiàn)在，圍繞機(jī)器學(xué)習(xí)和人工智能的宣傳鋪天蓋地，天花亂墜。許多公司和產(chǎn)品團(tuán)隊(duì)不是首先關(guān)注他們要解決什么重大問(wèn)題，而是一開(kāi)始就直奔以機(jī)器學(xué)習(xí)作為解決方案的產(chǎn)品戰(zhàn)略。

這種模式對(duì)純粹探索或了解某項(xiàng)技術(shù)的作用很有用，并且常常會(huì)啟迪對(duì)新產(chǎn)品的思索。然而，如果您并未瞄準(zhǔn)人類(lèi)需求，那么您只是在構(gòu)建一套非常強(qiáng)大的系統(tǒng)來(lái)解決一個(gè)很小、也許根本不存在的問(wèn)題。

因此，我們的第一個(gè)觀點(diǎn)便是您仍然需要一如既往地努力發(fā)掘人類(lèi)的需求。這涉及到人種學(xué)、背景查詢、采訪、深入研究、調(diào)研、查閱客戶支持服務(wù)單據(jù)、日志分析并與人們接觸，以弄清楚您是否正在解決某個(gè)問(wèn)題或是滿足某個(gè)未曾言明的人類(lèi)需求。不要指望機(jī)器學(xué)習(xí)去思考它要解決什么問(wèn)題。我們?nèi)匀恍枰x問(wèn)題。作為用戶體驗(yàn)設(shè)計(jì)者，我們已經(jīng)擁有指導(dǎo)我們團(tuán)隊(duì)的工具，無(wú)論主流的技術(shù)范式為何。

2. 詢問(wèn)自己機(jī)器學(xué)習(xí)是否能以獨(dú)特方式解決問(wèn)題

一旦您確認(rèn)您需要滿足哪些需求之后，您將需要評(píng)估機(jī)器學(xué)習(xí)是否能夠以獨(dú)特方式滿足這些需求。有許多符合前述條件的問(wèn)題并不需要機(jī)器學(xué)習(xí)解決方案。

目前，產(chǎn)品開(kāi)發(fā)中的一大挑戰(zhàn)是確定哪些體驗(yàn)需要機(jī)器學(xué)習(xí)，哪些體驗(yàn)可通過(guò)機(jī)器學(xué)習(xí)得到實(shí)質(zhì)性增強(qiáng)，哪些體驗(yàn)不能通過(guò)機(jī)器學(xué)習(xí)得到改善，甚至?xí)词芷浜?。有很多產(chǎn)品無(wú)需使用機(jī)器學(xué)習(xí)，也可以讓人感覺(jué)很“智能”或“人性化”。不要想當(dāng)然地認(rèn)為只有機(jī)器學(xué)習(xí)才能解決問(wèn)題。

Gmail 會(huì)查找包含類(lèi)似“attachment”和“attached”之類(lèi)詞語(yǔ)的短語(yǔ)，以便在您忘記插入附件時(shí)彈出提醒。啟發(fā)式設(shè)計(jì)在這里就很有效。盡管機(jī)器學(xué)習(xí)系統(tǒng)很可能能夠捕獲更多的潛在失誤，但其構(gòu)建成本卻要高得多。

我們?cè)O(shè)計(jì)了一組練習(xí)來(lái)幫助團(tuán)隊(duì)理解機(jī)器學(xué)習(xí)對(duì)于其用例的價(jià)值。為此，這些練習(xí)深入探究人們?cè)谂c機(jī)器學(xué)習(xí)系統(tǒng)交互時(shí)可能提出的具體心智模式和期望以及該系統(tǒng)需要哪些數(shù)據(jù)。

以下是我們讓團(tuán)隊(duì)圍繞他們要使用機(jī)器學(xué)習(xí)解決的用例進(jìn)行研究和解答的三個(gè)示例練習(xí)：

描述理論上的人類(lèi)“專(zhuān)家”目前執(zhí)行此任務(wù)的方法。

如果您的人類(lèi)專(zhuān)家要執(zhí)行此任務(wù)，您如何為他們提供響應(yīng)，以便他們?cè)谙乱淮文芨倪M(jìn)方法？對(duì)于混淆矩陣中的所有四個(gè)階段均執(zhí)行上述步驟。

如果由人類(lèi)來(lái)執(zhí)行此項(xiàng)任務(wù)，用戶會(huì)希望他們做出哪些假設(shè)？

請(qǐng)花幾分鐘時(shí)間回答各個(gè)問(wèn)題，了解人類(lèi)能為機(jī)器學(xué)習(xí)驅(qū)動(dòng)的產(chǎn)品提供的自動(dòng)假設(shè)。這些假設(shè)如同產(chǎn)品團(tuán)隊(duì)在探討產(chǎn)品時(shí)的提示一樣重要，或者如同用戶研究時(shí)的刺激一樣有用。我們稍后講解定義標(biāo)簽和訓(xùn)練模型時(shí)還會(huì)再講到這方面的內(nèi)容。

在完成這些練習(xí)以及特定產(chǎn)品和功能的其他一些草圖和串連圖板后，我們將團(tuán)隊(duì)關(guān)于產(chǎn)品的各種想法分別寫(xiě)入一個(gè)簡(jiǎn)單的2x2 網(wǎng)格中：

將想法寫(xiě)入這個(gè) 2x2 網(wǎng)格中。讓團(tuán)隊(duì)投票選擇哪些想法能夠給用戶帶來(lái)最大的影響，哪些想法通過(guò)機(jī)器學(xué)習(xí)解決方案可以得到最大程度的加強(qiáng)。

這有助于我們區(qū)分作用顯著的想法和作用不大的想法，區(qū)分能夠通過(guò)機(jī)器學(xué)習(xí)加以增強(qiáng)的想法和機(jī)器學(xué)習(xí)對(duì)其無(wú)甚幫助或幫助不大的想法。在這些對(duì)話期間，您應(yīng)該已經(jīng)開(kāi)始與工程團(tuán)隊(duì)合作，但如果您尚未開(kāi)始合作，那現(xiàn)在正是參照機(jī)器學(xué)習(xí)的發(fā)展現(xiàn)狀衡量一下這些想法的好時(shí)機(jī)。您應(yīng)當(dāng)首先專(zhuān)注于機(jī)器學(xué)習(xí)能夠以獨(dú)特方式給用戶帶來(lái)最大影響（見(jiàn)上述矩陣右上角）的想法。

3. 利用個(gè)人數(shù)據(jù)和向?qū)нM(jìn)行模仿

原型設(shè)計(jì)是機(jī)器學(xué)習(xí)系統(tǒng)面臨的一大挑戰(zhàn)。如果您的產(chǎn)品的所有價(jià)值在于使用獨(dú)特的用戶數(shù)據(jù)來(lái)打造專(zhuān)屬定制體驗(yàn)，那就注定不能快速設(shè)計(jì)出貼近真實(shí)的原型。同樣，如果您等待建成一套齊全的機(jī)器學(xué)習(xí)系統(tǒng)來(lái)測(cè)試設(shè)計(jì)，那在測(cè)試完畢后再進(jìn)行任何有意義的更改很可能都為時(shí)已晚。但有兩種用戶研究方法可以幫助您：使用參與者的個(gè)人案例和 Oz 研究向?qū)А?/p>

在利用早期模型進(jìn)行用戶研究時(shí)，讓參與者為課程提供一些他們自己的數(shù)據(jù)，例如個(gè)人照片、聯(lián)系人列表，或者他們收到的音樂(lè)或電影建議。請(qǐng)記住，務(wù)必明確完整地告知參與者在測(cè)試期間會(huì)如何使用這些數(shù)據(jù)以及何時(shí)刪除這些數(shù)據(jù)。您甚至可以將這作為參與者的趣味“家庭作業(yè)”，要求他們?cè)谡n前完成（畢竟大家都喜歡討論自己喜歡的電影）。

您可以利用這些示例數(shù)據(jù)來(lái)模擬系統(tǒng)的正確或錯(cuò)誤響應(yīng)。例如，您可以模擬系統(tǒng)向用戶推薦不合適的電影來(lái)觀察其反應(yīng)，了解用戶對(duì)系統(tǒng)返回該結(jié)果的原因做出的假設(shè)。相比使用虛擬數(shù)據(jù)或概念性說(shuō)明，這種方法能夠幫助您更有效地評(píng)估這些可能性涉及的成本與收益。

第二種有效測(cè)試尚未成型的機(jī)器學(xué)習(xí)產(chǎn)品的方法是執(zhí)行 Oz 研究向?qū)?。這種用戶研究方法曾經(jīng)十分流行，但在過(guò)去約 20 年間漸失風(fēng)頭。現(xiàn)在它們又卷土重來(lái)了。

適合使用 Oz 向?qū)Х椒y(cè)試的最簡(jiǎn)單的體驗(yàn)之一便是聊天界面。只需安排團(tuán)隊(duì)成員在聊天的另一端輸入“人工智能”提供的“回答”。

快速提醒：Oz 研究向?qū)⑴c者認(rèn)為自己是在與自主系統(tǒng)進(jìn)行互動(dòng)，但系統(tǒng)其實(shí)是由人控制的（通常由團(tuán)隊(duì)成員控制）。

讓團(tuán)隊(duì)成員模仿機(jī)器學(xué)習(xí)系統(tǒng)的操作（例如聊天回復(fù)，建議參與者應(yīng)該給誰(shuí)撥打電話，或者電影建議），可以模擬與“智能”系統(tǒng)互動(dòng)。這些互動(dòng)對(duì)于指導(dǎo)設(shè)計(jì)思路至關(guān)重要，因?yàn)閰⑴c者真正認(rèn)為自己是在與人工智能互動(dòng)時(shí)，他們會(huì)自然而然地形成系統(tǒng)的心智模式，并根據(jù)這些模式調(diào)整自己的行為。觀察他們的調(diào)整以及與系統(tǒng)的二階互動(dòng)非常有助于啟迪設(shè)計(jì)靈感。

4. 權(quán)衡誤報(bào)和漏報(bào)的成本

機(jī)器學(xué)習(xí)系統(tǒng)出錯(cuò)在所難免。了解這些錯(cuò)誤的性質(zhì)以及它們對(duì)產(chǎn)品用戶體驗(yàn)的影響非常重要。我們?cè)诘?2 點(diǎn)的一個(gè)問(wèn)題中提到了混淆矩陣這一概念。這是機(jī)器學(xué)習(xí)中的一個(gè)關(guān)鍵概念，描述了當(dāng)機(jī)器學(xué)習(xí)系統(tǒng)判斷正確或出錯(cuò)時(shí)的情況。

混淆矩陣的四個(gè)狀態(tài)，以及可能對(duì)用戶意味著什么。

所有錯(cuò)誤對(duì)于機(jī)器學(xué)習(xí)系統(tǒng)而言沒(méi)什么不同，而對(duì)于人則不是這樣。例如，如果有一個(gè)“這是人類(lèi)還是怪物？”的分類(lèi)器，那么偶然地將一個(gè)人歸類(lèi)為怪物對(duì)系統(tǒng)來(lái)說(shuō)只是一個(gè)錯(cuò)誤。它不會(huì)認(rèn)為所做的分類(lèi)會(huì)冒犯用戶或其文化背景。它也不會(huì)明白，與將怪物意外地標(biāo)記為人相比，系統(tǒng)用戶對(duì)于被意外標(biāo)記為怪物會(huì)感到更不舒服。但這可能就是我們以人為中心的偏見(jiàn)。:)

用機(jī)器學(xué)習(xí)術(shù)語(yǔ)來(lái)說(shuō)，您需要有意識(shí)地在系統(tǒng)的準(zhǔn)確率和召回率之間進(jìn)行權(quán)衡。也就是說(shuō)，您需要決定是包括所有正確答案重要，即使這意味著會(huì)加入較多錯(cuò)誤答案（優(yōu)化召回率），還是寧可遺漏一些正確答案也要最大程度減少錯(cuò)誤答案（優(yōu)化準(zhǔn)確率）重要。例如，如果您在 Google 照片中搜索“游樂(lè)場(chǎng)”，您可能會(huì)看到如下結(jié)果：

這些結(jié)果包含幾個(gè)兒童玩耍的場(chǎng)景，但不是在游樂(lè)場(chǎng)上。在此案例中，召回率優(yōu)先于準(zhǔn)確率。與僅包含游樂(lè)場(chǎng)照片但可能排除了您要尋找的照片相比，獲取所有游樂(lè)場(chǎng)照片但包含幾個(gè)相似但不完全正確的照片更重要。

5. 規(guī)劃共同學(xué)習(xí)和調(diào)整

最有價(jià)值的機(jī)器學(xué)習(xí)系統(tǒng)應(yīng)隨著時(shí)間的推移與用戶的心智模式交替進(jìn)化。當(dāng)人們與這些系統(tǒng)進(jìn)行交互時(shí)，他們也在影響和調(diào)整著他們將來(lái)看到的各種系統(tǒng)輸出。這些調(diào)整反過(guò)來(lái)將改變用戶與系統(tǒng)的交互方式，從而改變心智模式，如此反復(fù)，形成一個(gè)反饋環(huán)路。這可能會(huì)導(dǎo)致“陰謀論”，人們使系統(tǒng)形成不正確或不完整的心智模式，并會(huì)遇到試圖根據(jù)這些虛構(gòu)的規(guī)則操控輸出的問(wèn)題。您需要使用明確的心智模式引導(dǎo)用戶，鼓勵(lì)他們提供有利于他們自己和模式的反饋。

這種良性循環(huán)的一個(gè)例子是 Gboard 能不斷進(jìn)化，以預(yù)測(cè)用戶要輸入的下一個(gè)字詞。用戶使用系統(tǒng)建議的次數(shù)越多，系統(tǒng)給出的建議就越好。來(lái)自 https://research.googleblog.com/2017/05/the-machine-intelligence-behind-gboard.html 的圖像

機(jī)器學(xué)習(xí)系統(tǒng)是基于現(xiàn)有數(shù)據(jù)集訓(xùn)練的，因此，我們通常無(wú)法預(yù)測(cè)系統(tǒng)將如何針對(duì)新輸入進(jìn)行調(diào)整。因此，我們需要相應(yīng)調(diào)整我們的用戶研究和反饋策略。這意味著我們需要在產(chǎn)品周期中提前規(guī)劃開(kāi)展縱向的、人機(jī)交互頻繁的廣泛研究。隨著用戶和用例不斷增多，您需要預(yù)留充足的時(shí)間，通過(guò)定量分析準(zhǔn)確率和錯(cuò)誤率來(lái)評(píng)估機(jī)器學(xué)習(xí)系統(tǒng)的性能，并在用戶使用這些系統(tǒng)時(shí)與他們坐在一起，以了解他們的心智模式如何隨著每一次成功或失敗而發(fā)生變化。

此外，作為用戶體驗(yàn)設(shè)計(jì)者，我們需要考慮如何能夠在整個(gè)產(chǎn)品生命周期內(nèi)獲得用戶的真實(shí)反饋，以改進(jìn)機(jī)器學(xué)習(xí)系統(tǒng)。機(jī)器學(xué)習(xí)系統(tǒng)是良好還是卓越，區(qū)別在于設(shè)計(jì)的交互模式是否方便提供反饋以及是否能夠快速顯示反饋的好處。

Google 應(yīng)用每隔一會(huì)就會(huì)詢問(wèn)某個(gè)特定卡片此刻是否有用，以獲取有關(guān)其建議的反饋。

用戶可以針對(duì) Google 搜索自動(dòng)完成提供反饋，包括為什么預(yù)測(cè)可能不合適。

6. 使用正確的標(biāo)簽訓(xùn)練算法

作為用戶體驗(yàn)設(shè)計(jì)者，我們已經(jīng)習(xí)慣于將線框、模型、原型和紅線作為我們的標(biāo)志性交付成果。然而，蹊蹺的是：當(dāng)談到通過(guò)機(jī)器學(xué)習(xí)增強(qiáng)的用戶體驗(yàn)時(shí)，我們能夠侃侃而談的寥寥無(wú)幾。這時(shí)“標(biāo)簽”就派上用場(chǎng)了。

標(biāo)簽是機(jī)器學(xué)習(xí)不可或缺的一部分。有些人的工作就是查看大量?jī)?nèi)容并為內(nèi)容添加標(biāo)簽，回答一些類(lèi)似“這張照片中是否有一只貓？”的問(wèn)題。一旦將足夠的照片標(biāo)記為“貓”或“非貓”，您就會(huì)獲得一個(gè)數(shù)據(jù)集，您可以用它來(lái)訓(xùn)練模型識(shí)別貓?；蛘吒鼫?zhǔn)確地說(shuō)，能夠讓模型以一定的置信水平預(yù)測(cè)一張它從未見(jiàn)過(guò)的照片中是否有貓。很簡(jiǎn)單，對(duì)不對(duì)？

您能通過(guò)這個(gè)測(cè)驗(yàn)嗎？

當(dāng)您冒險(xiǎn)進(jìn)入模型目標(biāo)定是預(yù)測(cè)一些對(duì)用戶來(lái)說(shuō)很主觀的東西（如他們是否認(rèn)為某篇文章很有趣或建議的電子郵件回復(fù)有意義）的領(lǐng)域時(shí)，挑戰(zhàn)就來(lái)了。而且模型需要長(zhǎng)時(shí)間的訓(xùn)練，獲得一個(gè)完全標(biāo)記的數(shù)據(jù)集的成本可能非常高昂，更不用說(shuō)標(biāo)簽錯(cuò)誤將給您的產(chǎn)品可行性帶來(lái)巨大影響。

以下是應(yīng)采取的做法：首先進(jìn)行合理的假設(shè)，然后與各種協(xié)作者對(duì)這些假設(shè)進(jìn)行討論。這些假設(shè)通常應(yīng)采用的格式為：“對(duì)于處于_______情況中的_______用戶，我們假設(shè)他們更喜歡_______而不是_______?！比缓螅M快將這些假設(shè)置于使用最頻繁的原型里，以開(kāi)始收集反饋并進(jìn)行迭代。

聘請(qǐng)可以充當(dāng)機(jī)器學(xué)習(xí)最佳老師的專(zhuān)家，即具有您嘗試預(yù)測(cè)的相關(guān)領(lǐng)域?qū)I(yè)知識(shí)的人員。我們建議您聘請(qǐng)多名專(zhuān)家，或讓您團(tuán)隊(duì)中的某人作為后備人員擔(dān)任該職位。在我們團(tuán)隊(duì)，我們稱(chēng)這些人為“內(nèi)容專(zhuān)家”。

此時(shí)，您將會(huì)確定哪些假設(shè)看起來(lái)更加“真實(shí)”。然而，在您開(kāi)始大規(guī)模收集數(shù)據(jù)和進(jìn)行標(biāo)記之前，您需要使用由內(nèi)容專(zhuān)家從真實(shí)的用戶數(shù)據(jù)中挑選的示例進(jìn)行關(guān)鍵的第二輪驗(yàn)證。用戶應(yīng)測(cè)試一個(gè)高保真的原型，并知道自己正與一個(gè)合法的人工智能交互（根據(jù)上面的第 3 點(diǎn)）。

通過(guò)實(shí)操驗(yàn)證，讓您的內(nèi)容專(zhuān)家針對(duì)您希望您的人工智能生成的內(nèi)容創(chuàng)建大量手工設(shè)計(jì)的示例組合。這些示例將為您提供一個(gè)數(shù)據(jù)收集路線圖、一套用于開(kāi)始訓(xùn)練模型的強(qiáng)大標(biāo)簽集，以及一個(gè)用于設(shè)計(jì)大規(guī)模標(biāo)記協(xié)議的框架。

7. 拓展您的用戶體驗(yàn)系列，機(jī)器學(xué)習(xí)是一個(gè)創(chuàng)造性過(guò)程

考慮您作為一個(gè)用戶體驗(yàn)設(shè)計(jì)者所收到的最糟糕的微觀管理“反饋”。您能想象一個(gè)人靠在您的肩膀上，然后您每動(dòng)一下就對(duì)您吹毛求疵嗎？好，現(xiàn)在繼續(xù)在您的頭腦中想象該畫(huà)面，您一定不想遇到這樣的人，您的工程師也是。

有許多潛在的方法都可以應(yīng)對(duì)機(jī)器學(xué)習(xí)挑戰(zhàn)，因此，作為一個(gè)用戶體驗(yàn)設(shè)計(jì)者，太過(guò)規(guī)范化或進(jìn)度太快可能導(dǎo)致過(guò)程意外地停頓，從而削弱了您的工程師同事的創(chuàng)造力。相信他們的直覺(jué)，并鼓勵(lì)他們進(jìn)行實(shí)驗(yàn)，即使在完整評(píng)估框架到位之前他們可能對(duì)通過(guò)用戶進(jìn)行測(cè)試猶豫不決。

與我們平常習(xí)慣的過(guò)程相比，機(jī)器學(xué)習(xí)是一個(gè)更具創(chuàng)造力和表現(xiàn)力的工程過(guò)程。訓(xùn)練模型的過(guò)程很緩慢，并且可視化工具還不是很出色，因此，工程師最后在調(diào)整算法時(shí)，經(jīng)常需要靠想象力（甚至有一種稱(chēng)為“主動(dòng)學(xué)習(xí)”的方法，手動(dòng)“調(diào)整”每次迭代后的模型）。您的工作是在此過(guò)程中幫助他們做出卓越的以用戶為中心的選擇。

與工程師、產(chǎn)品設(shè)計(jì)師等合作，以整合出恰當(dāng)?shù)捏w驗(yàn)。

因此，可以通過(guò)示例——?decks、個(gè)人經(jīng)歷、視頻、原型、來(lái)自用戶研究的剪輯、作品等啟發(fā)工程師，讓他們觀看和感受什么是出色的體驗(yàn)，熟悉用戶研究目標(biāo)和結(jié)果，并禮貌地請(qǐng)他們加入精彩的 UX crits 世界和研討會(huì)，向他們介紹設(shè)計(jì)沖刺哲學(xué)，以幫助他們更深入地理解您的產(chǎn)品原則和體驗(yàn)?zāi)繕?biāo)。工程師越早適應(yīng)迭代，機(jī)器學(xué)習(xí)管道的穩(wěn)健性就越好，您就越能有效地影響產(chǎn)品。

結(jié)論

以上就是我們?cè)?Google 設(shè)計(jì)產(chǎn)品時(shí)與團(tuán)隊(duì)強(qiáng)調(diào)的七個(gè)觀點(diǎn)。我們希望它們能幫助您思考您自己基于機(jī)器學(xué)習(xí)的產(chǎn)品。隨著機(jī)器學(xué)習(xí)開(kāi)始支持越來(lái)越多的產(chǎn)品和體驗(yàn)，讓我們堅(jiān)守以人為中心的責(zé)任，為人們提供獨(dú)特價(jià)值和卓越的體驗(yàn)。