Хороший UI должен быть удобным и для человека, и для алгоритма.
Дизайнер должен хорошо разбираться в своих материалах. В прошлом это означало понимание нюансов свойств древесины, металлов, печатных машин и, в конечном итоге, пикселей. Современные цифровые дизайнеры должны работать с гораздо более нематериальным материалом — алгоритмами.
Когда-то они были сравнительно простыми наборами правил, которым приложение следовало для выполнения задач, таких как отображение сообщений людей, на которых вы подписаны. Теперь с помощью искусственного интеллекта они превратились в бесконечно сложные фрактальные процессы, зачастую за пределами человеческого понимания.
Ориентированного на пользователя дизайна уже недостаточно, пишет UX Collective. Интерфейсы будущего должны быть простыми для использования людьми и простыми для анализа алгоритмами.
Потребности алгоритмов
Алгоритмы отвечают за бо́льшую часть контента, отображаемого в наших цифровых продуктах: сообщения в социальных сетях, предложения покупок в корзине и рекомендации по фразам в электронных письмах. Им удаётся показать нам, что мы хотим и когда хотим — как полезному помощнику или продавцу в магазине.
Самопровозглашённый «гуманист-технолог» Джон Маэда объясняет их цель в своей последней книге, сравнивая с японским обычаем «омотенаси», — предвосхищать, что хочет покупатель, не спрашивая.
Однако алгоритмы — это не соло. Для достижения успеха они должны гармонично сочетаться с продуманно созданными интерфейсами.
Цель и процесс
Большинство алгоритмов сосредоточено на автоматическом обнаружении закономерностей в данных и последующем предоставлении соответствующих рекомендаций. Этот процесс достигается путём объединения определённого набора данных с измерениями анализа для создания того, что называется моделью. Затем он тренируется, получая всё больше данных, что приводит к совершенствованию теории. Результат часто используется для персонализации продукта — при настройке опыта каждого пользователя.
Больше персонализации в пользовательском опыте обычно означает бо́льшую релевантность для пользователей, что приводит к более высоким коэффициентам конверсии.
Это объясняет, почему данные — это новое золото. Но оригинальность ценностных предложений большинства компаний означает, что надёжный общедоступный набор данных для эффективного обучения их моделей редко бывает в наличии.
Петли обратной связи и сигналы
Чтобы обучить новую модель, многие компании должны действовать так, чтобы превратить свой продукт в механизм сбора данных, который одновременно использует их для самосовершенствования. В этом цикле обратной связи соответствующие действия пользователя отслеживаются как сигналы: нажатие кнопок, жесты или даже полное отсутствие действий.
Тот факт, что пользователь задерживается на определённом изображении дольше, чем остальные, может означать, что он в нём заинтересован. Или тот факт, что он начал что-то печатать, а затем ушёл и оставил поле не до конца заполненным, указывает на сомнения.
Хорошо продуманное взаимодействие интуитивно понятно, но следует отделять сигнал от шума.
Удобный для алгоритмов дизайн
Термин «алгоритм-френдли дизайн» был придуман Юджином Вей, руководителем продуктов, ранее работавшим в Amazon, Hulu и Oculus, для описания интерфейсов, которые эффективно помогают в обучении модели.
Бесчисленное множество взаимодействий, которые существуют исключительно для измерения настроений пользователей, таких как голосование против Reddit или прокрутка карт в Tinder — они бесполезны по отдельности, но очень ценны для алгоритмов.
Инновационный интерфейс TikTok
По мере того, как искусственный интеллект претерпевает головокружительные успехи в соответствии с законом Хуанга, появляются более элегантные дизайнерские решения, развивающие парадигму обеспечения алгоритмической наглядности. Самый мифический алгоритм сегодняшнего дня — TikTok, который использовал свой интерфейс, чтобы быстро получить доступ к пользовательским данным для получения рекомендаций по высококонкурентному контенту. Как это ни парадоксально, но он сделал это, применив один из смертных грехов дизайна: добавив замедление.
Такое дизайнерское решение, как показывать только одно полноэкранное видео за раз, чётко локализует все сигналы о том, как контент был получен. Сравните это с путаницей отвлекающих факторов вокруг контента в ленте Instagram, и легко увидеть разницу в способности собирать достоверные данные, что хорошо видно на примере Instagram Reels.
В большинстве каналов мы можем листать с разной степенью интенсивности, что позволяет нам мгновенно пропускать тонны контента, не сообщая алгоритму — почему. Это делает невозможным следующий анализ:
- Был ли этот контент прокручен слишком быстро, чтобы успеть зацепить?
- Предварительный просмотр был только частично в кадре?
- Был ли отвлекающий контент сверху или снизу?
Ограничение взаимодействия с прокруткой превращаёт её в очень эффективный интерпретатор настроений пользователей. Настоящая прелесть этого решения заключается в его невидимой кнопке отрицательного голоса: смахивание можно считать отрицательным сигналом в сочетании с отсутствием положительного взаимодействия.
Замедление устраняет замедление
Хотя это дизайнерское решение изначально добавляет замедления, со временем становится всё наоборот. Улучшенная персонализация в конечном итоге сокращает количество требуемых повторяющихся действий благодаря повышенному проценту хороших данных. В этом свете традиционный подход на самом деле кажется гораздо более громоздким. Так, на примере Twitter, если бы его алгоритм был настолько умным, чтобы точно знать, что вас интересует, он смог бы отключать темы или блокировать людей основываясь только на вашем поведении, избавив вас от необходимости выполнять эту работу самостоятельно.
Хорошо спроектированный процесс адаптации может легко свести к минимуму ощущение предварительных трений, пока не сработает порог персонализации.
Алгоритмический эффект наблюдателя
Многие с большим подозрением относятся к тому, как приложения злоупотребляют данными и манипулируют поведением. Осведомлённость об алгоритмическом взгляде меняет вовлечённость пользователей: некоторые люди могут нерешительно нажимать определённые кнопки, опасаясь, что их сигналы будут использованы неправильно, в то время как другие могут предпринять лишние действия, чтобы сбить с толку любопытные алгоритмы.
Если пользователи не доверяют продукту, продукт не может доверять своим данным.
Как представить алгоритм
Клифф Куанг, бывший директор по инновациям в продуктах Fast Company, взял интервью у команды Microsoft, ответственной за внедрение ИИ в PowerPoint. Она поделилась ключевой мыслью: «если человек не почувствует какую-то связь с машиной, он никогда не даст ей возможность нормально работать после того, как она сделает хотя бы одну ошибку».
Это понимание пришло из сравнения полностью автономных виртуальных помощников с другими, которых на старте курировали люди — до того, как они начали давать независимые предложения. Оказывается, пользователи доверяют алгоритмическому опыту, который они сами помогают обучать, что имеет большой смысл, потому что наша оценка часто является субъективной, а первоначальные предложения имеют меньше пользовательских предпочтений для обоснования.
Позволяя людям принимать первоначальные решения, мы удовлетворяем их эмоциональные потребности и в то же время даём модели достаточно времени для обучения.
Прозрачность как стратегия
Решение TikTok сделать свои алгоритмические взвешивания общедоступными, добавив количество просмотров к хэштегам и используя челленджи на основе контента — это круто. Это побуждает креаторов, надеющихся получить огромные просмотры, согласовывать свои усилия с возможностями сервиса. Такое поведение когда-то называлось игровым алгоритмом, но успех этой стратегии должен убрать негативность оттенка. Если пользователи охотно сами заполняют пробелы в наборах данных, потому что такова же и их собственная цель, это называется сотрудничеством.
Если алгоритмы чёрного ящика дают нам пузыри фильтров, то, возможно, прозрачные алгоритмы могут их взорвать.
Вывод: алгоритмам по-прежнему нужны люди. Директор Spotify по исследованиям и разработкам Густав Содерстрём поговорил с Лексом Фридманом о том, как определить ожидания пользователей в отношении рекомендаций по песням. Когда люди находятся в режиме открытия (чувствуют себя достаточно смелыми для сомнительных предложений), Spotify использует машинное обучение. Но в контекстах с небольшим допуском на ошибку они по-прежнему полагаются на кураторов-людей, потому что они превосходят алгоритмы. Чтобы масштабировать эти усилия, они разработали симбиотические отношения, названные «алгоритмическими», где алгоритм следует примеру человека — звучит знакомо? Это приятное напоминание о незаменимости человечества.
