Kom godt i gang med UX design til Machine Learning

Den kan hjælpe os med at forudsige brugerhandlinger og brugeradfærd. Machine learning lærer nye løsninger igennem mønstregenkendelse og skaber stærke personlige oplevelser for brugere baseret på deres brugeradfærd – lige fra at finde vej fra a-z, til anbefalinger og søgninger.

Machine learning kan ligeledes hjælpe jer med finde anomalier på jeres platform, det være sig snyd, bedrag, spam eller ekstrem adfærd. Det kan i sidste ende skabe helt nye interaktionsformer på jeres platform, fra chatbots og virtual assistants, til computervision etc.

Machine Learning kan hjælpe os med at forudsige brugerhandlinger og brugeradfærd. Machine learning lærer nye løsninger igennem mønstregenkendelse og skaber stærke personlige oplevelser for brugere baseret på deres brugeradfærd – lige fra at finde vej fra a-z, til anbefalinger og søgninger.

Machine learning kan også hjælpe jer med finde anomalier på jeres platform, det være sig snyd, bedrag, spam eller ekstrem adfærd. Det kan i sidste ende skabe helt nye interaktionsformer på jeres platform, fra chatbots og virtual assistants, til computervision etc.

Det er vigtigt at holde sig for øje, at machine learning er en socio-teknisk udfordring mere end det er en ren teknisk udfordring. Det handler ikke kun om at finde de rigtige svar. Machine learning skal også lære, hvad den skal ignorere, og hvor meget den kan tage fejl for at finde ud af, hvordan den kan være korrekt. Rigtige versus forkerte svar er ikke altid det svar, vi ender ud med i machine learning, oftest er det mere et spørgsmål om kvalificeret gæt og en tilnærmelse af sandfærdigheder.

Forestil dig en sko

Tænk for eksempel på en sko. Forestil dig alle de små detaljer i skoen, og forestil dig nu at du skal lære en maskine, hvad en sko er. Hvad end du måtte have forestillet dig, ser din sko højst sandsynligt anderledes ud end andres første forestillinger.

Disse mentale modeller udsætter vi maskinen for og rammesætter deres læring for. Selv med de bedste intentioner er det umuligt for os at fjerne os selv helt fra vores egen bias. Vi har nemt ved at finde dem i andre, men bliver oftest blind for at se dem i os selv. Dette hedder også blindspot-bias.

Forestil dig en software-udvikler

Et andet eksempel er det som hedder latent-bias. Forestil dig, at du vil lære en maskine, hvordan en software-udvikler ser ud, og du bruger billeder af kendte udviklere fra de tidlige tech-dage til at træne dine modeller. I et sådant scenarie vil du højst sandsynlig ende ud med en overvægt af billeder af mænd, som din model nu vil træne videre.

Netop et sådan scenarie har betydet, at Amazon var tvunget til at lukke ned for deres ansættelses-AI, der anbefalede mandlige kandidater og sorterede kvindelige ansøgere fra.

Hurtigere og flere heste!

Machine learning kan dog ikke lære os, hvilke problemer vi skal løse – endnu. Det er ikke nok, at vi selv synes, der er et problem.

Designere bruger ofte analogien med opfinderen af automobilen, Henry Ford, som gik ud og spurgte folk på gaden, hvad de ønskede af fremtidens transportmidler og alle svarede med det samme: ”Hurtigere heste!”. Hvis du spørger folk, svarer de ud fra deres nuværende kontekst og livssituation, men gemt i deres svar finder vi deres drømme og bekymringer.

Husk at machine learning ikke kan svare på alt

Machine learning er ikke nødvendigvis det rigtige svar til alle disse drømme og bekymringer. Grav dybere ned i, hvilke forventninger og mentale modeller jeres brugere vil bringe med ind i et eventuelt machine learning-system. Beskriv hvordan en af jeres eksperter ville udføre de givne handlinger, I vil optimere på. Hvordan ville I optimere på hvert skridt i ekspertens handlingsmønstre?

Vi skal huske på at vi selv har bias blindspots, og det er derfor vigtigt at inddrage disse brugere og eksperter, for ellers ender vi med at skabe løsninger for alle designere og udviklere i verden.

Hvilke behov jeres brugere præcis har, afhænger af platformen, interaktionsformen, brugergruppen og deres brugskontekst. At vide hvordan jeres brugere benytter jeres produkt i øjeblikket er én ting, men at forstå, hvilke mål de har, er endnu vigtigere. I brugermålene finder I nemlig oftest også formålet bag for brugeradfærden.

Hvordan kan vi designe ML-løsninger, som løbende kan udvikles og forbedres?

Sørg for at opbygge og vedligeholde brugertillid – uden tillid vender brugeren ikke tilbage. Det kan gøres ved at styrke og understøtte brugerens indsigt i systemet, så brugeren kan anskue deres egen rolle og effekt på systemet.

Hvis et ML-systems mål og formål er uigennemsigtige, og hvis brugerens indsigt i, hvordan deres egen rolle i at kalibrere systemet er uklare, vil de mentale modeller, brugeren udvikler ligeledes blive uklare og uigennemsigtige. Modeller som i sidste ende vil understøtte deres trosforestillinger om kunstig intelligens. Dette kan udfordre brugerens tillid til systemet.

Derudover skal I have en klar strategi for, hvordan I vil håndtere fejl – samt falske-positive og falske negative. Alle fejl ser ens ud for ML-systemet, men det gør de ikke for brugeren.

Når ML-systemet designes må I lave nogle bevidste valg i forhold til, om det er vigtigere at få alle rigtige svar med på bekostning af at få flere forkerte svar med, eller om det er vigtigere at minimere mængden af forkerte svar på bekostning af den samlede mængde rigtige svar.

Test tidligt og test ofte på jeres slutbrugere

Løbende test af designet er nødvendigt. Ikke kun så vi har en forståelse af hvilken indflydelse og effekt, den vil have på brugernes hverdag, men også så vi løbende kan justere, hvilke parametre modellerne bygger på.

Prototype og test derfor tidligt og igennem hele processen. Det er bedre at teste på rigtige brugere tidligt end at vente på endelige og færdige ML-modeller.

Der er i vores optik to tilgangsvinkler: Den ene bygger på personlige eksempler fra brugeren. Her lader I slutbrugerne komme ind med data og brug dem i en test. Det kan være deres egne billeder, musik, film eller hvad der nu giver mening i jeres system.

Den anden er en gammel traver med det kære navn Wizard of Oz: Her tester brugerne systemet, men i stedet for at have modeller til at styre algoritmer og output, styres det af et menneske bagved. Ren fokus på designet og brugernes interaktion frem for på systemet selv.

Vær opmærksom på egne forudindtagelser

Hold et vågent øje på forudindtagelser og antagelser i systemet – hvilke brugere står uden for systemet? Hvilke brugere er ikke blevet testet på?

Som designere og udviklere ender vi alle med at blive arbejdsskadet til en vis grad. Vi ender med at få et indforstået perspektiv, et ekspertperspektiv, på verden. Det er derfor vigtigt, at vi betragter vores egne bias som en designudfordring i forhold til machine learning.

Overvej ligeledes, hvordan systemet kan misbruges. Kan det bruges til snyd? Bedrag? Forvirring? Manipulation? Hvordan ville I selv bruge systemet, hvis I træder i bedragerens sko? Utilsigtede konsekvenser er i sidste ende designmuligheder. Som med at alt andet design rammer I højst sandsynligt ikke rigtigt ved første forsøg, så brug de uventede resultater som muligheder til næste iteration.

Hvilken tidsskala ser I ligeledes systemet i? Hvordan ser det ud om 10 år? 20 år? Hvordan vil jeres brugeres udfordringer og behov ud se ud til den tid?

De fleste produkter har en vis naturlig indlæringskurve, men hvis vi også smider hypen om kunstig intelligens og maskinlæring oveni, bliver det i stigende grad nødvendigt at dedikere tid og ressourcer til at reducere det kognitive pres på brugeren. Hjørnestenene i et hvilket som helst design burde derfor være med fokus på brugerkontrol og fortrolighed med systemet.

Åben op for den sorte boks

Ved fx at tillade brugerne at dykke ned under overfladen i systemet og se ind i systemets black box, giver I brugerne mulighed for at slette, restrukturere og tilføje elementer til deres egen oplevelse.

Dette vil betyde, at brugeren ikke alene blive bemyndiget i deres ageren og handling. Brugerne vil også lære mere om softwaren og deres egen rolle i at kalibrere systemet. Derudover vil brugerne få bedre indsigt i, hvilke antagelser algoritmerne bygger på, hvilket i sidste ende kan understøtte og styrke brugertilliden til systemet.

På denne måde åbner vi op for maskinlæringens sande potentiale som designere ved at flytte fokus væk fra udelukkende at gøre maskinen klogere og over imod at udforske, hvordan maskinlæring kan styrke og understøtte menneskelige evner og sociale kontekster.

Det kan på den måde blive et værktøj, som understøtter os i at forstå de adfærdsmønstre, vi selv skaber og de mønstre, vi konstant er omgivet af. Som designere skal vi huske, hvem vi i sidste ende tjener; at finde og løse reelle brugerbehov, at opretholde og designe imod menneskelige værdier og behov.