A interseção de IA e design é única: de um lado estão as matrizes de dados e os robôs Ex Machina sendo programados às 3 da manhã e, do outro, estão as teorias de cores e os modelos de interface do usuário sendo elaborados no Figma.

No passado, esses dois campos eram considerados separados. No entanto, se a última década de produtos baseados em ML nos ensinou alguma coisa, é que o aprendizado de máquina está se tornando cada vez mais multidisciplinar. Em seu artigo sobre design de experiência na era do aprendizado de máquina, Fabien Girardin argumenta que somos pioneiros em um novo tipo de design , que:

1. Cria novos tipos de experiências de usuário.

2. Redefine a relação entre humanos e máquinas.

3. Solicita uma parceria estreita entre designers e cientistas de dados.

Estamos caminhando para um futuro onde o design e os dados alcançam uma convergência, que orientará como os humanos interagem com a IA como a conhecemos.

Este artigo está dividido em 3 partes — uma visão geral centrada no produto de aprendizado de máquina, um guia sobre como os designers de produto podem identificar problemas de ML e alguns princípios para projetar produtos com tecnologia de ML. Se você já tem um entendimento confortável de ML, sinta-se à vontade para pular para a Parte II :)

Parte I: Um resumo do aprendizado de máquina com foco no produto

Primeiro, vamos recapitular o que realmente é o aprendizado de máquina — é bom esclarecer os primeiros princípios antes de mergulhar em como ele pode ser incorporado aos produtos. Em poucas palavras, o aprendizado de máquina (ML) é um ramo da IA ​​que, como define Arthur Samuel, “dá aos computadores a capacidade de aprender sem ser explicitamente programado”.

O aprendizado de máquina dá aos computadores a capacidade de aprender sem serem explicitamente programados.
— Arthur Samuel (cunhou o termo “aprendizado de máquina” em 1959)

Isso significa que, ao contrário dos programas padrão em que cada etapa deve ser explicitamente codificada (“se ​​isso, então aquilo…”), os algoritmos de ML podem “aprender” as próprias etapas.

Então, como eles aprendem? Com dados. Uma grande parte do aprendizado de máquina são os dados de treinamento que alimentam esses modelos de ML para, bem, treiná-los. Isso é seguido por dados de teste fornecidos para verificar se o modelo realmente aprendeu alguma coisa. Por meio desse processo, os modelos de ML podem adquirir a capacidade de aprender, tomar decisões e melhorar por conta própria.

Existem 3 tipos principais de aprendizado de máquina sendo usados ​​em produtos atualmente — aprendizado supervisionado, não supervisionado e por reforço (vamos deixar outros, como aprendizado semissupervisionado, para outro dia). Vamos mergulhar um pouco mais fundo para ver do que se trata cada um…

Aprendizagem Supervisionada: Previsões

O aprendizado supervisionado envolve essencialmente o uso de dados rotulados que vimos para prever os rótulos de dados não rotulados que não vimos. Pense nisso como prever os rótulos que não conhecemos ou tentar descobrir um valor desconhecido para algum dado.

Dois tipos principais de aprendizado supervisionado são classificação e regressão.

Na classificação , o valor desconhecido que estamos tentando prever é uma categoria (ou seja, uma saída discreta). Digamos que você esteja tentando fazer um computador rotular imagens: é um cachorro ou não é um cachorro? É um ser humano ou uma lâmpada de rua? É um tumor benigno, ou é maligno?

Na regressão , por outro lado, o valor desconhecido que estamos tentando prever é um número (ou seja, uma saída contínua). Qual será o preço de uma casa daqui a 10 anos? Qual é a probabilidade de um evento ocorrer? Qual será a altura de uma árvore dadas suas características agora?

Aprendizagem supervisionada em produtos:

• Recomendação: por exemplo, plataformas sociais como o TikTok recomendam conteúdo que você pode gostar em uma página “Para você”
• Classificação: por exemplo, provedores de e-mail como o Gmail classificam e-mails como spam ou não spam
• Classificação: por exemplo, mecanismos de pesquisa como resultados de pesquisa de classificação do Google ou Yahoo

O aprendizado não supervisionado envolve tentar descobrir a “estrutura” em uma coleção de dados; em outras palavras, estamos tentando descobrir quais são os padrões subjacentes . É particularmente útil quando os dados que temos não são rotulados ou quando não há exatamente uma saída “correta” que esperamos.

Um tipo de aprendizado não supervisionado é o agrupamento . Isso envolve agrupar pontos de dados que são potencialmente semelhantes, criando “aglomerados” de dados que o computador considera intimamente relacionados. Você costuma ver o clustering sendo usado na segmentação de clientes, detecção de fraudes e classificação de documentos.

Aprendizagem não supervisionada em produtos:

• Agrupamento: por exemplo, sites de comércio eletrônico como a Amazon com listas “Outros clientes também compraram…”
• Detecção de anomalias: por exemplo, plataformas como Twitter ou Youtube descobrindo tendências para suas listas de “Tendências”

O aprendizado por reforço envolve aprender a escolher uma ação com base na tentativa e erro. Não há nenhum conjunto de dados existente; em vez disso, um agente precisa coletar seus próprios dados em um ambiente e tomar decisões com base no estado do ambiente e nas “recompensas” ou “punições” de escolhas anteriores.

Pense nisso de forma semelhante à forma como os humanos aprendem: temos algumas ações para escolher, mas não sabemos ao certo o que acontecerá com cada ação, então escolhemos com base em nossa limitada experiência passada. Recebemos uma recompensa positiva por escolher boas ações e recompensas negativas por escolher ações ruins, o que informa como tomaremos nossa próxima decisão.

Embora o aprendizado por reforço seja menos amplamente visto em produtos convencionais, ele causou sensação no mundo real, desde estar atrás de computadores jogando Go ( AlphaGo Zero ) até treinar carros autônomos em tarefas como otimização de trajetória e planejamento de movimento.

Parte II: O que o design pode fazer pelo aprendizado de máquina?

Design de produto: o início do processo de desenvolvimento de ML

Para projetar experiências do usuário para produtos de ML, você deve primeiro entender a base do problema que precisa ser resolvido. Observe como a primeira etapa no diagrama acima é o design do produto. Você precisa conhecer o problema antes de focar nos dados, e o design do produto é parte integrante disso: a interação entre o usuário e o produto é onde o problema deve ser resolvido, então o design dessa interação é fundamental.

Os membros da equipe técnica que estão trabalhando no produto ML se concentrarão em tarefas como análise de dados, engenharia de recursos, prevenção de overfitting e otimização de algoritmos. No entanto, os membros da equipe de produto precisam se concentrar em organizar as necessidades e a visão de um produto. Como Neal Lathia escreveu em um artigo, isso inclui fazer perguntas como: O ML se encaixa no objetivo do produto? Como o produto se comporta em torno do ML? Quais interações, ações e controle os usuários têm? E como o produto poderia falhar catastroficamente?

O design torna a IA mais inteligente

Se ainda não é óbvio, os modelos de aprendizado de máquina adoram dados - eles se alimentam de muitos deles para aprender. Assim, nossas previsões só podem ser tão boas quanto os dados que temos. Indiscutivelmente, a etapa mais crítica do pipeline de aprendizado de máquina é a coleta de dados de treinamento que influenciarão o modelo de ML — sem bons dados de treinamento, o modelo não pode fazer boas previsões. É aqui que entra o design.

Os designers ajudam a inteligência artificial a coletar dados melhores para entender as entradas do usuário. Na maioria das vezes, há um conflito entre as informações de que uma IA precisa e as informações que um usuário está disposto a fornecer. Um bom design ajuda a resolver isso criando interfaces que buscam capturar com precisão as preferências do usuário. Isso geralmente envolve a criação de loops de feedback eficientes e eficazes entre a IA e o usuário. Dessa forma, as equipes podem entender melhor a intenção do usuário (quase como ler nas entrelinhas das ações de um usuário) e criar produtos mais inteligentes.

Estabelecendo confiança e clareza

O design pode desempenhar um papel crucial no estabelecimento de confiança entre usuários e produtos de aprendizado de máquina. Uma interface de usuário bem projetada ajuda os usuários a entender como o produto funciona e do que ele é capaz; como resultado, os usuários se sentem mais à vontade para interagir com o produto de uma maneira que ensine melhor a IA (voltando a como um bom design torna a IA mais inteligente). Os designers de produtos precisam se concentrar em ser centrados no usuário e adicionar clareza às interfaces com tecnologia de ML, o que gerará um melhor envolvimento do usuário para coletar os dados que vão para treinar modelos de ML.

A People + AI Research (PAIR) do Google, uma equipe multidisciplinar que explora o lado humano da IA, explica o seguinte:

Como os sistemas orientados por IA são baseados em probabilidade e incerteza, o nível certo de explicação é fundamental para ajudar os usuários a entender como o sistema funciona. Uma vez que os usuários tenham modelos mentais claros das capacidades e limites do sistema, eles podem entender como e quando confiar nele para ajudar a atingir seus objetivos.

— Guia de Pessoas + IA do Google

Em outras palavras, um design de UX bem pensado pode ajudar os usuários a se sentirem mais confortáveis ​​e confiantes em suas interações com produtos de ML; isso será crucial se pretendermos desenvolver um aprendizado de máquina inteligente e preservador da privacidade no futuro.

Parte III: Como projetar produtos baseados em ML

O que é UX Design de Machine Learning (ML UX)?

Intuitivamente, ML UX é a interseção entre IA, design de experiência do usuário e interação humano-computador. Ele combina uma compreensão da inteligência artificial com a capacidade de projetar experiências de usuário intuitivas, eficientes e eficazes. Os designers de ML UX precisam projetar com dados de uma maneira que humanize a IA para trabalhar com humanos - isso inclui projetar interfaces de usuário fáceis de entender e usar, bem como projetar interações e fluxos de trabalho que facilitem a entrada de dados, recebimento de saída e entender os resultados dos modelos de aprendizado de máquina.

Na comunidade do Google UX, há um esforço chamado “aprendizagem de máquina centrada no ser humano” (HCML), que enfatiza a importância de entender como o ML funciona, como os algoritmos podem ser usados ​​para criar experiências de usuário significativas e como projetar para a confiança e a transparência . Vamos considerar alguns princípios básicos para projetar produtos baseados em ML que são informados por HCML e ML UX (esses podem ser bons pontos de referência para equipes de produto ao produzir aprendizado de máquina).

Princípios para projetar produtos baseados em ML

Certifique-se de que está resolvendo um problema humano específico (e real).

Ao projetar sistemas de IA hoje, o foco deve estar na abordagem de um problema ou desafio específico, não sendo pego no hype e burburinho em torno da IA. Pergunte a si mesmo se o ML resolverá o problema de maneira exclusiva – há muitos problemas que podem ser resolvidos da mesma forma (se não mais facilmente) sem o aprendizado de máquina. O aprendizado de máquina centrado no ser humano não é sobre forçar o ML em produtos para fazê-los parecer “inteligentes” ou “pessoais” — é sobre a criação de valor tangível por meio de soluções para problemas humanos. O design do sistema de IA deve refletir claramente esse objetivo de melhorar o valor que ele oferece aos usuários.

Faça as perguntas certas.

O aprendizado de máquina não descobrirá quais problemas resolver. Em vez disso, os itdesigners precisam definir o contexto e o propósito por trás de uma pergunta para aplicar efetivamente o aprendizado de máquina para melhorar a experiência do usuário. Isso significa considerar a complexidade e as nuances da experiência humana. Por exemplo, em plataformas que usam aprendizado de máquina para recomendar conteúdo aos usuários (por exemplo, Spotify, Netflix, Instagram), os designers de produto precisarão fazer perguntas como: O que significa para um usuário gostar de um determinado conteúdo? Como o contexto de um usuário influencia suas decisões de consumo de conteúdo? Quais informações um usuário precisa para fazer uma escolha sobre o conteúdo?

Um bom design de ML não deve atrapalhar.

O design de IA eficaz não deve interferir na experiência do usuário. Os designers de produto devem se concentrar em fazê-lo funcionar de maneira sutil e discreta, fornecendo sinais úteis ou assistência sem interromper a atividade atual do usuário. Um sistema de IA bem projetado deve ser capaz de operar sem problemas em segundo plano, aprimorando a experiência do usuário sem ser intrusivo.

Não se limite ao contexto histórico.

As tendências emergentes de design mostram que o design não precisa ser limitado pelo contexto histórico. Com a introdução de novas tecnologias, é importante que os designers adotem ideias novas e inovadoras, em vez de se ater ao que foi feito no passado. Isso é especialmente importante ao projetar produtos “inteligentes” onde é necessário considerar os potenciais recursos e possibilidades da tecnologia.

Projeto para adaptação futura.

Para melhorar os sistemas de IA ao longo de sua vida útil, os produtos precisam ter interações que facilitem o feedback dos usuários e mostrem os benefícios desse feedback. À medida que os usuários interagem com esses sistemas, eles influenciam as saídas que veem no futuro, o que, por sua vez, afeta suas futuras interações com o sistema. Isso cria um ciclo de feedback no qual o sistema e os usuários estão constantemente se adaptando e se ajustando uns aos outros. Isso ajuda a diferenciar bons produtos de ML dos excelentes — os sistemas de ML mais eficazes evoluem em resposta às interações e feedback do usuário ao longo do tempo.

Conclusão

Design e ML estão em uma relação mutuamente benéfica: usando ML para informar o design do produto e otimizar o processo de desenvolvimento do produto, os designers podem criar produtos melhores que atendam às necessidades e preferências de seus usuários; ao mesmo tempo, um bom design de produto pode ajudar a tornar o aprendizado de máquina mais acessível e fácil de usar, potencialmente impulsionando a inovação e o progresso no campo.

Harry West, CEO da Frog, argumenta em um artigo recente :

“O design centrado no ser humano se expandiu do design de objetos (design industrial) para o design de experiências (adicionando design de interação, design visual e design de espaços) e o próximo passo será o design do comportamento do sistema: o design de os algoritmos que determinam o comportamento de sistemas automatizados ou inteligentes. …O desafio para os designers é vincular a codificação dos algoritmos às experiências que eles permitem.”

Assim, ao criar produtos intuitivos e fáceis de usar, os designers de produtos podem ajudar os usuários a aproveitar ao máximo seus produtos baseados em aprendizado de máquina e aumentar a probabilidade de continuarem a usá-los. E quem sabe - talvez um dia teremos um algoritmo de aprendizado de máquina que pode projetar a conclusão inteligente perfeita para este artigo.

Fontes e Leitura Adicional

• Design de Produtos de Inteligência Artificial (Jeffrey Chou): A nota da aula de Design de Produtos de Inteligência Artificial ensinada por John Zimmerman na Carnegie Mellon University
• ML + Design : uma coleção de recursos para a interseção de design, experiência do usuário, aprendizado de máquina e inteligência artificial
• Guia People + AI (Google)
• Quando o design encontra o aprendizado de máquina — Lalo Martínez (Figma Global Design Conference)
• Aprendizado de máquina para gerentes de produto: uma visão geral centrada no produto do aprendizado de máquina (Neal Lathia)
• Design e aprendizado de máquina (Matthew Ström)
• Três princípios para projetar produtos baseados em ML (Spotify Design)
• Design torna a IA mais inteligente (Elaine Lee)
• Design de experiência na era do aprendizado de máquina (Fabien Girardin)
• Por que o design é importante para a inteligência artificial? (Laboratórios Goodwork)
• Aprendizado de máquina centrado no ser humano (Equipe de UX do Google)
• O papel do design no aprendizado de máquina (Owen Shoppe)
• O UX da IA ​​(Josh Lovejoy, Google Design)
• O que a IA pode aprender com o design (Molly Wright Steenson, TEDx Carnegie Mellon University)

Ei! Se você é novo aqui, sou um engenheiro de design, escritor e empresário de 17 anos. Atualmente, estou desenvolvendo tecnologia para o espaço AI/ML e Web 3.0 enquanto cofundo uma startup. Anteriormente, criei um aplicativo de IA premiado pelo Congresso dos EUA, publicado no New York Times e ganhei o World Series of Innovation para minha startup fintech.

Para qualquer pergunta, feedback e pensamentos, sinta-se à vontade para entrar em contato:
Twitter • LinkedIn • Site • Instagram