Experimente el diseño en la era del aprendizaje automático

Notas para diseñadores y científicos de datos que crean juntos sistemas que aprenden del comportamiento humano.

1. Introducción

Tradicionalmente, la experiencia de un servicio digital sigue viajes de usuario predefinidos con estados y acciones claros. Hasta hace poco, el trabajo del diseñador era crear estos flujos de trabajo lineales y transformarlos en experiencias comprensibles y discretas. Esta es la historia de cómo está cambiando esa práctica.

Durante los últimos 6 meses, he estado trabajando en una posición bastante única en BBVA Data & Analytics (D&A), un centro de excelencia en análisis de datos financieros. Mi trabajo es hacer que el diseño de las experiencias de los usuarios alcance una nueva frontera con la aparición de técnicas de aprendizaje automático. Mi responsabilidad, entre otras cosas, es llevar un diseño de experiencia integral a los equipos de científicos de datos y convertirlo en una parte esencial del ciclo de vida de las soluciones algorítmicas (por ejemplo, modelos predictivos, sistemas de recomendación). Paralelamente, realizo revisiones creativas y estratégicas de experiencias que producen los equipos de diseño (por ejemplo, banca en línea, compras en línea, toma de decisiones inteligentes) para dirigir su evolución hacia un futuro de "inteligencia artificial". Prácticamente, fomento las alianzas entre equipos de diseñadores y científicos de datos para visualizar experiencias deseables y factibles basadas en datos y algoritmos.

Juntos estamos definiendo un tipo diferente de diseño de experiencia con sistemas que aprenden de los comportamientos humanos. Creo que esta es una práctica nueva porque:

1. Crea nuevos tipos de experiencias de usuario.
2. Redefine la relación entre humanos y máquinas.
3. Solicita una estrecha asociación entre diseñadores y científicos de datos.

Permítanme describir cada una de estas implicaciones.

2. Los nuevos tipos de experiencias de usuario

Hoy en día, el diseño de muchos servicios digitales no solo se basa en la manipulación de datos y el diseño de la información, sino también en sistemas que aprenden de sus usuarios. Si abriera el capó de estos sistemas, vería que los datos de comportamiento (por ejemplo, interacciones humanas, transacciones con sistemas) se alimentan como contexto a algoritmos que generan conocimiento. Una interfaz comunica ese conocimiento para enriquecer una experiencia. Idealmente, esa experiencia busca acciones explícitas del usuario o eventos implícitos del sensor para crear un ciclo de retroalimentación que alimente el algoritmo con material de aprendizaje.

Déjame darte un ejemplo práctico. ¿Sabes cómo funciona Spotify Discovery Weekly?

Discovery Weekly es el "motor de datos" de recomendaciones musicales automáticas de Spotify que ofrece dos horas de recomendaciones musicales personalizadas, diseñadas específicamente para cada usuario de Spotify todos los lunes.

Spotify Discovery Weekly explicado. Esquema adaptado de La magia que hace que las listas de reproducción Discover Weekly de Spotify sean tan buenas.

El sistema de recomendaciones de Discover Weekly aprovecha las millones de listas de reproducción que crean los usuarios de Spotify. Da peso adicional a las propias listas de reproducción de expertos de la compañía y a las que tienen más seguidores. El algoritmo intenta aumentar los hábitos de escucha de una persona con aquellos con gustos similares. Lo hace en tres tareas principales:

  1. Por un lado, Spotify crea un perfil del gusto individualizado de cada usuario en la música, agrupado en grupos de artistas y microgéneros.
  2. Por otro lado, Spotify usa el billón de listas de reproducción para construir un modelo de toda la música que conocen sobre la base de todas las canciones que las personas agrupan en listas de reproducción.
  3. Cada semana conecta el conocimiento de la música creada con el perfil de gusto personal de cada usuario. Básicamente, si una canción favorita tiende a aparecer en las listas de reproducción junto con una tercera canción que no se escuchó antes, sugerirá esa nueva canción.

Una lista de reproducción típica de Discover Weekly recomienda 30 canciones, un conjunto lo suficientemente grande como para descubrir música que coincida con un gusto personal, entre otros falsos positivos. Esa experiencia provoca la curación de miles de nuevas listas de reproducción que se retroalimentan en el algoritmo una semana después para generar nuevas recomendaciones.

Estos mecanismos de bucle de retroalimentación generalmente ofrecen formas de personalizar, optimizar o automatizar los servicios existentes. También crean oportunidades para diseñar nuevas experiencias basadas en recomendaciones, predicciones o contextualizaciones. En D&A, se me ocurrió una primera lista no completa. Aquí hay un recorrido:

2.1. Diseño para descubrimiento

Hemos visto que los sistemas de recomendación ayudan a descubrir lo desconocido desconocido o incluso lo desconocido. Por ejemplo, Spotify ayuda a descubrir música a través de una experiencia personalizada definida en la coincidencia entre un comportamiento de escucha individual y el comportamiento de escucha de cientos de miles de otras personas. Ese tipo de experiencia tiene al menos tres grandes desafíos de diseño.

Primero, los sistemas de recomendación tienden a crear una "burbuja de filtro" que limita las sugerencias (por ejemplo, productos, restaurantes, noticias, personas con las que conectarse) a un mundo que está estrictamente vinculado a un perfil basado en comportamientos pasados. En respuesta, los científicos de datos a veces deben ajustar sus algoritmos para que sean menos precisos y agregar una dosis de aleatoriedad a las sugerencias.

En segundo lugar, también es una buena práctica de diseño dejar una puerta abierta para que los usuarios modifiquen aspectos de su perfil que influyen en el descubrimiento. Llamaría a esa característica "desintoxicación de perfil". Amazon, por ejemplo, permite a los usuarios eliminar elementos que pueden influir negativamente en las recomendaciones. Imagine que los clientes compran regalos para otros y que esos regalos no son necesariamente materiales para futuras recomendaciones personalizadas.

Finalmente, las organizaciones que dependen de recomendaciones subjetivas como Spotify ahora reclutan humanos para dar más subjetividad y diversidad a la música sugerida. Este enfoque de usar humanos para limpiar conjuntos de datos o mitigar las limitaciones del algoritmo de aprendizaje automático se denomina comúnmente "Computación humana" o "Aprendizaje automático interactivo" o "Retroalimentación de relevancia".

2.2. Diseño para toma de decisiones.

Los datos y algoritmos también proporcionan medios para personalizar la toma de decisiones. Por ejemplo, en D&A desarrollamos técnicas avanzadas para asesorar a los clientes de BBVA sobre sus finanzas.

Por ejemplo, consideramos la evolución temporal de los saldos de cuentas para segmentar comportamientos de ahorro. Con esa técnica, podemos personalizar las oportunidades de inversión de acuerdo con la capacidad de cada cliente para ahorrar dinero.

Este tipo de algoritmos que conduce a la toma de decisiones necesita aprender a ser más preciso, simplemente porque a menudo se basan en conjuntos de datos que solo dan una perspectiva de la realidad. En el caso de la asesoría financiera, un cliente podría operar múltiples cuentas con otros bancos evitando una visión clara sobre los comportamientos de ahorro. Resultó ser una buena práctica de diseño permitir a los usuarios informar implícita o explícitamente sobre información deficiente. Es responsabilidad del científico de datos expresar los tipos de comentarios que enriquecen sus modelos y el trabajo del diseñador para encontrar formas de hacerlo parte de la experiencia.

2.3. Diseño para la incertidumbre.

Tradicionalmente, el diseño de programas de computadora sigue una lógica binaria con un conjunto finito explícito de estados concretos y predecibles traducidos en un flujo de trabajo. Los algoritmos de aprendizaje automático cambian esto con su lógica difusa inherente. Están diseñados para buscar patrones dentro de un conjunto de comportamientos de muestra para aproximar probabilísticamente las reglas de estos comportamientos (ver Aprendizaje automático para diseñadores de Patrick Hebron para una introducción más detallada del tema). Este enfoque viene con un cierto grado de imprecisión y comportamientos impredecibles. A menudo devuelven información sobre la precisión de la información proporcionada.

Las hermosas costuras del algoritmo Kayak Price Trend con un nivel de confianza para el aviso de compra

Por ejemplo, la plataforma de reservas Kayak predice la evolución de los precios de acuerdo con el análisis de los cambios en los precios históricos. Su algoritmo de "farecasting" está diseñado para devolver la confianza sobre si es un momento favorable para comprar un boleto (ver Neal Lathia The Machine Learning Behind Farecast). Un científico de datos está naturalmente inclinado a medir la precisión con que el algoritmo predice un valor: "Predecimos que esta tarifa será x". Esa "predicción" es, de hecho, una información basada en tendencias históricas. Sin embargo, predecir no es lo mismo que informar, y un diseñador debe considerar qué tan bien dicha predicción podría respaldar una acción del usuario: “¡Compre! es probable que esta tarifa aumente ". Lo 'probable' con una visión general de la tendencia de los precios es un ejemplo de una "costura hermosa" en la experiencia del usuario, una noción acuñada por Mark Weiser en el momento del Centro de Investigación Xerox Palo Alto y desarrollada por Chalmers y MacColl como costosa diseño:

"El diseño costoso implica revelar costuras deliberadamente a los usuarios y aprovechar las características que generalmente se consideran negativas o problemáticas".

El diseño atractivo se trata de explotar fallas y limitaciones para mejorar la experiencia. Se trata de mejorar el sistema que permite a los usuarios informar sobre recomendaciones deficientes. DJ Patil describe técnicas sutiles en Data Jujitsu.

Otros tipos de algoritmos de aprendizaje automático comunican las costuras con puntajes de precisión y recuperación.

  • La puntuación de precisión comunica la capacidad de proporcionar un resultado que coincida exactamente con lo que se desea.
  • El puntaje de retiro comunica la capacidad de proporcionar un amplio conjunto de posibles buenas recomendaciones.

Lo ideal para un algoritmo es entregar puntajes de alta precisión y recuperación. Desafortunadamente, la precisión y el recuerdo a menudo funcionan uno contra el otro. En muchos sistemas de análisis de datos, a menudo es necesario tomar decisiones de diseño con el equilibrio entre precisión versus recuperación. Por ejemplo, en Spotify Discovery Weekly, se tuvo que tomar una decisión de diseño para definir el tamaño de las listas de reproducción de acuerdo con el rendimiento del sistema de recomendación. Una gran lista de reproducción resalta la confianza de Spotify para entregar un inventario bastante grande de 30 canciones, un conjunto lo suficientemente amplio como para aumentar las oportunidades para que los usuarios encuentren recomendaciones perfectas.

2.4. Diseño para compromiso

Hoy, lo que leemos en línea se basa en nuestros propios comportamientos y los comportamientos de otros usuarios. Los algoritmos generalmente puntúan la relevancia del contenido social y de noticias. El objetivo de estos algoritmos es promover el contenido para un mayor compromiso o enviar notificaciones para crear hábitos. Obviamente, estas acciones tomadas en nuestro nombre no son necesariamente para nuestro propio interés.

En la economía de la atención, tanto los diseñadores como los científicos de datos deberían aprender de las ansiedades, obsesiones, fobias, estrés y otras cargas mentales de los humanos conectados. Fuente: La Aldea Global y sus molestias. Foto cortesía de Nicolas Nova.

Podría decirse que ingresamos a la economía de la atención, y los principales servicios en línea están luchando para enganchar a las personas, captar su atención el mayor tiempo posible. Su negocio es mantener a los usuarios activos tanto tiempo como sea posible en sus plataformas. Esto lleva al desarrollo de experiencias pegajosas y necesitadas que a menudo juegan con emociones como Fear of Missing Out (FoMO) u otras obsesiones para drogar el compromiso del usuario.

Los actores de la economía de la atención también utilizan técnicas que promueven la adicción, como las recompensas de horario variable. Son exactamente los mismos mecanismos que los utilizados en las máquinas tragamonedas. La experiencia resultante promueve el interés del servicio (el casino) enganchando a las personas que buscan sin cesar la próxima recompensa. Nuestros teléfonos móviles se han convertido en esas máquinas tragamonedas de notificaciones, alertas, mensajes, retweets, me gusta, que algunos de nosotros revisamos en promedio 150 veces por día, si no más. Hoy en día, el diseñador puede usar datos y algoritmos para explotar las vulnerabilidades cognitivas de las personas en su vida cotidiana. Ese nuevo poder plantea la necesidad de nuevos principios de diseño en la era del aprendizaje automático (ver Aaron Weyenberg La ética del buen diseño: un principio para la era conectada).

Sin embargo, la experiencia diseñada con algoritmos de aprendizaje automático no necesita ser la de un casino.

2.5. Diseñe para el tiempo bien empleado

Hay oportunidades para diseñar una experiencia radicalmente diferente al compromiso. De hecho, una organización como un banco tiene la ventaja de ser un negocio que funciona con datos y no necesita que los clientes pasen la mayor cantidad de tiempo con sus servicios. El movimiento Tristan Harris Time Well Spent es particularmente inspirador en ese sentido. Promueve el tipo de experiencia que usa los datos para ser súper relevante o estar en silencio. El tipo de tecnología para proteger el enfoque del usuario y ser respetuoso con el tiempo de las personas. El Twitter "Mientras estabas fuera ..." es un ejemplo convincente de esa práctica. Otros servicios son buenos para sugerir momentos para relacionarse con ellos. En lugar de medir la retención del usuario, ese tipo de experiencia se centra en la relevancia de las interacciones.

2.6. Diseño para tranquilidad

Los científicos de datos son buenos para detectar comportamientos normales y situaciones anormales. En D&A, estamos trabajando para promover la tranquilidad de los clientes de BBVA con mecanismos que brindan una conciencia general cuando las cosas están bien y que desencadenan información más detallada sobre situaciones anormales. En términos más generales, creemos que la generación actual de aprendizaje automático aporta nuevos poderes a la sociedad, pero también aumenta la responsabilidad de sus creadores. Existe sesgo algorítmico y puede ser inherente a las fuentes de datos. En consecuencia, existe una necesidad particular de hacer que los algoritmos sean más legibles para las personas y auditables por los reguladores para comprender sus implicaciones. En la práctica, esto significa que el conocimiento que produce un algoritmo debe salvaguardar el interés de sus usuarios y deben explicarse los resultados de la evaluación y los criterios utilizados.

Otros terrenos relacionados del diseño de experiencia son:

  • Diseño para la equidad
  • Diseño para conversacion
  • Diseño para automatizacion

Y probablemente muchos más.

3. La nueva relación entre humanos y máquinas.

En la sección anterior, hemos visto que las experiencias impulsadas por el aprendizaje automático no son lineales ni se basan en reglas estáticas de negocios y diseño. Evolucionan de acuerdo con los comportamientos humanos con modelos de actualización constante alimentados por flujos de datos. Cada producto o servicio se vuelve casi como una cosa viva y que respira. O como diría la gente de Google: "Es un tipo diferente de ingeniería". Yo diría que también es un tipo diferente de diseño. Por ejemplo, Amazon explica la capacidad mental de Echo como algo que "continuamente aprende y agrega más funcionalidad con el tiempo". Esta descripción destaca la necesidad de diseñar la experiencia para que los sistemas aprendan del comportamiento humano.

El diseño para máquinas para aprender. Imagen inspirada en Mike Kuniavsky: La experiencia de usuario del comportamiento predictivo para el IoT.

En consecuencia, más allá de considerar el primer contacto y la experiencia de incorporación, ese tipo de producto o servicio requiere consideraciones sobre su uso después de 1 hora, 1 día, 1 año, etc. Si mira el video promocional del sensor de jardín Edyn, notará la evolución de la experiencia, desde la creación de nuevos hábitos para cuidar un jardín hasta la comunicación de incógnitas desconocidas sobre las plantas, transmitir tranquilidad sobre las métricas clave y garantizar el tiempo bien empleado con algún nivel de automatización del riego.

Ese tipo de producto de datos requiere un diseño responsable que considere los momentos en que las cosas comienzan a decepcionar, avergonzar, molestar o dejar de funcionar o ser útiles. El diseño de la "experiencia de incorporación" podría llegar a ser casi tan importante como la "experiencia de incorporación". Por ejemplo, supuestamente un tercio de los usuarios de Fitbit dejan de usar el dispositivo dentro de los 6 meses. ¿Qué les sucede a estos millones de objetos conectados abandonados? ¿Qué sucede con los datos y la inteligencia sobre el individuo que produjeron? ¿Cuáles son las oportunidades para usarlos en diferentes experiencias?

Los productos caracterizados por una experiencia que evoluciona de acuerdo con los datos de comportamiento que alimentan constantemente los algoritmos (por ejemplo, Fitbit) son productos vivos que inevitablemente también tienden a morir. Fuente: La vida y muerte de los productos de datos. Consulte también Comprender el ciclo de vida de las experiencias de servicio de Megan Erin Miller.

Hay nuevas formas de imaginar la relación después de una ruptura digital con un producto. Los servicios digitales funcionan en un ecosistema cada vez más vasto de cosas y canales, pero los datos de los usuarios tienden a ser más centralizados. Piense en la noción de reputación portátil que permite a las personas usar un servicio basado en la relación medida con otro servicio.

Mirando un poco más hacia el futuro cercano, el reciente avance en el procesamiento del lenguaje natural, la representación del conocimiento, el reconocimiento de voz y la producción del lenguaje natural podría crear relaciones más sutiles y más fuertes con las máquinas. En unas pocas iteraciones, Amazon Echo podría comenzar a ser mucho más enriquecedor. Una evolución potencial que el antropólogo Genevieve Bell prevé un cambio de las interacciones hombre-computadora a las relaciones hombre-computadora en La próxima ola de IA está enraizada en la cultura y la historia humanas:

“Entonces, el marco no se trata de recomendaciones, que es donde se encuentra gran parte de la IA ahora, sino que realmente se trata de cuidar y cuidar. Si se convierten en palabras de moda, entonces te sientas en este momento muy interesante de poder pasar de hablar sobre las interacciones humano-computadora a las relaciones humano-computadora ".
- Genevieve Bell

En esta sección hemos visto que los algoritmos se están acercando a nuestra vida cotidiana y que los datos proporcionan un contexto para una relación en evolución. Las implicaciones de esa evolución requieren una colaboración más intensa entre el diseño y la ciencia de datos.

4. La asociación entre diseñadores y científicos de datos.

Mi experiencia hasta ahora imaginando experiencias con datos y algoritmos muestra que es una práctica diferente del diseño actual centrado en el ser humano. En D&A, el papel de los científicos de datos se ha elevado del modelo reactivo y los desarrolladores de pruebas A / B a socios proactivos que piensan en las implicaciones de su trabajo. Nuestros singulares equipos de ciencia de datos se dividen en sub-equipos que se asocian más directamente con ingenieros, diseñadores y gerentes de producto.

Cuando el diseño se encuentra con la ciencia

En el momento de dar forma a una experiencia, explotamos datos densos, la información cualitativa que proporciona información sobre la vida de las personas (ver Tricia Wang por qué Big Data necesita datos gruesos), datos grandes de los datos de comportamiento agregados de millones de personas y los datos pequeños que cada individuo genera.

Clásicamente, los diseñadores se centran en definir la experiencia del servicio, característica o producto. Anidan el concepto dentro del ecosistema más grande que se relaciona con él. Los científicos de datos desarrollan los algoritmos que respaldarán esa experiencia y la medirán con pruebas A / B.

Las primeras semanas en mi puesto en D&A, encontré que los diseñadores y los científicos de datos a menudo estaban atrapados en intercambios estancados que generalmente sonaban así:

Diseñador: Hola! ¿Qué pueden decirme sus datos y algoritmos?
Científico de datos: Bueno ... ¿Qué quieres saber?

El problema principal era la falta de comprensión compartida de la práctica y los objetivos de cada uno. Por ejemplo, los diseñadores transforman un contexto en una forma de experiencia. Los científicos de datos transforman un contexto con datos y modelos en conocimiento. Los diseñadores a menudo adoptan un camino que se adapta a un contexto cambiante y nuevas apreciaciones. Los científicos de datos emplean procesos similares al diseño de los centros humanos, pero son más mecánicos y menos orgánicos. Siguen estrictamente los métodos científicos con sus procesos cíclicos de refinamiento constante.

Una pregunta de investigación adecuadamente formulada ayuda a definir la hipótesis y los tipos de modelos a desarrollar en la fase de creación de prototipos. Los modelos son los algoritmos que se evalúan antes de que se implementen en producción en lo que llamamos en D&A un "motor de datos". Cuando la experiencia respaldada por el "motor de datos" no funciona como se esperaba, el problema debe reformularse para continuar el proceso cíclico de refinamiento constante.

El método de la ciencia de datos y sus procesos cíclicos de evaluación y refinamiento constantes.

4.1. Los puntos de contacto

El método científico es similar a cualquier enfoque de diseño que forme y haga nuevas apreciaciones a medida que sean necesarias nuevas iteraciones. Sin embargo, no es un proceso abierto. Tiene un comienzo y un final claros, pero no una línea de tiempo definida. El científico de datos Neal Lathia argumenta que "el trabajo interdisciplinario es difícil, hasta que se habla el mismo idioma". Además, creo que los diseñadores y los científicos de datos deben sumergirse en la práctica del otro para construir un ritmo común. Hasta ahora, codifiqué varios puntos de contacto importantes para diseñadores y científicos de datos para producir una experiencia de usuario significativa con algoritmos. Ellos deben:

  1. Cocrear una visión tangible de la experiencia y la solución con prioridades, objetivos y alcance
  2. Evalúe cualquier suposición con ideas de exploración cuantitativa, investigación de escritorio e investigación de campo.
  3. Articular las preguntas clave de la visión y la investigación. ¿El equipo hace las preguntas correctas y son las respuestas que los algoritmos podrían dar?
  4. Comprenda todas las limitaciones del modelo de datos que da respuestas.
  5. Especifique las métricas de éxito para una experiencia deseable y defínalos antes del lanzamiento de una prueba. La fase de validación actúa como punto de parada y debe definirse como parte de los objetivos del proyecto (por ejemplo, mejorar el recuerdo de las recomendaciones en un 5%, detectar el 85% de los clientes que están a punto de incumplir).
  6. Evaluar el impacto del motor de datos en la experiencia del usuario. Como dijo Neal Lathia, es particularmente difícil para los científicos de datos trabajar "fuera de línea" en un algoritmo y medir mejoras que se correlacionarán con mejoras en la experiencia real del usuario.

Esta colaboración entrelazada ilustra un nuevo tipo de diseño que estoy tratando de articular. En un artículo reciente, el CEO de Harry West en frog sugirió el término "diseño de comportamiento del sistema":

“El diseño centrado en el ser humano se ha expandido del diseño de objetos (diseño industrial) al diseño de experiencias (agregando diseño de interacción, diseño visual y diseño de espacios) y el siguiente paso será el diseño del comportamiento del sistema: el diseño de los algoritmos que determinan el comportamiento de los sistemas automatizados o inteligentes "
- Harry West

4.2. Una sociedad basada en la visión.

Hasta ahora he argumentado que las "experiencias de vida" surgen en la encrucijada de la ciencia y el diseño de datos. Un primer paso indispensable para los diseñadores y científicos de datos es establecer una visión tangible y sus resultados (por ejemplo, experiencia, solución, prioridades, objetivos, alcance y conciencia de viabilidad). El director de productos de Airbnb, Jonathan Golden, lo llama un enfoque de gestión de productos basado en la visión:

“La visión de su empresa es cómo quiere que sea el mundo en más de cinco años. Los resultados son los mandatos del equipo que lo ayudarán a llegar allí ”.
- Jonathan Golden

Sin embargo, esa fase de conceptualización requiere que las visiones vivan no solo como cosas perfectas planas para la sala de juntas de PowerPoint. Por lo tanto, uno de mis enfoques es involucrar a la asociación diseño / ciencia para producir Ficciones de diseño. Tiene similitudes con el proceso Working Backwards de Amazon como lo describe su CTO Werner Vogels:

“Comienza con su cliente y avanza hacia atrás hasta llegar al conjunto mínimo de requisitos tecnológicos para satisfacer lo que intenta lograr. El objetivo es impulsar la simplicidad a través de un enfoque continuo y explícito al cliente ".
- Werner Vogels
Pensar al hacer con Design Fiction crea futuros potenciales de una tecnología para aclarar el presente. Esquema inspirado en los futuros conos y Matt Jones: Saltando al final - Ficción de diseño práctico.

Design Fiction tiene como objetivo hacer tangible la evolución de las tecnologías, el lenguaje utilizado para describirlas, los rituales, los momentos mágicos, las frustraciones y por qué no la "experiencia offboarding". Ayuda a las diferentes partes interesadas de un proyecto a involucrarse con preguntas esenciales para comprender qué significa la experiencia deseada y por qué el equipo debe construirla. ¿Cuáles son las implicaciones de comprar ese sensor de jardín de próxima generación? ¿Qué puedes hacer con eso? ¿Qué no tienes permitido hacer? ¿Qué no vas a hacer más? ¿Cómo interactúa un humano con esa tecnología la primera vez, y luego rutinariamente después de un mes, un año o más? Las respuestas creativas y tangibles a estas preguntas pueden cobrar vida incluso antes de que un proyecto comience con la creación de reseñas de clientes ficticias, manuales de usuario, comunicados de prensa y anuncios. Ese material es una forma de traer el futuro al presente o, como decimos en el Near Future Laboratory:

"Las Ficciones de diseño actúan como un tótem para la discusión y evaluación de los cambios que podrían doblegar las visiones de lo deseable y la planificación de lo que es necesario".

En D&A, esto significa que reúno a científicos y diseñadores de datos con el objetivo de crear una visión tangible de su agenda de investigación. Primero, primero mapeamos las líneas de investigación en curso.

Luego proyectamos su evolución en 2 o 3 iteraciones preguntándose: ¿Cómo sería la tecnología resultante potencial? ¿Dónde podría ser usado? ¿Quién lo usaría y para qué tipo de experiencia? Cada participante usa la plantilla de un anuncio ficticio para contar historias con respuestas prácticas a estas preguntas. Juntos los agrupamos en conceptos futuros.

Recopilamos todo el material y promovemos los conceptos más prometedores. Después de eso, compartimos estos resultados internamente en una serie de anuncios en papel y video que describen las principales características, atributos, características de la experiencia desde nuestro punto de vista (lo posible) y el punto de vista del usuario (lo deseable).

Este tipo de material ficticio permite a los diseñadores y científicos de datos sentir y obtener una comprensión práctica de la tecnología y su experiencia. Los resultados ayudan a construir credibilidad, obtener apoyo, contrarrestar el escepticismo, crear impulso y compartir una visión común. Finalmente, la retroalimentación de personas con diferentes perspectivas permite anticipar oportunidades y desafíos.

5. Las características de diseño

En este artículo, he argumentado que, con el avance del aprendizaje automático y la "inteligencia artificial" (IA), es responsabilidad tanto de los diseñadores como de los científicos de datos comprender cómo dar forma a las experiencias que mejoran la vida. O como Greg Borenstein argumenta en Power to the People: cómo un grupo desconocido de investigadores posee la clave para usar la inteligencia artificial para resolver problemas humanos reales:

"Lo que se necesita para la amplia adopción de AI es comprender cómo construir interfaces que pongan el poder de estos sistemas en manos de sus usuarios humanos".
- Greg Borenstein

Ese tipo de diseño del comportamiento del sistema representa un futuro en la evolución del diseño centrado en el ser humano. Hasta ahora en mi viaje de crear experiencias significativas en la era del aprendizaje automático, puedo articular las siguientes características:

Comentarios: los datos son el alma de la experiencia del usuario con sistemas que aprenden. Garantice que los sistemas se alimenten adecuadamente con mecanismos de bucle de retroalimentación cuidadosamente diseñados.
Relación: la combinación de datos y algoritmos de aprendizaje puede desencadenar una evolución de múltiples experiencias. Planifique la relación entre los humanos y la máquina que aprende, por ejemplo, creando hábitos alineados con el interés de las personas, encontrando lo desconocido conocido, descubriendo las incógnitas desconocidas, comunicando una cierta tranquilidad o valorando el tiempo bien empleado. Además, prepare la "experiencia de offboarding" para los momentos en la relación cuando las cosas comienzan a decepcionar, avergonzar, molestar o dejar de funcionar o ser útiles.
Costura: Considere traer a la superficie tanto el poder como las imperfecciones de los algoritmos como parte de la experiencia. Por ejemplo, predecir no es lo mismo que informar y un diseñador debe considerar qué tan bien el nivel de incertidumbre en una predicción podría respaldar la acción de un usuario.

Esta es una transcripción extendida de una charla que di en el evento Design Wednesdaydays en el Centro de Innovación BBVA en Madrid el 21 de septiembre de 2016, publicado originalmente en el blog de BBVA Data & Analytics https://www.bbvadata.com/experience-design- in-the-machine-learning-era /. Muchas gracias al equipo de diseño de BBVA por su invitación y a los asistentes por su interés.

Gracias a Leonardo Baldassini, Neal Lathia y Nicolas Nova por sus comentarios.