广泛应用AI首先需要理解如何构建用户界面，从而将这些系统的强大功能交付给用户。
人与机器之间的新关系
在上一篇文章中，我们会发现机器学习驱动的用户体验不是线性的，也不是基于静态的业务和设计规则的。它们会根据人类行为进行演变，并通过不断变化的数据模型进行更新。每件产品或服务仿佛都有生命一般，就像如谷歌的工作人员说的那样：“ 这是一项与众不同的工程”。
我认为这也是一种与众不同的设计。例如，亚马逊将Echo定义为一台“随着时间的推移不断学习和增加更多功能”的设备，这个描述突出了我们需要为学习人类行为的用户体验系统进行设计的必要性。
机器学习的设计。图像来源：Mike Kuniavsky《物联网的预测行为的用户体验》
因此，除了要考虑首次接触和使用产品的体验之外，对于这类产品或服务而言，设计师同时需要考虑在使用1小时、1天、1年等时间后的体验。
从Edyn花园传感器的宣传视频中，我们可以发现体验随着时间的不断演变：从建立照料花园的新习惯，到显示植物的未知情况，再到表达出对关键指标的信任，最后到保证一定程度的自动化灌溉时的高效时间利用。（注：此处的解释与上一篇文章中提到的机器学习时代用户体验的设计法则内容相呼应）
在设计这类数据产品时，设计师需要考虑各种情况，不光要考虑产品对人有用的情况，同时也要考虑到那些令人失望、尴尬、烦恼或停止工作等情况。
“离线体验（offboarding experience）”的设计可能与“在线体验（onboarding experience）”一样重要。例如，据称有三分之一的Fitbit用户在6个月内停止佩戴该设备。这些数百万个被遗弃的设备会发生什么？它们生成的个人的数据会发生什么变化？有什么机会在不同的用户体验中使用它们？
通过不断向算法提供行为数据来实现演变的产品（例如Fitbit）是不可避免地走向灭亡的产品。资料来源：数据产品的生死攸关。另请参阅Megan Erin Miller《了解服务体验的生命周期》
有一种新的方式可以解决在数字与产品分离之后的出现的问题。数字服务工作在日益庞大的生态系统上，但用户数据往往呈现中心化的趋势。试想一下云信用的概念，它允许人们使用基于与另一种服务之间的关系的来使用其它服务。（注：芝麻信用的模式）
展望不久的将来，自然语言处理、知识表达、语音识别和自然语言生成方面的最新突破可以与机器建立更微妙和更强的关系。在几次迭代中，亚马逊的Echo可能会变得更加智能。人类学家Genevieve Bell预言了一种潜在演变：在AI的下一个浪潮中，人机交互到人机关系的转变是根植于人类文化和历史之中的：
“目前的人机交互框架并不是关于推荐系统的（目前大多数AI产品是这样做），但从根本上来说，其实是关于教育和关怀。如果现在的产品能够向这两个方向靠拢，那么我们就会处在一个从讨论人机交互转向人机关系的非常有趣的时刻。”
—— Genevieve Bell
在本节中，我们会发现算法已经逐渐融入到我们的日常生活中，数据为不断演变的关系提供了支撑。这种演变需要设计师和数学家之间密切合作。
设计师和数据学家之间的合作关系
通过目前的工作经验来展望数据和算法的用户体验，我发现它跟目前以人为中心的设计的做法是不同的。在D＆A，数据学家的角色已经从反应模型和A / B测试开发人员提升为积极的合作伙伴，他们会思考工作的意义。我们的数据科学团队已经变成了直接与工程师、设计师和产品经理合作的团队。
当设计符合科学
在塑造体验的时候，我们会利用thick data和定性信息，来思考对人们生活的洞察（注：thick data为定性研究的相关信息，参见： 为什么大数据需要thick data），大数据来源于数以百万计的人的行为数据集合以及每个个体生成的“small data”。
传统上，设计师专注于从服务、功能或产品来定义体验。他们将这个概念融入到与之相关的更大的生态系统中。数据学家开发的算法将支持这种体验，并通过A / B测试进行评估。
在D＆A工作的头几周里，我发现设计师和数据学家经常陷入僵持的交流中，这种交流通常听起来像这样：
设计师：你好！你的数据和算法可以告诉我什么？
数据学家：呃…你想知道什么？
产生这种情况的主要问题是缺乏对彼此的实践和目标的共同理解。例如，设计师将情境转化为一种体验形式。数据学家将数据和模型的内容转化为知识。设计师经常采用可以适应不断变化的环境和评估方式的设计路径。
数据学家则倾向于采用类似于中心设计的方式，这种方式机械性更强但是灵活性更差。他们会严格遵循科学方法，认为这个方法是一个不断改良的循环过程。
一个恰当的研究问题有助于定义在原型阶段产生的假设和模型类型。这些模型是在产品得以上线生产之前建立起来的评估算法，我们称之为“data engine-数据引擎”。每当“数据引擎”所支持的体验没有达到预期的效果时，就需要经历一个重新构建问题、继续不断细化的循环过程。
数据科学方法及其持续评价和细化的循环过程
接触点
科学的方法和任何设计方法一样，形成、作出新的评估与推进新的迭代都是必要的。然而，这不是一个开放式的过程。它有一个明确的开始和结束，但没有明确的时间表。数据学家Neal Lathia认为，“ 跨学科的工作很难，直到你们使用同一种语言 ”。
另外，我相信设计师和数据学家必须沉浸在对方的实践中才能建立一个共同的节奏。到目前为止，我已经为设计师和数据科学家编写了几个重要的接触点，以便为算法提供有意义的用户体验。它们是：
1、共同创造包含优先事项、目标和范围的体验及解决方案的切实可行的构想
通过定量调查、桌面研究和实地调研的洞察评估任何假设；
2、从愿景和研究中阐明关键问题。这些问题可以是：团队是否提出正确的问题；算法是否可以提供可操作的解决方案
3、了解给出解决方案的数据模型的所有局限性；
4、指定一个理想体验的成功指标，并在测试发布之前对其进行验证评估。验证阶段作为项目的完成点，并且必须将其定义为项目目标的一部分（例如，将建议召回率提高5％，检测到85%的将要违约的客户）；
5、评估“数据引擎”对用户体验的影响。正如Neal Lathia指出的那样，数据学家对算法进行“离线”操作，并且评估与实际用户体验提升相关的改进是非常困难的。
这种相互作用的协作表明了我正在试图阐明的一种新型设计。青蛙设计的CEO-Harry West在最新的一篇文章中提出了“系统行为设计”一词：
“以人为本的设计已经从对象设计（工业设计）扩展到体验设计（增强交互设计，视觉设计和空间设计），下一步将是系统行为设计：决定自动化或智能系统行为的算法的设计“
—— Harry West
愿景驱动的协作关系
到目前为止，我认为“生活体验”是数据科学与设计的交汇点。对于设计师和数据学家来说，不可缺少的第一步是建立一个切实的愿景和结果（如体验、解决方案、优先事项、目标、范围和可行性意识）。Airbnb的产品总监Jonathan Golden称这是一种以愿景驱动的产品管理方法：
“公司的愿景就是你想要这个世界看起来像五年后的样子。团队协作将帮助公司实现这个目标。“
—— Jonathan Golden
然而，这个概念化阶段要求的愿景呈现不仅仅是在董事会议上播放一个完美的ppt。因此，我的方法是聘请设计/科学合作伙伴来设计。它与亚马逊的CTO—— Werner Vogels所描述的“ Working Backwards”相似：
“从客户出发，并“向后”推演工作，直到你实现以最低的技术要求实现想要达到的目标。我们的目标是通过持续、明确的客户关注点来推动精简化。“
—— Werner Vogels
通过与设计故事相结合的思考，创造一种具有潜在未来的技术来述说现在。由 Futures Cones和Matt Jones开发的图表：《跳到最后——实用设计说明》
设计故事的目的是使以下方面有形化，包括：技术的变革，设计语言、仪式、特别的时刻、挫折、“离线体验”等。它有助于项目的不同利益相关者参与到重要问题中，以了解目标体验意味着什么以及团队为什么要共同构建这个体验。
购买下一代Garden Sensor有什么意义？你能用它做什么？你不被允许做什么？你不会再做什么？首次使用人们如何和这个技术进行交互？然后在一个月，一年或者更长的时间里如何进行常规的交互？具有创造性和切实可行的解决办法可能会在项目开始之前就产生，有时甚至从创建虚拟的客户评论、用户手册、新闻稿、广告就开始了。这些材料是将未来带到现实的一种方式，抑或是我们所说的“近未来实验室”：
“设计故事充当了讨论和评估变革的依据，这种变化可能会改变人们所期望的愿景和必要的计划。”
在D＆A，这意味着我通过为数据学家和设计师的研究创建一个切实可行的愿景来将他们紧密团结起来。首先，我们列出正在进行的调研问题。
然后，我们将他们的演变映射到2-3次迭代中，以便了解：技术未来会是什么样的？它可以在什么场景下使用？谁会使用它，以及会是什么类型的体验？每个参与者通过讲故事的方式，使用虚构的广告模板来讲述他们的解决方案。最后将它们归类为未来的概念。
我们收集所有的材料，并推广最有前景的概念。之后，我们在内部通过一系列的文章和视频广告来分享这些成果，这些文章和广告会从我们的观点（可能的）和用户的观点（理想的）来描述体验的主要特点、属性以及性质。
这种类型的虚构材料可以让设计师和数据学家感受并获得对技术和体验的直观理解。这些成果有助于建立声誉、争取支持、回应质疑、创造动力和分享共同的愿景。最后，不同观点的人的反馈可以帮助预测机遇和挑战。
设计特点
在这篇文章中，我认为，随着机器学习和“人工智能”的发展，设计师和数据学家都有责任理解如何塑造改善生活的体验。或者正如Greg Borenstein在《 向用户致敬：一个未知的研究群体如何掌握关键技术来使用人工智能解决真正人类问题》一文中指出的：
“广泛应用AI首先需要理解如何构建用户界面，从而将这些系统的强大功能交付给用户。”
—— Greg Borenstein
这种系统行为设计代表了以人为中心设计变革的未来。到目前为止，我在机器学习时代创造有意义的体验的过程中，发现其具有以下特征：
反馈：数据是行为学习系统的用户体验的生命线。通过精心设计的反馈循环机制，确保系统得到适当的数据补充。
关系：数据和学习算法的结合可以引发多种体验的变革。定义人与机器之间的关系，例如创造符合人们兴趣的习惯、找到已知的未知、发现未知的未知、传达某种内心平和的状态、或者重视时间高效利用。此外，当事情开始变得令人失望、尴尬、烦恼、停止工作或有用时，准备“离线体验”的关键时刻就到来了。
Seamfulness（有缝性）：考虑将算法的能力和缺陷作为体验的一部分。例如，预测与通知不同，设计者必须考虑预测中的不确定性将如何支撑用户行为。
相关阅读
