多年来，用户体验设计师已经精通打造直观、可预测且确定性界面的艺术。用户点击按钮，就会发生一个已知的特定操作。系统逻辑是固定的。然而，机器学习的引入从根本上改变了这种模式。人工智能驱动的产品是概率性的，而非确定性的。它们会学习、适应，有时也会犯错。
这种内在的差异带来了一系列新的设计挑战，单靠传统的用户体验原则是无法解决的。传统的用户体验优先考虑一致性和可预测性，而一个强大的 人工智能用户体验 必须妥善管理不确定性、模糊性和演变。以下是专业化方法至关重要的原因：
- 从确定性到概率： AI 模型无法提供绝对的答案；它们会提供不同置信度的预测。用户界面必须传达这种不确定性，但又不能让用户感到不知所措或失去他们的信任。
- “黑匣子”问题： 用户通常会对不理解的系统保持警惕。如果人工智能在没有解释的情况下推荐产品或操作，可能会让人觉得它很武断，甚至带有操纵性。可解释性是成功的关键 人工智能用户体验.
- 动态和不断发展的界面： 机器学习产品的行为会随着新数据的学习而发生变化。第一天有效的体验，到第一百天可能会有所不同。设计必须考虑到这种持续的适应性。
- 错误风险高： 虽然按钮位置不当会带来不便，但在电子商务中，错误的AI推荐可能会导致销售损失，而在更关键的应用中，后果可能更加严重。设计时务必考虑优雅的故障处理和用户修正，这一点不容妥协。
简单地将旧规则套用到新环境中，只会让用户感到沮丧，最终导致产品失败。我们需要一个专门的框架，将人类置于人工智能学习循环的中心。
以人为本的人工智能产品设计框架
为了打造不仅智能，而且直观、值得信赖且真正实用的人工智能产品，我们需要一种结构化的方法。该框架建立在四大支柱之上，旨在应对机器学习设计的独特挑战。采用这种思维方式是掌握 人工智能用户体验.
支柱一：定义人机交互模型
在编写任何代码或设计任何 UI 之前，最关键的一步是定义用户与 AI 之间的关系。他们将如何协作以实现目标？这不仅关乎 AI 的功能，还关乎它在用户工作流程中的角色。通常，这些交互分为三类：
- 增强： 人工智能充当智能助手，增强用户自身能力。它提供建议，自动执行繁琐的子任务，并提供见解，但最终控制权仍在用户手中。
- 电子商务示例： “完成造型”功能会为用户购物车中的某件衣服推荐搭配单品。用户可自行决定是否添加。
- 营销示例： 人工智能工具（例如 Grammarly 或 Jasper）可以建议更好的措辞或生成广告文案草稿，然后营销人员对其进行完善和批准。
- 自动化： 人工智能接管原本需要手动完成的完整任务或流程。这最适合定义明确、重复性强的任务，因为这些任务出错的成本较低或易于降低。
- 电子商务示例： 根据产品图片自动为目录中的新产品添加颜色、样式和材质等属性的标签。
- 营销示例： 一种根据效果数据实时调整支出的数字广告自动竞价系统。
- 施事者： 人工智能充当主动、自主的代理，根据用户的目标和偏好，代表用户做出决策并采取行动。这种模式需要最高级别的用户信任。
- 电子商务示例： “订阅并保存”程序可自动重新订购产品，并可能根据社区趋势建议更换新的、评价更高的商品。
- 营销示例： CRM 可以主动安排向已经失去联系的潜在客户发送后续电子邮件，而无需销售团队的直接输入。
选择正确的模型是基础。尝试完全自动化一项富有创意且高风险的任务可能会让用户感到沮丧，而仅仅增加一项简单重复的任务又会让人感觉效率低下。最初的决策会影响到后续的每一个选择。 人工智能用户体验 的过程。
支柱二：通过透明度和可解释性培养信任
信任是人工智能的货币。用户不会依赖一个他们认为神秘的“黑匣子”的系统。为了建立这种信任，我们必须优先考虑透明度和可解释性（通常称为XAI，即可解释的人工智能）。
阳光透明 关键在于设定清晰的期望。这意味着要诚实地说明人工智能能做什么、不能做什么。一个透明的系统应该清楚地传达它使用哪些数据以及使用的原因。例如，个性化引擎应该声明它使用浏览历史记录和过去的购买记录来定制推荐。
可解释性 更进一步，提供特定 AI 输出背后的“原因”。这不需要向用户展示复杂的算法，而是提供简单易懂的解释。
- 代替： “您的首选”
- 尝试： “因为您浏览了‘现代主义家具’系列，所以您可能会喜欢这个。”
- 代替： “受众群体优化”
- 尝试： “我们之所以瞄准这个受众群体，是因为他们的参与模式与转化率最高的客户相似。”
有效的可解释性 人工智能用户体验 让系统感觉不像一个神谕，而更像一个乐于助人、逻辑清晰的伙伴。这不仅能建立信任，还能让用户在理解人工智能推理基础后，提供更准确的反馈。
支柱三：为不确定性和失败而设计
在机器学习的世界里，完美只是一种幻觉。模型会犯错，会误解上下文，并给出不理想的结果。以人为本的设计能够预见这一现实，并为用户提供优雅地驾驭它的工具。
主要策略包括：
- 沟通信心水平： 当人工智能做出预测时，它会有一个内部置信度分数。请以直观的方式向用户展示这个分数。这可以是一个简单的“高/中/低置信度”标签，一个颜色编码的指示器，或者是一个更细致的可视化效果，展示多种可能的结果。对于预测营销活动投资回报率的营销工具来说，显示一个范围（“预测投资回报率：5 美元 - 8 美元”）比显示一个单一的、误导性的数字更真实、更实用。
- 提供简单的覆盖： 切勿将用户锁定在人工智能的决策中。始终提供清晰便捷的方法来忽略、编辑或撤消人工智能的操作。电商网站的推荐轮播应该包含“不感兴趣”或“显示其他内容”选项。推荐受众群体的营销自动化工具必须允许营销人员手动添加或删除条件。用户控制至关重要。
- 优雅地失败： 当人工智能的置信度非常低或数据不足时，与其犯错，不如什么都不做。设计一个优雅的“空状态”或默认体验。例如，如果个性化引擎无法做出良好的推荐，它应该默认显示热门畅销产品，而不是随机显示不相关的产品。这是成熟系统的一个微妙但至关重要的方面。 人工智能用户体验.
支柱四：建立持续的反馈循环
AI 模型是一个活生生的实体；只有高质量的数据和反馈才能使其不断改进。用户体验是收集这些关键信息的主要渠道。你的设计应该积极鼓励用户与模型之间持续的对话。
可以通过两种方式收集反馈：
- 明确反馈： 这涉及直接询问用户的意见。典型的例子是点赞/踩按钮、星级评定，或者像“这条建议有用吗？”这样的简短调查问卷。虽然这些机制很有价值，但要注意避免调查疲劳。请谨慎使用这些机制，并用于高影响力的互动。
- 隐性反馈： 这通常更强大，也更具可扩展性。它涉及观察用户的自然行为，以此作为其意图和满意度的代理。用户是否点击了推荐的产品？他们是否接受了AI建议的文本编辑，还是自己输入了？他们是否立即撤消了AI自动执行的操作？每一次这样的交互都是一个数据点，可以用来重新训练和完善模型。
通过设计清晰、无摩擦的反馈机制，您可以创建一个良性循环：用户帮助人工智能变得更智能，作为回报，更智能的人工智能为用户提供更好、更个性化的体验。
整合所有内容：下一个 AI 项目的实用清单
为了将此框架付诸实践，我们提供了一份问题清单，用于指导您的设计和开发流程。这确保了以人为本的方法从一开始就根植于产品之中。
- 问题和角色定义：
- 我们正在利用人工智能解决哪些具体的、明确的用户问题？
- 人工智能的主要角色是什么：增强、自动化还是代理？这个角色是否适合任务的复杂性和风险？
- 我们如何从用户角度（例如节省的时间、更好的结果）和业务角度（例如转化率、参与度）衡量成功？
- 数据与透明度：
- 该模型需要哪些数据才能正常运行？我们如何才能合乎道德地获取这些数据？
- 我们如何清楚、简洁地告知用户有关用于个性化其体验的数据？
- 我们将如何解释人工智能关键输出背后的推理？
- 交互与控制：
- 用户如何与人工智能的输出进行交互？（例如，列表、单一建议、自动操作）。
- 对于用户来说，纠正、忽略或否决人工智能的建议最直观、最直接的方法是什么？
- 界面如何传达人工智能的信心或不确定性程度？
- 反馈与失败：
- 将会采取哪些显性和隐性的反馈机制？
- 如何利用这些反馈来改进模型？
- 什么是“优雅失败”状态？当人工智能可信度低或数据不足时，用户会看到什么？
人工智能的兴起并没有降低用户体验的重要性，反而提升了它的重要性。最成功的人工智能驱动产品并非拥有最复杂算法的产品，而是能够无缝融入用户生活、赢得用户信任并赋能用户更高效地实现目标的产品。 人工智能用户体验 是通向未来的桥梁。
通过超越传统的用户体验范式，拥抱基于清晰的交互模型、彻底的透明度、为缺陷而设计以及持续反馈构建的框架，我们可以揭开人工智能的神秘面纱。我们可以将它从一个令人困惑的黑匣子转变为一个值得信赖的合作伙伴。在 Switas，我们相信这种以人为本的方法，是释放机器学习真正可持续价值的唯一途径，并打造出人们不仅会使用，而且会喜爱的产品。
