I september hade vi på Knowit Experience extra fokus på AI med interna och externa föreläsare, dagliga kunskapstips, labbkvällar mm. I två bloggposter har jag formulerat några av de tankar och insikter jag fick under månaden. Det här är del 2.
Elisabeth Mark,
Design Director & UX Lead på Knowit Experience Stockholm.
Proaktiv design blir den nya standarden
Ett digitalt gränssnitt som förutser användarnas önskemål och tar beslut för dem kan vi kalla för 'proaktiv design'. Det betyder mer arbete för dig som UX-designer och mindre arbete för slutanvändaren. Om vi ber en användare att utföra en uppgift är det inte effektiv användning av deras tid. På samma sätt är det onödigt att fråga någon vad de föredrar när du redan har samlat in den informationen tidigare. Att minska kognitiv belastning är grundtanken i proaktiv design, eftersom det hjälper till att skapa en bättre upplevelse genom att förutse våra användares behov.
Hur hittar vi då förbättringsmöjligheter för en produkt? Det bästa sättet är att förenkla. I stället för att titta på hela användarupplevelsen och försöka rikta allt på en gång, fokusera på hur varje enskilt steg kan förbättras. Tänk på följande för varje steg i flödet:
- Finns det något sätt att göra den här uppgiften enklare för användarna?
- Ger vi användarna för mycket information som kan vara förvirrande?
- Finns det något sätt att undvika att ställa den här frågan i ett formulär och förpopulera den med befintliga data?
- Kan vi föreslå något baserat på tidigare preferenser?
- Kan vi spara lite tid för användaren genom att använda mönster som har skapats tidigare?
- Finns det något extra värde som vi kan lägga till med tanke på användarens agerande i det här steget?
- Hur kan vi förhindra att användaren gör ett misstag här, eller tillhandahålla alternativa alternativ innan misstaget görs?
Dagens användare förväntar sig sömlösa, okomplicerade lösningar anpassat efter deras egna personliga behov och önskemål. Frågan är om du har råd att ignorera proaktiv design?
"Oavsett hur coolt ditt användargränssnitt är, skulle det vara bättre om det fanns mindre av det"
Alan Cooper, programmerare, designer, författare och känd som "The Father of Visual Basic"
Personalisera innehållet med hjälp av AI
Ett sätt att använda maskininlärning är att personalisera en produkt för ett smalt målgruppssegment eller till och med specifika användare. Vi ser det redan i Facebooks nyhetsflöden, Googles sökresultat, rekommendationer från Netflix och Spotify och många andra produkter. Förutom att det lättar på bördan med att filtrera information från användare, blir användarnas koppling till varumärket mer känslomässig när produkten verkar bry sig så mycket om dem.
Ett exempel som jag själv har funderat på är: När jag går in på min matvarubutiks webbplats får jag genast rekommendationer utifrån vad jag handlat tidigare, och under checkouten påminns jag om saker jag kanske glömt – varor jag tidigare handlat, inte bara online utan med mitt betalkort i deras fysiska butik. Men tänk om min varukorg kunde fyllas med bara några få klick, om den även lärde sig över tid vad jag handlade på fredagar eller måndagar, i januari eller i augusti, inför familjemedlemmars födelsedagar, när det regnar, om jag befinner mig i stan eller på landet, varor baserat på vilket upphämtningsställe jag väljer i checkouten, varor baserat på recept jag tidigare letat efter på andra webbplatser, varor inspirerade från senaste resmålet, t ex Ostar från Puglien efter mitt senaste besök där? Och andra parametrar som en algoritm borde kunna hämta från olika källor? Läskigt tycker vissa, skönt skulle jag tycka, då det sparar både tid och huvudbry, jag slipper ju åka tillbaka och komplettera med det man glömt och jag slipper tänka ut veckans alla middagar.
En användares tidigare beteende säger vilken typ av lösningar de letar efter för att möta specifika behov och önskemål. Att föreslå nya aktiviteter/varor baserade på tidigare interaktioner med hjälp av smarta algoritmer kan bli en väsentlig del av framtida UX-designers vardag. Och att kunna förutse vad våra användare behöver är nära relaterat till empati. Hur sammankopplade är vi med vår kundbas, går vi tillbaka och observerar deras naturliga beteenden för att upptäcka nya behov? Att se effektiva möjligheter till förutseende design beror ofta på vår förmåga att koppla ihop punkterna i miljön där vår produkt används. Det finns redan många produkter och tjänster som utnyttjar kraften i proaktiv design. Vi bör kanske förvänta oss att de blir normen snarare än undantaget.
AI kan upptäcka och förutsäga för att personalisera
Kraften i inlärningsalgoritmer är dels att upptäcka, dels att förutsäga. Upptäcka handlar om att tolka nuet, och förutsäga handlar om framtidens händelser. Maskiner skulle till viss del även kunna göra kreativa uppgifter, men på det området ligger inte styrkan och kvalitén än så länge. När AI:t väl lärt känna dig och kan förutsäga dina behov och mål kan den börja servera dig exakt det du är ute efter på ett mer effektivt sätt. Denna personalisering är den automatiserade optimeringen av en tjänst som anpassas helt och hållet efter unika användares olika preferenser. Denna typ av personalisering både möjliggör och tvingar designers att ändra sitt arbetssätt när det gäller att skapa gränssnitt som styrs av maskininlärningslogiken. Belöningen för användarna är en upplevelse av att bli sedd och förstådd. Inte bara rekommenderade varor och produkter, utan även typen av interaktiva element som användaren föredrar att interagera med.
Men vi får inte glömma att algoritmerna har begränsningar, eftersom de är byggda på regler som definierats av oss människor, även om reglerna sätts med maskininlärning. Designerns kraft är att de kan skapa och bryta regler. Så om ett år kan vi definiera "användbar" som något helt annat.
Dessutom blir digitala produkter mer och mer komplexa. Vi behöver stödja fler plattformar, justera användningsscenarier för fler användarsegment och anta fler hypoteser. Design har expanderat från design av objekt till design av upplevelser. Nästa steg blir utformningen av systembeteende – utformningen av de algoritmer som bestämmer beteendet hos automatiserade eller intelligenta system. I stället för att anställa fler och fler designers, överförs rutinuppgifter till en dator.
Förtroende och ansvar
En nyckel när det gäller maskininlärning är förtroende. För att kunna utföra förutseende upplevelser måste människor ge stora företag tillåtelse att samla in personliga användningsdata, alltså algoritmer som sträcker sig utanför kakor. Det gör det etiska ansvaret stort, designers kan utnyttja AI för många saker, men bara för att de kan betyder det inte att de borde. När vi får tillgång till viss typ av information måste vi ibland överväga om vi ska inkludera den eller inte. Med ökad information kommer ett ökat ansvar, och den etiska aspekten kommer att avgöra vad vi tar med i vårt samarbete med algoritmerna.
Så, kommer AI att ersätta UX-designers?
Syftet med AI är att hjälpa användaren slutföra sina digitala uppgifter med deras uppgifter på ett enkelt och effektivt sätt, och kan hjälpa UX-designers att skapa personliga användarupplevelser som tillfredsställer de unika användarnas olika behov och spara tid att skapa dessa. Men även om den kan lära av människan kan den inte själv tänka eller lösa nya komplexa problem som en erfaren UX-designer kan lösa. AI kan inte filtrera bort fördomar, eller förstå subtila skillnader när det kommer till känslor baserat på röstläge och kroppsspråk vilket vi människor kan. När AI kan förse oss med kvantitativa data, är den sämre på kvalitativ, där vi UX-designers gräver djupare i våra frågeställningar för att förstå våra användares behov.
Så nej, AI kommer inte att ersätta designers på länge. Det är mer troligt att designers och robotar börjar arbeta sida vid sida, och att vår roll kan bli annorlunda i framtiden. Vi kommer att inkludera algoritmer mer i vår arbetsprocess eftersom AI lär sig snabbt, kan automatisera uppgifter och förstå data. Men saknar förmågan att tänka kreativt, förstå känslomässiga detaljer och kommunicera med intressenter – det är där UX-designers kommer in i bilden.
