Как хороший дизайн помогает хорошим алгоритмам? В статье See | Product Science
Как хороший дизайн помогает хорошим алгоритмам?
В статье Seeing Like an Algorithm бывший продакт видео Меты и Амазона Eugene Wei раскрывает некоторые очевидные неочевидности. Источник публичный, поэтому я думаю, что многим новичкам на канале будет небезынтересно почитать о таком подходе, который предполагает алгоритмоцентризм в UX.
Итак, в https://www.eugenewei.com/blog/2020/9/18/seeing-like-an-algorithm поднимается вопрос - как при помощи дизайна достигнуть максимальной отдачи от алгоритмов машинного обучения при разработке приложений и сервисов?
Изначально для TikTok (или Douyin, его китайского предка), которому нужен был алгоритм, способный рекомендовать зрителям короткие видеоролики, не было массивного общедоступного обучающего набора данных. Где вы можете найти короткие видеоролики с мемами, детьми, танцующими и поющими липсинки, домашними животными, инфлюенсерами, продвигающими бренды, солдатами, бегущими через полосу препятствий, детьми? Даже если бы у вас были такие видео, где бы вы могли найти сопоставимые данные о том, как пользователи относится к таким видео?
В уникальной задаче о курице и яйце те самые типы видео, на которых должен обучаться алгоритм TikTok, было невозможно создать без инструментов и фильтров приложения для камеры, лицензированных музыкальных клипов и музыки. В этом и заключается магия дизайна TikTok: это замкнутый цикл обратной связи, который вдохновляет и позволяет создавать и просматривать видео, на которых можно обучать его алгоритм. Чтобы его алгоритм стал таким же эффективным, TikTok стал собственным источником обучающих данных.
Если раньше дизайнеры и теоретики предполагали, что мы должны максимально удалять трение между приложением и юзером, то теперь мы все больше думает не в русле эргономики, а гедономики, способа получить фан и удовольствие. Важно при этом, что такой фан и удовольствие сами по себе могут требовать нетривиальных усилий и труда.
Что если ключ к лучшему обслуживанию ваших пользователей во многом зависит от обучения алгоритма машинного обучения? Что, если этому алгоритму машинного обучения нужен массивный набор обучающих данных? Когда машинное обучение находится на подъеме в мире — это становится все более важной задачей проектирования.
Вы смотрите видео, у вас мало интерфейса - в этот же момент какой-то человек из операционной группы TikTok уже просмотрел видео и добавил множество соответствующих тегов или ярлыков. Алгоритм видит только ваше поведение и ярлыки.
Все просто, но сравните то, что видит алгоритм TikTok FYP, с тем, что видит сопоставимый алгоритм рекомендаций в большинстве других каналов социальных сетей: социальные графы, «Возможно Вы знакомы», всякий мусор типа подарочков, стикеров, способов монетизации развлекательных порталов, данные портлетов. Бесконечные ленты — это апофеоз дизайна, ориентированного на юзера, минимальное усилие и при этом навигация при необходимости с кучей настроек.
ТикТок предлагает работать, чтобы им пользоватся — его надо листать пальцем и с усилием!
Другим примером может быть кнопка «Дизлайка» в условном реддите, которая тоже требует усилий, но при это тренирует алгоритм рекомендаций. Также и твиттер - с его блокировками юзеров и блокировкой слов в твитах для ручной настройки алгоритма.
