Collegare il design UX e il machine learning

I designer di user experience (UX) affrontano nuove sfide quando devono creare applicazioni che utilizzano il machine learning (ML). Tecnologie come AutoML e l'insegnamento interattivo del machine learning rendono più facile per chi non ha conoscenze specifiche lavorare con il ML. Però, non c'è molta ricerca su come questi strumenti possano aiutare i designer UX. Abbiamo condotto uno studio con 27 professionisti UX per vedere come l'esperienza pratica con il ML possa aiutarli a creare nuove app.

#Professionisti della User Experience

I professionisti UX sono persone che lavorano in vari ruoli all'interno del processo di sviluppo del prodotto. Si concentrano sulla comprensione delle esigenze degli utenti e sulla realizzazione di applicazioni facili da usare. Non hanno necessariamente un forte background di programmazione, ma puntano a progettare interfacce coinvolgenti e funzionali.

#Il Ruolo del Machine Learning nella Vita Quotidiana

Il ML sta diventando sempre più parte della nostra vita quotidiana. Ci aiuta in compiti come prevedere il traffico, correggere la nostra ortografia e raccomandare musica o film. Con il continuo miglioramento del ML, diventa sempre più comune nelle app che usiamo ogni giorno.

#Sfide per i Professionisti UX con il Machine Learning

Lavorare con il ML può essere difficile per i professionisti UX. Ci sono diverse ragioni per questo:

1. Ambiguità: Le capacità del ML possono essere confuse e in continua evoluzione.
2. Imprevedibilità: Gli output generati dai modelli di ML possono a volte essere inaspettati.
3. Errori: Proprio come qualsiasi tecnologia, i sistemi di ML non sono perfetti e possono commettere errori.

Queste sfide rendono complicato per i designer capire come utilizzare efficacemente il ML nel loro lavoro.

#Mancanza di Educazione e Risorse

Molti professionisti UX non hanno una formazione formale nel ML. Spesso si sentono disconnessi dal lato tecnico e possono vedere il ML come una "scatola nera." Questa mancanza di comprensione può portare a problemi quando cercano di creare app che utilizzano il ML. C'è anche una carenza di risorse che permettano ai designer di lavorare direttamente con il ML.

#Machine Learning Interattivo

Il machine learning interattivo (IML) mira a rendere più facile per i non esperti lavorare con il ML permettendo loro di sperimentare con dati e modelli. La maggior parte delle ricerche sull'IML si è concentrata sugli utenti finali, piuttosto che sui professionisti UX. Questo è importante perché i professionisti UX fungono da ponte tra la tecnologia e gli utenti, quindi anche le loro esigenze devono essere considerate.

#Metodologia dello Studio

Volevamo capire come l'IML potesse aiutare i professionisti UX ad affrontare le sfide nel lavorare con il ML. Per farlo, abbiamo utilizzato Google Teachable Machine, uno strumento semplice che consente agli utenti di costruire i propri modelli di ML senza alcuna programmazione.

Abbiamo condotto sessioni di design basate su compiti con 27 professionisti UX. A loro è stato chiesto di creare un proof-of-concept per un'app che aiuta gli utenti a monitorare le proprie abitudini alimentari utilizzando un diario alimentare basato su foto.

#Struttura dello Studio

Ogni sessione è durata due ore. I primi 90 minuti sono stati dedicati a un'attività di design in cui i partecipanti hanno imparato a utilizzare Teachable Machine e poi hanno creato le loro proposte per l'app. I 30 minuti rimanenti sono stati spesi a discutere le loro esperienze e decisioni di design.

#Reclutamento dei Partecipanti

Abbiamo reclutato i partecipanti attraverso vari canali online e ci siamo assicurati che avessero almeno un anno di esperienza in UX. La maggior parte dei partecipanti erano designer UX, mentre un gruppo più piccolo erano ricercatori UX. La maggior parte aveva esperienza limitata con l'IA, ma alcuni erano stati esposti ad essa tramite workshop o corsi.

#Il Compito di Design

Ai partecipanti è stato fornito un prompt di design per creare un'app che utilizza il ML per il monitoraggio del cibo. Hanno ricevuto risorse, come intuizioni dalla ricerca sugli utenti e dataset, per aiutarli mentre lavoravano sulle loro idee per l'app.

#Importanza dei Dati di addestramento

Durante il compito di design, i partecipanti hanno trovato cruciale esplorare i dati di addestramento utilizzati per i loro modelli di ML. Questa esplorazione li ha aiutati a comprendere le prestazioni del modello e a prevedere potenziali problemi nelle loro app. Ispezionando le immagini di addestramento, i partecipanti potevano identificare che tipo di previsioni il modello poteva fare.

#Errata Interpretazione dei Punteggi di Probabilità

I partecipanti hanno spesso frainteso come interpretare i punteggi di probabilità prodotti dal modello di ML. Invece di vedere questi punteggi come una misura della fiducia del modello, molti pensavano che rappresentassero la percentuale dell'immagine identificata come appartenente a determinate classi. Questa confusione ha influito su come valutavano l'accuratezza dei loro modelli.

#Spiegare il Modello agli Utenti

I partecipanti hanno riconosciuto l'importanza di spiegare le decisioni del modello agli utenti. Hanno espresso la necessità di strumenti migliori per fornire informazioni più chiare su come sono state fatte le previsioni e su come migliorare le prestazioni del modello. Molti credevano che spiegazioni migliori avrebbero non solo aiutato loro, ma avrebbero anche migliorato l'esperienza dell'utente.

#Considerazioni Etiche

Mentre i partecipanti lavoravano sulle loro app, hanno identificato vari problemi etici legati all'utilizzo dell'IA nel monitoraggio del cibo. Hanno espresso preoccupazioni riguardo ai potenziali impatti negativi, come la promozione di relazioni malsane con il cibo o la creazione di bias nelle raccomandazioni dell'app. I partecipanti hanno riconosciuto la sensibilità che circonda gli argomenti alimentari e hanno riconosciuto la necessità di un design equilibrato e culturalmente consapevole.

#Rischi Sociali e Tecnici

I partecipanti hanno visto diversi rischi nell'applicazione dell'IA al monitoraggio del cibo. Alcuni hanno menzionato che le imprecisioni nel modello di ML potrebbero influenzare negativamente il comportamento degli utenti, portandoli a cattive abitudini alimentari. Altri hanno evidenziato questioni relative alla privacy dei dati, sottolineando l'importanza di informare gli utenti su come i loro dati sarebbero stati utilizzati.

#Insegnamento Machine Learning Informato dalla Ricerca (RIMT)

Abbiamo proposto un nuovo modello chiamato insegnamento machine learning informato dalla ricerca (RIMT) come guida per i professionisti UX. RIMT incoraggia i designer a integrare la ricerca sugli utenti nel processo di insegnamento del modello di ML. Questo metodo mira a garantire che il modello si allinei meglio con le esigenze degli utenti finali.

#Integrazione di RIMT e IML

Il RIMT può coesistere con l'IML negli strumenti di design, permettendo un approccio più completo. Mentre l'IML si concentra sul permettere iterazioni rapide attraverso l'addestramento interattivo del modello, il RIMT enfatizza l'importanza della ricerca sugli utenti per informare lo sviluppo del modello. Questa combinazione può aiutare i professionisti UX a comprendere meglio come il ML può servire le esigenze degli utenti.

#Conclusione

I professionisti UX si trovano ad affrontare molte sfide quando progettano app che incorporano il ML. Il nostro studio ha dimostrato che l'esperienza pratica con l'IML può aiutarli a comprendere meglio la tecnologia e migliorare i loro processi di design. Le considerazioni etiche devono anche essere tenute in considerazione man mano che l'IA diventa sempre più integrata nella vita quotidiana. L'introduzione del RIMT fornisce un quadro promettente per colmare il divario tra tecnologia ed esperienza utente, garantendo che le capacità del ML vengano sfruttate per soddisfare efficacemente le esigenze degli utenti.

Crediamo che la continua ricerca in questo settore aiuterà a spianare la strada per applicazioni di IA più incentrate sull'utente.