Melhorando a Experiência do Usuário em Aplicativos de PNL

A Experiência do Usuário (UX) é importante quando a galera interage com computadores ou software. O objetivo do UX é tornar as coisas mais fáceis, claras e confiáveis para os usuários. Em áreas como aprendizado de máquina (ML) e Processamento de Linguagem Natural (NLP), a maioria das pesquisas foca em dados ao invés de entender o que os usuários realmente precisam. Isso significa que, geralmente, as pessoas que vão usar esses sistemas são consultadas só no final, principalmente para avaliar se o produto é usável. Este artigo discute uma nova forma de desenvolver aplicativos que coloca os usuários em destaque desde o começo.

A ideia é envolver os usuários nas fases iniciais, permitindo que eles testem ideias e conceitos antes de um produto ser criado. Esse método, chamado de pesquisa UX generativa, coleta insights dos usuários para garantir que o produto final esteja mais alinhado com as necessidades deles. O objetivo é criar um processo de comunicação natural entre usuários e desenvolvedores, que, no final das contas, oferece melhores ferramentas para tarefas específicas.

Neste artigo, descrevemos um estudo de caso onde desenvolvemos uma ferramenta de busca especializada para a indústria química, focando em como melhorar as operações diárias. Ao ouvir especialistas do setor-pessoas que trabalham nessa área-conseguimos construir um aplicativo mais confiável e eficaz.

#Contexto

O Processamento de Linguagem Natural (NLP) tem encontrado várias aplicações nos negócios hoje em dia. A galera está usando para automatizar tarefas, como organizar feedback de clientes e detectar e-mails de spam. Na saúde, o NLP ajuda extraindo informações críticas de prontuários médicos e preenchendo formulários automaticamente. Embora o NLP tenha sido amplamente adotado, as aplicações feitas para áreas específicas muitas vezes não entendem o que os usuários realmente querem delas.

Geralmente, os desenvolvedores olham para conjuntos de dados e tendências em aprendizado de máquina para decidir como construir aplicativos. Essa abordagem pode, às vezes, ignorar as verdadeiras necessidades dos usuários que vão interagir com esses sistemas. Quando os usuários são incluídos, geralmente é depois que o produto já foi desenvolvido, momento em que eles checam se funciona bem para eles.

Em projetos de NLP na medicina, os pesquisadores perceberam que colaborar de perto com especialistas do setor desde o começo leva a resultados melhores. Misturando pesquisa de experiência do usuário e interação humano-computador (HCI), as necessidades dos usuários são priorizadas, tornando os sistemas mais intuitivos.

#A Metodologia Proposta

A nova metodologia combina pesquisa generativa com o ciclo de desenvolvimento de aplicações de NLP de domínio. Isso envolve três fases principais:

1. Exploração: Nessa fase, coletamos ideias para um aplicativo mergulhando nos dados e conversando com os usuários em seus ambientes para aprender sobre suas experiências.

2. Prototipagem: Criamos uma versão básica do nosso aplicativo que aborda os desafios mais importantes identificados durante a exploração.

3. Avaliação: Essa fase mede como o Protótipo atende às necessidades dos usuários com base na precisão e no feedback deles.

Essa combinação de métodos focados em dados e em usuários é crucial para desenvolver aplicações de NLP eficazes em áreas especializadas.

#Visão Geral do Estudo de Caso

No nosso estudo de caso, desenvolvemos uma ferramenta de busca especificamente para uma planta química que registra as operações diárias. Nosso objetivo era melhorar como os usuários interagem com dados históricos, ao mesmo tempo que fomentamos seu engajamento e confiança no aplicativo. Para isso, empregamos princípios de pesquisa generativa juntamente com análise exploratória de dados.

Nossa equipe era composta por pesquisadores de UX, cientistas de dados, desenvolvedores de software e um líder de projeto. Trabalhar como uma equipe diversa nos permitiu combinar diferentes perspectivas e garantir que o aplicativo final não só atenda às necessidades dos usuários, mas também seja tecnicamente viável.

#Explorando as Necessidades dos Usuários

O objetivo principal era entender como os usuários utilizam sistemas de registro e identificar os problemas que enfrentam. Fizemos isso através de uma série de entrevistas com usuários, observando-os em seu ambiente de trabalho. Ao organizar um workshop em uma planta química e entrevistar pessoas-chave, coletamos insights valiosos sobre suas tarefas diárias.

Descobrimos que os usuários muitas vezes lutam com informações registradas incompletas ou confusas. Muitos dependiam da comunicação verbal em vez do sistema de registro para esclarecer suas compreensões. Isso indicou a necessidade de uma forma mais eficiente de compartilhar conhecimento e acessar registros históricos.

Por meio das entrevistas, notamos fases específicas durante o turno dos usuários e os diferentes desafios que encontraram. Por exemplo, eles precisavam de mais contexto ao ler registros, especialmente quando informações de turnos anteriores estavam faltando.

#Gerando Conceitos de Aplicação

A partir dos insights coletados, propusemos criar uma função de busca semântica dentro do sistema de registro. Isso permitiria que os usuários pesquisassem registros de forma mais eficaz, garantindo que pudessem encontrar informações relevantes rapidamente. Nossa esperança era que, com um motor de busca melhor, os usuários se sentissem motivados a registrar informações mais completas, melhorando a precisão dos dados.

Em seguida, criamos um protótipo preliminar, que funcionou como um mock-up da ferramenta de busca. Ao apresentar essa versão inicial aos usuários, coletamos mais feedback que iria informar os desenvolvimentos futuros.

#Abordagem de Prototipagem

O desenvolvimento do protótipo teve como objetivo aplicar os princípios de testes rápidos e eficientes-uma abordagem que pode ser resumida como "falhe rápido, falhe sempre." Nosso protótipo não era esperado ser perfeito, mas sim um ponto de partida para avaliar o valor para o usuário.

Escolhemos focar em dois aspectos-chave para melhorar o protótipo:

1. Representação de Palavras: Para lidar com o desafio da linguagem específica do domínio, utilizamos o fastText, uma ferramenta que suporta a criação de vetores de palavras, mesmo para palavras incomuns. Isso é particularmente útil em indústrias como a química, onde a terminologia especializada é frequentemente usada.

2. Expansão de Contexto: Ao adicionar descrições detalhadas que explicam termos mencionados anteriormente, poderíamos aprimorar o processo de busca, facilitando para os usuários encontrarem informações relevantes.

#Avaliando o Protótipo

Depois que os usuários interagiram com o protótipo, nosso objetivo era avaliar sua eficácia de duas maneiras:

1. Avaliação de Precisão: Pedimos aos usuários que realizassem tarefas específicas usando o protótipo para ver o quão bem ele recupera informações relevantes em comparação com métodos de busca anteriores.

2. Medição de Valor para o Usuário: Coletamos feedback por meio de questionários e entrevistas para avaliar se os usuários sentiram que o protótipo melhorou sua eficiência no trabalho.

Nossa avaliação tinha como objetivo determinar se os usuários encontravam informações de forma mais rápida e fácil com o protótipo.

#Resultados

As descobertas iniciais dos testes do protótipo indicaram uma tendência positiva na experiência do usuário. Os participantes comentaram que as buscas se tornaram mais eficientes, facilitando encontrar respostas para suas perguntas. Eles também relataram estar mais propensos a buscar dados históricos que antes eram ignorados.

O feedback destacou que os usuários se sentiram mais confiantes no sistema de registro, pois conseguiam acessar registros passados de forma mais eficaz. Embora alguns ainda preferissem as visualizações de lista tradicionais para algumas tarefas, muitos expressaram apreço pela nova função de busca semântica.

#Feedback do Usuário e Melhorias Futuras

Por meio de entrevistas abertas, os usuários forneceram feedback valioso sobre suas experiências utilizando o protótipo. Eles expressaram entusiasmo pela nova funcionalidade, mas também identificaram áreas para aprimoramento. As sugestões incluíam tornar a busca ainda mais inteligente, permitindo consultas mais nuances, e melhorar a interface do usuário para uma usabilidade melhor.

Coletar feedback contínuo dos usuários é essencial para a melhoria contínua. Esse input ajudará a moldar iterações futuras do protótipo em um aplicativo abrangente que atenda efetivamente às necessidades dos usuários.

#Conclusão

Este artigo demonstra que integrar pesquisa UX generativa no desenvolvimento de aplicações de NLP pode levar a uma experiência do usuário aprimorada e a melhores resultados. Focando nas verdadeiras necessidades dos usuários desde o início, o produto final tem mais chances de ganhar confiança e engajamento.

Nosso estudo de caso destaca a importância de entender os requisitos dos usuários e fornecer as ferramentas que eles precisam para trabalhar de forma eficiente. A sinergia entre pesquisa de UX e desenvolvimento em NLP é uma avenida promissora para criar sistemas mais eficazes em indústrias especializadas.

À medida que continuamos a refinar e melhorar nosso protótipo, pretendemos fomentar conexões mais fortes entre usuários e tecnologia, abrindo caminho para aplicações mais inteligentes que realmente atendam seus propósitos. O objetivo final é criar um ecossistema de compartilhamento de conhecimento que capacite os usuários e aumente a produtividade dentro do ambiente de trabalho.

#Agradecimentos

Este projeto foi apoiado por um programa governamental focado em inovação em pequenas e médias empresas. A colaboração entre vários especialistas de diferentes áreas foi essencial para impulsionar o sucesso dessa iniciativa.

As lições aprendidas com essa experiência podem servir como um guia valioso para outros que buscam adotar metodologias semelhantes em seus próprios projetos, enfatizando a importância do design centrado no usuário no desenvolvimento de tecnologia.