取代了手动编程，机器学习(ML)是一种帮助计算机发现数据中的模式和关系的科学。对于创建个人的和动态的经历来说，它是一种强有力的工具。从 Netflix 的推荐系统到自动驾驶车辆，它已经在驱动生活中的很多事物。但随着构建机器学习的经历越来越多，如何设计用户体验(User Experience Design)让人们感觉是在掌控技术，而非技术控制人，很明显 UXers 在这方面仍旧有很多需要我们深入探索。
就像手机和之前的网络革命一样，机器学习使我们重新思考、重组结构，它将取代并对之前所有我们之前建立的体验带来全新可能性。在谷歌用户体验社区，我们已经开展了一项称为「以人为本的机器学习(HCML)」计划以助于让人们重视并引导这个过程。通过这种方式，我们可以观察产品，看看机器学习是如何使用一些特有方法解决人类需求的。我们在谷歌的队伍与公司内的用户体验工程师共同开发了加速核心机器学习理论的算法，他们知道如何将机器学习与用户体验相结合，并且保证以包容性的方式构建机器学习和人工智能。
如果你刚开始使用机器学习，你也许会对其空间的复杂性和广泛的创新机制有些不适应。慢慢来，不要着急，你需要一点时间去适应。你并不需要为了在团队中表现的更有价值而重新塑造自己。
我们已经开发了 7 个要点帮助设计师找到一种新的平台设计以机器学习为驱动的产品。诞生于我们与 UX 和谷歌的人工智能团队共同完成的工作，这些要点将帮助你把用户放在首位、快速迭代并理解机器学习创造的独特的机会。
让我们开始吧
1. 不要指望机器学习能帮你找出需要解决的问题
如今有很多围绕机器学习和人工智能的夸张的宣传。许多公司和产品团队将机器学习视做一些产品策略的解决方案，而忽略了真正需要解决的、有意义的问题。
这对于纯粹的探索或者了解一项技术的能力来说是不错的，并且这经常会激发新的产品的灵感。然而，如果不考虑人类的需求，你将要构建的非常强力的系统只能解决一个非常小—或者不存在的—的问题。
所以我们的第一个要点是，你仍然需要做那些一直所做的辛苦工作去找出人们的需求。这些工作就是所有那些人类学、情景调查、采访、深入调查、浏览消费者的投票、日志分析等等。你要贴近大众，以了解你是否在解决一个人们未明的需求。机器学习不会找出需要解决的问题。我们仍旧需要定义它。作为用户体验设计者，无论主导技术的框架如何，我们已经有了引导我们的团队的工具。
2. 机器学习是否能以一种独特的方式解决问题?
一旦你明确了需求或者明确了你想要解决的需求，你会考虑一下究竟机器学习能否以独特的方式解决这些需求。有许多切实存在的问题不需要机器学习的解决方案。
然而在这点所面对的挑战在于，如何确定哪个任务需要机器学习，哪些通过机器学习能获得有意义的提升，哪些不会从机器学习中获利或者甚至让体验变得更差。许多产品可以在没有机器学习的情况下让人感受到「智能」或者「个性化」。不要认为只有通过机器学习这些才有可能实现。
当你忘记添加附件时，Gmail 寻找包含「附件(attachment)」和「附上(attached)」之类的短语并向你发出提醒。启发式方法在这方面表现的不错。一个机器学习系统更可能发现更多的隐含错误，但是构建这样的系统却消耗太大。
我们创建了一组练习帮助团队理解机器学习对其用例的价值。这些练习通过挖掘人们所带有的思维模型和期望与机器学习系统和系统所需要的数据进行交互时的细节，从而帮助团队。
以下是 3 个示例练习，我们使一些团队看过练习并回答他们想要使用机器学习解决的用例：
描述一种理论上人类「专家」今天可能执行任务的方式。
如果你的人类专家将要执行这项任务，你将如何对其反馈使下次得以提升?对混淆矩阵的 4 个阶段执行此操作
如果人类执行这项任务，用户希望其采取怎样的假设?
花费仅仅几分钟的时间回答这些问题揭示了人们对以机器学习为驱动的产品提出的必然假设。他们同样适用于作为产品团队的讨论中或者在用户研究的刺激中的提示。当我们讨论到定义标签和训练模型的过程时，我们还会再谈论它。