今天，无论是面向个人的应用还是企业级软件，人工智能都在其中发挥了重要作用。而未来更多的产品和服务也一定是数据和人工智能驱动的。

我始终坚信这样一个观点：

“真正能落地，能产生业务价值的AI产品和服务，在其被创造的过程中，除人工智能算法工程师外，其他角色的作用也不能忽视，特别是用户体验设计师。”

有很多设计师在公众号留言：

• “人工智能技术会给产品体验带来哪些变化？”
• “由数据和人工智能技术驱动的产品，功能设计会和以前有很大不同吗？”
• “作为用户体验设计师，应该如何理解人工智能技术，并在此基础上赋予产品智能感和科技感？”

前几天，我们的CEO Jerry(算法专家)在朋友圈也分享了他对于算法和设计的观点，引起了不小的讨论。

那么，站在设计师的角度，我今天想和大家分享一下我是如何理解AI驱动的产品及其体验设计的。

如何设计AI产品的用户体验？

人工智能带来的影响是全方位的，数据和算法驱动的产品的功能形态、表现形式以及设计理念需要随之而演变。围绕这个话题，我们试图深入到智能化产品的本质，去找到那些真正专属于智能化产品的体验要素，而不是纯粹的外在形式。

形式追随功能是我们信奉的设计原则，产品的外在形态应该与其内在功能特性相符。

1. 告知用户算法的能力边界

这一点好像和大家期待的智能化趋势背道而驰。从产品使用体验的角度来看，首先建立正确的用户期待是至关重要的。因为对于智能化产品总是存在两种泾渭分明的态度：

• 有一类人期待很高，认为它无所不能
• 有一类人会认为现在的AI根本没什么智能可言，反而是“人工智障”。

这两种态度是我们在构建产品体验时需要重点关注的，特别是对于第一种抱着过高期待的用户。因为当用户的高期待遭遇产品能力的局限时，落差会让用户感到失望，这种情绪会对用户体验造成极大的损害。

有很多关于智能化产品的设计指南与资料都将设置正确的期待作为智能化产品设计的重要准则，比如Google的People+AI Guidebook。·

如何通过产品设计来引导用户建立正确的期待呢？

在这方面fronty为我们做了很好的示范。下图展示的是fronty的User Guide，fronty的核心功能是能直接将网站的设计稿图片转换成代码，但是并非所有布局都能还原，因此它提供了一个User Guide来告知用户哪些类型的布局是模型能处理的，哪些不能。

这样一个说明能够帮助用户对产品的能力边界有清晰的认识，从而形成合理的期待，当结果产生偏差时也不至于感到太失望。

2. 在使用过程中向用户解释算法的原理

算法对于普通用户来说就像一个黑盒子，如果我们不做任何解释就直接将算法产生的结果呈现给用户，用户会很容易产生疑惑，进而无法信任产品。所以向用户解释算法的原理，让用户理解为什么结果是这样，这一点是构建智能化产品的体验时必须要具备的特征。

在微信读书中每一项被推荐的内容都带有一个简单的推荐理由。通过这个描述，用户便能理解产品的工作原理，从而在作出选择时更自信，也更信赖产品。

在to B产品中，算法的原理可能比较复杂，此时很难用这样简短的描述说清楚背后的原理。这时在设计上通常会采取的策略是渐进式的解释(Progressive disclosure)。

这个例子展示了智能工单系统中产品具备的自动分类功能，当用户输入问题描述后算法会自动选择问题类型。

• 系统首先是在问题类型输入框直接显示了系统推荐的类型，此时并没有过多的解释-Level 1
• 如果用户存在疑问，此时用户展开下拉列表会看到在每个问题类型后面都给出了系统的推荐值，告诉用户为什么最终选择了这个类型 - Level 2
• 当用户鼠标移动到“System Recommendation”上时，界面中会展示出用户输入的问题描述中的关键词和类型的关系 - Level 3

通过这样层层递进的方式，既保持界面简洁，同时又降低用户的认知负荷，从而促进用户更好地理解算法原理。当用户能够理解产品的工作原理，才有可能愿意使用产品。

当然也不能忽略时间维度。时间维度是体验设计中一个非常重要的因素。随着用户越来越熟悉产品，他们会从新手变成老手。面向新用户和老用户的设计策略是不同的。特别是在企业级应用这种重效率的产品中。

当用户通过几次使用理解了模型背后的逻辑，与产品之间建立了信任，那么原有的解释信息对用户而言价值就不大了。这时可以考虑将这些信息弱化或隐藏起来。这样做有助于减少干扰信息，提高产品阅读和使用效率。

3. 标识出结果的可信程度

我们知道机器学习是根据统计学原理来计算结果，因此出错的可能总是存在。除了上面说的要建立合理的期待，让用户能理解算法的原理之外，告知用户结果的可信程度也是智能化产品使用体验的一个不可缺少的要素。

这是一个名叫Magi的搜索引擎网站，可以看到每个搜索结果后面都有一个数字，表示这个模块中内容的最高可信评分。这样做的好处是，当无法达到绝对的准确或可信时，能够给用户一个直观的参考，并将最终决定权交给用户，避免对用户产生误导。

4.展示学习和成长的过程

学习和成长是智能化产品与传统产品最根本的差别。

机器学习模型是会成长的，它成长的营养来自持续不断的数据输入。同样的模型，输入不同的数据得到的结果是不同的。这意味着不同用户使用同一个产品，但看到的内容是千人千面的，也意味着不同企业采购同一套智能化产品，由于自身数据的差异，产品本身也会形成各自的特点。

为什么要强调向用户展示产品学习和成长的过程呢？

因为这一点会影响智能化产品的落地效果。让用户认识到产品需要成长和正在成长，才能真正让用户意识到数据对于模型的重要性，并逐步形成与传统产品不同标准来看待和评价智能化产品。

我们还是来看Magi。当你打开http://magi.com等待一会儿，你会看到界面中动态展现Magi正在学习的内容和结果。

另外，在搜索结果页右侧展示了对应关键词的学习来源。

通过展示模型成长的过程，用户能够感知到模型的变化，也能逐渐意识到输入的数据对模型的影响，从而促进用户形成新的心智，用新的衡量标准去看待和评价智能化产品。

以上是我们认为智能化产品所应具备的比较重要的特征。而所有这些呈现在表面的特征的背后蕴含着一个重要的概念，那就是智能化产品是“活”的，他会学习和成长。

在AI时代，正是因为产品是“活”的，所以人机之间不再是简单的交互关系，而是协作关系。

在过去说人机交互，主要强调的是人发出指令，机器做出反应，然后人再发出下一步指令，如此往复。而今天，人与智能化产品的互动，与其说是交互，不如说是人与机器相互协作更准确。我认为这种关系的改变所带来的深层的影响是我们在创造智能化产品的体验过程中需要不断探索的命题。

摹因是如何被设计的？

摹因是服务于销售实践的沟通对话智能分析平台，加工的数据是销售和客户的对话（语音、文本和视频等），需要用到的人工智能技术是语音识别和自然语言处理，还有统计分析等。无容置疑，它是典型的AI驱动的智能产品。那么我们应该如何设计，如何让它具有这些特征呢，或者哪些特征是与摹因所具有的智能属性相匹配的呢？

我们以两个功能点为例：

1. 对话分析

摹因的核心功能之一就是对每次销售与客户沟通过程进行解读和分析。每一次沟通产生的数据就是用户用来喂养模型的养分--语料。

销售每次沟通都会被记录到系统中作为模型的输入。当有新的数据产生时模型都会从中学到新的知识，而在界面上用户会看到今天模型又学到了什么。

2. 优秀实践

我们再来看优秀实践这个功能，它通过向每个销售有针对性地推荐优秀沟通实践片段来帮助销售提升销售技能，完善销售行为。

销售团队管理者的职责之一在于帮助团队提升销售技能，其中如何指导销售员提升自身处理各种沟通中遇到的问题的能力，是管理者的一项重要任务，也是痛点之一。

过去管理者在指导过程中由于很难还原真实的场景，大多数时候只能给一些方向性的建议，但是往往效果不佳或者低效。

有了摹因之后，我们可以将每次沟通完整记录下来并且从中挑选出最佳实践供销售们回顾和学习。算法会结合每个销售员的情况有针对性地推荐相关的优秀实践片段，并且会在每个推荐内容上标识出相关度，并解释为什么推荐了这些片段。

设计思维+人工智能

在SAP工作多年，我们一直在用Design Thinking/设计思维所倡导的设计理念与方法流程来进行产品研发。设计思维最早由IDEO公司提出，经过多年发展已经应用于很多行业的产品研发过程中。

设计思维是以用户为中心，强调快速迭代。机器学习是以数据为中心，强调数据+模型闭环驱动。

如何把设计思维与人工智能产品相结合是我们一直在思考的问题，并以此为基础不断优化升级摹因的智能水平和用户体验。

如果你想了解更多关于智能化产品的设计与研发方面的知识和经验，欢迎持续关注 摹因智能 公众号。