初创公司，你确定你需要人工智能吗？
本文转载自公众号“读芯术”(ID：AI_Discovery)
人工智能产业已经吸引了数十亿美元的投资，许多初创企业都希望借助人工智能获得创新和竞争优势。策略似乎很简单：找一个人们生活中长期存在的问题，然后用机器学习来解决它。
谷歌、Facebook、Netflix和Uber都做到了。所以，为什么不试试人工智能呢?这似乎成为了一个显而易见的选择。至少，你的新策略拥有了创业成功所必需的流行语——人工智能。
人工智能的确解决了无数关乎用户体验的问题。但是，也有一些问题并不能从人工智能中获益，甚至如果应用人工智能情况可能更糟。本文将带你体验一个决策的完整过程，帮助你评估人工智能是否适合你的业务。
确定需求：你在人工智能上的投资会增值吗?
如今的企业家们在创业之旅的开始往往会问一个问题：“我们如何利用人工智能解决X?”虽然这可能是一个很好的起点，但如果不能为用户或客户提供独特的价值，即使是最好的人工智能系统也只是消耗资源而已。因此，你的首要任务应该是评估AI可以在哪里增加独特的价值。
人工智能可以为披萨推荐平台、猜测年龄的应用程序，甚至一个假的猫照片生成器提供支持，但关键的问题是，人工智能是否正在以一种有意义或独特的方式解决问题。
人工智能的解决主义，即为了使用人工智能而使用人工智能，在马斯洛和卡普兰的著名理论中有过阐述：“如果你给一个小男孩一把锤子，他会发现他遇到的所有东西都需要敲打。”
那么，怎么确认人工智能是否适合解决当前的问题呢?用户的需求需要人工智能来提出解决方案吗?就像产品与市场的契合度一样，我们也需要考虑人工智能与用户的契合度。
进行用户研究，回顾调查数据，观察用户的生活，可以将你的产品理念从技术至上转变为以人为本，这意味着从“仅仅因为你能做到”而使用人工智能转变为“因为它可以独特地解决一个核心用户需求”而使用人工智能。
使用人工智能没有正确或错误的动机。但推出一个人工智能支持的客户聊天机器人来帮助客户更简便地进行交易是一回事，而推出一个聊天机器人只是因为它目前很流行是另一回事。
IDEO的设计工具包和Google的People+AI指南可以帮助你识别用户的问题，在那里人工智能可以增加独特的价值。
编程规则vs启发式
一些用户问题最好使用启发式和显式编程规则来解决，而不是复杂的人工智能模型，想想instagram和TikTok这样的应用程序是如何组织feed流的。
组织feed流的一种方法是使用ML预测模型来预测特定用户最喜欢的内容，这需要考虑用户的推测兴趣、个人信息和过去与应用程序的互动。ML模型将根据预测的参与程度对所有内容进行排名，并向单个用户展示最“相关”的内容。
或者你可以使用启发式来解决社交feed流进行排序的问题，而不需要任何机器学习。可以考虑先显示最近发布的内容feed流，一些研究表明，用户实际上可能更喜欢按时间顺序排序的feed流，它们可以提供更多的一致性和更好的控制体验
也可以让用户自己手动对内容进行投票，就像Imgur等流行图片板和Reddit、Digg等聚合网站上的投票系统一样。在这种情况下，人工智能可能会对维护用户的透明度和可预测性起到反作用。如果用户觉得“客观”的用户评分受到不透明的人工智能层的影响，就会产生对其的不信任感。
让用户控制结果
人工智能产品有两种基本类型：一种试图将任务完全自动化，另一种试图增强用户自己完成任务的能力。
当遇到重复性工作或计算复杂的时候，自动化特别有用;而当人类的判断对准确性或责任至关重要时，增加任务是最有用的。这种人工智能与人类的伙伴关系，在人们喜欢自己做这项工作或者需要对这项工作承担个人责任的情况下会特别成功。
在这两种情况下，你会发现用户不愿意完全依赖算法预测。研究表明，比起人工智能，人们更愿意相信人类专家，尽管这些专家更容易犯错。即使对人工智能的决策过程进行了技术性的解释，对许多人来说也往往是难以理解的。因此，建立对产品人工智能模型的信任必须通过仔细的沟通来培养。
例如，如果你的应用程序使用人工智能来推荐餐馆，那么最好考虑给用户一个选项，让他们自己报告食物偏好，并对访问过的地方给出反馈。
要想提供完全符合用户特定口味和偏好的建议，最好方法就是简单地询问他们喜欢什么——即使这意味着要使用一些有偏见的自我报告偏好，这将比任何基于(糟糕的)推断口味的ML模型预测有效得多。
让用户来掌控方向
如果一个应用程序使用AI来建议观看新电影，最好考虑给用户一个删除或重置一些用于生成推荐的数据的选项。让用户坐在驾驶座上来掌控大方向，让他们理解并管理人工智能的交互，这样可以建立信任。更何况，共同创造还能够丰富产品的整体价值。
其他解释性的方法包括阐明数据源、将解释与用户行为联系起来、与专业用户体验作者或内容战略家密切合作，以及为用户提供控制人工智能输出的工具等。
人工智能并非魔法
当用户向他们的智能家居设备询问有关世界的问题时，这个没有实体的声音会给出一个爽朗的回答，就像魔法一样。Alexa、Siri、Alice和谷歌Assistant这样的语音助手似乎比任何人都了解的更多，随时准备回答你的问题。但是，展现个性化的、超级有用的智能的最佳方式是什么呢?
将人工智能作为一种魔法来推销可能很吸引人，但事实上，这样的魔法尚不存在。与Arthur C. Clarke经常引用的技术第三定律——“任何足够先进的技术都与魔法无异”相反，传播魔法的概念不会帮助用户，也不会打动投资者。
“人工智能的魔法”是一种修辞，让人联想到无法解释或无所不能的力量，并倾向于对人工智能能做什么和不能做什么产生不切实际的期望，这种错位的期望最终会导致失望。
拟人化的人工智能助手往往会加剧这一问题，直接或间接地导致用户认为他们的虚拟助手拥有广泛的人类能力。与其将人工智能展示为一个无所不知的虚拟助手，不如考虑突出助手产品的特定功能，以及这如何有利于达成用户的目标。这可以帮助用户围绕不断进化的人工智能产品能力逐步更新他们心中的模型。
寻求平衡
在对人工智能魔力的全面陈述和对底层技术的深入技术解释之间，存在着一种微妙的平衡。当用户试图学习使用一种产品而不是探索它的机制时，太多的术语会妨碍他们。
谷歌航班价格分析功能是复杂机器学习和用户需求达到平衡的一个典型例子。在这个界面中，根本没有提到“深度学习”或“数据处理”。相反，价格分析工具只是为用户提供有用的提示，告诉他们当前的机票价格是低、一般还是高，以及近期的价格走势。
这个例子还展示了多个用户体验设计元素如何协同解释AI预测并培养信任。
产品上市了!然后怎么做呢?
人工智能的用户体验与以往有所不同。人工智能产品可以适应，并随着时间的推移变得更好。这意味着用户可能需要调整他们对产品如何工作的思维模式，产品负责人也可能需要适应。
例如，如果你在使用人工智能来管理和过滤你产品的社交信息，在产品生命周期中的某个时候，你可能会意识到人工智能已经学会了将点击诱饵内容和猫视频优先于重要的新闻文章。这意味着，在发布之后你可能需要重新考虑优化的目标，以确保用户新闻提要的多样性以及质量的一致性。
随着ML模型对给定用户的了解越来越多，新特性可以提供更多价值，产品负责人应该适应随之而来的新使用模式。通过不断听取用户的意见(严格在隐私或课程范围内)，并进行评估性研究，例如使用幸福感跟踪调查、待完成工作跟踪调查或首要任务研究，来跟踪和衡量你的产品是否成功。
这些建议的背后是以人为中心的人工智能的承诺。Google的People+AI指南是一个开放的、免费的资源，那里提供了更多关于如何设计以人为中心的人工智能产品的例子和建议。