域名频道资讯站近年来，AI技术的发展吸引越来越多人的目光，AI+营销、AI+安防等等有AI概念的事件频频出现在人们的视野中。那么，在智能化的领域中，作为设计师，有什么设计机会是可以探索和发力的呢？
以下内容是笔者通过已有的实践经验以及桌面调研、观察、分析后总结的在智能化时代下，关于设计机会的观点概述，包括以下内容：
- 弱智能化下，设计在产品中应该做些什么？
- 结合AI能力，设计在产品中应该做些什么？
- 对技术要了解
弱智能环境下，为用户树立正确的期望
智能不是万能的，现在的智能技术还达不到完全智能化，不能做到完全无人工参与就能获得满意结果的情况，甚至在人为参与的过程中，还会与人的互动发生错误。这是弱智能环境下，数据量及模型还不成熟的反应。
特斯拉自动驾驶汽车在三月份发生了一场车祸（如图所示），自动驾驶看起来非常智能，但其实功能并不是完全自动的，自动驾驶模块只处理部分驱动功能。
特斯拉自动驾驶汽车发生车祸(图片来源：CNNtech)
在Chatbot的上下文对话中，也总是会存在语义理解出现错误的状况，其智能程度也是在逐步提升的过程中。设计师需要让用户能注意到产品的智能化程度，设定合理的预期，减少用户体验的落差，并在同时能够展现产品的优势特色以吸引、留住用户。
1. 告诉用户我能做什么
智能算法能力提升后，达到某个阶段，可以定期得告知用户自己可以做什么。或者在用户进入新产品的某个垂直能力下，告诉用户自己能够做到什么程度。例如：小冰机器人，会在新功能发布后，主动向用户推送信息，告知用户自己现在拥有的新能力。
如图所示：
小冰新功能提醒（图片来源：小冰）
2. 还不能做什么，做错了应该怎么反应
当用户想做什么但是做不了时，需要告知用户功能的局限性，在不同的场景下，可以有不同的应对方案。如在一般轻松的会话过程中，可以模拟机器人的年龄较小，还处在学习中，降低用户的预期并获得理解，引导用户体验现有的功能。如果在较为严谨、紧急的会话过程中，则可以通过升级人工的方式来解决问题，或定时告知用户对会话内容的跟进及处理情况。
弱智能环境下，增强智能特征使产品显得更智能
笔者从智能的概念出发去探讨智能化特征，以及智能化特征对用户的感受，由此去挖掘产品中的设计机会点。
1. 从“智能”到产品“智能化”
从“智能”的定义出发去推演智能化特征，智能是指具有“智慧”与“能力”，智慧是能够触感、记忆内容，能够具备思维能力，并通过语言与行为的展现出来。“智能化”则是指非智慧的对象通过技术能力具备智能的表象化能力及特征，智能化则能够感知内容，对内容具有记忆，能够产生类似思维的能力，自我学习、主动适应的能力，并通过触点表现行为。
相对应的，产品具有“智能化”特征，是能够进行智能感知，进行实时分析并自主决策，并能够通过执行表现出来。
“智能”的定义分析（图片来源：笔者自绘）
2. 从产品“智能化”特征到用户的“智能化”感受特征
智能化是产品的表象，相对应的，用户对智能化的特征感受是多方面的，与用户的调研中我们能抽取到一些对智能化感受的关键话术——“它是能快速理解的”、“能主动提供帮助的”、“知道我的，懂我的”、“能够及时，适时得通知、帮助我”、“背后逻辑好像很复杂很厉害”但是“需要我做的很轻便”，“让我看起来很简单”、“对我很亲切”，将其与智能化特征相对应进行归纳，总结智能化特征下用户感受特征。
在智能感知的环节，产品给到用户的感受应该是“快速”、“主动”的。“快速”在于能够用户的信息能够被快速获取，或者产品能够自动得获取信息，然后主动得为用户提供帮助。
在实时分析、决策的环节，产品给到用户的感受应该是“能记忆”、“能预测或推荐”，记忆用户的行为偏好、关注内容等作为数据标签，为用户提供其个性化的信息及操作路径，满足用户的预期。在产品中监控用户操作路径预测行为给予辅助，或是对数据信息进行分析，给出推荐信息，帮助用户进行判断操作。
在执行及其表现上，能够进行“化繁为简”的处理，从流程环节或是单界面互动上减少用户低价值的操作，使其能够清晰认知、简便操作。感官上，一方面体现化繁为简的技术感，另一方面则从与人的距离感上拉进关系，表现拟人化的亲近。
这些智能化特征在前后台产品中可以发散运用，在后台产品中，笔者主要以自动化、记忆、实时监测等手段来增强产品的智能感。
“智能”的用户感受分析（图片来源：笔者自绘）
告知用户AI所产生的内容
1. 在产品中透出算法智能的能力，增强用户对AI能力的信心
算法智能在产品中很多时候都是隐形得发挥作用，像NLP技术中对语义理解分析、匹配、预测等都是黑盒状态，设计上可以更多得透出算法智能为用户带来的便利，使用户认知到算法智能的能力，提升对产品智能能力的信任感。
举个例子，在智能定位模型训练的过程中，对一批相似的训练数据进行聚类再呈现给用户，在设计上可以提示用户AI能力为其所做的事情。如图所示，告知用户产品已经为其智能聚合了相似的类，提升其操作效率。
智能聚类（图片来源：店小蜜问答训练）
在AI数据处理的过程中，会对数据进行打标使结果更加准确。可以通过分析对象的搜索、点击、点击停留、收藏、转发等交互行为，或个性化特征则如性别、年龄、收入等，甚至一些外界自然因素如时间、天气等来作为特征进行打标。在推荐结果中可以透出特征信息，若结果是正向的，将提升增加用户对智能的信任。
举个例子，如图所示：当用户在查找某个知识内容时，当向用户推荐解决方案时，同时透出智能化推荐的原因。如该例子中采用了用户使用的特征，大部分人看过后还有使用的特征标签更能获取用户的信任，辅助用户判断，提升内容的点击转化率。
知识智能推荐（图片来源：笔者设计稿）
2. 明确是AI能力所提供的辅助决策
另外一方面，在弱智能环境下，由于数据量的不足，AI所产生的结果（预测或推荐等）可能存在错误的情况。这时候，需要明确告知用户哪部分是AI所产生的结果，让用户自己决定是否信任内容而去进一步采纳。
在现阶段，AI与人工之间是相辅相成的关系，特别是在后台产品中，为了保证任务结果的准确性，用户还是会参与到过程中，人工辅助下，AI能获得更精准的结果。同时，AI产生的结果在一定程度上还是在辅助用户进行便捷的操作。
举个智能预测推荐的例子，在为对象打上数据类型的标签时，通过对内容的文本分析、整体内容的打标偏向，预判用户会为该对象打上什么类型的标签。如图所示：预测用户将会打的标签并进行操作提醒，但由用户自己决定是否采用。
数据类型智能推荐（图片来源：笔者设计稿）
解释机器是怎么思考的
现在算法智能在产品上的体现是隐形的，并且在弱智能环境下，算法能力还不能完全做到针对用户个性化、特定场景下的自主学习能力，这需要大量的数据来源进行训练。由于算法模型能力有限，并且会影响到产品形态及逻辑，因此与用户实际的理解会有差距，从而导致用户在使用过程中达不到想要的结果。
设计在这里发挥的作用既是在以目标为导向下，引导用户如何正确得利用智能能力以获得正确的结果，达到期望。
解释机器是怎么思考的有解释的程度之分，从智能化前台产品到后台产品，解释的程度及成本从低到高。
1. 初级阶段：解释怎么用
在初期阶段，主要引导用户如何使用产品，解释其如何开始运作。以chatbot产品为例：在面向消费者时，在会话起始需要引导用户开启意图，开启某个意图的方式是命中与意图相关的话术。引导用户明确自己的意图，在该意图下应该发出怎样的话术才能触发。
举个例子：在会话过程中进行购物，需要明确发出“买某某”的意图，引导其意识到要有“买”的关键词才能进入到购买的流程中。
对于chatbot的后台产品来说，首先需要认知后台和前台会话的关联性，如何产生前台的效果，相对应的功能分别产生怎么样的作用。举个例子，如图所示：在进行后台配置时，告知用户该功能是对应前台所展现的效果。
前后台对应展现（图片来源：AlimeBot Plantform）
2. 进阶阶段：解释需要做什么能更好得获得结果
在后台产品的配置中，会有一些算法配置方式，会使前台产品表现得更加智能。但是算法配置的方式，更多的是从算法角度出发，反推到业务中去解决问题，设计上需要建立两者之间的关系，使用户理解如何做能更好得获得前台展现效果。
举个例子：在面向chatbot的知识后台产品中，为了使用户话术能更好得命中知识语料，将引导用户对命中话术的关键词进行标注，增加句子的识别度。如图所示，在输入话术之后，提升用户进行话术的关键词标注。
关键词标注（图片来源：笔者设计稿）
3. 高级阶段：理解算法模型背后的知识（适用于后台产品）
针对知识型的后台，在大量知识的情况下，为了更好的维护及查看知识，将会对知识进行结构化的设定，结构化的规范来自于算法逻辑，需要用户对规范有一定的了解才能进行合理的配置及使用。另外还会对用户在业务上的梳理能力提出挑战。在这个阶段，初期在线下进行培训会比较便捷，后期可以考虑在产品上进行课程的培训。
另一方面，对于业务的梳理，产品设计上要尽量靠近用户现实的梳理思路及梳理现实情况。举个例子：业务小二通常使用xmind工具进行业务知识结构的梳理，在梳理的过程中有反复增删改、定位查看、全局查看的操作，对业务的梳理概况要有个整体性的掌控感。因此在工具优势的基础上进行设计，在产品中完成整体链路的编辑。
知识结构化梳理（图片来源：笔者设计稿）
对结果提供反馈的入口，以便进一步训练智能模型
对算法所展现的结果，给到反馈的入口，可以是一个点赞、点踩，也可以是一个留言入口。为智能化的过程形成一个闭环流程，使训练的智能模型能够更准确。设计师需要判断应该是怎样的反馈形式，如何吸引用户完成反馈。
鼓励用户对数据的内容进行反馈
当用户与产品进行互动时，给到用户的反馈不一定准确，可能存在未定位到，定位不准及定位错误的情况，在给到用户的解决方案不能满足用户时，最好追加一步询问，使用户对内容进行反馈。
通常在未定位到内容时，智能能力没有解决用户的问题，一般情况下需引导其到其他途径中去解决问题。在定位不准时，可能需要引导用户换一种说法去定位内容。若定位多次仍不准确，或定位错误的情况下，对给出的结果进行评价，针对给出的评价能够进入到对应的递进途径中去解决问题。目前为了保证用户完好的体验，都需要有人工服务来兜底解决。
对于智能能力来说，引导用户对数据内容进行评价反馈，可以使得智能模型维护人员进行更有针对性得调整，使智能能力更加精准。
了解技术的边界
为什么谈设计机会还要聊“要了解技术的边界”？
技术是实现的基础，特别是在新兴领域中，对技术的理解是实现设计的基石。笔者认为设计师了解技术边界有以下两个方面的优势：
- 更好得洞察设计机会。在智能化的新领域中，对技术的理解可以帮助设计师更好得理解产品背后运行的逻辑，你可能会在技术基础上对技术传递和用户接收之间产生一些判断：是否要将技术能力透出给用户感知？如果透出，如何让用户进行理解及信任？
- 更深得参与讨论，提供设计决策，帮助算法、开发明确优化内容的方向。能够和算法、产品针对设想的方案进行有技术理解的讨论，可以明确哪些体验点能够实现，哪些存在困难，困难点在哪里，明确体验点的优先级，为算法、开发明确在体验层面上技术可以发挥的精益作用。
本文素材来自互联网
