Machine Learning y retos de diseño centrado en el usuario

El aprendizaje automático o aprendizaje de máquinas (del inglés, «Machine Learning») es una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras «aprender». Es decir, se trata de crear programas capaces de generalizar comportamientos a partir de una información suministrada en forma de cientos (o miles) de casos de ejemplo.

Como ocurrió con el auge del móvil, y antes de la web, el Machine Learning nos llevará a repensar, reestructurar y considerar nuevas posibilidades para las experiencias que construimos. A medida que esta tecnología se extienda, será esencial construir intencionalmente la experiencia del usuario para que el usuario controle esa tecnología y no al revés. Es, por tanto, una tendencia que debemos tener bajo nuestro radar de diseñadores de experiencias.

En Google Design han identificado algunas retos de diseño centrado en el usuario (bajo la denominaciñon de HCML o aprendizaje centrado en humanos), cuando trabajamos en entornos de Machine Learning:

1. No esperes que Machine Learning averigüe qué problemas resolver
Como siempre, si el uso de la tecnología no está alineado con una necesidad humana, sólo va a construir un sistema muy potente para abordar un problema muy pequeño -o tal vez inexistente- . Así que el primer punto es que todavía debemos hacer todo el trabajo duro de investigación para encontrar las necesidades humanas. Etnografía, entrevistas en profundidad, encuestas, etc.

Como diseñadores, ya disponemos de herramientas para guiar este trabajo, independientemente del paradigma tecnológico dominante.

2. Valora si la solución debe ser Machine Learning
Una vez hayamos identificado la necesidad o necesidades a abordar, debemos evaluar si Machine Learning es la solución a aplicar. Hay muchos problemas que no requieren soluciones de Machine Learning. Un desafío en el desarrollo del producto es identificar qué experiencias requieren Machine Learning y cuáles mejoran significativamente con us uso, y separarlas de aquellas que no se benefician o incluso son perjudicadas por ella.

Por ejemplo, Gmail busca frases que incluyen palabras como «archivo adjunto» y «adjunto» para que aparezca un recordatorio cuando haya olvidado un archivo adjunto. Las heurísticas funcionan muy bien aquí. Un sistema que incorpore Machine Learning probablemente encontraría más errores potenciales, pero sería mucho más costoso de construir.

Debemos pensar en términos de cómo serían los modelos mentales y las expectativas de los usuarios al interactuar con un sistema de Machine Learning. Para ello, Google ha creado un conjunto de ejercicios para ayudar a los equipos a entender el valor del Machine Learning en sus casos de uso, con algunas preguntas clave que aparecen en el artículo. Cualquier aspecto que tenga un impacto significativo en el usuario y sea posible únicamente por Machine Learning es lo que deberíamos priorizar.

3. La importancia del prototipado
Un gran desafío con los sistemas Machine Learning es el prototipado. Si el valor total de un producto de Machine Learning es que utiliza datos específicos del usuario para adaptar y personalizar una experiencia, el prototipo debe ser real y parecer auténtico. No podemos esperar a testear el producto con un sistema completamente construido para validar el diseño porque, probablemente, será demasiado tarde para cambiarlo.

En este punto, hay dos enfoques de investigación del usuario que pueden ayudar. El primero es el uso de ejemplos personales de los participantes como base de pruebas. Al hacer la investigación del usuario con las primeras maquetas, los participantes traen algunos de sus propios datos a las sesiones. Con estos ejemplos, puede simular respuestas correctas e incorrectas del sistema.

El segundo enfoque es utilizar lo que denominan experimentos de Mago de Oz. Se trata de una investigación de interacción humano-ordenador en donde sujetos determinados se someten a la interacción con un sistema que ellos creen autónomo, pero que en verdad está siendo controlado a escondidas por otro sujeto, el llamado Mago de Oz. Observar sus adaptaciones y las interacciones con el sistema es de gran valor para evaluar las decisiones de diseño.

4. Falsos positivos y falsos negativos
Un sistema Machine Learning tiene como objetivo aprender y, por tanto, cometerá errores. Es importante entender cómo se perciben estos errores y cómo pueden afectar la experiencia del usuario con el producto.

En términos de Machine Learning, necesitaremos hacer concesiones conscientes entre la precisión y la recuperación del sistema. Es decir, decidir si es más importante incluir todas las respuestas correctas, incluso si esto significa dejar entrar más erróneas (optimizar para recordar) o minimizar el número de respuestas incorrectas a costa de dejar de lado algunas de las respuestas correctas. (optimizar para precisión).

5. Estrategias de búsqueda y retroalimentación de usuarios
Los sistemas Machine Learning que mejor funcionan tratan de evolucionar con el tiempo alineados con los modelos mentales de los usuarios. Cuando las personas interactúan con estos sistemas, están influyendo y ajustando el sistema que verán en el futuro. A su vez, esos ajustes cambiarán la forma en que los usuarios interactúan con el sistema, lo que cambiará los modelos … y así sucesivamente.

Esto significa planificar la investigación en el ciclo de desarrollo del producto. Tendremos que planificar el tiempo suficiente para evaluar el desempeño mediante medidas cuantitativas de precisión y errores a medida que aumentan los usuarios y los casos de uso, así como sentarse con las personas mientras usan estos sistemas para entender cómo evolucionan los modelos mentales con éxito y fracaso. Más investigación y más testing, señores.

Además, como diseñadores deberemos valorar cómo podemos obtener retroalimentación in situ de los usuarios durante todo el ciclo de vida del producto para mejorar el sistema. El diseño de patrones de interacción que faciliten la retroalimentación y muestre los beneficios de esa retroalimentación rápidamente son fundamentales.

6. Enseñar al algoritmo
Hemos crecido acostumbrados a wireframes, mockups y prototipos. Pero Machine Learning es completamente diferente. El desafío viene cuando te aventuras en un territorio donde el objetivo de tu modelo es predecir algo que pueda parecer subjetivo para tus usuarios, como si encontrarán un artículo interesante o una respuesta de correo electrónico sugerida resulta significativa.

En las primeras etapas de aprendizaje del algoritmo, es fundamental encontrar expertos que puedan ser los mejores profesores posibles para la máquina. Personas con experiencia en el dominio del problema, que aporten respuestas relevantes para cualquier predicción que se esté intentando hacer.

7. Machine Learning es un proceso creativo
Hay muchas maneras potenciales de abordar cualquier desafío con Machine Learning. El aprendizaje automático es un proceso de ingeniería mucho más creativo de lo que generalmente estamos acostumbrados. El entrenamiento de un modelo puede ser lento, por lo que los ingenieros terminan necesitando usar su imaginación frecuentemente cuando se ajusta un algoritmo. Nuestro trabajo es ayudarles a construir grandes opciones centradas en el usuario a lo largo de ese camino.

En definitiva, se trata de un espacio con múltiples oportunidades, lo cual puede suponer un arma de doble filo. A medida que Machine Learning empieza a incorporarse a más y más productos y experiencias, debemos aceptar la responsabilidad de liderar un diseño centrado en las personas, encontrar el valor único para ellos y hacer que cada experiencia sea excelente. Y todo ello soportado sobre una metodología que incorpore la investigación y el testing como elementos nucleares del desarrollo del sistema que aprende.