Inteligencia artificial en entornos de product design
Un artículo condensado de algunas investigaciones enfocadas hacia el machine learning con foco human centered
A pesar de que la AI (inteligencia artificial) esté en nuestro entorno, empujando algunas de nuestras aplicaciones, muchas veces se presenta la incógnita de como puede convertirse en un recurso de utilidad para los diseñadores de producto, pensando desde el punto de vista de la generación de ideas, iteración, y creación de conceptos.
¿Dónde podemos ver la AI al día de hoy? Netflix es un caso muy popular para entender el potencial de esto, ¿Cómo influye Netflix en nuestro uso?, básicamente en la personalización de experiencias, en aprender sobre nuestro comportamiento a nivel de uso (como vemos series y pelis) y mostrarnos contenido enfocado en nuestros intereses, lo que “si nos gusta” o en otros casos, predecir lo próximo que veremos, ¿Que logra Netflix con esto?, mayor enganche, mejor retención de los usuarios existentes de la plataforma (que sigamos pagando la membresía) y competir directamente con otros servicios de streaming que buscan posicionamiento.
Si bien decir que la AI puede ser el recurso ideal para los diseñadores, verlo en la práctica parece mas complejo. Al día de hoy, podemos ver el resultado de “productos” que trabajan con estas tecnologías, pero es sólo una pequeña parte en cuanto al potencial de uso que puede tener, ejemplos como el chat GPT o las apps de generación de imagen son solo un recurso “tangible” de la exploración y la implementación de estas.
Es relevante, no desestimar la importancia de aprender AI o ML. Así como la introducción a los dispositivos móviles marcó una nueva era en el diseño digital, en la creación de productos y la experiencia de usuario, la AI ya está creando nuevas definiciones en como se conceptualizan y se van a crear los productos del mañana. La inteligencia artificial está detrás de cada una de las interacciones más importantes de la actualidad: interfaces de voz (diseño VUI), interfaces predictivas, bots, etc.
El trabajo y la oportunidad para los diseñadores es orientar las máquinas hacia los problemas que vale la pena resolver y presentar los resultados de manera significativa y útil para nuestros usuarios. — Josh Clark, Founder at Big Medium
Definamos algunos conceptos
La AI no es un campo nuevo en el mundo de la informática, se formalizó en la década de 1950, sin embargo, representa un nuevo campo a explorar para quienes nos dedicamos a la práctica de diseño y experiencia de usuario.
- Inteligencia artificial: se caracteriza por hacer que las “máquinas” sean inteligentes, para que puedan reconocer patrones y así ayudar a las personas a resolver ciertos desafíos. Es decir, la AI toma decisiones basadas en una predicción a través de ciertas reglas, como por ejemplo, “si llueve, hay que usar el paraguas”.
- Aprendizaje automático (ML): se caracteriza en que las decisiones se aprenden. Son sistemas que mejoran progresivamente la forma en que se ejecuta una tarea a medida que acumulan experiencias o datos.
¿Cuáles son las características principales de la AI?
- Autonomía: capacidad de ejecutar tareas en situaciones complejas sin la dirección constante del usuario.
- Adaptabilidad: capacidad para mejorar la ejecución de las tareas aprendiendo de la experiencia.
Los diseñadores deben resolver la fricción entre obtener la información que la IA necesita saber y la información que los usuarios están dispuestos a proporcionar. — Elaine lee, Twilio
Introducción al aprendizaje automático (ML)
Como diseñadores podemos enfocarnos en el entendimiento del ML (subcategoría de la AI) como campo de estudio para la mejora de productos en los cuáles trabajamos.
Pero antes de adentrarnos a las oportunidades, hay que hacer un repaso por 3 conceptos que explican los tipos de aprendizaje automático (ML).
- Aprendizaje supervisado: permite hacer predicciones utilizando datos correctamente etiquetados, por ejemplo: fotos con hashtags asociados o tablas de información con diferentes características.
- Aprendizaje no supervisado: es útil cuando tenemos datos sin etiquetar o no estamos seguros de qué resultados son importantes. En ese caso podemos identificar patrones entre los datos.
- Aprendizaje reforzado: no usa un conjunto de datos existente, trabaja a través de una prueba y error usando un agente para recopilar sus propios datos donde se refuerza con una recompensa. Está inspirado en la forma en la que los humanos aprenden.
¿Qué oportunidades podemos encontrar?
- El ML puede ayudar a crear productos centrados en el usuario al personalizar las experiencias para las personas que los usan, esto nos permite enfocarnos en hacer mejores recomendaciones, tener resultados de búsqueda más óptimos, pensar en notificaciones mas asertivas y mostrar anuncios enfocados en necesidades reales.
- Identificar anomalías, es especialmente efectivo para encontrar contenido anormal, algunas empresas bancarias usan esto para detectar fraudes, los proveedores de mail los usan para detectar el famoso spam y las redes sociales lo usan para detectar discursos de odio o contenido explícito.
- Proyecciones de comportamiento, nos permite entender sobre como un usuario se comportará en una situación en especifico, sabiendo esto podemos anticipar las próximas acciones, por ejemplo, si un usuario planea ver un video, podemos precargar ese contenido para que esté disponible de forma inmediata.
El diseño y el aprendizaje automático funcionan como un volante: cuando están conectados, cada uno proporciona valor al otro. Juntos, abren nuevas experiencias de productos y valor comercial. — Matthew Strom, Stripe
Las posibilidades en diseño
Como diseñadores debemos adaptar nuestras estrategias de investigación a recibir feedback para evaluar a tiempo el rendimiento de los sistemas de ML a través de procesos cuantitativos a medida que aumentan los usuarios y casos de uso, así como comprender como evolucionan los modelos mentales entre el éxito y la falla.
Por ejemplo, Google a menudo te pregunta si los resultados o las recomendaciones basadas en la búsqueda son útiles para ti, esto en definitiva ayuda a que el sistema aprenda y refine lo próximo a mostrarte.
Hay un estudio hecho sobre la reciprocidad entre los usuarios y las computadoras de Clifford Nass y Bj Fogg que encontró que es más probable que un usuario ayude o esté de acuerdo con una “computadora” que les haya ayudado anteriormente, lo cuál ayuda a que la espera de feedback tenga un efecto positivo. Entre otras cosas, combinado con el modelo Hook de Nier Eyal, será más probable que los usuarios inviertan y crean en la AI si experimentan los beneficios de uso, parecido al auge que estamos observando al día de hoy con los servicios de imágenes y creación de contenido.
- Identifica si ML resuelve el problema que has identificado, hay muchos problemas que no requieren de ML para ser resueltos, es allí donde mantener conversaciones con el equipo de desarrollo puede ayudarnos a orientar el camino a seguir.
- ML no descubrirá los problemas a resolver, si bien ML nos puede proporcionar una cantidad de datos extensa, como diseñadores tenemos que seguir trabajando en encontrar o detectar las necesidades de usuario, ya que si otorgamos toda la responsabilidad y estrategias a ML solo construiremos un sistema más poderoso que no está alineado con una necesidad real del usuario.
- Implementar pruebas al estilo Mago de Oz, hace que los participantes crean en lo que están viendo frente a ellos, por ejemplo, si quieres validar un chat con ML, puedes crear una interfaz sencilla en Figma, Protopie o incluso usar las aplicaciones colaborativas de Google para emitir una respuesta a una pregunta. Cuándo se percibe que el sistema parece inteligente, los participantes podrían generar mayor compromiso y naturalmente tenderán a formar un modelo mental del sistema o ajustarán su comportamiento con base en las respuestas e interacciones.
- En otros casos usar ejemplos personales en la creación de prototipos, puede ayudar a reformar aún más el compromiso.
Por ejemplo, en una sesión de investigación pedir a los participantes antes de la sesión que traigan fotos y datos de sus películas favoritas y simular que el sistema devuelve la recomendación de una película incorrecta (que al usuario no le gusta), para ver como reacciona y que suposiciones hace sobre por qué el sistema le devolvió ese resultado. Este tipo de pruebas, ayuda a evaluar el valor y los beneficios de estas posibilidades.
- Además de los wireframes y prototipos, existen las etiquetas, un aspecto esencial en el ML para tener un conjunto de datos sólidos para entrenar a un modelo que pueda reconocer o predecir “algo”.
Ejemplo: reconocer a un gato y un no gato ó reconocer a una persona que levanta la mano entre una persona que no levanta la mano, teniendo en cuenta los casos dañinos donde alguien puede levantar la mano para dar un saludo nazi.
¿Por qué es importante para mejorar la experiencia?
El aprendizaje automático representa una oportunidad en simplificar procesos y abrir espacios en la experimentación, ya que la gran recolección de datos nos puede brindar un mayor entendimiento del comportamiento del usuario e incluso nos ayuda a predecir próximos intereses o intenciones por lo que podríamos descubrir oportunidades “prematuras” y presentar propuestas.
La personalización será cada vez fundamental para garantizar el enganche de los usuarios con nuestros productos, mejorar los resultados de marketing, mejorar la eficiencia y reducir los costos. Tal como lo hacen empresas como The New York Times, que tienen una revista en físico igual para todos, pero en digital los títulos y noticias se “acomodan” según el lector basado en comportamientos previos de búsqueda y lectura ó como lo hace Spotify a la hora de recomendar nuevas canciones, usando nuestras búsquedas, escucha pasiva y también la forma en la que denominamos que una canción nos gusta mediante el like, por lo que también es necesario entender que la participación activa de los usuarios es necesaria para que las sugerencias y predicciones tengan mayor sentido.
En el futuro imaginemos entrenar un algoritmo ML que pueda imitar a nuestros usuarios y que a la hora de lanzar nuevos features, este modelo nos muestre la efectividad a nivel de usabilidad o aun mejor imaginemos a Figma prediciendo la usabilidad de un wireframe basado en los datos que tiene de nuestros usuarios.
Los diseñadores están calificados de manera única para ampliar los límites de lo que ML puede hacer y cómo los algoritmos pueden brindar valor real a los usuarios y a las empresas, como parte de un ciclo de innovación de productos. — Mateo Storm, Stripe
Hay que tener presente que como diseñadores de producto, tenemos la responsabilidad de usar e impulsar la inteligencia artificial generando valor en momentos clave para los humanos.
El lado oscuro
Con tanto potencial viene una gran carga de responsabilidad y es que surge el concepto de «sesgo algorítmico», que apunta a la incorporación de una tendencia a discriminar en función del origen étnico, el género u otros factores a la hora de tomar decisiones sobre solicitudes de empleo, préstamos bancarios, etc.
Por ejemplo, se comprobó que, al hacer búsquedas de profesionales con nombres de mujer, LinkedIn preguntaba al usuario si en realidad quería escribir un nombre masculino similar. Así pues, al buscar «Andrea», el sistema te preguntaría «¿querías decir Andrés?». Si las personas hacen clic ocasionalmente en el perfil de Andrés, quizás por curiosidad, el sistema potenciará aún más este resultado en las búsquedas posteriores, reforzando aun mas el sesgo.
También se dan otros casos, como crear pruebas totalmente falsas, los humanos usualmente creemos en lo que vemos, por lo que está siendo mas fácil hacer publicidad engañosa, introducir información política errónea y un sin fin de falsas noticias para crear pánico a conveniencia.
En síntesis, la inteligencia artificial se perfila como una herramienta transformadora en el diseño de productos, brindando oportunidades para crear experiencias más personalizadas. Sin embargo, debemos ejercer nuestra responsabilidad como diseñadores, asegurando que la implementación de la AI sea ética y centrada en el usuario. La clave está en equilibrar la innovación con la responsabilidad, creando productos que no solo sean eficientes, sino también humanos.
Algunas referencias:
