數據驅動人工智慧時代下的使用者研究

本文是我 7/21 在香港大學中國商學院 (Institute for China Business) 北京教學中心的專題演講內容:〈數據驅動人工智慧時代下的使用者研究〉。現場演講用的簡報是簡體版,我翻成繁體版之後放上 Slideshare,文末有簡報並提供下載。本文仍以簡體簡報說明。

本文所提出的模型與架構,欲引用者請與我聯絡

要討論數據驅動人工智慧時代下的使用者研究這個議題,必須從回答兩個問題開始。

問題一:人工智慧時代需要使用者研究嗎?

在個人電腦、平板或手機時代,人機互動的模式是 WIMP (W:Window 視窗;I:Icon 圖標;M:Menu 選單;P:Pointing Device 指向工具)。

想像一下,在操作有鍵盤的 (桌上型或筆記型) 電腦時,如果要完成一個任務,例如有一個觀看在某資料夾內的簡報檔案的「目的」,你必須使用滑鼠或鍵盤這些這些「指向工具」去點擊檔案總管的「圖標」,然後「視窗」打開,你再點擊某些圖標,有下拉式「選單」,從中再點擊某些文字項目或圖標,經過一連串的動作之後,終於「完成」打開並觀看簡報的目的。

其他的任務,例如播放音樂、閱讀新聞等等,也正是在一連串 WIMP 中,經由「想法」、「判斷」和「執行」的循環,從有目的到完成任務。

然而,在人工智慧時代,「目的」和「完成」之間已不再需要經過那麼多步驟,以語音互動為例,僅出目的便已完成。例如,對著語音助理說:「Siri,播放音樂!」音樂便悠然而出;其他方式如手勢或眼神,也是同樣能達到目的操控方式。

在個人電腦、平板或手機時代,如果使用者研究是在研究人的「想法」、「判斷」和「執行」,到了人工智能時代,沒了這些可研究的目標,那麼,使用者研究還有存在的必要嗎?

答案:當然需要,甚至更加需要。

問題二:大數據分析就是使用者研究嗎?

統計分析就是一種猜測 (學術一點的叫做推論)。猜測得準確與否的要素之一是樣本數量。在大數據時代,使用者的各樣數據都被紀錄 (record everything) 之後,理論上,數量已經算是非常接近母體,那麼,這就算是使用者研究嗎?

答案:當然不是。

誰來捕捉這關鍵時刻 (Moment of truth)?靠人還是靠機器?

在人類的生活經驗中,有許多關鍵時刻 (Moment of Truth, MoT) 發生在內在自我 (impact & contribution)、人與人之間 (Connection & Growth) 和外在表現 (Socialization & Performance),如果沒辦法親身感受,是很難捕捉那人類獨有的情感時刻。而無法真實去感受的機器,就沒辦法抓取這關鍵時刻。

數據是驅動人工智慧的燃料

人工智慧 ABC

人工智慧的基本組成,若簡單地以 ABC 來說,可分為 Algorithm (演算法)、Big Data (大數據) 和 Cloud Computing (雲端計算,代表 Computing Power 運算能力),其中的演算法 (A) 和 大數據 (B) 著重的是準確度, 運算能力 (C) 則強調的是速度。

人工智慧下的技術本質與商業本質

人工智慧的技術本質是「分類」,有些人會說是分群或迴歸,但基本上我還是採用以分類為簡易且能理解的本質。你或許都聽過訓練人工智慧機器的辨識「這是不是一隻貓」的故事。最後人工智慧給的答案都會是類似:86.2% 的機率是貓、43.3% 的機率是豹、13.7% 的機率是狗。這就是在分類,你也可以理解為在每一個畫素 (pixel) 人工智慧機器正在「做分類」,最後給出一個答案的可能分布。

而在商業環境中,其本質在於「效率」的競爭,高則勝,低則敗。這不難理解。但是在技術與商業間存在著鴻溝,從「分類 」跨越到「效率」,必須仰賴人在當中做出「決策」,也就是說,人類必須藉助人工智慧的分類技術,做出最佳決策,以提高商業運作效率,才能提升競爭優勢。

協同打造人工智慧轉型契機的三種人

從技術到商業,很多企業想要借力人工智慧,於是開始胡亂投醫下藥,以為雇用幾個工程師,或找一間顧問公司就能華麗轉身,成為數位轉型新典範,或是成為人工智慧公司。

首先,有一件事情必須先澄清:不要想像自己可以成為所謂「人工智慧公司」,因為沒有這樣的公司。你想想,你公司裡每人配備一台電腦,外加一隻智慧型手機,你們利用這些工具營利謀生,你會說你公司是電腦公司兼智慧型手機公司嗎?當然不會!你還是在經營醫美診所、出版社、共享廚房、廣告公關公司…,你只是用了人工智慧的技術幫助你營運得更好而已。

想要跨入人工智慧領域,我認為有三種人必須協同合作才能發揮優勢,分別是:科學家 (AI Scientist)領域專家 (Domain Expert)引導者/促進者 (Facilitator)

人工智慧科學家稀有,想請到他們出馬,你必定會付上昂貴的價格。所以,如果口袋不夠深,財力不足以支撐一人年薪 50 萬美金的你,找到能提供「類似」服務的顧問公司或設計公司合作,或許是個可行之道。

同時,你的公司裡也必須要有相對應的領域專家加入,和科學家通力合作。你要知道,科學家雖然擁有博士學位,但他就只是科學家,面對你那個應用領域,他只能算是個小學生,必須要有人為他們指點迷津,領路說明那些數據、流程、任務等等族繁不及備載的細節。

最後,你一定要在的公司裡找到引導者/促進者,這是一群特殊的人,他們出自於公司內部,懂得如何跟領域專家溝通;但是他們又擁有人工智慧相關的知識,知道如何和科學家合作。他們介於兩者之間,他們是 25% 的領域專家,25% 的人工智慧科學家,50% 的引導技術 (技巧) 專家。

關於人工智慧在認知領域的三種應用類型

在哈佛商業評論一月份的文章〈Artificial Intelligence for the Real World〉裡提到:人工智慧可支持三類重要的業務需求:商業流程自動化 (流程自動化,Robotic Process Automation, RPA)、透過資料分析取得見解 (認知洞察,Cognitive Insight)、與顧客和員工交流互動 (認知互動,Cognitive Engagement)。舉例如下:

流程自動化

  • 把電子郵件和電話客服中心系統裡的資料,轉移到紀錄系統裡;例如,更新顧客檔案、改變地址或增加服務項目等。
  • 更換遺失的信用卡或提款卡,進入多個系統,更新各項紀錄,以及處理與顧客的通訊。
  • 從多種文件類型擷取資訊,以調和多個計費系統裡沒有收取服務費用的情形。
  • 使用自然語言處理技術,來「閱讀」法律和合約文件,擷取裡面的條款。

認知洞察

  • 預測某位顧客可能買什麼。
  • 即時找出信用詐欺,以及偵測保險理賠詐欺。
  • 分析保固資料,以找出汽車和其他製造品的安全或品質問題。
  • 自動化執行數位廣告個人化定向。
  • 提供保險公司更正確和詳細的精算模型建構。

認知互動

  • 智慧型代理人提供全年無休的顧客服務,處理的問題愈來愈多且廣泛,從密碼查詢到技術支援問題,全部以顧客的自然語言來進行。
  • 回答員工問題的內部網站,主題包括:資訊科技、員工福利、人力資源政策。
  • 為零售商設計的產品與服務推薦系統,可提高個人化、互動和銷售額,通常包括豐富的語言或圖像。
  • 醫療推薦系統,協助醫療業者制定量身打造的照護計畫,考慮到個別病患的健康狀況,與之前的治療方式。

關於人工智慧的四個發展方向

我提出人工智慧發展的四個方向,分別是: (Vision, 視覺)、 (Audio, 聽覺)、 (Movement, 移動) 和 (Thinking, Cognitive, 認知)。

人工智慧助力使用者研究的思考框架

將三種類型 (流程自動化、認知洞察、認知互動) 和四個方向 (視、聽、動、想) 以縱軸橫軸方式排列,排除重複的認知 (即「想」),則可得到 3×3 的矩陣。

以一場 6 個人的焦點小組訪談舉例來說:

在「聽」+「流程自動化」的碰撞中,如果有適當的錄音設備加上指向功能,能辨識方向與聲紋,在訪談結束後,自動分出哪一位參與者說了哪些話、哪幾位參與者有對話互動、互動品質如何… 等等,最後生成帶有時間戳記與人物對照的文字,可以大大幫助研究團隊提高彙整效率與準確度。

在「視」+「認知洞察」的碰撞中,如果有是當的臉部辨識功能,抓取每個參與者在每個時刻的面部表情,便可以辨識出某些需要解析參與者的情緒反應。若能即時提醒訪談主持人 (Moderator) 並採取相對應的互動,將能大大提高細微情緒變化與捕捉更真實情感的機會。

人工智慧時代下的使用者研究,是一種互補協作的關係,不是取代關係

之前已經提過,人工智慧的技術本質與商業本質,現在再將 (使用者) 納入這個系統框架當中。

我認為,對於使用者研究團對來說,所謂的研究就是擴大體會研究對象的經驗,也就是經驗的擴大。當研究團隊採用人工智慧技術時,就是透過分類技術,提供給我們那些可能的選項,再經由我們的經驗判斷,採取有意義的行動。


人工智慧讓團隊時間 (Team Time) 更有效率 (Productivity)。

當我們開始談論觀點 (Aspect),這些事情才有意義 (Meaning)。

簡報投影片

發表迴響