《并非总是发现时间》：设计AI系统的四种实用方法

文献标题

‘It Is Not Always Discovery Time’: Four Pragmatic Approaches in Designing AI Systems

文献信息

• 主题领域: 人机交互与人工智能设计
• 关键词: 人工智能、设计流程、数据处理、设计方法、人机交互

研究背景与问题

• 问题与挑战: 随着人工智能（AI）系统逐渐融入日常技术应用，当前对设计师如何与AI协同工作的理解尚不充分。许多与AI相关的设计流程在实践中充满了不确定性，尤其是在与数据科学家和开发者的协作中容易产生沟通障碍。此外，如何让AI功能与用户需求紧密结合也是一个主要挑战。

• 重要性: 面向用户的AI产品设计直接决定了AI系统的使用效果和用户体验。研究如何优化AI产品的设计流程，不仅可以提升产品的价值，还能够为未来培养AI设计人才提供指南。

• 研究动机与相关工作:

  • 过去的研究多关注经验丰富设计师的实践过程，忽略了经验层次多样的设计师如何参与AI项目。
  • AI设计的新挑战包括理解AI的复杂能力、数据处理工作量、以及设计与开发团队在协作中的协调难题。
  • 本文旨在扩展AI设计领域的理解，通过研究来自不同背景与经验的设计师如何调整设计流程以适应AI的需求。

解决方案

• 方法和解决方案:

  • 通过对20位设计师的半结构化访谈，探索他们在AI设计项目中的实际实践和流程调整。
  • 提出了四种针对性设计方法的分类：a priori（先验方法）、post-hoc（后验方法）、model-centric（模型中心法）和competence-centric（能力中心法）。

• 创新之处:

  • 将设计流程与Mueller等人提出的数据科学五个人工干预阶段模型（发现、捕获、管理、设计、创建）联系起来，以更好地分析AI设计的干预点和挑战。
  • 提供了一个从团队动态与协作技能角度重新审视设计流程的方法，为多样化设计团队提供启发。

• 实施步骤与技术:

  1. 设计包含背景信息的预访调查问卷，收集受访者的项目背景及人口统计数据。
  2. 进行深度访谈，探讨参与者具体的设计实践、与数据的交互方式、与团队的协作、以及面临的困难。
  3. 通过主题分析对访谈数据进行编码，提取四个主要主题：数据与模型、流程、团队和翻译。

研究成果

• 具体成果:

  • 提炼出AI设计领域的四种方法：
    • a priori: 将AI模型视作已完成的静态模块，围绕模型设计界面。
    • post-hoc: 先完成UI设计，再让AI团队实现相关功能。
    • model-centric: 以数据模型驱动整个设计和开发流程，强调模型与设计的同步迭代。
    • competence-centric: 强调设计与开发团队分工合作，但通过不断对齐的同步确保流程协调。
  • 发现AI设计团队的主要挑战包括：与开发者及数据科学家的沟通困难、数据质量差异带来的问题，以及对用户需求与AI能力匹配的决策难题。

• 与现有方法的对比:

  • 本文的发现与之前研究存在差异，强调设计和技术之间的互动水平具有多样性，并描述了从低技术介入（a priori和post-hoc方法）到深度技术协作（model-centric和competence-centric方法）的渐进关系。
  • 坚持用更务实的方式取代以往对设计过程的“理想化”描述。

• 实验与评估结果:

  • AI设计团队的成功需要依赖于多学科协作和知识共享。
  • 设计师需要一定程度的AI基本知识以更有效地与技术团队沟通，并推进设计原型构建与数据验证工作。

• 局限性与未来方向:

  • 局限性：
    1. 研究样本尽管覆盖多样参与者，但未能纳入全球不同文化背景与组织类型的设计团队。
    2. 在对整个团队角色的解析中有更深度的分析空间。
    3. 设计流程的时间切片可能更复杂，未能完全覆盖这种复杂性。
  • 未来方向：
    1. 探讨如何将AI与设计流程更系统性地整合。
    2. 开发针对交互设计教育的指导模型，提高面向AI技术的设计专业能力。
    3. 调查不同组织规模和文化背景如何影响AI设计流程的选择与优化。

通过明确分类和对比分析，该研究为理解和改进AI设计实践提供了重要视角，同时为进一步探索AI设计领域中的教育和培训奠定了理论基础。