Microsoft 的 18 個「使用者與 AI 產品互動的設計原則」

論文出處：Guidelines for Human-AI Interaction

人工智慧技術的進展為使用者介面的設計提供了新的機會，但也帶來了新的挑戰。有些傳統的準則不一定完全適用在設計 AI 的產品，比如說產品的一致性是產品設計中已被廣泛接受的基本準則，但 AI 的產品會不斷透過分析與使用者的互動而進化，在設計 AI 產品時所在意的一致性和傳統的準則會有所不同。因此，新的人機互動的準則在各大 UX 會議或是科技媒體不斷被討論。例如先前討論過的 Google 以人為中心的設計機器學習產品設計原則，或是可解釋的 AI 的 LIME 分析架構，以及 Airbnb 已經實際應用在產品中的案例分享，都是大家在這個新的領域不斷摸索與試驗的成果。

這篇微軟即將於今年五月發表的論文即整理了近 20 年的研究論文，學術文章，或是業界發表的最新進展等等，並邀請了 49 位參與者，測試了 10 個產業類別中具有 AI 元素的產品功能，反覆與 UX 和 HCI 的專家討論後，整理出了這 18 個「人類與 AI 產品互動的設計原則」

圖一、本論文測試的 10 個類別的產品，以及其中的具 AI 元素的功能。圖片來源

對 49 位實驗參與者的測試結果如下圖二所示。這也是我認為本論文最有趣的一張圖表，統計測試者對於這些產品是否有符合這 18 個設計準則，(a) 是使用這認為有符合設計準則，(b) 是測試者認為該產品違反了設計準則，(c) 為不適用，(d) 為包含測試者認為違反，不違反，以及中性的意見。透過統計結果，可以看到 4 個面向：

1. 使用者最有感的設計準則：圖二 (d) 為統計所有測試者的回答後，排除掉測試者覺得不適用的，因此統計次數最高的為使用者最有感，最容易發現的準則，準則 1, 12, 17 是前三名使用者最有感覺的設計準則
2. 已被廣泛導入至 AI 產品功能的設計準則：圖二 (a) 中統計數字最高的即為目前相對已被廣泛導入至產品功能的準則，準則 1 ,4 ,12 為此範疇的前三名
3. 尚未被廣泛導入至 AI 產品功能的設計準則：圖二 (b) 中的前三名 2, 11, 17，為相對尚未被廣泛導入至產品功能的準則
4. 使用者較無感的設計準則：圖二 (c)為使用者回答「不適用」的設計準則，意即即使產品功能有符合，使用者也沒有發現。前三名 3, 5, 6 為使用者最為無感的設計準則。

圖二、49 位實驗參與者使用了 10 個不同領域的產品功能，針對 18 個設計準則所做的回答。圖片來源

以下即為作者整理的 18 個設計準則，我也盡量在這些準則中加入一些範例，雖然作者已經有提供微軟的產品來作為範例，但大部分的微軟產品我不是那麼熟悉。我找了一下我在使用的產品中可以作為例子的，卻發現大部分都是 Google 的產品。Google 產品中的 AI 功能隨處可見，其他公司的產品反而不是那麼明顯。

在使用者與產品開始互動之前

1/ 清楚告知系統可以做什麼，幫助使用者了解 AI 的能力可以做些什麼事 (Make clear what the system can do)

圖三以 Google Assistent 為例，AI 在一開始就清楚告訴使用者有哪些事情是他可以處理得比較好的，在最一開始的時候就讓使用者有合理的期待。

圖三、Google Assistent 在最一開始就清楚告訴使用者，有哪些事情是他可以做得比較好的，以及用戶該如何與他互動。

2/ 清楚告知系統可以做得多好，幫助使用者了解 AI 有多大可能性會犯錯 (Make clear how well the system can do what it can do)

下圖是 Google Assistant 的範例，用較為保守的口氣提供推薦的內容，避免使用者有過度的期待覺得 AI 推薦的內容會很精準。

圖四、用較保守的說法提供搜尋的結果。

在進行互動的時候

3/ 在正確的時間點並根據情境提供服務，知道在何時主動與使用者互動，並且根據使用者當時在做的事情，或是當時的環境，提供相對應的服務 (Time services based on context)

例如 Google Maps 根據使用者的現在位置，與要前往的目的地間的相對距離，分析目前的交通狀況，給與使用者提示與建議。

圖五、 Google Maps 根據當時的交通狀況提醒使用者並提供建議

4/ 提供與當時情境相關的資訊，顯示與使用者當時在做的事情，或是所處在的環境相關的資訊 (Show contextually relevant information)

例如下圖 LINE Today 的範例，當使用者到達捷運站時，推送相關的資訊，比如說公車轉乘資訊等。

圖六、LINE Today 可在使用者到達捷運站時，提供推播，以及轉乘資訊

5/ 符合期待的社交用語，當和使用者對話的時候，確定用語是因時制宜並且符合期待的 (Match relevant social norms)

圖七為三個向使用者解釋為什麼會推薦這樣的內容的範例。左圖為 Netflix 的影片推薦，向使用者解釋因為他看過某部動畫，所以也推薦其他類似的動畫。中間為 Amazon 的網站，並非商品推薦，比較像是提醒使用者查詢過的書籍尚未結帳，但也清楚告知使用者為什麼在這個區塊會出現這樣的內容。右圖為 Airbnb 的在地體驗 (Experience) 推薦，清楚地告訴使用者，因為你訂了某個地方的房間，所以推薦給你在那附近的在地體驗。

圖七、三個向使用者解釋為什麼會推薦這樣的內容的範例。左圖為 Netflix 的影片推薦；中間為 Amazon 網站的商品提醒；右圖為 Airbnb 的在地體驗 (Experience) 推薦。

6/ 減少會造成社交偏見的用語與內容，確定 AI 在和使用者互動時，其用詞不會造成不必要的刻板印象或偏見 (Mitigate social biases)

例如當搜尋科技公司的 CEO 時，出現女性的結果。為減少會造成社會偏見 (科技公司 CEO 多為白人男性) 的案例。

圖八、詢問 Google Assistant 科技公司 CEO 時，回傳的結果

當可能有錯誤發生時

7/ 讓使用者隨時可主動與 AI 互動，當使用者需要時，隨時可以喚醒或是主動與 AI 系統互動 (Support efficient invocation)

最直接的例子應是 Google Assistant 與 Amazon 的 Alexa 了，只要呼叫特殊的指令，就可以立即與 AI 系統互動

圖九、對著手機說「OK Google」 即可喚醒 AI Assistant 並與其互動

8/ 讓使用者可以輕易的選擇消除，或是離開 AI 提供的服務 (Support efficient dismissal)

以 Google Maps，他會推薦到達目的地的最佳路徑，但使用者可以自由選擇是否採用，或是消除，離開推薦的最佳路徑。甚至在導航中，不照著 Google Maps 建議的路徑行使，或是直接選擇離開，他也會重新計算推薦新的路徑。

圖十、Google Maps 的路徑推薦，使用者可自由選擇是採用或是忽略

9/ 當 AI 發生錯誤時，使用者可以輕易地編輯，修正，或是復原他 (Support efficient correction)：

再次用 Google Maps 作為例子，Your Timeline 可自動追蹤與定位使用者去過的地方，但使用者也可隨時編輯與修改這些地點，如下圖所示。透過這樣的用戶反饋，Google 可更精準的掌握用戶的地點，以及更優化他定位的技術。

圖十一、Google Maps 的 Your timeline 的功能，可讓用戶自行修改，編輯系統有辨識到但不完全確定的地點

10/ 當 AI 對於理解用戶的意圖不是那麼確定，或是對於提供的內容有所懷疑時，可以限縮提供的功能，並提供使用者多個選擇讓他做決定。 (Scope services when in doubt)

圖十二左為 Google Maps 的例子，AI 不是那麼確定哪一條路徑是最佳選擇，因此提供使用者多個選擇，以及做決定所需要的輔助資訊。圖十二右為 Google 搜索的範例，當使用者僅輸入一個字詞時，AI 不是那麼確定最好的 auto-complete 的答案是什麼，因此列出多個選擇，並用易懂的圖示來解釋該結果的意涵，比如說過去曾搜索的字詞，過去曾造訪的網站等等。

圖十二、當 AI 對提供的答案不確定較高時的互動範例：左圖為 Google Maps 的多個選擇與解釋；右圖為 Google Search 的多個 auto-complete 結果。

11/ 清楚說明為什麼 AI 這麼做，提供使用者可以看到這些資訊的方法 (Make clear why the system did what it did)

圖十三提供了三個範例：最左邊為 Instagram 的好友推薦，好友推薦是社交網站常見的推薦系統，他也清楚地告知為什麼系統會推薦你加他們好友，可能是「因為你的其他好友也有 follow 這個帳號」，或是「因為你有 follow 某個帳號 (所以你應該也會喜歡)」，或是「這個帳號有在你的通訊錄中」，或是「系統就是覺得你們應該要認識」等等。中間為 Google Maps 的景點推薦，用分數的方式告訴你為什麼 AI 覺得你會喜歡這個地方，比如說他覺得你會喜歡有名的咖啡廳，這個地方有 86% 符合你會喜歡的類型。右圖則為 Google Trips 的範例，解釋根據歷史資料顯示，AI 認為目前 Musée d’Orsay 美術館是遊客的當日高峰時段。

圖十三、清楚說明 AI 為什麼做這樣的推薦。圖左是 Instagram 的好友推薦；圖中為 Google Maps 的景點推薦；圖右則為 Google Trips 的當日景點遊客多寡推測。

隨著互動不斷持續進行

12/ 有辦法記得最近的互動，並讓使用者可以根據那最近的互動繼續往下行動 (Remember recent interactions)

以我們常做的搜尋為例：很多情況搜尋並不是一次性的，而是一個長期的過程，例如規劃一趟旅程或是學習新的事物。Google 在討論搜尋產品的未來藍圖時，有提到將會追朔使用者以前的搜尋紀錄和拜訪過的頁面，並在相關搜尋意圖出現時將這些資料整理給使用者。

圖十四、搜尋露營時，將之前的搜尋結果也一併呈現出來。圖片來源

13/ 學習使用者的使用行為並提供個人化的服務 (Learn from user behavior)

仍舊以 Google 搜尋為例，因為對使用者夠瞭解，所以 AI 得以學習使用者的喜好，在輸入任何搜尋字之前，就提供一些可能會感興趣的內容。

圖十五、在開始搜尋之前，就主動提供一些個人化的內容。圖片來源

14/ 當 AI 依據使用者最新的行為做改變時，小心改變的幅度過大而干擾使用者 (Update and adapy cautiously)

15/ 讓使用者可以在互動過程中不斷提供反饋，告訴 AI 他想要的內容是什麼 (Encourage granular feedback)

例如下圖 Google Lens 的範例，在顯示完結果後，用戶可根據該次結果提供反饋。

圖十六、Google Lens 詢問用戶反饋的案例

16/ 當使用者採取行動後，立即告訴他們這些行為會如何對 AI 產生影響 (Convey the consequences of user actions)

例如先前介紹過的 Airbnb 的範例，用小卡的方式提供房東建議，並清楚告訴房東採取行動後，會造成怎樣的結果，比如說提供優惠後預期可增加 44% 訂房率。完整的介紹可參考：

【Case Study】將資料分析應用到產品設計 — Airbnb 如何提供市場洞見給房東並給予建議

圖十七、透過小卡的方式告訴使用者採取建議後會造成什麼影響。圖片來源

17/ 允許使用者修改 AI 系統設定 (Provide global controls)

18/ 當 AI 系統有任何更新或修改時，通知使用者 (Notify users about changes)

有幾條準則一時之間不是那麼容易找到相對應的範例，如果有觀察到合適的案例會再放上來。

根據產品的不同特性，再細膩的產品，也難以完全符合這 18 個設計準則。但這篇論文提供了一個很完整的框架，讓我們在做 AI 的產品設計時，可以有個框架可以參考，然後再根據所要提供的功能，以及使用的對象，決定是否要將某個準則考慮到產品的功能中。畢竟從他的研究結果也發現，某些準則對使用者來說其實是相對無感的。另外，作者也在網站上提供了這 18 個準則的卡片、投影片、以及海報三種不同格式的檔案讓設計團隊容易取用。

[2019–03–15更新] 非常謝謝交通大學研究 HCI 的專家，Stanley Chang 教授的提點，修改了文中數個理解有誤之處，以及不恰當的範例，也讓我對其中幾個準則有更為深入的理解，萬分感謝！

掃描 QR code 或按此連結加入 LINE 可訂閱部落格最新的文章