正確的設(shè)計可以使更多的數(shù)據(jù)科學(xué)見解（甚至是不完美的，概率性的見解）。

我們生活在機器學(xué)習(xí)時代。 這意味著我們所制造的產(chǎn)品越來越少地以事實為依據(jù)進行交易：相反，它們越來越依賴于推理，預(yù)測和推薦等概率性事物。 根據(jù)定義，這些事情具有不確定性。 不可避免地，它們將是錯誤的。

但這并不意味著它們沒有產(chǎn)品價值。 畢竟，您可能寧愿知道下雨的幾率是50％，而根本沒有天氣預(yù)報。 我們?nèi)绾尾拍軓腻e誤的算法中釋放用戶價值？ 我們可以做預(yù)測所要做的事情：設(shè)計產(chǎn)品時要先于不確定性。

在機器學(xué)習(xí)時代，設(shè)計能夠傳達確定性的產(chǎn)品可能會帶來巨大的競爭優(yōu)勢：

· 它可以解鎖新的價值。 通過授權(quán)用戶就如何使用它們做出自己的判斷，而不是決定并什么都不做，我們可以產(chǎn)生并發(fā)送更多的數(shù)據(jù)科學(xué)見解-甚至是不完美的，概率性的見解。

· 它可以減少風(fēng)險。 傳達不確定性是免責(zé)聲明：用戶可以權(quán)衡證據(jù)并得出結(jié)論的風(fēng)險由自己承擔(dān)，而不必以產(chǎn)品的面值提出索賠，并使產(chǎn)品對不透明，錯誤的結(jié)論負(fù)責(zé)。

· 它可以提高可用性。 好的設(shè)計可以使用戶看到產(chǎn)品在做什么：系統(tǒng)狀態(tài)的可見性是Nielsen Norman進行用戶界面設(shè)計的第一種啟發(fā)式方法。 不確定性的可見性為用戶節(jié)省了自己弄清楚某事物的可靠性的痛苦。

這一切有問題嗎？ 不確定性很難設(shè)計。 機器學(xué)習(xí)表示概率的不確定性，但是概率不是產(chǎn)品：普通人不想鉆研p值和置信區(qū)間，設(shè)計人員也不想創(chuàng)建充滿星號和技術(shù)知識的復(fù)雜怪獸。 此外，非專家不太擅長解釋原始概率，有時會將其轉(zhuǎn)變?yōu)榭膳碌膽?zhàn)略決策。

我們應(yīng)該傳達產(chǎn)品中的不確定性，但是我們需要有效的，以用戶為中心的設(shè)計解決方案來做到這一點。 在本文中，我將介紹三種效果很好的設(shè)計模式：

· 展示你的作品

· 顯示單個數(shù)據(jù)點

· 讓用戶完成難題

為了具體起見，我主要從Context（我們的法律數(shù)據(jù)分析產(chǎn)品）中提取示例，該產(chǎn)品從數(shù)百萬司法意見的語言中提取有用的見解。 這是將機器學(xué)習(xí)產(chǎn)品化的絕佳平臺，因為我們的律師用戶群可以高度懷疑概率，完全不容忍錯誤。 我們在設(shè)計適用于他們的產(chǎn)品方面學(xué)到了很多東西！

設(shè)計模式1：展示您的作品

這里的公式很簡單：提供您的概率見解（現(xiàn)在機場有點繁忙...），并讓用戶知道您的算法是如何到達的（...基于對這個地方的訪問）。 Google Maps這樣做：

這可以使您的見解更具辯護性和實用性：用戶可以根據(jù)他們在方法論中看到的任何特定偏見或限制進行調(diào)整，并自己決定結(jié)論的信心。

在上下文中，我們的見解基于司法文件的書面語言。 下面，我們的語言算法發(fā)現(xiàn)了一位專業(yè)證人Giles博士和一家律師事務(wù)所Thompson＆Knight有一個先前的聯(lián)系：他們過去似乎互相反對（在決定是否要 聘請Giles博士）。 我們的設(shè)計顯示了導(dǎo)致算法得出該結(jié)論的確切語言。 這可以幫助用戶驗證結(jié)論，并且可以進一步深入了解該專家和律師事務(wù)所如何相互了解：

在推薦引擎的世界中展示您的工作也很方便。 下面的設(shè)計以完整句子的形式進行：

這種設(shè)計從字面上告訴用戶該算法的工作原理：從本質(zhì)上講，該算法只是吸引過去的客戶作為推薦者，這是一種稱為協(xié)作過濾的聰明技術(shù)。 通過完全透明，設(shè)計消除了滿足不確定的潛在期望的算法，例如推薦相似，相關(guān)或誘人的產(chǎn)品。

最后，有時展示您的作品可能會成為主要的吸引力。 在拉威爾法（Ravel Law），我們建立了一個實驗性動議結(jié)果預(yù)測器，該預(yù)測器可計算出法院將批準(zhǔn)某項動議的機會百分比，并顯示出不同的因素（如主張的辯護類型）如何憑經(jīng)驗或多或少地獲得授權(quán)。 我們通過簡單的可視化展示了因子權(quán)重：

我們向預(yù)報員展示的律師比對結(jié)果的精確預(yù)測要更感興趣的是了解這些單獨因素的作用-他們在起草議案時可以控制的可操作性。 預(yù)測是困難且不確定的，但是顯示我們（模型）的工作為我們的律師提供了有用的參考。

設(shè)計模式2：顯示單個數(shù)據(jù)點

如今，單個數(shù)據(jù)點很少，這似乎是遺物，許多設(shè)計重點在于如何以數(shù)據(jù)儀表板的形式將大量數(shù)據(jù)集抽象為人類可理解的概括。 但是泛化會給我們帶來麻煩，尤其是在數(shù)據(jù)稀疏的情況下。 矛盾的是，大數(shù)據(jù)意味著我們現(xiàn)在比以往擁有更多的小型數(shù)據(jù)集，將大數(shù)據(jù)切片和切塊的結(jié)果縮小到我們感興趣的范圍。我們應(yīng)該針對小數(shù)據(jù)固有的不確定性進行設(shè)計。

此外，在大小數(shù)據(jù)集中，當(dāng)數(shù)據(jù)實際上遵循與我們假設(shè)不同的分布時，匆忙下結(jié)論可能會帶來麻煩。 潛在的分布可能是偏斜的，雙峰的，甚至是相反的，如本例中的辛普森悖論所示：

對于產(chǎn)品而言，揭示單個原始數(shù)據(jù)點可能更安全（通常更有用），從而傳達其結(jié)論是否可靠的不確定性。 考慮一下我們的Context設(shè)計之一，它顯示了專家證人在法庭上成功取證的成功記錄：

最初的設(shè)計需要大量的"匯總統(tǒng)計數(shù)據(jù)"，正如我們所說的那樣-多個條形圖斷定了專家在各種情況下的證詞接納率。 問題在于，許多專家只有一個或兩個結(jié)果，這不足以使這些圖表可靠地發(fā)揮作用。 我們本來會很笨拙地宣布，每個數(shù)據(jù)點都支持0％和100％的導(dǎo)納率，這在技術(shù)上不是錯誤的，但暗示著專家作證的方式過于確定。 取而代之的是，我們的最終設(shè)計將專家證言的每一個挑戰(zhàn)形象化，讓用戶發(fā)現(xiàn)模式并自行判斷他們應(yīng)該如何對待它們。

設(shè)計模式3：讓用戶解決難題

機器學(xué)習(xí)可以做令人驚奇的事情-但它仍然不能解決所有問題，難題的某些部分最好交給人類。 一種算法可能擅長查找片段，但不確定整體解決方案。 我們的設(shè)計應(yīng)為用戶安排這些作品，并自行設(shè)置完成拼圖。

當(dāng)涉及人工智能尚未真正解決的高階問題（例如解釋因果關(guān)系）時，這種想法最為有趣。 我們的上下文用戶看到隨著時間的流逝，影響特定公司的訴訟數(shù)量激增，并想知道是什么導(dǎo)致了這些激增。 我們的設(shè)計在平行的時間軸上安排了法律案件和新聞報道群，邀請用戶自己推斷因果關(guān)系。 在這里，用戶可能會假設(shè)涉及Chipotle的法律案件激增可以由稍早一些有關(guān)Chipotle和E. coli的新聞頭條解釋：

這樣的問題-為什么會發(fā)生什么，接下來會發(fā)生什么，您應(yīng)該怎么做-很難解決并且冒險做出明確的回答。 但是我們不必做任何事情，至少不是完全沒有做。 通過暗示性地排列算法確實找到的難題部分，產(chǎn)品設(shè)計可以激發(fā)用戶進行思考，充實和評估的想法，從而使人類處于循環(huán)中，以從不完善的機器學(xué)習(xí)中提取價值。

最后的想法

通過設(shè)計不確定性，我們可以解鎖全新的產(chǎn)品，在這些產(chǎn)品中，機器學(xué)習(xí)對于傳統(tǒng)設(shè)計可能不夠精確。 我提供了產(chǎn)品設(shè)計可以傳達不確定性的三種方式：展示他們的工作，揭示單個數(shù)據(jù)點以及讓用戶完成難題。 但是，隨著機器學(xué)習(xí)的發(fā)展，以及用戶對不確定性的更深入思考以及道德和法規(guī)要求透明性，我們揭示不確定性的設(shè)計解決方案范圍肯定會增加。 我期待看到我們的想法。