19. Januar 2018

Machine Learning (AI) für bessere User Experience

Ein grosses Thema im 2017 war der Durchbruch von Machine Learning, oftmals auch AI genannt. Im nächsten Jahr wird das wohl nicht anders sein, mit einer geschätzten Verdoppelung des Marktvolumens 2017-2018. Oftmals habe ich schon folgende Frage von Designern gehört: Was ist Big Data und was ist Machine Learning? Da das Ganze für viele Personen recht abstrakt ist, möchte ich im folgenden 6 Vorschläge machen, wie Machine Learning konkret eingesetzt werden kann, um die Usability bei Apps und Webapplikationen zu verbessern.

Intelligente Reaktionen auf Benutzereingaben

Die Eingabe einer Kategorie bei der Erfassung eines Produktes auf grossen Seiten wie ricardo oder eBay ist nicht gerade sehr angenehm. Es hat mehrere dutzend Kategorien und wir müssen uns dort durchnavigieren, um die richtige Kategorie für unser Produkt zu finden. Viel praktischer wäre es da, wenn für die Kategorie basierend auf dem eingegebenen Titel automatisch die Passendste vorgeschlagen würde. Genau eine solche Möglichkeit kann ein Machine Learning System bieten, dass auf eine solche Kategorisierung von Produkten trainiert worden ist.

So könnte der aktuelle manuelle Prozess verbessert, aber auch gleich noch die Suchresultate für Kunden genauer werden, da der Algorithmus die Produkte mit ähnlichen Titeln in die gleiche Kategorie einteilen würde. Wichtig dabei ist, dass das Wechseln der Kategorie vom Benutzer nachzuvollziehen ist und das System den Benutzer nicht zu fest bevormundet.

Durch Machine Learning können wir auch auf andere Benutzereingaben reagieren und damit dem Benutzer einige Schritte ersparen. Die Eingabe eines Textes in einer Umgebung, wo beispielsweise die Sprache für einen Text gesetzt werden muss, kann ein entsprechend trainierter Machine Learning Algorithmus die Sprache automatisch setzten und so dem Benutzer die manuelle Eingabe der Sprache ersparen. Gutes Beispiel dafür ist Google Translate. Wenn ein deutscher Text in der Box eingegeben wird, die eigentlich für Englisch vorgesehen ist, macht Google automatisch den Vorschlag auf Deusch zu wechseln.

Verbesserte Suchresultate

Genau wie Google kann man auf Apps oder Webseiten, die über Benutzerdaten verfügen, die Suchresultate je nach Benutzer anders sortieren. Man erstellt sogenannte Clusters – Benutzergruppen, die basierend auf deren Daten gruppiert werden. Danach lässt man das System die Klicks auf die Suchresultate aufzeichnen und trainiert das System mit diesen Klicks sowie anderen Benutzerdaten sukzessive. Mit der Zeit können danach die Suchresultate basierend auf den Klickraten verbessert werden, um so dem Benutzer bessere Suchresultate zu zeigen. Bestes Beispiel für diese personalisierten Suchergebnisse ist Google. Google sortiert die Suchresultate basierend auf den vorher durch den Benutzer geklickten Suchresultate, sowie anderen Daten, die der Suchmaschinenkonzern über seine Benutzer hat, um ihnen die relevantesten Informationen zu zeigen. Solche Suchen machen vor allem auf inhaltsintensiven Seiten Sinn.

Vorschlagsfunktionen

Die Vorschlagsfunktion ist wohl ein Paradebeispiel für Machine Learning Algorithmen. Zwei Vorreiter in der Entwicklung von neuronalen Netzwerken für Vorschlagsfunktionen sind Netflix und Spotify. Spotify beispielsweise setzt dabei auf 3 verschiedene Algorithmen:

• Clustering von Benutzern
• Natural Language Processing – Analysiert den Text des Liedes
• Audio – Analysiert die Tracks basierend auf den Audiodaten

Auch Netflix setzt auf Vorschlagsfunktionen wie das untenstehende Bild grafisch zeigt:

Wie können wir das nun einsetzten, um dem Benutzer eine verbesserte Experience zu bieten?

• Wir können dem Benutzer beim Erscheinen eines neuen Albums oder Films eine Push-Nachricht schicken, um ihn über die Neuerscheinung zu informieren.
• Wir können dem Benutzer Playlists anbieten, die zu seinem Geschmack passen
• Im Falle von grösseren Blogs können wir dem Benutzer andere Blogbeiträge basierend auf deren Content empfehlen, anstatt ihm nur eine Liste der Beiträge in derselben Kategorie zu zeigen.

Damit diese Systeme gut funktionieren, muss eine grosse Datenmenge vorhanden sein, damit die Machine Learning Algorithmen sich trainieren können. Dies kann entweder implizit durch das Aufzeichnen von Benutzerinteraktionen (Klicks, Verweildauer) gemacht werden oder explizit durch die Eingabe von Daten des Benutzers.

Wichtig dabei zu beachten ist, dass durch diese verbesserte Vorschläge die Benutzer nicht zu fest in einer Informationsblase geraten und nur noch diese Informationen sehen.

Automatische Übersetzungen

Da grosse Player wie Google durch maschinelles Lernen enorme Fortschritte in der Technologie machen, können deren Technologien genutzt werden, um dem Benutzer ein besseres Erlebnis beispielsweise in Apps zu bieten, wo die automatische Übersetzung immer noch eine Seltenheit ist. Mit den von Google entwickelten neuen Übersetzungstechnologien ist die Qualität der erstellten Übersetzungen extrem gestiegen. Designer können sich daher in naher Zukunft auch diese neuen Möglichkeiten zunutze machen, um Texte automatisch übersetzen zu lassen.

Personalisierung

In modernen Applikationen ist auch immer die Personalisierung von Inhalten ein Thema. Wenn die Personalisierung gut gemacht wird, kann das dem Benutzer ein besseres Erlebnis bieten und somit die Arbeit einfacher und effizienter gestalten. Personalisierung kann auch in Kombination mit Vorschlägen gebraucht werden. Bucht ein Kunde im Winter beispielsweise immer Städtereisen, könnte man ihm basierend auf dieser Information im Herbst immer Städtereisen anbieten, oder ihn via E-Mail darauf aufmerksam machen, dass Städtereisen im Angebot sind und personalisierte Gutscheine für solche Reisen anbieten.

Es gibt extrem viele verschiedene externe Einflüsse, auf die die User Experience angepasst werden kann. Hier einige Beispiele:

• Ort des Benutzers
• Nutzungshäufigkeit des Produktes
• Gekaufte Produkte oder Dienstleistungen

Man kann nun einige dieser Parameter nehmen und Machine Learning Algorithmen damit füttern, um so ein Clustering der Benutzer zu erreichen. Sobald diese erstellt sind kann man anfangen dem Benutzer ein personalisiertes Erlebnis zu bieten. Spotify bietet dem Benutzer beispielsweise eine individualisierte Playlist an, die in den meisten Fällen sogar zum Entdecken von neuen Songs führt.

Fazit

Machine Learning bietet mit guten Vorschlagssystemen und cleveren User-Interface Verbesserungen das Potential beim Benutzer einen Wow-Effekt auszulösen und lassen ihn somit das Produkt nachhaltig in Erinnerung behalten.

Machine Learning bietet auch für Designer einige Möglichkeiten digitale Produkte besser zu gestalten und dem Benutzer ein besseres Erlebnis zu bieten. Wichtig dabei ist, dass man weiss, wie und wo man diese neuen Technologien einsetzen kann und up-to-date bleibt. Wir werden wohl in naher Zukunft den vermehrten Einsatz von Machine Learning für die Verbesserung von User-Interfaces sehen und dem Benutzer werden so relevantere Informationen dargestellt, sowie einige seiner Aufgaben abgenommen.