— 6 min read

Boklansering: Att kallstarta en AI-driven tjänst

Read 1005 times

Du använder dagligen AI-drivna tjänster i någon mening — ibland säkert utan att du tänker på det. Annonserna ditt nyhetsflöde, prognosen i din väderapp och produktrekommendationerna på e-handelsplatsen du just besökte. Allt detta är exempel på hur AI-teknologi i form av maskininlärning anpassar innehåll och användarupplevelse för just dig och den situation du befinner dig i.

Men hur kan vi designa den här typen av personaliserade och situationsanpassade användarupplevelser bättre? Vilka särskilda utmaningar och möjligheter finns? Hur prototypar och kvalitetssäkrar vi AI-drivna produkter och tjänster? Detta och mycket mer handlar den nya boken Design av AI-drivna tjänster om.

Boken “Design av AI-drivna tjänster” av Pontus Wärnestål ges ut av Studentlitteratur i augusti 2021.

Som designer kanske du redan arbetar i projekt där den här typen av rekommendationssystem ska byggas. Då känner du kanske till de så kallade “kallstartsproblem” som existerar med dels nya produkter, dels med nya användare. Utmaningen är ett samspel av interaktion, användarupplevelse, data och teknisk algoritmutveckling. Du som designer har mycket att bidra med här, eftersom du är van att ställa och svara på frågor om hur människor beter sig, hur de interagerar med digitala tjänster och vad som bidrar med en positiv användarupplevelse. Den kompetensen behöver du i allt större grad kunna applicera på AI-driven funktionalitet.

Här kommer ett utdrag ur boken Design av AI-drivna tjänster från Studentlitteratur (tillgänglig i augusti, men du kan förbeställa redan nu). Vi dyker rakt in i sektionen Kallstartsproblematik i kapitel 2: Prediktion och adaptivitet.


Kallstartsproblematik

För tjänster och system som kräver data för att fungera blir det uppenbart att en initial brist på data gör det svårt att “komma igång”. Själva begreppet kommer ifrån det problem som de flesta säkert har upplevt när de försöker starta en bilmotor i kallt väder. Liksom en förbränningsmotor fungerar bäst när den är varm, fungerar en data-driven tjänst bäst när data finns tillgängliga. Men så är inte alltid fallet. Om en e-handel som använder maskininlärning för att förutsäga och rekommendera produkter för en användare får in en ny produkt i databasen, finns det till en början för få data tillgängliga för just den produkten. Den kanske mest kända kallstartsproblematiken har att göra med tekniken kollaborativ filtrering (eng. collaborative filtering) i rekommendationssystem, som innebär att användare grupperas efter köpbeteende. Systemet utgår då ifrån att alla användare i en viss grupp har liknande preferenser, och att produkter eller andra informationsobjekt som uppskattas av en individ i den gruppen också borde tilltala övriga. Dessa produkter kan då rekommenderas för resten av gruppen. Fördelen med kollaborativ filtrering är att implicita relationer mellan produkter kan uppstå. Det är vanligt förekommande i filmrekommendationer att tycke och smak inte enbart har med enkla attribut som till exempel genre eller skådespelare att göra. Ibland är det svårfångade saker som känsla, berättarteknik eller tema som gör att en film uppskattas. Genom att man helt enkelt bygger upp kluster av användare som tycks gilla liknande filmer kan dessa filmer helt enkelt presenteras som potentiella rekommendationer, oberoende av vilken genre de tillhör. Tankegången kan sammanfattas som “andra, som gillar det du gillar, gillar också detta.” Men en ny produkt (till exempel en nyproducerad film) har till en början ingen användarinteraktion associerad med sig; därför kommer den inte att ingå i något kluster och därmed inte rekommenderas. Objektet kommer då att få svårt att attrahera någon användarinteraktion och koppla den till sig. Ett rent kollaborativt filtreringssystem kan inte på egen hand komma till rätta med detta problem, utan måste snabbstartas på olika vis. Detsamma gäller för en ny användare som inte har en köp- eller bläddringshistorik eller någon form av modell över preferenser knuten till det nystartade kontot. Det finns då inte tillräckligt med information för att hen ska få ta del av personaliserad funktionalitet och rekommendationer. Det finns alltså två typer av kallstartsproblem i data-drivna tjänster: ny produkt och ny användare. Detta gäller inte bara traditionell e-handel, utan alla typer av tjänster som bygger på personalisering genom kollaborativ filtrering i någon form.

Det finns många sätt att närma sig kallstartsproblem (både problemet med nya användare och problemet med nya produkter). Vissa kräver tekniska hybridlösningar. Till exempel kan nya produkter manuellt associeras till redan kända produktkategorier och hakas på de algoritmgenererade rekommendationerna. Om en filmtjänst rekommenderar en rad filmer som råkar ha genren skräck knutna till sig, kan en nyproducerad skräckfilm automatiskt associeras med denna grupp och också rekommenderas. Om några användare då interagerar med den och kanske till och med betygsätter den, börjar den gradvis självmant dyka upp i fler och fler rekommendationskluster. Att snabbt få användare att betygsätta eller på andra sätt ge preferenser till sådana rekommendationssystem är också en designfråga som kräver eftertanke. Att minimera antalet interaktioner i ett uppstartsskede är en generell riktlinje för alla typer av tjänster. En användare tycker sällan om att lägga mycket tid med att mata in data om sig själv och sina preferenser innan hen fått kvitto på att det är värt det. En tjänst måste snabbt bevisa sig själv, vilket är en utmaning när det gäller AI-drivna tjänster där mycket data krävs innan vettiga prediktioner kan göras.

Någon form av initial datainsamling är dock rimligt att användare accepterar. I det läget gäller de klassiska användbarhetsprinciperna som i vilka andra tjänster som helst. Om vi designar en filmrekommendationstjänst exempelvis, kan vi använda oss av Nielsens och Molichs klassiska användbarhetsprincip Recognition rather than recall (Nielsen & Molich, 1990). Istället för att be användaren lista sina favoritfilmer (recall) kan vi presentera förslag och be användaren betygsätta eller bara peka på de hen tycker om (recognition). Variationerna på denna initiala preferensmodellering är i princip oändliga och har ett starkt fokus på användarupplevelse. Olika interaktionsmodaliteter kan också ha bäring på hur effektivt och exakt preferenser kan modelleras. Dialoginteraktion med naturligt språk tillåter till exempel nyanserad preferensstyrka genom att undersöka var och hur en användare uttrycker sig. Att explicit säga att man tycker om en sak jämfört med att enbart söka efter information om samma sak kan indikera olika sorters preferenser (Carberry m.fl., 1999; Wärnestål m.fl., 2007c).

Riktlinje 11: Tillhandahåll flexibla mekanismer för användare att ge, modifiera och radera personliga preferenser för att snabbt bygga upp en korrekt modell av nytillkomna användare.

Riktlinje 12: Exponera nytillkomna informationsobjekt så att fler användare får möjlighet att reagera eller betygsätta dem. Var dock noga med att detta inte leder till partiskhet (se Partiska data, nedan).

Det är viktigt att ha en kontinuerlig dialog med utvecklarna av AI-modellen eftersom vilken sorts data som är kritisk att samla in beror på, och påverkar, valet av modell och vilka sorters prediktioner och samband som är möjliga att få ut. Lärarledd maskininlärning kan till exempel direkt modellera förutbestämda kategorier (såsom redan kända filmgenrer “skräck”, “action”, “komedi”) medan självorganiserad maskininlärning kan generera kluster som tycks höra ihop utan att de nödvändigtvis motsvarar fördefinierade kategorier i världen (som till exempel att filmer från olika genrer ändå uppvisar gemensamma outtalade och svårdefinierade drag som gör att de uppskattas av användargrupper). Detta påverkar förstås vilken typ av data som är vettig att fråga användaren om.

Lösningen på kallstartsproblematik är alltså en kombination av tekniska lösningar och interaktionsdesign. Att som designer kunna förstå nyanserna i detta problem och bygga upp en repertoar av möjliga angreppssätt är en viktig förmåga vid design av AI-drivna tjänster.


I boken Design av AI-drivna tjänster som släpps av förlaget Studentlitteratur i augusti 2021 finns totalt 53 designriktlinjer för dig som UX- och tjänstedesigner av AI-drivna tjänster. Boken ger en grundläggande och tekniskt skonsam grund för att förstå vad artificiell intelligens är för något och hur AI som designmaterial påverkar användarupplevelsen och hur du designar digitala tjänster.

Varför är detta så viktigt för dig som designer?

Vi står just nu mitt i den fjärde stora AI-vågen och det är hög tid att anlägga ett användarupplevelseperspektiv på AI-drivna tjänster. För att avmystifiera och göra dagens AI-teknologi tillgänglig och värdeskapande där människan står i centrum krävs inte bara teknisk kunskap, utan också en förståelse för hur teknologin kan samverka med människan. Under parollen “Kraftsamling för ett hållbart digitaliserat Sverige” föreslår Vinnova, DIGG, PTS och Vetenskapsrådet ett strategiskt program för att möta och leda i den digitala strukturomvandlingen. En av nyckelteknologierna som pekas ut är just artificiell intelligens (AI) där “EU har ambitionen att ta en ledande roll när det gäller principer för utveckling och användning av AI med människan i centrum.”

Dessvärre råder det brist på litteratur riktad mot interaktions-, UX- och tjänstedesigner om hur användningskvalitet och designprinciper bör utvecklas och appliceras vid skapandet av människocentrerade AI-drivna tjänster. För att råda bot på detta släpps nu boken Design av AI-drivna tjänster på förlaget Studentlitteratur.

Design av AI-drivna tjänster handlar om att anlägga just ett människocentrerat designperspektiv på AI. Det innebär att vi betraktar AI som ett designmaterial med vissa egenskaper som kan användas för att designa, bygga och implementera produkter och tjänster i olika användningskontexter där mänsklig användning står i centrum. Detta designmaterial består av algoritmer, beräkningar och data, vilket ger designer som arbetar med materialet nya möjligheter att skapa kraftfulla adaptiva tjänster. Som med alla designmaterial krävs särskilda tekniker, metoder och angreppssätt för att kunna hantera det väl. Det kräver också förmåga att bedöma i vilka situationer materialet passar, samt att kunna avgöra vilka effekter som kommer att uppstå i olika sammanhang.

Boken handlar om hur du som designer kan ta dig an AI där upplevelse och nytta för människan står i centrum. Den är skriven för yrkesverksamma designer som vill lära sig att hantera detta nya designmaterial för att bredda sin designkompetens och kreativitet. Boken är också tänkt att fungera som kurslitteratur inom informatik, datavetenskap och människa–maskin-interaktion.

Tyngdpunkten ligger på att använda data, algoritmer och beräkning som ett eget designmaterial som kan ge upphov till nya typer av användarupplevelser och effekter för individ, organisation och samhälle.

› Förbeställ boken här!

Pontus Wärnestål är docent i informatik vid Högskolan i Halmstad. Hans forskning fokuserar på människo-centrerad AI och digital tjänsteinnovation. Pontus är också Design Director vid designbyrån inUse och har över 20 års erfarenhet av akademiskt och praktiskt designarbete.