Анализ научных работ на стыке Human-Computer Interaction и Machine Learning, 2018 год. Источник: Mapping Machine Learning Advances from HCI Research to Reveal Starting Places for Design Innovation

Списочек уж больно совпадает с моим видением того, какие подходы будут чаще использоваться в продуктовой аналитике в ближайшие 5 лет.

User Modeling я давно уже постепенно изучаю и прокачиваю. Про это мало пишут и то только в академическом сообществе. Если вам тоже интересно, то присмотритесь к «соседним» областям с картинки. Почти все они относятся к разработке ML-продуктов, но под капотом используются похожий стек технологий, что и для User Modeling. Поэтому можно начинать прокачивать скилы по имеющейся литературе.

Чтобы ML пошел в массы, надо обучить дизайнеров его возможностям. Авторы приводят интересный аналог: художники и скульпторы перед созданием произведения искусства изучают материалы, их свойства и возможности. Поняв “ML-материал”, дизайнер сможет придумать неочевидные применения и создавать новые продукты. Пока что дизайнеры еще только изучают новое “сырье”.

В статье обозначены точки, в которых технологии (“материал”) уже есть, но устоявшихся UX-практик нет. В этих областях можно ожидать появление новых подходов и инструментов.

​​Попутно с изучение перспективных направлений, были найдены те области, где уже есть удачные примеры продуктов. Авторы выделили четыре вида ценности, которые ML может дать юзерам.

1. Прогнозы и выводы о пользователе
Алгоритмы, которые изучают поведение человека и “подстраивают” продукт под него. Примеры:
а) практически любые продукты, где-то что-то рекомендуют: музыка, фильмы, товары
б) цифровые персональные ассистенты

2. Прогнозы и выводы об окружающей среде
Алгоритмы, которые используют информацию о мире и адаптируют его под человека или группу людей.
Примеры:
а) умный дом / умный город
б) зная медицинские показания пациента и текущий ход операции, ML может помогать хирургу принимать решения.

3. Советы как сделать что-то оптимальным путем
Алгоритм может посоветовать объективно оптимальный путь решения задачи. Пример: навигатор строит маршрут до точки назначения.

4. Автоматизация рутины и новые возможности
ML-продукты позволяют экономить время пользователя упрощая или вообще убирая шаги из сценариев использования. Пример: новостной алгоритм, который фильтрует“воду” в информационном окружении и показывать только суть и новые факты.

Держим эти ценности в голове, когда собираемся придумать новый продукт на основе ML.