“为什么人工智能+用户体验”会有更好的可发现性

利用人工智能进行信息架构，不仅提高了内容的可发现性和利用率，更为企业节约信息获取成本。而人工智能的另一个应用场景是提高内容的可发现性（findability），具体而言就是打造更强大的搜索引擎。本文作者spydergrrl介绍了如何更有效地利用人工智能生成更好的搜索结果。

我完全沉迷于使用人工智能、搜索模式和信息架构来提高内容的可发现性的想法。我们正在使用聊天机器人和数据挖掘做着惊人的事情，它们可以增强手动信息架构工作，全面提高用户体验。

为什么人工智能+用户体验=更好的可发现性

假设你有一个包含搜索组件的服务。现在，你的用户可能正在进行搜索，并使用手动过滤器对搜索结果进行排序，就像他们一直以来所做的一样。

你怎么知道他们是否找到了他们需要的东西？你可以依靠分析来看他们是否正在访问你想让他们访问的内容，并进行用户研究以得知他们是否认为自己能够成功地完成他们的任务。你可以通过分析惯用数据、服务时间并在回访和反馈表单中直接询问他们来衡量整体用户满意度。

假设有些用户在搜索时遇到问题，或者不能从搜索结果中找到所需的内容。也许他们的体验总体上是凑合的，但是通过搜索结果查看搜索字词和点击量你可以知道，他们可以得到更好的搜索结果或者与其任务相关的更清晰的路径。

你如何帮助他们更好地搜索呢？也许如果他们稍微使用更狭窄的角度或更综合的短语，他们可能就能够找到更多关于他们所查询问题的相关信息。但这些都是理论。

你将重新设计服务，包括搜索，使用以用户为中心的设计方法。效果不错！然后，让我们植入一点人工智能技术。

当你开始进行用户体验的设计过程时，你可以使用人工智能系统去分析大量看似无关的数据来帮助你的设计决策。例如，你可以设置你的数据挖掘工具去开始收集结构化和非结构化的数据（分析、搜索查询以及其他惯用数据）。当你确定要为用户解决哪些问题时，你可以连接一个人工智能系统（例如IBMWatson）来开始分析非结构化的数据。

人工智能训练

但是，怎么能让人工智能系统知道它该做什么呢？这是个有趣的部分：首先它解析数据的表面价值，然后你需要去训练它。人工智能系统可以花费比手动的方法少得多的时间分析大量的数据，并且可以实时学习。它们了解背景，所以你可以通过公司规定、元数据和问题的形式向它们提供更多额外的信息。

在你完成用户体验研究和设计阶段时，你将不断完善你提出的问题并将改变其数据方面的分析。你可以用简单易懂的话问它问题：有多少人搜索X？有多少次Y作为回答出现？我们有关于Z的哪些类型的信息？系统基于其对数据的分析，会尽可能好地回应这些问题。最美妙的部分就是你不会被你问问题的能力所限制。系统会带走你的问题，还有数据，进行实际学习。它开始问自己问题。随着时间的推移和搜索引擎中出现越来越多的问题，以及收集到更多的用户分析，它可以更好地建立连接、识别趋势、提出假设以及生成更丰富的结果。

这将如何帮到用户搜索呢？如果你的用户依靠搜索来查找信息，那么你可以用这个数据来提高搜索质量。想想：更好地预测搜索字词、更相关的搜索结果以及类似Amazon的跨主题推荐。这些都有潜力让用户体验变得更丰富，因为你的用户所需要的内容直接来自于一个已经从上一个查过它的人学习过的引擎。

信息架构的人工智能

它如何有助于设计出更好的信息架构？信息架构最困难的部分之一是使用对用户有用的标签来创建适当的内容分组。人工智能可以通过分析趋势的内容相关数据，帮助发现和提出内容之间的关系：从单词本身的意义到用户如何寻找或搜索再到他们是如何在网站或应用程序或服务之间进行移动的。人工智能能够突出我们人类所看不到的趋势，这可能成为新的信息面或内容的使用案例。

假如你将用户研究与你的人工智能系统的大规模数据分析相结合，会更好地识别内容类型之间的关系并改进内容分组和交叉连接吗？要以更有意义的方式为你的用户进行内容分组并添加标签，要在正确的时间提供正确的相关链接，并使你的网站、服务或产品更加直观。并且假如它可以分析内部和外部数据，会帮助你决定如何最好地为内容管理器构建内部信息结构（例如你的内容管理系统）和终端用户的导航结构吗（例如你的网站或应用程序的菜单）？

我们还需要人工的力量

当然，现在我还不提倡机器生成的信息架构，但我建议使用人工智能分析来自看似无关资源的用户数据可以生成我们所看不到的趋势和关系。并且它可以构建更适合用户的内容，并且提供有价值的信息。

如果用户体验中有什么东西是我们可以更多地使用的，我认为它不一定是数据；是智能。人工智能可以为我们带来目前不同来源的数据所缺少的智能。数据可视化可以帮助内部的人更好地理解人工智能输出的结果，从而帮助进行决策制定。所有的这些都是新的，并且这意味着数据科学家有机会成为用户体验设计过程中的关键支持者。

人工智能到信息架构到信息管理

除了支持信息架构设计，人工智能通过增加可发现性和推荐的潜力，为信息管理系统提供了一些真正有趣的机会。想想：因为人工智能系统可以推测文档之间的含义和关系，所以你从来不需要去再次标记你在企业文档管理系统上传的文件内容。

假如你的内部文档管理系统能够主动通知你有人上传了一个关于你感兴趣的主题的文档会如何呢？并且假如它能够确定文件与你的兴趣相关，即使没有出现任何特定的短语，但是人工智能系统能够分析文档中的非结构化的内容并将其映射到你所标注的相似的内容又会如何呢？在登录系统后就有推荐的相关的内容出现并帮助到你的工作将会多么美好呢？

我们从哪里开始？

对于我的情况而言，我正在把Watson植入我正在创建的系统的后端开始收集数据。我正在使用用户研究来告诉它我导入引擎的商业规则。我的目标是生成更好的搜索结果，并最终设立一个基于聊天机器人的推荐引擎来帮助用户找到他们需要什么以及他们应该从哪里获得这些信息，因为，让我们面对这个现实，没有人知道大型组织是如何工作的，并且也不知道在哪里能提出他们的请求。

并且如果我至少能够帮助用户知道在哪里能直接提出他们的请求，我就为他们节省了时间并且为我的公司节省了大量的资金。这是一个小的变化，但它可能产生非常大的影响。

但关键在于要开始：找到一些项目并添加一个人工智能组件，来看看它能够做什么。开始把规则和问题扔给它，来看看你（还有它！）可以学到什么。

尝试、运行、开辟、开始。