原文：https://medium.com/elegant-tools/designing-with-ai-3f7652619f4
Written by Erica Virtue， Product Designer at Facebook
在facebook，AI无处不在
在幕后，AI帮助facebook更聪明，更加易用。我们使用AI帮助文字翻译，便于人们可以更好的相互了解，通过识别图片内容，让视觉障碍者也能够“看见”
他们朋友post的图片，并且也能够过滤掉不受欢迎的内容，例如垃圾邮件。我们也能够理解人们po文背后的意图，这也能够帮助提高他们使用facebook的体验。
在我刚开始在facebook做设计师时，我还没有想过AI，或者她怎样充当一个产品设计工具。直到我开始设计facebook推荐系统，推荐系统使用AI去了解用户什么时候需要本地推荐，然后去匹配她们朋友在Facebook Pages推荐的地点。这是我们帮助连接人与本地服务的一种方式。
始于痛点
我注意到在我信息流里的朋友发的po文，很多人都会在facebook去发现推荐的地方和去做的事情。这些po文有很多参与者，但不是很有用。你必须浏览所有屏幕，然后复制、粘贴名字到Yelp或者google中去了解更多相关信息，即使6千万商家在facebook上有主页。最糟糕的是这些po文很容易在你的信息流中埋藏，只有你能在时间线发现信息，他们才有用。
我想要让用户在得到朋友推荐的时候能够更加简易和快速的收集和消费这些推荐，帮助他们从信任的人那里得到更多的推荐。
我们怎么想到AI的
用户已经在facebook寻求推荐了，我们不想去阻碍已经发生的行为。最终，AI被证明是最好的方式，因为AI让我们能够通过将用户非结构性的对话转化为有用的名单或者旅行手册来让他们的帖子更好。但是我们也不是一开始就想到这个方案。首先，我探索了针对这个问题的很多可行性方案，这些方案通过用户研究和线上测试来不断验证。
我们测试的第一个概念是，你必须预先说出你在寻找什么和在哪里。但是我们发现人们并没有真正理解他们为什么要这么做。他们没有看到把这些额外的信息添加到他们的帖子上的价值，而我们很难证明当他们不能亲眼见到这些体验时，我们能给予他们的价值。这个方案也与现有的行为相冲突，现在他们只用写一个状态更新。
我们测试的另一个概念是一种更具教育倾向的方法。我们认为，通过一步步让人们了解一个会发生什么的教程，我们可以帮助人们对产品感到更舒服。我们再次发现，很难在用户自己体验前，用文字或插图来解释我们如何提供价值。一旦人们使用产品，他们喜欢它，但并不奇怪，当在发帖前增加了一些额外的步骤时，我们看到使用量出现了一些下降。
通过对这些更结构化的方法进行测试，我们发现，在体验中我们加入的摩擦越少，对用户来说越友好。我们认为最好的方法是为现有的行为中增加自动化元素，而不是增加干扰。为了打造无摩擦的触发体验，我们依靠人工智能来理解人们何时征求建议以及他们的朋友推荐什么地方。
推荐的运行机制
通过推荐，你能够像平常一样发布问题，当你的朋友给你推荐时，我们连接到相应的facebook主页，并且展示评分、价格区间、开门时间、地址等详情。我们也把他们推荐的地方放到地图上，你能够更轻松的发现全部推荐。我们发现人们用推荐发现各种东西，如佛罗里达飓风期间的饮用水，到澳大利亚最好的啤酒。甚至还有诸如三州餐厅俱乐部的facebook小组，这里的每一个帖文基本上都是推荐内容。
产品背后的AI
推荐产品看起来很简洁。工作原理复杂很多。为了将像“朋友！芝加哥最好的理发店在哪？”这样的状态更新变为推荐帖文，我们首先要理解：（1）你正在要求推荐；（2）你想要什么类型的地方；（3）你正在寻找哪里。说起来容易做起来难，尤其是考虑到人们在facebook使用俚语和口语化表达的方式。
我们与facebook的对话理解团队紧密合作，使用自然语言理解对我们的体验进行赋能。这个团队构建了能够理解帖文文本的AI技术，能够精确的发现什么时候人们想要本地化推荐，使得我们能够自动触发推荐体验。
当你的朋友评论你的帖子时，建议你应该去看看那些很酷的地方，我们使用AI来理解文本，并提取最有可能的地方。AI也给我们一个置信度分数，预测最有可能的地方。这个分数决定了评论者接收的用户体验。如果它很高，我们只需在他们的评论上加上一个位置卡（能够删除它）。如果置信度分数在中间，我们问它是否是正确的地点，然后附加它。当得分较低时，我们向他们展示一张空卡片，打开一个搜索栏，让他们手动搜索他们想添加的地方。
关于AI导向的设计我学到的
AI的魅力在于它可以让你的产品“神奇”地工作。但我在推荐方面的经验告诉我们，AI的力量并没有减少对周到的产品设计的需求——事实正好相反。在这个项目的所有经验教训中，以下是我不断回顾的：
寻找存在的行为
人工智能开辟了许多机会，使人们现有的行为更快更容易。我们没有尝试创造一种全新的行为，而是我们找到了一个现有的，让它变得更好！人工智能使我们有可能提供一个美好的体验，同时引入尽可能少的摩擦，为人们提供或接收建议。
如果你没有注意到AI，你就在做正确的事
当你使用AI来增强体验，而不是定义它时，它实际上会感觉几乎是看不见的。AI让你摆脱传统的用户界面，以无缝和几乎神奇的方式为人们解决问题。
我们特意决定不让你感觉像是在和一个机器人说话，或者像脸谱网把自己插进一段你和你的朋友交谈的对话中。取而代之的是，我们使用了一个设计，用有用的信息来增强你从朋友那里收到的评论。这种方法感觉更自然，并保持你的朋友在最前沿的谈话。事实上，在用户研究中，当我们向那些以前从未见过它的人展示体验时，一些人说：“哦，是的，我以前用过这个！太棒了！“
测试，测试，测试
一旦你开始将“魔法”引入到体验中，人们就会认为它应该一直工作。当我们开始测试我们的体验时，我们的AI可能会犯错。当你试图推荐餐厅，而我们建议你连接到一个牙医的主页，这就不是好的体验。对真实的用户进行可用性测试非常重要，尤其是我们有了上线产品。我们还看了很多公众推荐的贴子，让我们感受到产品实际上满足了人们很多需求。通过观察人们使用我们产品的体验，我们发现了很多AI上我们不会注意到的问题。
别依赖完美
即使你的AI大部分时间都在工作，也有失败的时候。如果这时人们不能完成目标，你的用户可能会产生很多不满。一个建议是，即使我们的AI没有认出你的帖子，它也不会阻止你发布你的问题并从你的朋友那里得到建议。
优雅的回归
通过回归到可选的UI，你可以确保即使在人工智能失败时也能为人们提供良好的体验。虽然设计多个UI方案有很多挑战，但我们能够通过区分基于人工智能的体验来提供更少打扰的产品。对于推荐系统设计，我们通过提高或者降低置信度，和每一个等级设计不同的UI方案，直到我们找到最佳组合。
重视反馈
在facebook流行一句话，尤其适用于AI导向设计。给人们提供关于我们猜测的反馈渠道，然后用反馈来提升体验，尤为重要。通过让人们在我们错的时候给我们提供的建议，我们不仅提供了一个发泄口，我们还创造了一个收集那些评价我们AI表现的有价值的信息的方法。我们收到的每一份反馈都有助于提高我们的AI和整体的推荐体验。
影响AI的未来
自从推出推荐系统以来，我们一直在不断优化体验，并且不断学习有关AI的挑战，以及能够解锁的机会。最重要的是，我知道AI导向的设计就像设计其他东西一样。聚焦于用户问题，测试你的假设，并且在出错时提供容错机制。
当AI不可避免地与我们所生产的产品深深地融合在一起时，产品设计师就越来越需要参与它的发展。这是一种很自然的适应——在AI出现之前，让技术更具人性一直困扰着产品设计师。通过将设计思维应用于AI导向的产品，我们能够确保这些工具能够真正服务于那些使用它的人们。
