嘿！即将开始你的第一个AI项目？

如果一个设计的出发点不是实际的用户需求，那么你可能会制作出一个功能强大技术复杂的软件，但这个软件只能解决一个很小，甚至根本不存在的问题。 以用户为中心，这句话确实是老生常谈，但是在AI设计中尤为重要，因为很多设计者会陷入“为了AI而AI”的误区中。

那么什么样的产品适合AI化呢？ 什么样的产品又不适合AI化呢？ 谷歌设计中心罗列了以下例子可以作为参考。

但是如果查看它的逻辑代码，就会发现，对于恐龙的识别，picdescbot的信度是96%，而对于冲浪板的识别，信度只有 25% 。但是从前端来看，picdescbot给用户的感觉是picdescbot对给出的结果非常自信。

这里可以拿微软做一个对比，依旧是这张图片，依旧被识别为一个站在冲浪板上的恐龙，但是前端是这样呈现的：

“或许是一个站在冲浪板上的恐龙？” 下方同时标记信度26%。这里微软明确地告诉了用户，系统对当前识别并不是非常自信。 将AI的局限巧妙的展示给用户是非常聪明的做法，它规避了可能会产生的责任，更重要的，建立用户的信任感。

对于一个AI系统来说，最重要的就是给用户信任感。通常，AI将结果直接提供给用户，用户会根据AI的结果做出一些决定。同时， 用户也想要知道AI提供的答案是如何得出的 ，用户应该有权利看到结果生成背后的逻辑，在此期间，更好的建立信任关系。

用户并不喜欢“黑盒子”。用户希望能了解一个推荐是基于怎样的逻辑而产生的。例如下图中亚马逊的例子，用户的主页上被推荐了商品，同时标明了推荐理由是 “价格适宜的礼物” 、“低价珠宝” 。

正面的告诉用户，系统接受了来自用户的反馈，是一个可以快速建立信任感的方法。在AI的系统里，则是 告诉用户，当前用户的反馈，会如何影响AI的下一次决定 。

下图中是一个来自谷歌的例子，这是一个跑步软件，软件推荐给用户一条跑步路线。用户跑完后觉得该路线无趣且毫无挑战性。收到用户的反馈后，系统提示“感谢你的反馈”。这似乎是一个非常常见的交互行为，那么，如何更好的建立用户的信任感呢？

在第二个例子中，还是这个软件，用户依旧觉得该路线无趣且毫无挑战性，而后系统的回应则是“了解！为你找到另一座1.2千米内的山路”， 这时候，系统了解了用户的诉求，并且根据用户的反馈实时改善了用户下一次的体验。

在为AI设计的时候，从设计师到开发人员，人人都知道用户的交互会影响AI的判断，AI是在不断学习的。而这里的重点是 要让用户也知道AI是在不断学习的，由此来建立用户对系统的信任。

在为AI系统设计的时候，一个常见的情况就是，系统会返回大量的结果，那么在展示这些结果的时候，就需要建立优先级的机制，来帮助用户更快的做出决定。这个概念非常普遍，例如淘宝的“综合排名”，新闻软件的“Trending News”, 这里不再过多阐述。

很多模型在产生结果的时候会提供给用户非常精确的数字。这里导致的问题就是 严重增多了的用户大脑处理这个信息的时间成本 。例如，一个房产，预计价格58万3790美元，并不一定比58万3000美元更有价值，尤其是考虑到预估本身的误差值。

将结果以 范围或程度 来呈现可能会是一个更好的办法。比如下面例子中的健康状况，AI提供的是精确的数值，例如75%，但是前端可以用不同的方式来呈现，比起直接显示数字，将健康情况分为“不好，一般，好，非常好”更容易被用户所理解。

先来讲一个例子，Paul是一个公司的从材料订购人员，某一天，Paul被提醒现在有一种材料即将短缺，为了保证后续的生产工作，需要订购更多的材料。Paul计划购买420吨材料，而这时AI助手提醒，根据以往的三个历史短缺材料的进货记录来看，Paul计划购买的材料已超量，然后对购买材料量进行了推荐 ( 见下图 )。

在这个例子中，AI不仅提供了购买的建议，并且提供了建议的理由，即根据以前的购买历史进行计算。这里面有两个概念值得参考，第一，告诉了用户在建议背后的逻辑，并 展示了算法的可信性 ，建立用户的信任感。第二，一旦用户使用了推荐的方案，就等于对算法进行了正向的反馈。如果（大量）用户拒绝了推荐的方案，则需要提示设计者进行逻辑检查。

要谨慎对待第一次系统出现的错误，用户很容易在这个时候对产品失望。同时，出现的错误也是一个机会，如果能把握好这个机会，就能 让错误成为系统进行学习，逐步改进的机会。