Case study di product design2022 — oggi
Rendere l'AI predittiva accessibile agli utenti business.
Da marzo 2022 progetto ELAI, ex BigProfiles: una piattaforma SaaS B2B che permette alle aziende di creare modelli predittivi a partire dai propri dati. Il mio lavoro è trasformare un processo tecnico e in più passaggi in un'esperienza che gli utenti business possano seguire, capire e usare per agire.
- Azienda
- ELAI (ex BigProfiles)
- Ruolo
- Product Designer · UX/UI
- Periodo
- Marzo 2022 — oggi
- Settore
- AI enterprise · SaaS B2B
- Focus
- Flussi complessi · Esperienze AI · Design system
02Contesto
Tecnologia potente. Esperienze complesse.
ELAI copre l'intero ciclo predittivo: collegare le sorgenti dati, preparare i dataset, creare e addestrare i modelli, valutarli, generare previsioni, analizzare i risultati e simulare scenari.
Ogni passaggio è potente da solo. Insieme formano un processo nato nel linguaggio della data science, usato da utenti business che conoscono le domande a cui rispondere meglio della statistica che c'è dietro.
- DatiCollegare le sorgenti e preparare i dataset
- ConfigurareScegliere il tipo di modello e il target
- AddestrareAddestrare il modello sui dati
- ValutareCapire quanto è affidabile
- PrevedereGenerare le previsioni
- AgireAnalizzare i risultati, simulare scenari
Sei tipi di modelloProbabilityValueClassifierForecastRecommenderClustering
03Il mio ruolo
Progettare tra complessità e usabilità.
Come Product Designer lavoro su tutto il prodotto, dalla struttura ai dettagli, nello spazio tra ciò che i modelli sanno fare e ciò che un utente business ha bisogno di vedere per fidarsi.
- 01Architettura dell'informazioneCome si organizzano e si trovano funzioni sempre più numerose.
- 02Flussi utentePercorsi in più passaggi, dai dati grezzi a un modello addestrato.
- 03Interazione e UISchermate, stati e dettagli in tutta la piattaforma.
- 04Design systemComponenti e pattern condivisi per un prodotto coerente.
- 05PrototipazioneRendere concreti i flussi presto, per rivederli prima di svilupparli.
- 06Configurazione dei modelliRendere comprensibili le impostazioni tecniche.
- 07Interpretazione dei risultatiTrasformare l'output dei modelli in qualcosa di leggibile.
- 08AI conversazionaleEsplorare come un agente possa guidare il flusso.
- 09CollaborazioneLavorare a stretto contatto con prodotto e sviluppo.
04Sfida 01 · Preparazione dei dati
Preparare i dati, senza spaventare.
- Il problema
- Prima di qualsiasi previsione i dati vanno collegati, combinati e descritti: quale colonna è una data, quale una categoria, quale va esclusa. È il passaggio meno visibile, e quello da cui dipende tutto il resto.
- Perché è difficile
- Mescola concetti tecnici (tipi di colonna, relazioni tra tabelle, finestre temporali) con conoscenze di business che ha solo l'utente. Troppa automazione nasconde gli errori; troppo poca lo trasforma in un lavoro da data engineer.
Decisioni di design
- 1Un percorso guidato, sempre visibileLa creazione del modello è divisa in passi con un nome (Type, Data source, Tagging, Tables relationships, Target builder, Time windows, Summary), sempre visibili in alto: l'utente sa dove si trova e cosa manca.
- 2Controllare invece di partire da zeroNel passo Tagging ogni colonna ha già un tipo. L'utente deve verificarlo ed escludere ciò che non va usato per le previsioni.
- 3Più dataset, un solo postoI dataset sono affiancati a sinistra, così si passa dall'uno all'altro senza perdere il contesto.
- 4Spazio per gli utenti tecniciAccanto agli strumenti visivi c'è l'opzione di query SQL, disponibile ma non obbligatoria.
Immagine da aggiungereCollegare una sorgente datiCome l'utente sceglie e collega la provenienza dei dati.16/10 · PNG / WebP · larghezza 2400 px · dati anonimizzati
La preparazione dei dati è dove nasce la fiducia: se gli utenti capiscono cosa entra, riescono a dare senso a ciò che esce.
05Sfida 02 · Creazione del modello
Dai tipi di modello alle domande di business.
- Il problema
- Creare un modello significa scegliere tra sei tipi di modello, poi definire un target e un arco temporale. Ogni scelta cambia la domanda a cui il modello risponderà.
- Perché è difficile
- I nomi vengono dalla data science. Un utente business parte da una domanda, per esempio chi è probabile che acquisti di nuovo, non da un tipo di modello, e la configurazione deve restare corretta senza chiedergli di studiare la teoria.
Approccio di design
- 1Una decisione per passoTipo, dati, target e finestre temporali sono passi separati, chiusi da un riepilogo prima dell'addestramento: ogni scelta si capisce da sola.
- 2Partire dalla domandaIl principio con cui progetto: partire da ciò che l'utente vuole sapere, poi tradurlo nella configurazione giusta.
Immagine da aggiungereScegliere il tipo di modelloIl primo passo della creazione del modello, con i sei tipi.16/10 · PNG / WebP · larghezza 2400 px · dati anonimizzati
Immagine da aggiungereTarget builder o riepilogoCome l'utente definisce cosa prevedere, o rivede la configurazione prima dell'addestramento.16/10 · PNG / WebP · larghezza 2400 px · dati anonimizzati
Semplificare un prodotto AI non significa nascondere il modello. Significa scegliere il momento giusto, e le parole giuste, per ogni decisione.
06Sfida 03 · Dalle previsioni alle decisioni
Dalle previsioni alle decisioni.
- Il problema
- Un modello addestrato produce punteggi, probabilità e segmenti. Da soli non dicono a nessuno cosa fare dopo.
- Perché è difficile
- I risultati devono essere accurati e onesti sull'incertezza, ma leggibili da chi non legge metriche di valutazione. E spesso il valore sta nel confrontare le opzioni: cosa succede se qualcosa cambia?
Approccio di design
- 1Risultati che si possono leggereProgettare come si presentano l'output dei modelli e la loro valutazione, perché gli utenti li capiscano prima di agire.
- 2Scenari a confrontoProgettare come gli utenti simulano e confrontano gli scenari, per vedere l'effetto di un cambiamento prima di farlo.
Immagine da aggiungereRisultati e valutazioneCome si presentano un modello addestrato e le sue previsioni.16/10 · PNG / WebP · larghezza 2400 px · dati anonimizzati
Immagine da aggiungereConfronto tra scenariDue o più scenari messi a confronto.16/10 · PNG / WebP · larghezza 2400 px · dati anonimizzati
Un risultato dell'AI è utile solo quando chi lo legge sa cosa fare dopo.
07Design system
La coerenza è parte dell'esperienza.
In un prodotto con così tanti passaggi, la coerenza permette di riconoscere i pattern invece di reimparare ogni schermata. Componenti e pattern condivisi tengono allineati design e sviluppo mentre la piattaforma cresce.
Dettagli dall'interfaccia reale
Navigazione a passiLo stesso stepper guida ogni flusso di creazione del modello.
Tipi di colonnaUn solo pattern di selezione per ogni colonna, con un'icona per ogni tipo.
Contesto e statoBreadcrumb, nome del modello e stato sempre in alto.
Riepilogo e azioneRighe e colonne a colpo d'occhio, una sola azione principale.
08Evoluzione
Progettare un prodotto che continua a evolvere.
Temi, non una cronologia
- 01Da BigProfiles a ELAIIl prodotto è cresciuto e ha cambiato nome. L'esperienza si è evoluta con lui.
- 02Dai flussi a un sistemaCon l'arrivo di nuove funzioni, i pattern ricorrenti sono diventati componenti condivisi.
- 03Dai risultati alle decisioniSpostare l'attenzione da ciò che il modello produce a ciò che gli utenti possono farne.
- 04Dagli strumenti a un agenteL'esplorazione in corso: arrivare agli stessi risultati attraverso una conversazione.
09Cosa ho imparato
Cosa mi ha insegnato questo lavoro.
- 01La complessità non si elimina, si organizza.Ogni passaggio di un flusso predittivo ha una ragione. Il lavoro sta nel loro ordine, nel loro linguaggio e in ciò che è visibile in ogni momento.
- 02La fiducia si progetta a ogni passo.Le persone si fidano di una previsione quando hanno capito i dati e le scelte che l'hanno prodotta.
- 03Progettare l'AI intorno alle decisioni.L'obiettivo non è un modello, è una decisione migliore. Ogni schermata dovrebbe avvicinare l'utente a quella decisione.
10Prossimi passi
Una parte di questo lavoro non si può mostrare pubblicamente.
Sono felice di raccontarti i dettagli in una chiacchierata.