技術(shù)的發(fā)展為社會提供了更好的產(chǎn)品體驗(yàn)，本篇文章以 LabelBee AI 標(biāo)注工具集為例，示范如何做好工具類產(chǎn)品體驗(yàn)設(shè)計(jì)，作者從六個方面進(jìn)行分析整理，希望能對你有所啟發(fā)。

現(xiàn)如今，隨著技術(shù)的快速發(fā)展，人工智能已為用戶提供了更加便捷、高效、個性化的服務(wù)和體驗(yàn)，但同時，用戶體驗(yàn)的范式也已悄悄在發(fā)生改變，用戶體驗(yàn)工作的開展面臨了新的挑戰(zhàn)。

本文將以 LabelBee AI 標(biāo)注工具集為例，淺談如今 AI 時代下，大型工具類產(chǎn)品的一種通用體驗(yàn)設(shè)計(jì)思路，以供讀者參考。

一、人工智能與數(shù)據(jù)標(biāo)注

對于人工智能來說，數(shù)據(jù)是打造人工智能的基石，數(shù)據(jù)是算法的基礎(chǔ)，數(shù)據(jù)也是人工智能時代里的“原油”。

只有經(jīng)過清洗、分類、標(biāo)注、質(zhì)檢和篩選等結(jié)構(gòu)化過程的數(shù)據(jù)，才能變成用于 AI 模型訓(xùn)練用的“成品油”，這個過程往往需要大量的人力，尤其是數(shù)據(jù)標(biāo)注。

所以坊間也有個段子說：人工智能就是有多少人工就有多少智能（笑）。

【紀(jì)錄片】河南鄉(xiāng)村里的“AI”：我們是人工智能的老師

常見數(shù)據(jù)標(biāo)注類型

數(shù)據(jù)標(biāo)注，其實(shí)就是在教 AI 去認(rèn)識人類世界的事物，但近些年隨著架構(gòu)、算力、數(shù)據(jù)的提升，NLP 領(lǐng)域也取得了巨大的提升。

人工智能正快速從“能聽、會說、會看”的感知智能，邁向“能思考、能回答問題、能總結(jié)、能創(chuàng)作”的認(rèn)知智能，甚至能到“決策、推理”等層面。

商量（SenseChat）：數(shù)據(jù)和標(biāo)注的意義和重要性

目前，以 LLM 為代表的 AI 已成為目前主流的態(tài)勢，甚至一些標(biāo)注公司或任務(wù)也開始嘗試?yán)?LLM 來反哺標(biāo)注本身來達(dá)到效率的提升。

論文：使用 LLM 反哺標(biāo)注 （arXiv:2306.07899）

二、如何做好工具類產(chǎn)品體驗(yàn)設(shè)計(jì)

1. 了解 AI 技術(shù)原理（重要）

AI 時代下，設(shè)計(jì)師可去熟悉常見的 AI 算法和模型，如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等。

以 AI 標(biāo)注工具為例，在一些智能標(biāo)注的場景，設(shè)計(jì)師若能了解這些相關(guān)算法和模型的原理、優(yōu)劣以及適用場景，可以幫助設(shè)計(jì)師選擇合適的 AI 技術(shù)來實(shí)現(xiàn)產(chǎn)品的功能和目標(biāo)。

LabelBee AI 智能標(biāo)注示例

另外，引申至目前基于 LLM 的 AI 主流態(tài)勢，設(shè)計(jì)師也應(yīng)了解 AI 技術(shù)的局限性和風(fēng)險。

大模型 AI 在處理復(fù)雜任務(wù)和大規(guī)模數(shù)據(jù)方面表現(xiàn)出色，但也存在數(shù)據(jù)偏見、安全隱私問題和不可解釋性等挑戰(zhàn)，設(shè)計(jì)師需要在產(chǎn)品設(shè)計(jì)過程中考慮這些因素，并采取相應(yīng)的措施來減少潛在風(fēng)險。

如，若平臺里引入了客戶的源數(shù)據(jù)，那在查看或使用時，可能就要考慮上數(shù)據(jù)脫敏等相關(guān)設(shè)計(jì)。 此外，AI 技術(shù)在不斷演進(jìn)和創(chuàng)新，新的算法和模型不斷涌現(xiàn)，設(shè)計(jì)師若能需要保持學(xué)習(xí)和更新的態(tài)度，會有助于應(yīng)對快速變化的技術(shù)環(huán)境。

2. 設(shè)計(jì)洞察

設(shè)計(jì)洞察是產(chǎn)品設(shè)計(jì)的基礎(chǔ)。對于業(yè)務(wù)側(cè)而言，當(dāng)設(shè)計(jì)師深入了解業(yè)務(wù)的核心目標(biāo)、價值主張和關(guān)鍵業(yè)務(wù)流程時，會有助于產(chǎn)品體驗(yàn)與業(yè)務(wù)需求緊密契合。

同時，設(shè)計(jì)師若能了解產(chǎn)品的功能、特性和技術(shù)架構(gòu)，這將會有助于產(chǎn)品達(dá)到更好的體驗(yàn)。

例如，基于 <canvas> 的標(biāo)注繪制在一些特殊場景可能會有性能問題，設(shè)計(jì)師若能調(diào)研并復(fù)現(xiàn)此場景，這將有助于工程師去修復(fù)。

此外，當(dāng)設(shè)計(jì)師在用戶側(cè)通過用戶研究和測試等方法深入了解用戶需求、偏好和行為特征時，設(shè)計(jì)師可以獲取有關(guān)用戶行為模式、痛點(diǎn)和期望的寶貴信息，這些洞察可用于指導(dǎo)產(chǎn)品功能和界面設(shè)計(jì)的決策。

3. 進(jìn)一步定義設(shè)計(jì)目標(biāo)

設(shè)計(jì)師可根據(jù)設(shè)計(jì)洞察，明確階段性產(chǎn)品的核心目標(biāo)。這可能涉及提高用戶效率、簡化工作流程、增強(qiáng)數(shù)據(jù)分析能力等。

通過明確核心目標(biāo)，設(shè)計(jì)師亦可推導(dǎo)或聚焦于提供有針對性的功能和體驗(yàn)，成立專項(xiàng)，以滿足用戶的真實(shí)需求。定義設(shè)計(jì)目標(biāo)時，還應(yīng)考慮到產(chǎn)品的可擴(kuò)展性和可定制性，工具類產(chǎn)品通常需要適應(yīng)不同用戶和業(yè)務(wù)需求的變化。

4. 人因考量（重要）

人因泛指以人為核心因素，其對人的因素的研究主要分為生理因素和心理因素，生理因素是指人的身體的結(jié)構(gòu)和屬性等因素，心理因素是指人的感知覺、決策、動作控制、情緒等因素。

而對于手工標(biāo)注來說，不斷操作鍵鼠是個高頻的交互。設(shè)計(jì)師或可根據(jù)標(biāo)注員用戶的人體（人種）特征、性別特征，甚至是否具有殘障，并酌情考慮標(biāo)注現(xiàn)場里的實(shí)際情況，通過合理洞察標(biāo)注現(xiàn)場的設(shè)備，以及考慮用戶使用工具時的人體合理姿勢等，減少使用疲勞和不適，提高標(biāo)注員工作的舒適性和效率。

其次，產(chǎn)品的可用性和易用性至關(guān)重要 ，不同用戶的學(xué)習(xí)能力、技術(shù)能力都不一樣，因此產(chǎn)品的界面和交互應(yīng)盡可能易于用戶群體理解和操作，并符合其認(rèn)知與期望，讓工具能提供愉悅和自然的使用體驗(yàn)。

例如，在標(biāo)簽標(biāo)注時，高飽和度的標(biāo)簽色，會有助于標(biāo)注員通過眼睛快速發(fā)現(xiàn)；更簡單的快捷鍵，會有助于標(biāo)注員更順手地打標(biāo)簽。

標(biāo)注里的人機(jī)交互

5. 設(shè)計(jì)實(shí)施與可用性測試

在設(shè)計(jì)工具時，以 LabelBee AI 標(biāo)注工具為例，其分為了共性框架與特性實(shí)例兩個方向，這是構(gòu)建工具集的兩大實(shí)施層級。在這一階段，設(shè)計(jì)師需將設(shè)計(jì)思路轉(zhuǎn)化為具體的用戶界面、交互流程和設(shè)計(jì)實(shí)現(xiàn)。

LabelBee AI 標(biāo)注工具設(shè)計(jì)措施

同時，可用性測試是評估產(chǎn)品在實(shí)際使用中的易用性和用戶體驗(yàn)的重要方法。通過讓真實(shí)用戶參與測試，設(shè)計(jì)師可以獲取寶貴的反饋和洞察，發(fā)現(xiàn)潛在問題和改進(jìn)的機(jī)會。

工具集可用性測試

6. 跟蹤與快速迭代

通過有效的跟蹤和評估，設(shè)計(jì)師可以了解產(chǎn)品在實(shí)際使用中的表現(xiàn)如何，通過訪談、數(shù)據(jù)埋點(diǎn)與分析等發(fā)現(xiàn)潛在的問題和改進(jìn)的機(jī)會，并基于反饋?zhàn)龀鱿鄳?yīng)的調(diào)整和改進(jìn)。

在這基礎(chǔ)上，通過快速迭代響應(yīng)用戶（客戶）反饋和需求變化，及時進(jìn)行調(diào)整和優(yōu)化。

AI 標(biāo)注工具的“下沉”

LabelBee AI 標(biāo)注工具 Figma 設(shè)計(jì)組件庫（即將開源）

三、結(jié)語

也許 AGI （Artificial General Intelligence，通用人工智能）的出現(xiàn)會讓以后的交互界面更加簡單純粹，甚至消亡。

但作為設(shè)計(jì)師的我們，若能投入到每次技術(shù)革命與更新的浪潮里，切合實(shí)際地做更深入的設(shè)計(jì)洞察，找到當(dāng)前技術(shù)與現(xiàn)實(shí)生活中的 GAP，或許這能為人們打造更好的產(chǎn)品與體驗(yàn)。

AI 范式的更新，使得“硅基生命體”越長越“大”，而數(shù)據(jù)標(biāo)注對于它們來說，不排除會是未來可以合理存在的一種交互。這就像小時候人類讓其幼崽看圖認(rèn)字一樣，基礎(chǔ)的學(xué)習(xí)行為以及教具是一直都存在的，只是可能會換個模樣。

目前，對于 GPT 這種 LLM AI 而言，人類仍能像老師給學(xué)生批改作業(yè)一樣，通過 RLHF 的標(biāo)注方式 （Reinforcement Learning from Human Feedback，人類反饋強(qiáng)化學(xué)習(xí)）來幫助 GPT 進(jìn)一步理解事物。但未來就不一定了，至少目前人類覺得需要。

我也是挺期待未來會是怎樣一番模樣。