Machine Learning e UX: insights e aprendizados (até agora…)

Um panorama rápido da Machine Learning

Estamos no começo da história da machine learning[1] aplicada ao cotidiano das pessoas e já podemos citar diversos exemplos de produtos e serviços onde ela aparece como parte central da ação e interação daquele serviço ou produto. Por exemplo, as assistentes digitais (Siri, Cortana, Alexa), os carros autônomos já estão em testes (Waymo, Tesla, Uber), o buscador do Google que usa a aprendizagem de máquina para melhorar sua capacidade de imprimir resultados cada vez mais precisos minuto a minuto, apenas para citar alguns exemplos mais clichês. E mesmo sendo óbvio dizer isso, o fato é que veremos cada vez mais os conceitos de machine learning aplicados no nosso dia-a-dia.  Quem se antecipou a essa tendência foi a Gartner, uma empresa global de pesquisa, que apresentou lá em 2016, no seu gráfico de ciclo de hype para Tecnologias Emergentes que a machine learning levaria de dois a cinco anos para alcançar a adoção convencional. Faça as contas e perceba que a profusão da mesma já está acontecendo e tende a aumentar em 2020. É claro que esse cenário oferecerá novos desafios de design e exigirá novas formas de pensar sobre a experiência do usuário.

Por que o design para aprendizado de máquina é diferente?

A resposta se dá em torno de duas perspectivas: uma relacionada a lógica e uma relacionada a precisão. Ambas perspectivas são diferentes do que estamos habituados, até então, no desenvolvimento de sistemas digitais. Para um desenvolvedor, talvez esses conceitos sejam bem óbvios, mas para a maioria das pessoas que fazem parte do desenvolvimento de produtos, como nós, UX designers, talvez não seja tão óbvio assim. Além disso, você como projetista precisa ter claro as possibilidades e limites que terá com a tecnologia em questão para pensar na abordagem de UX para modelagem de um produto ou serviço.

Dada as circunstâncias, vamos começar entendendo melhor o que seria esse tipo diferente de lógica. Hoje em dia, a maioria dos sistemas projetados e que usamos, se baseiam em lógica binária, ou seja, verdadeiro ou falso. Isso torna mais fácil construir e testar sistemas, pois os mesmos se comportam de maneira previsível e em geral seguem precisamente as instruções que foram escritas pelos desenvolvedores. Já com a machine learning, podemos lidar com uma “lógica difusa”, conceitos mais complexos, até poderíamos ousar dizer, mais “humanos”. Para exemplificar, pense em palavras que definem tamanhos: grande, pequeno, muito pequeno, normal, muito grande, etc., essas palavras não têm significado até que sejam colocadas em contexto. Exemplo de contextos que a palavra pequeno significa algo bem diferente em questão de proporção física: um cookie pequeno é muito diferente de um planeta pequeno, mesmo as duas coisas sendo pequenas. Além disso, disso quando você descreve a dimensão de um objeto, você parte dos aprendizados que você teve sobre aquele objeto, ou seja, você busca todas as referências que você tem daquele objeto e estabelece de forma não tão absoluta/binária o que é pequeno e o que é grande. Ou por acaso, você tem catalogado todos os cookies do mundo (ou planetas do universo) pra dizer que um cookie/planeta é pequeno ou grande? Por isso falamos de uma lógica muito mais difusa, que trabalha por aproximação e gera uma imprecisão sobre o resultado. Essa imprecisão, nas linguagens convencionais aparecem como erro/bug, com a machine learning vão fazer parte da solução construída.

Assim, entramos no segundo tópico que é um tipo diferente de precisão. Para entender isso precisamos destacar que um princípio fundamental em linguagens de programação convencionais é que cada recurso deve funcionar de maneira previsível e repetível. Por exemplo, não importa quantas vezes somamos “2 + 2”, sempre devemos obter exatamente a mesma resposta igual a 4. Se isso for falso, existe um bug e é necessário corrigir isso. Já com a machine learning, tendo em mente o que falamos sobre lógica “difusa”, a máquina vai tomar decisões baseada em dados que ela tem conhecimento naquele momento, o que pode criar cenários ambíguos, com falta de precisão e passível de erro, assim como nós humanos o fazemos, já que o aprendizado de máquina tem certa similaridade em como nós humanos aprendemos e lidamos com o mundo. Você mesmo, as vezes, quando está olhando fotos do Facebook, pode não reconhece um amigo em uma imagem, pois o padrão que você tem em mente para identificar seu amigo, construído ao longo dos anos, não foi capaz de identificar esse novo padrão que pode ter sido criado por inúmeros fatores aleatórios, pelo ângulo da foto, pela luz que refletia no momento da foto, por um boné que ele estava usando, etc. Para pensarmos um pouco mais sobre a questão da precisão, olhe a figura abaixo e responda o que é um muffin e o que é um cachorro? Parece fácil? Então, pense como você explicaria para alguém a diferença entre um e outro em termos binários, verdadeiro ou falso? Mais que isso, como ensinar esse padrão para as máquinas para que elas sejam precisas?

Perspectivas para logo mais

Sem considerar os cenários bem futuristas como a série WestWorld[2] da HBO ou o filme HER[3] do diretor Spike Jonze, buscando, na verdade, por uma perspectiva mais presente e tendências que já começamos a experimentar em machine learning, três pontos valem a pena serem observados: experiências hiper-personalizadas, design antecipatório e privacidade no design.            

Experiências hiper-personalizadas

O aprendizado de máquinas pode ajudar a criar produtos centrados especificamente em uma pessoa, personalizando as experiências para cada pessoa que usa o produto. Até o momento, dentro da área de UX, estamos acostumados com o conceito de persona[4] já que um dos fundamentos de UX é ser centrado no humano. Criar personas ajuda você a entender as necessidades e comportamentos dos seus usuários, além de ajudá-lo a sair de si mesmo, já que você não é o usuário. Ao mesmo tempo, se ela representa um grupo de pessoas, ela não atende a especificidade de cada indivíduo.

Quando o machine learning se consolidar em produtos e serviços, a capacidade de dimensionar o design do centro no humano, para hiper-personalizado se tornará mais viável e acessível para implementação. Vamos começar a ir do conceito do Design Centrado no Humano (HCD) e para o conceito da “Era do indivíduo”.

Mais personalização na experiência do usuário geralmente significa mais relevância para o usuário específico, o que torna a experiência pra eles mais adequada e por fim leva a melhores taxas de conversão. Inclusive, em uma pesquisa realizada pelo Accenture Strategy[5], mostra que 33% dos clientes abandonam suas relações com produtos e serviços porque falta personalização, ou seja, os detalhes vão passar a fazer muita mais diferença.

Design Antecipatório

Se você usa o Gmail da Google como serviço de e-mail, deve ter notado que quando você começa a digitar alguma palavra, o Gmail se comporta como o buscador da Google e começa a prever o que você vai digitar. Se você usa o Spotify para ouvir música você já viu ou usou o recurso que cria uma lista de reprodução exclusiva para você, com base no que você ouviu e demonstrou interesse. E se você, por acaso, usasse o Digit[6], um aplicativo financeiro que analisa sua renda e histórico de compras, aprendendo como você gastao para determinar oportunidades de economizar dinheiro, sem alterar o seu estilo de vida, transferindo automaticamente a “sobra” para um “cofrinho” seguro, sem que você tenha pensando sobre todo esse processo.

Esses três exemplos e provavelmente outros que surgiram na sua cabeça enquanto estava lendo o parágrafo anterior é o que chamamos de design antecipatório. Inclusive, a maneira mais fácil de explicar o que é o design antecipatório, é pensar justamente em um sistema que está sempre um passo à frente do usuário. Para que isso possa acontecer, a lógica é simples, você coleta dados do usuário, constrói um algoritmo de machine learning para medir e analisar padrões e assim o sistema pode começar a antecipar as escolhas do usuário, reduzindo a quantidade de escolhas que um usuário precisa pensar e fazer. Ou seja, o sistema se antecipará e determinará a melhor escolha para o usuário dentro do contexto e preferências de cada usuário.

Com o design antecipatório podemos reduzir a complexidade (opções diárias) e simplificar a vida das pessoas (escolhas mais pontuais), já que grande parte das nossas experiências estarão cada vez mais automatizadas, como nos exemplos citados anteriormente.  Quanto mais automatizada menos escolha o usuário fará, ou seja, sem sua análise crítica sobre o que está sendo posto para ele, já que a jornada do dia dele estará automatizada. E é aqui que entra o perigo e onde nós como designers vamos ter que se posicionar com bastante atenção pois estamos arriscando construir grandes bolhas para nossos usuários. E já temos lições práticas e dolorosas do que bolhas podem fazer. Basta lembrar das bolhas ideológicas no período de eleição e como isso afetou as discussões sobre política e aumentou a polaridade e o ódio entre as pessoas, já que sem uma análise crítica e uma tomada de decisão consciente, as pessoas têm pouca chance de sair da sua própria bolha.

Privacidade no Design

Diante dos dois pontos anteriores, o fato é que os UX designers estão ficando mais expostos ao design ético, já que muita confidencialidade de dados precisa estar envolvida na criação de experiências preditivas e hiper-personalizadas para as pessoas. Num futuro breve, os UX designers serão demandados a ter um papel protagonista em relação aos tópicos que tangem a privacidade de dados e como manipulamos esses dados. Até porque, não são os dados que são manipulados, são as próprias pessoas. Tanto que no mesmo estudo realizado pela Accenture Strategy, 73% dos entrevistados afirmam ser frustrante dar-se conta de que não se pode confiar no uso adequado de seus dados por algumas companhias.

Assim, vale a pena os UX designers começarem a estudar a abordagem chamada “Privacy by design”, não só por que aparece no GDRP[7], e sim porque, como UX designer, além de pensar estratégias para manter os dados das pessoas seguro, não manipular os usuários deveria ser um princípio irrefutável se o fundamento é o Design Centrado no Humano (HCD). O Privacy by Design[8] é uma abordagem de sistemas, baseada em 7 princípios, onde a privacidade deve ser levada em consideração durante todo o processo de desenvolvimento de um produto, além de quaisquer outros fins que o sistema atenda.

Uma conclusão? #sqn

Como tudo ao longo da nossa história, o que vai acontecer com a machine learning é um reflexo de nós mesmos como seres humanos, para o bem e para o mal. Logo, terão produtos e serviços, usando esse volume todo de dados e o aprendizado de máquina para entender melhor o seu cliente, colocar o seu usuário no centro da estratégia e oferecer um serviço, melhor, mais barato e rápido. Por outro lado, infelizmente, haverá produtos e serviços que usaram esses dados para manipular o poder de decisão do usuário. Como nós, UX designers, vamos nos posicionar diante desse cenário?  Como nós vamos projetar esses produtos e serviços? Para nós da área de UX, a resposta passa por outra pergunta: Quais os limites éticos da machine learning? E como vamos trazer essas questões para o centro da conversa, assim como já buscamos fazer trazendo os usuários para o centro da conversa no desenvolvimento de produto? Já para uma perspectiva de usuário de produtos e serviços, o futuro das experiências passa pelo seguinte pergunta: como hackear o sistema e sair da bolha que eu mesmo ajudei a criar com meus rastros de comportamentos?

‍

Referências:

[ 1 ] O termo machine learning foi cunhado em 1959, pelo americano Arthur Samuel, pioneiro no campo de jogos de computador e inteligência artificial e significa "campo de estudo que dá aos computadores a capacidade de aprender sem serem explicitamente programados".

[ 2 ] https://www.hbo.com/westworld

[ 3 ] https://pt.wikipedia.org/wiki/Her

[ 4 ] Personas são personagens fictícios que você cria com base em sua pesquisa para representar os diferentes tipos de usuários que podem usar seu serviço ou produto de maneira semelhante.

[ 5 ] Veja a pesquisa completa aqui: www.accenture.com/au-en/insight-hyper-relevance-gcpr

[ 6 ] https://digit.co/

[ 7 ] https://gdpr-info.eu/issues/privacy-by-design/

[ 8 ]  https://en.wikipedia.org/wiki/Privacy_by_design