要讨论数据驱动人工智能时代下的用户研究这个议题，必须从回答两个问题开始。

1、人工智能时代需要用户研究吗？

在个人计算机、平板或手机时代，人机互动的模式是 WIMP (W：Window 窗口；I：Icon 图标；M：Menu 选单；P：Pointing Device 指向工具)。

想象一下，在操作有键盘的 (桌上型或笔记型) 计算机时，如果要完成一个任务，例如有一个观看在某文件夹内的简报档案的「目的」，你必须使用鼠标或键盘这些这些「指向工具」去点击档案总管的「图标」，然后「窗口」打开，你再点击某些图标，有下拉式「选单」，从中再点击某些文字项目或图标，经过一连串的动作之后，终于「完成」打开并观看简报的目的。

其他的任务，例如播放音乐、阅读新闻等等，也正是在一连串 WIMP 中，经由「想法」、「判断」和「执行」的循环，从有目的到完成任务。

然而，在人工智能时代，「目的」和「完成」之间已不再需要经过那么多步骤，以语音互动为例，仅说出目的便已完成。例如，对着语音助理说：「Siri，播放音乐！」音乐便悠然而出；其他方式如手势或眼神，也是同样能达到目的操控方式。

在个人计算机、平板或手机时代，如果用户研究是在研究人的「想法」、「判断」和「执行」，到了人工智能时代，没了这些可研究的目标，那么，用户研究还有存在的必要吗？

答案：当然需要，甚至更加需要。
 

2、大数据分析就是用户研究吗？

统计分析就是一种猜测 (学术一点的叫做推论)。猜测得准确与否的要素之一是样本数量。在大数据时代，用户的各样数据都被纪录 (record everything) 之后，理论上，数量已经算是非常接近母体，那么，这就算是用户研究吗？

答案：当然不是。

谁来捕捉这关键时刻 (Moment of truth)？靠人还是靠机器？

在人类的生活经验中，有许多关键时刻 (Moment of Truth, MoT) 发生在内在自我 (Impact & Contribution)、人与人之间 (Connection & Growth) 和外在表现 (Socialization & Performance)，如果没办法亲身感受，是很难捕捉那人类独有的情感时刻。而无法真实去感受的机器，就没办法抓取这关键时刻。

数据是驱动人工智能的燃料

人工智能ABC

人工智能的基本组成，若简单地以 ABC 来说，可分为 Algorithm (算法)、Big Data (大数据) 和 Cloud Computing (云端计算，代表 Computing Power 运算能力)，其中的算法 (A) 和 大数据 (B) 着重的是准确度，运算能力 (C) 则强调的是速度。

人工智能下的技术本质与商业本质

人工智能的技术本质是「分类」，有些人会说是分群或回归，但基本上我还是采用以分类为简易且能理解的本质。你或许都听过训练人工智能机器的辨识「这是不是一只猫」的故事。最后人工智能给的答案都会是类似：86.2% 的机率是猫、43.3% 的机率是豹、13.7% 的机率是狗。这就是在分类，你也可以理解为在每一个画素 (pixel) 人工智能机器正在「做分类」，最后给出一个答案的可能分布。

而在商业环境中，其本质在于「效率」的竞争，高则胜，低则败。这不难理解。但是在技术与商业间存在着鸿沟，从「分类 」跨越到「效率」，必须仰赖人在当中做出「决策」，也就是说，人类必须藉助人工智能的分类技术，做出最佳决策，以提高商业运作效率，才能提升竞争优势。

协同打造人工智能转型契机的三种人

从技术到商业，很多企业想要借力人工智能，于是开始胡乱投医下药，以为雇用几个工程师，或找一间顾问公司就能华丽转身，成为数字转型新典范，或是成为人工智能公司。

首先，有一件事情必须先澄清：不要想象自己可以成为所谓「人工智能公司」，因为没有这样的公司。你想想，你公司里每人配备一台计算机，外加一只智能型手机，你们利用这些工具营利谋生，你会说你公司是计算机公司兼智能型手机公司吗？当然不会！你还是在经营医美诊所、出版社、共享厨房、广告公关公司…...你只是用了人工智能的技术帮助你营运得更好而已。

想要跨入人工智能领域，我认为有三种人必须协同合作才能发挥优势，分别是：科学家 (AI Scientist)、领域专家 (Domain Expert) 和 引导者/促进者 (Facilitator)。

人工智能科学家稀有，想请到他们出马，你必定会付上昂贵的价格。所以，如果口袋不够深，财力不足以支撑一人年薪 50 万美金的你，找到能提供「类似」服务的顾问公司或设计公司合作，或许是个可行之道。

同时，你的公司里也必须要有相对应的领域专家加入，和科学家通力合作。你要知道，科学家虽然拥有博士学位，但他就只是科学家，面对你那个应用领域，他只能算是个小学生，必须要有人为他们指点迷津，领路说明那些数据、流程、任务等等族繁不及备载的细节。

最后，你一定要在的公司里找到引导者/促进者，这是一群特殊的人，他们出自于公司内部，懂得如何跟领域专家沟通；但是他们又拥有人工智能相关的知识，知道如何和科学家合作。他们介于两者之间，他们是 25% 的领域专家，25% 的人工智能科学家，50% 的引导技术 (技巧) 专家。

关于人工智能在认知领域的三种应用类型

在哈佛商业评论一月份的文章《Artificial Intelligence for the Real World》里提到：人工智能可支持三类重要的业务需求：商业流程自动化 (流程自动化，Robotic Process Automation, RPA)、透过数据分析取得见解 (认知洞察，Cognitive Insight)、与顾客和员工交流互动 (认知互动，Cognitive Engagement)。举例如下：

1. 流程自动化

·   把电子邮件和电话客服中心系统里的数据，转移到纪录系统里；例如，更新顾客档案、改变地址或增加服务项目等。

·   更换遗失的信用卡或提款卡，进入多个系统，更新各项纪录，以及处理与顾客的通讯。

·   从多种文件类型撷取信息，以调和多个计费系统里没有收取服务费用的情形。

·   使用自然语言处理技术，来「阅读」法律和合约文件，撷取里面的条款。

2. 认知洞察

·  预测某位顾客可能买什么。

·  实时找出信用诈欺，以及侦测保险理赔诈欺。

·   分析保固数据，以找出汽车和其他制造品的安全或质量问题。

·   自动化执行数字广告个人化定向。

·   提供保险公司更正确和详细的精算模型建构。

3. 认知互动

·   智能型代理人提供全年无休的顾客服务，处理的问题愈来愈多且广泛，从密码查询到技术支持问题，全部以顾客的自然语言来进行。

·   回答员工问题的内部网站，主题包括：信息科技、员工福利、人力资源政策。

·   为零售商设计的产品与服务推荐系统，可提高个人化、互动和销售额，通常包括丰富的语言或图像。

·   医疗推荐系统，协助医疗业者制定量身打造的照护计划，考虑到个别病患的健康状况，与之前的治疗方式。

将三种类型 (流程自动化、认知洞察、认知互动) 和四个方向 (视、听、动、想) 以纵轴横轴方式排列，排除重复的认知 (即「想」)，则可得到 3×3 的矩阵。

以一场 6 个人的焦点小组访谈举例来说：

在「听」+「流程自动化」的碰撞中，如果有适当的录音设备加上指向功能，能辨识方向与声纹，在访谈结束后，自动分出哪一位参与者说了哪些话、哪几位参与者有对话互动、互动质量如何等等，最后生成带有时间戳与人物对照的文字，可以大大帮助研究团队提高汇整效率与准确度。

在「视」+「认知洞察」的碰撞中，如果有是当的脸部辨识功能，抓取每个参与者在每个时刻的面部表情，便可以辨识出某些需要解析参与者的情绪反应。若能实时提醒访谈主持人 (Moderator) 并采取相对应的互动，将能大大提高细微情绪变化与捕捉更真实情感的机会。

人工智能时代下的用户研究，是一种互补协作的关系，不是取代关系

之前已经提过，人工智能的技术本质与商业本质，现在再将人 (使用者) 纳入这个系统框架当中。

我认为，对于使用者研究团队来说，所谓的研究就是扩大体会研究对象的经验，也就是经验的扩大。当研究团队采用人工智能技术时，就是透过分类技术，提供给我们那些可能的选项，再经由我们的经验判断，采取有意义的行动。

＊人工智能让团队时间 (Team Time) 更有效率 (Productivity)。

＊当我们开始谈论观点 (Aspect)，这些事情才有意义 (Meaning)。

本文转载自www.innofaci.com