Connect with us

Статьи

Настоящее и будущее машинного обучения на устройствах

Специалист по глубокому обучению Маттейс Холлеманс рассмотрел перспективы машинного обучения на устройствах и как его можно использовать уже сейчас.

Анна Гуляева

Опубликовано

/

     
     

Как вы, конечно, заметили, машинное обучение на устройствах сейчас все больше развивается. Apple упомянула это около ста раз во время WWDC 2017. Неудивительно, что разработчики хотят добавить машинное обучение в свои приложения.

Однако многие из этих моделей обучения используются только для совершения выводов на основе ограниченного набора знаний. Несмотря на термин “машинное обучение”, никакого обучения на устройстве не происходит, знание находится внутри модели и не улучшается со временем.

Нейросеть для определения лиц, встроенная в смартфон

Причина этого заключается в том, что обучение модели требует большой вычислительной мощности, а мобильные телефоны пока на это не способны. Гораздо проще обучать модели офлайн на серверной ферме, а все улучшения модели включать в обновление приложения.

Стоит отметить, что обучение на устройстве имеет смысл для некоторых приложений, и я верю, что со временем такое обучение моделей станет таким же привычным, как использование моделей для прогнозирования. В этом тексте я хочу исследовать возможности этой технологии.

Машинное обучение сегодня

Самым распространенным применением глубокого и машинного обучения в приложениях сейчас является компьютерное зрение для анализа фото и видео. Но машинное обучение не ограничено изображениями, оно также используется для аудио, языка, временных последовательностей и других типов данных. Современный телефон имеет множество различных сенсоров и быстрое соединение с интернетом, что приводит к большому количеству данных, доступных для моделей.

iOS использует несколько моделей глубокого обучения на устройствах: распознавание лиц на фото, фразы «Привет, Siri» и рукописных китайских иероглифов. Но все эти модели ничему не учатся от пользователя.

Почти все API машинного обучения (MPSCNN, TensorFlow Lite, Caffe2) могут делать предсказания на основе пользовательских данных, но вы не можете заставить эти модели узнавать новое из этих данных.

Сейчас обучение происходит на сервере с большим количеством GPU. Это медленный процесс, требующий большое количество данных. Сверточная нейронная сеть, например, обучается на тысячах или миллионах изображений. Обучение такой сети с нуля займет несколько дней на мощном сервере, несколько недель на компьютере и целую вечность на мобильном устройстве.

Обучение на сервере — это хорошая стратегия, если обновление модели происходит нерегулярно, и каждый пользователь использует одну и ту же модель. Приложение получает обновление модели каждый раз при обновлении приложения в App Store или при периодической загрузке новых параметров из облака.

Сейчас обучение больших моделей на устройстве невозможно, но так будет не всегда. Эти модели и не должны быть большими. И самое важное: одна модель для всех может быть не лучшим решением.

Зачем нужно обучение на устройстве?

Существует несколько преимуществ обучения на устройстве:

  • Приложение может учиться на данных или поведении пользователя.
  • Данные будут оставаться на устройстве.
  • Перевод любого процесса на устройство экономит деньги.
  • Модель будет обучаться и обновляться непрерывно.

Это решение подойдет не для каждой ситуации, но для него найдутся свои применения. Я думаю, что его главным преимуществом является возможность подгонки модели под конкретного пользователя.

На iOS-устройствах это уже делают некоторые приложения:

  • Клавиатура учится на основе текстов, которые вы набираете, и делает предположения о следующем слове в предложении. Эта модель обучается конкретно для вас, а не для других пользователей. Так как обучение происходит на устройстве, ваши сообщения не отправляются на облачный сервер.
  • Приложение «Фото» автоматически организует изображения в альбом «Люди». Я не совсем уверен, как это работает, но программа использует API распознавания лиц на фото и размещает похожие лица вместе. Возможно, это просто неконтролируемая кластеризация, но обучение все равно должно происходить, так как приложение позволяет вам исправлять его ошибки и совершенствуется на основе вашей обратной связи. Вне зависимости от вида алгоритма это приложение — хороший пример кастомизации пользовательского опыта на основе их данных.
  • Touch ID и Face ID учатся на основе вашего отпечатка пальца или лица. Face ID продолжает учиться со временем, поэтому, если вы отрастите бороду или начнете носить очки, оно по-прежнему будет узнавать ваше лицо.
  • Обнаружение движения. Apple Watch изучает ваши привычки, например, изменение биения сердца во время разных активностей. Опять же, я не знаю, как это работает, но, очевидно, обучение должно происходить.
  • Clarifai Mobile SDK позволяет пользователям создавать свои модели классификации изображений при помощи фотографий предметов и их обозначения. Обычно классификационная модель требует тысячи изображений для обучения, но этот SDK может научиться всего на нескольких примерах. Возможность создавать классификаторы изображений из ваших собственных фото, не будучи экспертом в машинном обучении, имеет много практических применений.

Некоторые из этих задач проще, чем остальные. Часто «обучение» является просто запоминанием последнего действия пользователя. Для многих приложений этого достаточно, и это не требует причудливых алгоритмов машинного обучения.

Модель клавиатуры достаточно проста, и обучение может происходить в режиме реального времени. Приложение «Фото» обучается медленнее и расходует много энергии, поэтому обучение происходит, когда устройство находится на зарядке. Многие практические применения обучения на устройстве находятся между этими двумя крайностями.

Другие существующие примеры включают в себя определение спама (ваш email-клиент учится на письмах, которые вы определяете как спам), коррекцию текста (она изучает ваши наиболее частые ошибки при наборе текста и исправляет их) и умные календари, вроде Google Now, которые учатся распознавать ваши регулярные действия.

Насколько далеко мы можем зайти?

Если целью обучения на устройстве является адаптация модели машинного обучения к потребностям или поведению конкретных пользователей, то что мы можем с этим делать?

Вот забавный пример: нейронная сеть превращает рисунки в эмодзи. Она просит вас нарисовать несколько разных фигур и учит модель распознавать их. Это приложение реализовано на Swift Playground, не самой быстрой платформе. Но даже при таких условиях нейронная сеть учится недолго — на устройстве это занимает всего несколько секунд (вот как работает эта модель).

Если ваша модель тоже не очень сложна, как эта двухслойная нейронная сеть, вы уже можете проводить обучение на устройстве.

Примечание: на iPhone X у разработчиков есть доступ к 3D-модели пользовательского лица в низком разрешении. Вы можете использовать эти данные, чтобы обучить модель, которая выбирает эмодзи или другое действие в приложение на основе выражения лица пользователей.

Вот несколько других будущих возможностей:

  • Smart Reply — это модель от Google, которая анализирует входящее сообщение или письмо и предлагает подходящий ответ. Она пока не обучается на устройстве и рекомендует одни и те же ответы всем пользователям, но (в теории) она может обучаться на текстах пользователя, что значительно улучшит модель.
  • Распознавание почерка, которое будет учиться именно на вашем почерке. Это особенно полезно на iPad Pro с Pencil. Это не новая функция, но если у вас такой же плохой почерк, как и у меня, то стандартная модель будет допускать слишком много ошибок.
  • Распознавание речи, которое будет становиться более точным и подстроенным под ваш голос.
  • Трекинг сна/фитнес-приложения. Прежде чем эти приложения будут давать вам советы об улучшении здоровья, им нужно узнать вас. Из соображений безопасности этим данным лучше оставаться на устройстве.
  • Персонализированные модели для диалога. Нам ещё предстоит увидеть будущее чат-ботов, но их преимущество заключается в том, что бот может адаптироваться под вас. Когда вы говорите с чат-ботом, ваше устройство будет изучать вашу речь и предпочтения и изменять ответы чат-бота под вашу личность и манеру общения (например, Siri может учиться давать меньше комментариев).
  • Улучшенная реклама. Никому не нравится реклама, но машинное обучение может сделать её менее назойливой для пользователей и более прибыльной для рекламодателя. Например, рекламный SDK может изучать, как часто вы смотрите и кликаете на рекламу, и подбирать более подходящую рекламу для вас. Приложение может обучать локальную модель, которая будет запрашивать только рекламу, работающую для конкретного пользователя.
  • Рекомендации — это распространенное использование машинного обучения. Проигрыватель подкастов может обучаться на программах, которые вы слушали, чтобы давать советы. Сейчас приложения осуществляют эту операцию в облаке, но это можно делать и на устройстве.
  • Людям с ограниченными возможностями приложения могут помогать ориентироваться в пространстве и лучше его понимать. Я не разбираюсь в этом, но могу представить, что приложения могут помогать, например, различать разные лекарства при помощи камеры.

Это только несколько идей. Так как все люди разные, модели машинного обучения могли бы подстраиваться под наши конкретные нужды и желания. Обучение на устройстве позволяет создать уникальную модель для уникального пользователя.

Разные сценарии обучения моделей

Перед применением модели вам нужно её обучить. Обучение нужно продолжать и далее, чтобы улучшать модель.

Существует несколько вариантов обучения:

  1. Отсутствие обучения на данных пользователя. Сбор собственных данных или использование публично доступных данных для создания единой модели. При улучшении модели вы выпускаете обновление приложения или просто загружаете в него новые параметры. Так делают большинство существующих приложений с машинным обучением.
  2. Централизованное обучение. Если ваше приложение или сервис уже требует данные от пользователя, которые хранятся на ваших серверах, и у вас есть к ним доступ, тогда вы можете осуществлять обучение на основе этих данных на своем сервере. Пользовательские данные можно использовать для обучения под конкретного пользователя или под всех пользователей. Так поступают платформы вроде Facebook. Этот вариант вызывает вопросы, связанные с приватностью, безопасностью, масштабированием и многие другие. Вопрос с приватностью можно решить методом «избирательной приватности» Apple, но и у него есть свои последствия.
  3. Коллаборативное обучение. Этот способ перемещает затраты на обучение на самих пользователей. Обучение происходит на устройстве, и каждый пользователь обучает небольшую часть модели. Обновления модели отправляются другим пользователям, так что они могут учиться на ваших данных, а вы — на их. Но это по-прежнему единая модель, и у всех в итоге оказываются одни и те же параметры. Главным плюсом такого обучения является его децентрализованность. В теории это лучше для приватности, но, согласно исследованиям, этот вариант может быть хуже.
  4. Каждый пользователь обучает собственную модель. В этом варианте лично я заинтересован больше всего. Модель может учиться с нуля (как в примере с рисунками и эмодзи) или это может быть обученная модель, которая настраивается под ваши данные. В любом случае модель можно совершенствовать со временем. Например, клавиатура начинает с уже обученной на определенном языке модели, но со временем учится предсказывать, какое предложение вы хотите написать. Минусом этого подхода является то, что другие пользователи не могут получить от этого пользу. Так что этот вариант работает только для приложений, которые используют уникальные данные.

Как осуществлять обучение на устройстве?

Стоит помнить, что обучение на данных пользователя отличается от обучения на большом объеме данных. Начальную модель клавиатуры можно обучить на стандартном корпусе текстов (например, на всех текстах Википедии), но текстовое сообщение или письмо будет написано языком, отличающимся от типичной статьи в Википедии. И этот стиль будет отличаться от пользователя к пользователю. Модель должна предусматривать эти виды вариаций.

Проблема также заключается в том, что наши лучшие методы глубокого обучения довольно неэффективны и грубы. Как я уже говорил, обучение классификатора изображений может занять дни или недели. Обучающий процесс, стохастический градиентный спуск, проходит по небольшим этапам. В наборе данных может быть миллион изображений, каждое из которых нейронная сеть просмотрит около ста раз.

Очевидно, этот метод не подходит для мобильных устройств. Но зачастую вам не нужно обучать модель с нуля. Многие люди берут уже обученную модель и затем используют transfer learning на основе своих данных. Но эти небольшие наборы данных все равно состоят из тысяч изображений, и даже так обучение происходит слишком медленно.

С нашими текущими методами обучения настройка моделей на устройстве все ещё далека. Но не все потеряно. Простые модели уже можно обучить на устройстве. Такие классические модели машинного обучения, как логистическая регрессия, дерево принятия решений или наивный байесовский классификатор, можно быстро обучить, особенно при использовании методов оптимизации второго порядка, таких как L-BFGS или сопряженный градиент. Даже базовая рекуррентная нейронная сеть должна быть доступна для реализации.

Для клавиатуры может сработать метод онлайн-обучения. Вы можете проводить сеанс обучения после определенного количества слов, набранных пользователем. То же самое относится к моделям, использующим акселерометр и информацию о движении, где данные поступают в виде постоянного потока цифр. Так как эти модели обучаются на небольшой части данных, каждое обновление должно происходить быстро. Поэтому, если ваша модель небольшая и у вас не так много данных, то обучение будет занимать секунды. Но если ваша модель имеет больший размер или у вас много данных, тогда вам нужно проявить творческий подход. Если модель изучает лица людей в вашей галерее фото, у нее слишком много данных для обработки, и вам нужно найти баланс между скоростью и точностью алгоритма.

Вот ещё несколько проблем, с которыми предстоит столкнуться при обучении на устройстве:

  • Большие модели. Для сетей глубокого обучения текущие методы обучения проходят слишком медленно и требуют слишком много данных. Многие исследования сейчас посвящены обучению моделей на небольшом количестве данных (например, на одном фото) и за небольшое число шагов. Я уверен, что любой прогресс приведет к распространению обучения на устройстве.
  • Несколько устройств. Вероятно, вы пользуетесь не одним устройством. Ещё предстоит решить вопрос передачи данных и моделей между устройствами пользователя. Например, приложение «Фото» в iOS 10 не передает информацию о лицах людей между устройствами, поэтому обучается на всех устройствах отдельно.
  • Обновления приложения. Если ваше приложение включает обученную модель, которая подстраивается под поведение и данные пользователя, то что происходит, когда вы обновляете модель вместе с приложением?

Обучение на устройстве пока находится в начале своего развития, но мне кажется, что эта технология неизбежно станет важной в создании приложений.

 

Комментарии
Если вы нашли опечатку - выделите ее и нажмите Ctrl + Enter! Для связи с нами вы можете использовать info@apptractor.ru.
Advertisement
Click to comment

You must be logged in to post a comment Login

Leave a Reply

Разработка

Karma получает $12 млн на маркетплейс по продаже излишков продуктов

По данным Продовольственной и сельскохозяйственной организации Объединенных Наций, около трети еды, производимой каждый год – 1.3 миллиарда тонн – либо теряется, либо выкидывается. Это эквивалентно потере 1 триллиона долларов.

AppTractor

Опубликовано

/

Автор:

На этом фоне стартап Karma, маркетплейс, который хочет уменьшить потери еды, собрал 12 миллионов долларов в Серии А. В ней приняли участие шведская инвестиционная фирма Kinnevik, Bessemer Venture Partners, Electrolux, E.ventures и другие. Общие инвестиции в Karma достигли 18 миллионов долларов.

Пока Karma работает только в Швеции и Лондоне, но с получением новых денег планирует расширение на новые рынки –  сначала в Европе, а потом и в США.

Само приложение Karma работает практически так же, как и любые другие маркетплейсы по заказу продуктов. Вы создаете учетную запись и видите предложения вокруг. Суть в том, что это все избыточные товары, которые готовятся выкинуть, так что какой-либо постоянный выбор еды через Karma вы вряд ли получите. С другой стороны, такую еду готовы отдавать буквально за полцены.

Стартап был основан в Стокгольме в 2015 году, в ранние годы Karma предлагала другой сервис – это была скорее программа скидок, немного напоминающая Groupon. Но компания сделала пивот и изменила направление своей деятельности.

«Нам стало ясно, что разные предложения путают пользователей Karma, и мы решили сузиться до нескольких или даже одной категории», – рассказал VentureBeat генеральный директор Karma Хьялмар Стальберг Нордегрен. «Одной из наиболее популярных категорий в нашем раннем приложении была еда, и, рассмотрев то, что на самом деле продают, мы поняли, что на самом деле это излишки, которые владельцы ресторанов добавляли на нашу платформу».

Группа основателей обратилась к мировой проблеме пищевых отходов, и это стало началом Karma в ее нынешнем виде. Это еще один классический пример своего рода «случайной» эволюции стартапа на ранней стадии, основанной на действиях пользователей – посмотреть, как пользователи на самом деле используют платформу и развивать ее на основании этого.

Karma является частью мировой тенденции, когда компании строят бизнес вокруг концепции «сокращения отходов». В прошлом году лондонский Winnow получил 7.4 миллиона долларов на измерение пищевых отходов, Full Harvest из Сан-Франциско собрал 2 миллиона для продажи уродливых фруктов, а на прошлой неделе лондонская Unmade подняла 4 миллиона долларов на платформу для производства одежды по требованию, которая позволяет брендам производить только те предметы одежды, которые фактически продаются.

«Karma превращает выкидывание продуктов в продажи – в этом достаточно много смысла», – отметил Кент Беннетт из Bessemer Venture Partners. «Но помимо самих продуктов, мы полагаем, что связь между клиентами и их любимыми местными продавцами может иметь огромную долгосрочную ценность».

Сейчас у Karma более 1,500 заведений, таких как рестораны, гостиницы, продуктовые магазины, кафе и пекарни, которые продают свои избытки примерно 350,000 пользователям приложения. Это действительно беспроигрышная ситуация: розничные продавцы могут монетизировать продукты питания, которые в противном случае окажутся на свалке, в то время как потребители могут сэкономить большие деньги. И именно эта бизнес-модель может помочь платформе набрать обороты: чтобы сделать приложение более привлекательным для продавцов, оно действительно должно быть коммерчески выгодным, а не просить их делать пожертвования.

Комментарии
Продолжить чтение

Статьи

Сможет ли HQ Trivia выйти из пике при помощи Apple TV

На фоне падения позиций HQ Trivia, разработчики выпускают новую версию приложения для Apple TV. Все, что касается игры, осталось прежним – те же вопросы, в то же время, одни и те же правила, за исключением того, что вы играете с пультом Apple TV, а не со смартфоном.

AppTractor

Опубликовано

/

Автор:

Но будет ли этого достаточно, чтобы HQ Trivia снова вернулась к росту, спрашивает TechCrunch? Ведь, по данным App Annie,  игра спустилась с 1 места в американских «Викторинах» в начале лета на 10, с 44 в «Играх» на 196, со 151 позиции в общем топе на 585. Тоже самое происходит и на Android. Вторит этому и Sensor Tower: «Установки падают. В прошлом месяце их было около 560 тысяч, в то время как в пике в феврале игру установило более 2 миллионов человек».

Вопрос в том, является ли это всего лишь летним затишьем, или же HQ Trivia вошла в штопор? На самом деле, если посмотреть ретроспективно на весь год, то можно увидеть, что HQ Trivia падала практически все время с момента достижения пика в начале зимы. В какой-то момент игра поднялась до 3 позиции в топе игр и до 6 в общем рейтинге приложении, но потом практически все время ее рейтинги падали.

CEO Intermedia Labs Рус Юсупов отметил, что, на самом деле, ничего страшного не происходит и все под контролем. «Игры это бизнес на хитах и невозможно экспоненциально расти все время. HQ отлично стартовала, и до сих пор в викторине участвуют миллионы игроков. Мы разрабатываем новые форматы и один из них очень интересный и прекрасно дополнит игру. Спасибо, что играете!

Между тем HQ грозят и новые клоны. После первоначальной волны китайских поделок, сейчас за мобильные викторины взялись телевизионные студии. На этой неделе Fox представил игру FN Genius, которая выглядит и работает почти точно так же, как HQ Trivia. Trivia Crack, давнишний конкурент HQ, в котором пользователи играют асинхронно, тоже падал в начале этого года, но переломил тренд и снова начал расти. Еще есть и новые игры на деньги, такие как ProveIt, в которых можно делать реальные ставки на свою победу. Все вместе они отбирают аудиторию у HQ Trivia.

HQ отвечает тематическими играми, знаменитостями, огромными джектпотами (недавно разыгрывали $400,000) и новыми функциями. С ней изнутри борются читеры и люди, играющие с нескольких устройств, которые, в целом, создают у нормальных игроков ощущение, что выиграть невозможно. Плюс сами «живые» трансляции не всегда уместны и возможны для всех игроков. Вероятно, HQ Trivia нужно второе приложение с новыми виральными механиками для того, чтобы оживить свою аудиторию и оправдать полученные в марте 15 миллионов долларов.

 

Комментарии
Продолжить чтение

Разработка

Интересные материалы для разработчика мобильных приложений #225 (6-12 августа)

В нашем новом дайджесте руководство по созданию PWA, запуск Android 9 Pie, раздражения, недовольства и увлечения пользователей, барьеры интерфейсов и турецкого рынка.

AppTractor

Опубликовано

/

Автор:

PWA — это просто

Продолжаем знакомство с Progressive Web Applications. После теоретической прошлой части самое время перейти к практике.

iOS

Android

Разработка

Аналитика, маркетинг и монетизация

AI, Устройства, IoT

 Вакансии

Комментарии
Продолжить чтение

Вовлечение пользователей

Нужно себя заставить: драйверы и барьеры в интерфейсах

Люди не роботы — у каждого яркая индивидуальность и богатый внутренний мир. Но в базовой комплектации у нас более-менее одинаковые эргономические и когнитивные способности. Разбираемся в управлении мозгами вместе с Русланом Лобачевым, директором по проектированию в Tsentsiper.

Redmadrobot

Опубликовано

/

Автор:

Эмоции — простейшие сигналы, которые подменяют энергозатратные рассуждения. Эдакий способ самоконтроля и самомотивации и, одновременно, награда за удовлетворение потребностей. Чем важнее потребность, тем сильнее эмоция. И чем выше барьер, тем сильнее должен быть драйвер, который заставит его преодолеть.

Описывая пользовательский сценарий, важно понимать:

  • что станет триггером;
  • в какой момент человек поймет, что вот-вот получит вознаграждение;
  • что он должен сделать, чтобы его получить;
  • каким будет вознаграждение.

Использовать драйверы

Вознаграждение

Стремление к выгоде — главное, что заставляет человека встать с дивана.

Вознаграждение в любом его виде: кэшбек, лайки или новые доспехи в игре, самый простой и рациональный способ управления людьми. Хотите, чтобы человек зарегистрировался в приложении? Пообещайте бонус.

Накал страстей может стать еще острей, если вознаграждение не гарантировано или уплывает из рук. Хитро расставленные «ограниченные предложения» (даже если за этот гостиничный номер с вами никто не борется) заставляют людей действовать, не раздумывая.

Итак, человек хочет пресс кубиками (пример вымышленный и никакого отношения к редакции роботов не имеющий), чтоб безудержно им хвастаться.

Чем сложнее действие, тем щедрее награда.

Какое-то время назад я сформулировал для себя, что любая деятельность, если она не настолько проста, чтобы исчезнуть совсем, стремится стать игрой. Если не получается деятельность устранить, ее можно попытаться превратить в игру.

Люди любят умеренно сложные задачи — и вызов есть, но и справиться с ним не то чтобы невозможно.

Если нужно, чтобы пользователь оставил максимум информации о себе или написал отзыв — продумайте бонус, сообразный затрате времени и сил.

Путь к вознаграждению долог и тернист? Покажите прогресс: к большому делу всегда легче подойти, если оно разбито на этапы. Это те самые «Шаг 1 из 4» и «Ваш профиль заполнен на 67%» — ведь близость финиша открывает второе дыхание. И не забудьте о бонусах в конце пути: «Вы заполнили профиль на 100%. Таких, как вы, всего 159 человек в мире. Получите лавровый венок на аватар!».

Тот парень с кубиками — он уже начал заниматься, но приложение может составить для него индивидуальный план. Нужно лишь заполнить несколько полей: имя, пол, возраст, рост, желаемый вес, регион, тип ежедневной активности.

Привычка

Большую часть действий люди выполняют не задумываясь, по привычке. Мышление — очень энергозатратная штука, поэтому между лучшим и привычным мозг всегда выберет второе, потому что оно проверенно безопасное. Привычка — ключ к выбору промежуточных вариантов: «пакет Medium», «стандартный размер», «средней прожарки». Здорово, что есть возможность выбирать, но не прямо сейчас.

У зарядки должен быть триггер — в одно и то же время приложение пришлет уведомление. Зарядка может быть короткой или не очень и запускается одной кнопкой. И, конечно, после выполнения нескольких тренировок приложение выдаст ачивку и предложит ею похвастаться.

Принадлежность

Люди смотрят на поведение себе подобных и делают так же. Особенно, когда не уверены в выборе. Дайте им возможность видеть действия других людей и транслировать свой выбор, например, в соцсети, чтобы чувствовать себя частью группы единомышленников.

Когда упражнения становятся рутиной, мотивация ожидаемо снижается. Но есть всемирное комьюнити любителей упражнений! И среди его участников известные спортсмены и актеры, коллеги и друзья. Приятно находиться среди красивых.

Кстати, в Apple, Google и Facebook давно поняли определяющую роль привычки в жизни человека. И сегодня занимаются ее этическим измерением. Вроде бы пользователи Facebook довольны возможностью бесконечно залипать на прикольный контент, подбрасываемый алгоритмической лентой. Но здесь кроется противоречие с интересами общества: огромное количество времени, внимания и энергии люди тратят впустую. Что с этим делать? Рано или поздно придется решать — корпорациям или государствам.

Преодолеть барьеры

Лень

Лень бережет человеческий энтузиазм для чего-то поинтереснее. Двигатель прогресса ведет к новым, еще более удобным сервисам, и помогает отсеивать то, что требует слишком много сил. Сложные, требующие долгого изучения и настройки интерфейсы — не для ленивых и, значит, не для людей.

Сохраняйте, не спрашивая. Храните данные, пока пользователь сам не решит их удалить. И не забудьте предусмотреть возможность отмены любого действия, включая удаление.

Google Docs и заметки по умолчанию сохраняют любые изменения. Яндекс.Музыка открывает альбом, который вы слушали в последний раз. Telegram помнит незаконченные сообщения.

Если интернет вдруг пропал, Facebook предлагает написать комментарий, который опубликует, когда появится сеть.

Через пару месяцев человек подустал. Пора напомнить о днях былой славы, показав его же лучшие результаты. А как же кубики, а желаемым вес, который он указал вначале? Кстати, в его районе теперь уже две тысячи тренирующихся. И половина из них бегают, ведь в приложении появился новый трекинг. Может быть, сменить активность?

Мы привыкли говорить об удобстве интерфейсов, но есть и обратная сторона коммерческих проектов — расходы. Возможный вариант сокращения расходов — переложить работу с компании на потребителя. Но сделать это так, чтобы у него остались приятные впечатления. Ведь лень — не объективное физическое явление, а психическое. Если задача подана классно, человек может и не заметить, как потратит в два раза больше энергии, да еще и порадуется. Например, к терминалу в Mcdonalds хочется подойти гораздо больше, чем к кассиру: нажимаешь на большом телефонообразном экране яркие кнопки и через пару минут получаешь заказ. Ты поработал за кассира, но разве заметил это?

Физиология

У большинства людей две руки, десять пальцев, два глаза. Наши пальцы не могут быть тонкими, как вязальные спицы и такими же длинными. В руке удобно держать только один предмет. Читать на ходу неудобно, да и не особенно хочется.

В мобильных приложениях ошибки проектирования редко приводят к трагическим последствиям для пользователя, зато для продукта — почти всегда. Неудобный продукт для пользователя все равно что не существует. В этом списке UX-бедолаг: приложения с непривычными паттернами навигации, неочевидной информационной иерархией, громоздким онбордингом, отсутствием важных функций, вроде поиска, слишком тяжелым контентом, несогласованность с шаблонами Apple и Android и т.д.

Адаптируйте. Да, у людей довольно толстые и неуклюжие пальцы по сравнению с изящными кнопочками на экранах мобильников. Поэтому на клавиатурах iOS площадь нажатия динамически подстраивается, чтобы было легче набрать правильную букву. И она на всякий случай, подсвечивает символы, которые вы нажимаете. Другой пример — клавиатуры с большими кнопками для набора цифр.

Зарядка — это когда человек большую часть отведенного времени проводит в горизонтальном положении, вспотевший, с учащенным пульсом, иногда злой. «Еще один круг? О не-ет!» Нужна одна большая кнопка «Старт / Стоп» и обратный отсчет крупными цифрами, потому что осталось всего «Три, две, одна… Вы закончили!»

Примитивность сознания

Вычислительные способности человека весьма ограничены — большинство способны сознательно контролировать только одну операцию. Мы можем решать задачи только последовательно — выполняя один простой шаг за другим. Это очень серьезный барьер и причина многих ошибок пользователей при взаимодействии с интерфейсами.

Идеальный интерфейс — невидимый интерфейс. Человек не хочет тыкать в кнопки — он хочет получить результат. И чтобы всю работу сделал компьютер — сам и прямо сейчас.

Не усложняйте путь к цели: одна кнопка — одно действие — один результат. Взяли в руки смартфон — разблокировали его с Face ID. Скачали приложение в App Store, привязали карту — и раз в месяц фиксированная сумма будет списываться с нее сама. «Выбрали-нажали-получили» — что может быть проще?

Решайте главную задачу. Когда приложение умеет слишком много, оно приводит людей в ступор. Тем более, что человек все равно проигнорирует все, что не помогает ему решить задачу сейчас. И гораздо проще запомнить: это приложение заказывает еду, другое сравнивает скидки в ближайших супермаркетах, а третье показывает дорожные пробки.

Одно из самых частых заблуждений — непонимание точки зрения пользователей. Отличный пример — как постепенно из мобильных интерфейсов уходит меню-гамбургер. Казалось бы, оно скрывало столько полезных фич! Но ведь оно требует действий — неоправданно много.

У человека есть 10 минут, и он просто хочет начать заниматься — или не очень хочет, но решил. Если нужно показать, как все работает, лучше расставить пошаговые подсказки, а на экране оставить минимум элементов.

И наконец, интерфейс, безусловно, робот, но объясняться придется по-человечески. Короткое, однозначно сформулированное сообщение, которое способствует действию — это стандарт, к которому стоит стремиться. «Приложение установлено» — отчетный язык машин. «Готово. Запустить?» — понятный язык людей, который не только передает формальное сообщение об успешной установке, но и предлагает немедленно начать работу.

Вознаграждение близко!

Комментарии
Продолжить чтение

Реклама

Наша рассылка

Нажимая на кнопку "Подписаться" вы даете согласие на обработку персональных данных.

Вакансии

Популярное

X
X

Спасибо!

Теперь редакторы в курсе.