Skip to main content

4 dicas para criar uma machine learning centrada no usuário

Um dos maiores desafios de um UXer (a pessoa responsável por desenhar a experiência do usuário) é a de criar sistemas que forneçam a sensação de que é o “cliente” que tem o controle da tecnologia, e não o contrário.

Esse é um desafio, entretanto, extremamente difícil de ser vencido. Sejamos sinceros: todos já desenvolvemos ou demos alguma sugestão em um protótipo que, na teoria, parecia atender a todos os critérios de UX planejados, mas na prática engessava a experiência a ponto de torná-la maçante.

Uma maneira de evitar cair nessa armadilha é usar o que o pessoal do Google chamou de “machine learning centrada no usuário”. Com base nestas diretrizes, vai aí algumas dicas que serão úteis dentro do processo criativo e de concepção dos seus produtos e serviços.

1. Lembre-se de que o machine learning não sabe quais problemas resolver

Se você não estiver focado em uma necessidade humana real, terminará criando sistemas superpoderosos para resolver problemas pouco importantes ou mesmo inexistentes. São os UXers que precisam descobrir qual é o problema. O machine learning é apenas uma ferramenta para resolver esse problema.

design thinking e machine learning

2. Certifique-se de que o problema exige machine learning

Cabe ao UXer determinar em quais produtos o machine learning é essencial, em quais haverá uma melhoria significativa e quais não sofrerão melhoria nenhuma com essa técnica de processamento de dados. Contudo, há cenários em que soluções determinísticas funcionam muito bem e reduzem a complexidade do todo.

3. Defina o que é sucesso e quais são as métricas ideais para o seu caso de uso

Mais importante do que criar modelos, saber qual o resultado esperado para a tarefa a ser resolvida e como fazer para identificar se você obteve êxito ou não são fatores chaves dentro de qualquer iniciativa que envolva machine learning aplicado. Métricas como acurácia, precision, recall, RMSE etc são boas, mas métricas de negócios devem sempre ser o principal alvo de otimizações. Aqui entram ROI, redução de custos, aumento de produtividade, geração de receita, ganho na experiência, entre outras.

4. Saia do espaço teórico, vá para o mundo real

Nenhum produto de dados fará a diferença e trará o impacto necessário ao negócio se não for colocado a prova em cenários reais. Não tenha medo de experimentar, coloque modelos em produção, colete o feedback dos teus usuários.

Machine learning na prática é naturalmente complexo, ninguém gosta de incertezas e assumir riscos, porém, quanto maior o risco, maior a recompensa. Com essas dicas em mente, as chances de sucesso em projetos desse tipo aumentam significativamente.

E para você, como é a sua relação com o machine learning? Conte, nos comentários, os principais desafios que você vê nessa abordagem.

Obs.: para o próximo post, traremos um caso de uso prático utilizando essa guideline.

Anderson Fernandes Mendes é Gerente Executivo do Innovation Hub BRQ

Sobre o Autor