Kako smo uz podatkovnu znanost u Bellabeatu izgradili Airi, chatbot koji ima osobnost

Nakon nekoliko mjeseci šuškanja kako Bellabeat razvija chatbota za savjetovanje o zdravom načinu života, predstavljena je Airi. Radi se o mobilnoj aplikaciji koja na temelju podataka prikupljenih iz Bellabeatovih proizvoda, ali i prethodnih konverzacija s chatbotom, pomaže korisnicama uspostaviti i održati zdrave navike. Kroz konverzacijsko sučelje Airi šalje savjete i podsjetnike, odgovara na pitanja te preporučuje vježbe, recepte i meditacije putem linkova na multimedijski sadržaj koji je također dostupan unutar aplikacije.

Kako Airi ima zadatak utjecati na ponašanje, navike i stavove korisnica, jedan od najvažnijih aspekta aplikacije je korisničko iskustvo. Ton poruka, korištenje tehnika uvjeravanja, duljina konverzacijskih epizoda, učestalost i vrijeme slanja poruka, učenje iz konverzacije i upotreba prikupljenih podataka samo su neke od tema o kojima je trebalo promisliti prilikom dizajna i izrade aplikacije. Udahnuti chatbotu osobnost i učiniti ga uvjerljivim nije lako.

Taj proces istraživanja korisničkog iskustva podržanog podatkovnom znanošću sastoji se od puno malih tajni, a neke od njih otkrivamo u nastavku.

Srž chatbota je dijalog

Konverzacijsko sučelje ima mnogo specifičnosti u odnosu na web i mobilne aplikacije. U usporedbi s grafičkim korisničkim sučeljima, kod kojih su u fokusu akcije korisnika, srž chatbota je dijalog korisnika i računala čiji je sadržaj i karakter ovisan o kontekstu. Zbog toga se prilikom dizajna chatbota događa proširenje paradigme tako da se za rješavanje konkretnih potreba korisnika uzima u obzir i kontekst koji se može podijeliti na tri cjeline:

1. značajke korisnika (demografija, osobnost, prethodna iskustva),
2. značajke agenta (uloge, funkcionalnosti i svojstava chatbota) i
3. značajke zadatka (namjera, prikladnost tona komunikacije, itd.).

Kada smo započeli preliminarna istraživanja vezana uz Airi, željeli smo razumjeti odnose među tim kontekstualnim dimenzijama. Tko su naši ciljani korisnici, kojim osobnostima korisnika odgovara koji tip komunikacije, kakve su njihove trenutne navike, što ih najviše potiče na promjenu navike, što očekuju od nekog tko bi ih savjetovao o zdravlju? Ta i mnoga druga pitanja bila su nužna kako bismo definirali identitet i viziju chatbota, a posljedično i smjer priprema interakcija. Odgovore smo potražili povezivanjem istraživanja korisničkog iskustava i podatkovne znanosti.

Kako povezati istraživanje korisničkog iskustva i podatkovnu znanost?

Istraživanje korisničkog iskustva i podatkovna znanost naizgled su samo marginalno povezane discipline. Prva je u domeni humanističke struke, zasnovana na metodologiji psihologijskih istraživanja, naslonjena na spoznaje o kognitivnim procesima, stavovima i ponašanju,  usmjerena da odgovori na pitanja zašto i kako te pogrešno percipirana isključivo kao dio procesa dizajna. Druga je obilježena određenom matematičkom rigidnošću, kvantitativnim pristupom, tehnologijom bez koje se ne može praktično primijeniti te na koju ima direktne implikacije. Čini se da ih povezuje samo potreba da se prilikom kvantitativnog istraživanja provede statistički test. No, veza je puno dublja i neophodna za cjelovitost razumijevanja korisnika, njihovih potreba, stavova i ponašanja.

Podatkovna znanost ima trostruku ulogu. Prva je prikupljanje i čišćenje kvantitativnih podataka koji dolaze iz različitih izvora. To nisu samo ankete provedene na skupini potencijalnih ili trenutnih korisnika, već i zapisi svih akcija i događaja unutar aplikacije ili na web stranici, to su sve dimenzije koje opisuju događaje, to su podaci koje korisnici unose kao dio korištenja aplikacije ili web stranice, statistike iz korisničke službe, podaci o sentimentu prikupljeni iz društvenih mreža i medija, to su različiti drugi izvori specifični za pojedinu domenu. Istraživanje korisničkog iskustva treba obuhvatiti širinu dostupnih informacija, a bez podatkovne znanosti povezivanju, čišćenju, pripremi i eksplorativnoj analizi podataka iz svih relevantnih izvora ne bi bilo moguće posvetiti dovoljno pažnje.

Druga je uloga analiza podataka koja često nadilazi deskriptivnu statistiku. Najprimjenjivije spoznaje nerijetko proizlaze iz statističkih relacija među varijablama, promatranju po različitim dimenzijama i pronalaženju uzoraka ili netipičnih pojava.

Podatkovna znanost također sudjeluje ne samo na identifikaciji korisničkih potreba, nego i u definiranju odgovora na to kako ih zadovoljiti. Istraživanje ne prestaje na analizi podataka, nego je riječ o iterativnom procesu koji dodatno ima faze prijedloga i validacije rješenja. Jedinstveno rješenje koje svim korisnicima rješava problem vrlo rijetko postoji i rješenje leži u prilagodbi funkcionalnosti ili sadržaja pojedinim grupama korisnika ili čak individualnim korisnicima za što se koriste pristupi temeljeni na podacima poput strojnog učenja.

Sinergija istraživanja korisničkog iskustva s podatkovnom znanošću u Bellabeatu kulminirala je upravo u procesu pripreme i razvoja aplikacije Airi na kojoj smo radili Stefan Manojlović kao voditelj istraživanja korisničkog iskustva i ja kao voditelj tima za podatkovnu znanost. Stefan je nedavno doktorirao na području interakcije čovjeka i računala na Eindhoven University of Technology (TU/e) te je svojim akademskim i praktičnim iskustvom pridonio cijelom procesu od dizajna eksperimenata do implementacije zaključaka istraživanja u konkretne smjernice za dizajn aplikacije i konverzacijskih epizoda.

Istraživanje o osobnosti chatbota u dva dijela

Istraživanje na projektu dizajna i razvoja Airi aplikacije podijelili smo u dva dijela:

1. preliminarno istraživanje kojemu je svrha prepoznati tko su potencijalni korisnici proizvoda, koja su njihova obilježja i stavovi te
2. validacijsko istraživanje kojemu je svrha pokazati jesmo li s proizvodom postigli korisničko iskustvo i planirani utjecaj.

Kao izvor podataka za preliminarno istraživanje koristili smo ankete kako bismo istražili tri kontekstualne cjeline (značajke korisnika, zadatka i agenta). Kako bismo doznali značajke korisnika, upotrijebili smo podatke prikupljene iz Bellabeatovih proizvoda te ih povezali sa samoprocijenjenim podacima iz ankete. Cilj je bio izgraditi segmente korisnika po profilima kako bismo informirano zaključili tko su naši ciljni korisnici i kome će kakav tip aplikacije najviše pomoći. Primjeri promatranih dimenzija u profilima korisnica bili su:

• razina fizičke aktivnosti,
• ciljevi vezani uz poboljšanje zdravlja i
• trenutne navike.

Tako izgrađeni profili kasnije su nam služili kao dimenzije za druge promatrane mjere poput očekivanog tona komunikacije, spola chatbota, podložnosti uvjeravanja i interesa za različite teme. Rezultat preliminarnog istraživanja bila je infografika koja opisuje Airi – njene karakteristike osobnosti i primjere rečenica koje bi Airi izgovarala da je prava osoba.

Validacijsko istraživanje trebalo je potvrditi da smo napravili što smo planirali i dodatno obogatiti nas novim spoznajama za iterativno poboljšanje aplikacije. U validacijskom smo se istraživanju, osim na ankete, oslonili i na zapise svih akcija i događaja unutar aplikacije te sve konstruirane dimenzije koje opisuju događaje. Kod postavljanja takvih analitika imali smo klasičnu dvojbu trebamo li prikupiti što više raznih podataka pa im pristupiti eksplorativno ili trebamo unaprijed postaviti pitanja te mjeriti ciljane efekte. Odluka je pala na hibridni pristup koji kombinira podatke za unaprijed definirane indikatore s podacima za eksplorativnu analizu.

Neki od primjeri podataka koje smo odlučili skupljati za poslovne potrebe uključuju: funnel korisnika kroz inicijalnog dijaloga s chatbotom neposredno nakon instalacije, različite točke konverzije, otvaranje multimedijskog sadržaja i slično. S druge strane, vrlo korisna zapažanja mogu se pojaviti iz uzoraka ponašanja koji nisu predviđeni. Zbog toga smo dizajnirali generički sustav dimenzija kako bismo za svaku tekstualnu konverzaciju i svaki pregled multimedijskih sadržaja imali dovoljno pojedinosti za statističke testove i pronalaženje uzoraka. Poruke smo obogatili metapodacima o njihovoj tematici, tonu komunikacije, namjeri i korištenom načelu uvjeravanja. Također smo metapodacima obilježili moguće odgovore korisnika, kao i stavke multimedijskih sadržaja. Tako smo tipične mjere (poput postotka odustajanja korisnika tijekom interakcije) mogli promatrati kroz različite dimenzije i uočavati o čemu ovise te konačno koristiti te dimenzije za personalizaciju.

Istraživanje pomaže tamo gdje sami nemamo odgovor (ili se oko njega ne možemo dogovoriti)

Iako to nije bilo uvijek izravno, istraživanje nam je pomoglo odgovoriti na mnoga pitanja na koja sami nismo znali odgovoriti ili nismo imali konsenzus unutar tima. Iz razumijevanja navika i želja korisnika shvatili smo s kojim temama trebamo krenuti i kojim tonom Airi treba komunicirati. Saznali smo da fizički aktivne korisnice više preferiraju energetičnu komunikaciju, a da su kod značajnog broja korisnica najveće prepreke za usvajanje zdravih navika nedostatak vremena i nedostatak posvećenosti. Tako smo došli do validiranog polazišnog putokaza za dizajn komunikacije koji nas je usmjerio prema efikasnim i poticajnim porukama energičnog tona. Kod nekih pitanja postojale su veće razlike u očekivanjima i stavovima među ispitanicima pa smo u tim slučajevima odabrali personalizaciju kroz isporuku specifičnog sadržaja ciljanim segmentima korisnika.

Istraživanje korisničkog iskustva bila je izuzetno važna komponenta našeg projekta, no ne i jedina. Odluke o razvoju proizvoda su kompleksne i trebaju se temeljiti na više perspektiva. Iako su korisnici i njihove potrebe u centru razmatranja, s obzirom na to da su oni razlog iz kojeg radimo proizvod, trebali smo uzeti u obzir tehnička ograničenja, konkurenciju, specifičnosti marketinga takvog proizvoda i njegovih funkcionalnosti te uklapanje proizvoda u ekosustav ostalih proizvoda kompanije.

Nužnost uključivanja humanističke, društvene i filozofske perspektive u razvoj chatbota

Rastuća prisutnost umjetne inteligencije i konverzacijskih sučelja pridodaju ulozi, opsegu i važnosti istraživanju korisničkog iskustva. Izgubimo li korisnika iz fokusa, tehnološki larpurlartizam počet će se događati brže nego ikad dosad. Na pitanja kako rješavati one najbitnije probleme za društvo i pojedince te kako izbjeći konvergenciju informacija koju potencijalno donosi umjetna inteligencija odgovore mogu dati humanističke, društvene i filozofske perspektive koje je zato nužno uključivati u razvoj tehnoloških proizvoda. Iako se mnogi ključni društveni problemi ne mogu riješiti isključivo unutar okvira kapitalističkog i tehnološkog djelovanja, vjerujem da se promišljenim pristupom u razvoju komercijalnih tehnoloških proizvoda može ostvariti pozitivan utjecaj.

Tekst o kreiranju osobnosti za chatbot Airi zajednički su napisali Gordan Kreković i Stefan Manojlović.