在人机交互过程中，我们可以通过有意识地收集和处理输入来优化模型并提升功能体验。本文将探讨四种类型的输入：校准设置、隐性反馈、显性反馈和手动修正。
首先是校准设置。通过获取基本设置信息，使功能进入运作状态。以 HomeCourt 为例，这款 app 可以辅助人们提升投篮水平。它通过机器学习来分析摄像头捕捉到的图像，进而为你提供一系列相关的统计数据，例如命中率等等。为了实现这些功能，app 首先需要进行校准设置，从而正确地识别到人、篮筐和球场。其实现方式非常简单易行，你只需要将前置摄像头对准篮筐的方向，app 即可自动标定位置。接下来，它会提示你投一次篮，然后所有的校准工作就完成了。这里的体验亮点在于整个校准过程的简单与自然。设计原则：确保校准过程的简单快捷，仅让用户提供最为必要的信息。
其次是隐性反馈。潜移默化地从人们的行为当中获取反馈信息。例如，当我们在使用手机时，系统会根据我们的操作习惯自动调整界面布局和功能设置。这种反馈方式不需要我们做任何额外的操作，就能让我们感受到系统的智能和便捷。设计原则：让隐性反馈成为一种自然而然的体验。
第三是显性反馈。允许人们直接对输出进行反馈。例如，在观看视频时，我们可以通过滑动屏幕上的点赞按钮来表达对视频内容的喜爱。显性反馈可以让用户更加积极地参与到互动过程中，提高用户体验。设计原则：提供简单易用的显性反馈方式，让用户能够方便地表达自己的意见和情感。
最后是手动修正。允许人们自主更正模型产生的错误输出。例如，在使用语音助手进行搜索时，如果输入了错误的关键词，我们可以通过按错键后的删除按钮来纠正错误，并重新输入正确的关键词进行搜索。手动修正可以避免因为误操作而导致的不便，提高用户的满意度。设计原则：为用户提供方便快捷的手动修正方式，减少因误操作带来的困扰。
总之，通过这四种类型的输入，我们可以更好地满足用户的需求，提高产品的易用性和实用性。同时，在设计过程中，我们还要考虑到保护用户隐私和尊重用户意愿的原则，让用户在使用过程中感受到愉悦和舒适。
人们自然不会愿意被反复要求进行校准设置。Face ID 所采用的策略，是在人们每一次使用 Face ID 时潜移默化地获取和更新面部信息。这就是我们接下来要聊的第二类输入类型。
隐性反馈
隐性反馈会在人们使用功能的过程中获取相关信息，用以对功能进行优化和更新。
隐性反馈最常用于功能的个性化处理。譬如 Siri 会根据人们使用设备的习惯对搜索状态进行定制。你在首屏展开搜索栏后，Siri 便会直接呈现一些你最有可能需要用到的 app。
这里具体会呈现哪些 app 将取决于 Siri 所接收到的一系列隐性反馈，包括你最常用到哪些，你刚刚用过哪些，以及你在每天的这个时段通常会用哪些，等等。
如上图所示，在行车时，我通常会打开「地图」导航，或是打开「音乐」、「播客」听点东西。而在工作时间，我通常会用到「备忘录」和「提醒事项」等等。在家里，我通常会用到「信息」和朋友们交流，或是查看「健身记录」和「新闻」等等。取决于我如何使用我的手机，Siri 会试着判断我在特定场景下的意图，并将我最可能用到的那些主动呈现给我。
设计原则：通过观察人们如何与功能进行互动，来判断他们的习惯与需求意图，进而主动提供相应的个性化体验。随着时间的推移，Siri 会越来越精准地理解我的意图。除了提供 app 建议，它还会开始尝试为我的各种高频操作提供快捷方式。
譬如在车上时，Siri 会根据我常去的地方或是接下来的会议场所提供导航建议。在工作时，它会为我提供工作相关备忘录或提醒事项的快捷方式。回到家后，快捷方式则变为家居控制或「信息」、「Facetime」。这些快捷方式会在你开始使用新手机或新系统的几天或几周后开始提供。由于 Siri 需要基于隐性反馈来学习你的习惯与意图，因此要达到足够的精确度，势必要花上一定的时间。这不成问题，付出时间成本来提升精确度，比立刻提供不靠谱的建议要好很多。
设计原则：隐性反馈不会带来立竿见影的效果，体验的精确性会随着时间而逐渐提升。这些个性化建议会在锁屏上出现，其中有可能包含比较敏感的信息。为了尊重隐私，我们会为每个 app 提供相应的设置，允许人们决定是否将相关信息呈现在搜索建议当中。
设计原则：在运用隐性反馈时，要始终考虑到人们的隐私与安全性问题。
除了个性化反馈外，隐性反馈还可以用于提升细微之处的用户体验。以iOS键盘为例，每个按键都有其实际点击区域。通过机器学习，系统可以实时优化这些点击区域，如根据输入的单词或手指位置调整实际尺寸。请注意，按键的可视尺寸不会发生变化，但随着时间的推移，用户会感受到键盘越来越精准和个性化。这表明设计原则：可以通过隐性反馈逐步提升交互操作的精准度和舒适度。
另一方面，Siri建议在Safari中的运用也是一个很好的例子。Safari通过机器学习从各种来源收集网页链接，如信息、邮件、阅读列表和iCloud标签页，以提取用户可能感兴趣的内容。然而，有时用户可能会觉得某些建议不符合他们的需求，如一篇不感兴趣的文章或不信任的内容来源。如果这些建议没有价值，用户可能会逐渐失去对搜索建议和Safari的信任，这是我们应尽量避免的情况。
为了解决这个问题，我们可以通过释义信息来解释为什么会推荐特定内容，同时为用户提供手动控制的方式来标定他们不希望看到的内容。这就是我们接下来要讨论的第三类输入类型：显性反馈。显性反馈允许用户直接对输出结果进行明确的反馈。
在Safari的例子中，我们可以提供一个功能，让用户标定他们不想看到的内容，从而让模型学会避免在未来呈现类似的内容。如何设计这样的反馈机制呢？我们经常看到“喜欢”和“不喜欢”这两个选项。但是，即使搭配文字标签，它们仍然会带来一定的困惑。例如，当我想对一篇推荐内容进行反馈时，唤起菜单后看到有一个选项叫“喜欢”。这时我会想，我是不是要对每篇我喜欢的文章都执行一次这样的操作？
正向的显性反馈会增加额外的交互和认知成本。人们可能会怀疑是否需要逐一“喜欢”才能提高推荐的准确性。实际上，用户对于内容的正向反馈可以通过其他行为更明确地体现，如阅读、收藏或分享。因此，设计原则是尽可能只提供负面反馈作为显性反馈。
然而，即使只提供“不喜欢”这个选项，仍然会带来认知上的困惑。我不喜欢的是这篇文章本身，还是作者、来源出处，或者是分享给我这篇文章的人或应用？我仍然会对点击按钮可能带来的结果感到困惑。相比之下，“减少此类内容的推荐”或“隐藏这条推荐”更容易让人们对操作结果产生预期。
为了给用户提供更多的控制权，我们可以允许他们进行更具体的选择，例如减少特定来源或来自某人的内容推荐。设计原则是在显性反馈中清晰地描述操作的含义及结果，并尽可能提供更具体的选项来帮助用户理解和选择。当然，在我们选择了某个负面选项之后，界面应该立刻对我们的操作进行响应，移除相应的内容且不再进行推荐。设计原则是对人们的显性反馈即刻进行响应，并持续保持作用。
显性反馈可以帮助模型减少错误的或是不恰当的输出结果。但对于某些功能来说，显性反馈的方式可能并不适合，甚至是难以实现的。例如，在与朋友讨论狗狗安吉时，用户想要输入「Angie」，但在输入「angie」后系统却想将其修正成「angle」。这显然是不合适的。假设我们通过显性反馈的方式为人们提供一个选项菜单，这不仅让人感觉非常异样，而且根本无助于用户实现想要的输入。实际上，用户可以选中被系统修正的单词，手动输入正确的「Angie」。系统会学习用户的手动修正，并且不会再将用户接下来输入的「Angie」更改为其他单词。这就是我们接下来要聊的第四类输入类型：手动修正。
手动修正允许用户通过正常的操作方式来自主更正那些错误的输出结果。何为「正常的操作方式」？在刚刚键盘输入的例子中，我们使用标准的、人人皆知的文本操作方法来重新输入单词，从而更正了系统的错误；期间不涉及任何额外的界面元素，譬如选项菜单等等。这就是「正常的操作方式」。手动修正可以在不带来额外交互逻辑的情况下对输出结果进行优化。以「照片」为例，它可以通过机器学习来自动优化照片，例如找到最佳旋转角度和裁切方式。
「照片」提供优化建议的方式非常微妙。用户进入照片的编辑模式，选择旋转或裁切工具，照片便会自动进行细微的调整。但它实际上并没有真正进行修改，仅是作为一个简单的操作起点供用户选择。如果用户觉得自动调整符合心意，直接点击「完成」即可。如果用户不喜欢它的建议，也可以直接通过相关的控件进行手动调整，修正系统的优化方案；系统也会自动退出自动优化模式。
设计原则：
1. 允许用户通过常规操作修正输出结果。
2. 在用户进行修正之后，模型的行为方式即刻发生变化，例如当用户修改单词之后，键盘不再对其进行修正建议。
3. 将手动修正作为显性反馈的一种形式，来优化机器学习的输出结果。
以下是重构后的内容：
我们今天与大家分享的关于机器学习界面设计的相关模式及设计原则。正如你所看到的，这些模式和原则涵盖了许多我们在日常生活中非常熟悉的界面元素。虽然设计方法并非完全新颖，但新技术和使用场景的出现确实为我们提供了新的设计思路。无论选择何种设计模式，都必须以用户的需求为出发点，尊重用户的认知和操作习惯。因为无论是解释性信息还是显性反馈，都会增加用户的认知和操作成本，甚至干扰用户的注意力。因此，在进行机器学习产品体验设计时，我们必须以人为本。
除了界面输出层面，基于机器学习的产品体验设计还需要考虑数据、指标、输入和输出等多方面的因素。只有这四个方面的要素得到合理的整合，才能为用户提供易于理解、符合直觉的体验。正如我们在本次分享开头所述，我们正在或将要打造的产品及体验都无法脱离机器学习而存在。我们已经看到了许多成功的案例，例如如何利用机器学习来帮助用户保持注意力、如何提供更优质的推荐内容、如何在恰当的时间呈现最符合场景的信息以及如何自动完成常规任务等。
当然，机器学习的应用远不止于此。通过结合技术与我们所秉承的价值观念，我们可以创造出能够提升人类生存质量的产品体验。例如，通过追踪运动行为来督促用户保持健康、通过计算机视觉及语音控制来帮助盲人感知周围的环境、通过侦测心率来判断用户的健康状况等等。总之，只要我们能够将技术和价值观念相结合，就可以为用户带来更好的产品体验。
