本文内容节选自由msup主办的第七届TOP100summit，Microsoft Principal Program Manager Annie Wang分享的《Building an Inclusive Product》实录。
Annie is a 18-year veteran in Microsoft with proven success of leading large-scale collaborations and shipping world-class product like Cortana, Bing search, NET Framework and Visual Studio. Her focus of the last few years is on AI-powered applications/services and led projects such as future of home experience in Microsoft Envisioning Center and SwiftKey. She is motivated by solving hard user problems and building delightful and inclusive solutions that scale.
编者按：2018年11月30日-12月3日，第七届全球软件案例研究峰会在北京国家会议中心盛大开幕，现场解读2018年「壹佰案例榜单」。本文为Microsoft Principal Program Manager Annie Wang老师分享的《Building an Inclusive Product》案例实录。
不论是产品经理还是运营又或是市场，我们都希望学习到一些方法/思维将产品体验做好，提高用户使用频率。今天，我希望借TOP100summit平台为大家分享一些自己在产品工作中的经验与心得。
切入正题之前，我们一起来看上图的照片。相信大家第一眼看到的模块都不太相同，这是因为当我们看到同一张照片，切入的角度不同，所以看到的东西也就不尽相同，其实，在用户方面也是如此多元化。用户多元化不止看人的性别、年龄，还需要考虑文化背景、个人喜好、对科技的认知程度等其他因素。所以，做一个成功的产品，我们应该全面了解用户的需求。
如果单从自己的角度出发，就会在无形中建立了一道墙，导致你和用户之间没有接触。所以，我今天想和大家聊聊包容性设计的思维方式。包容性设计的思维方式是指考虑人类的多样性，交互环境的复杂性，认知功能缺失的不同场景，并最终帮助产品更好地为每个人服务。
• 包容性设计的好处：
1.扩大用户群
2.优化用户体验
3.增加用户粘性
• 包容性设计原则：
第一，考虑用户的多元性，发掘自身盲点，不要把用户排除在外。
第二，在多样化中学习，由于用户是多方面的，所以在收集资料/接收反馈时，不要只针对一群人做测试。所有的设计要以人为中心，建立同理心，这样才能更深入了解用户需求。
第三，特定功能延伸到更多的用户群。
以上三个原则均可应用于产品研发的各个阶段。在产品设计期，套用包容性设计的思维方式可以更深入的了解用户的需求和痛点，以便想到更好的解决方式。在产品开发期，将这些思维融入到工作的计划中，可以让产品自动变成更有包容性。从总体研发来看，思维方式不仅是收集和反馈，而是覆盖不同的用户群。
接下来，我开始分享一些自己在工作中的心得。
Learning #1
提供用户多种选择
• 配合用户的习惯：
产品的包容性并不是以一概全，而是要配合用户的习惯、表达方式等。以SwiftKey的人工智能输入法为例，它会根据每个用户的打字方式，打造出合适的模型，即让科技配合不同的用户习惯。
• 支持多语言：
SwiftKey在伦敦起家时，为了迎合欧洲多语种的情况，会按照用户的打字形式在用户不需要特意转换的情况下，帮助判断用户选择他使用的语言，此种形式，给用户提供了方便，也增加了更多欧洲用户的加入。
• 配合用户的表达方式：
此外，SwiftKey还做到了配合用户的表达方式，例如，加一些表情符号等。所以，我们在打造键盘的时候，会提供配合用户的表达方式，给用户提供不同的选择。
• 设计多元空间来满足不同的需求和工作方式：
我在未来展望中心做设计空间的时候，由于每个人性格、职业、年龄不同，所以，设计出来的空间不仅要美观，而且要考虑到使用空间者的需求。以产品经理为例，他们更喜欢社交，最适合开放的空间；而写代码的程序员，他们需要一个独立思考的空间。因此，在设计空间时，要考虑到用户的不同需求和工作方式。
Learning #2
小心无心的偏见
• 缺乏多元性的培训数据会造成偏颇的人工智慧：
在做人脸识别时，要避免一些无心的盲点或偏见。因为在做人工智能运算或模型的时候，数据对质量来说非常重要。如果数据极小或同值，往往会产生问题。所以，缺乏多元性的培训数据去开发人工智能会造成一个偏颇的人工智能。
据美国《纽约时报》报道，人工智能的测试会根据肤色、种族，出现不同的错误率。白人男性的错误率最低（1%），肤色较深的女性错误率最高（32%）。这表明，人工智能在训练时，会被大数据带有的偏见影响，所以，我们现在做人脸辨识要避免这种情况发生。
微软除了做人工辨识之外，还用模型测试人的表情。后来我们发现，训练模型都是用成人的脸测试，这导致小孩子使用时就会非常不准确；厚嘴唇的用户在使用时，嘴巴明明闭着却显示的是张开状态。这些都属于盲点。因此，我们在注意数据多元化的同时，也会用不同的案例测试，不然流入市场时会造成PR问题。
• Five Ways to Identify Bias：
我将其大概分成五类：
第一类Dataset Bias，数据的盲点。
第二类Association Bias，连署的偏见。假设微软发展翻译功能，描述人的性别时，它是有区别的。如果把职业和性别联系在一起，例如，医生和律师会自动把性别变为男性，这无形之中加了一些偏见。
第三类Automation Bias，自动偏见。例如，美颜类app会根据每个用户的审美，设计不同的调整空间，用户可以选择自己认为最完美的呈现方式。
第四类Interacton Bias，微软在中国和美国分别有人工智能小冰，起初我们设置小冰非常有礼貌，但机器人是人教什么就学什么，所以到了社群后，有些人教它说很多不该说的话，而我们在程序中也没有设限和审核，导致发生故障。有些机器不该学习的内容需要从训练数据中拿掉，才不会造成model的偏差。
第五类Confirmation Bias，亚马逊购物会给用户经常推送，他经常购买的某种类型产品，即使用户已经购买，也还会继续推荐。所以，在设计产品时要结合这类的可能性，并做出相应的调整。
Learning #3
将包容性的理念融入日常工作中
前几年产品卖出不去，导致工程师一直修改包容性设计。现在，我们在日常程序之中做一些变动，把帮助包容性的工作项目列入计划中，则减少了之后的工作量。另外，写代码的时候，要结合无障碍功能。在安卓/ios系统中，尽量善用系统组件让很多东西自动化的加在一起，不需要另外做编码。
Learning #4
聆听多元的反馈
做产品需要聆听用户的声音，可是当你去聆听用户声音的时候，可能会犯一些错误。我们做过一个调查，选择18岁-20岁的用户群测试表情符号，可用户量并未发生变化，后来才发现表情符号并不局限于年轻人，其他年龄层的用户同样有需求。所以，不管是收集资料，还是在市场推销产品，在进行使用群体调查时应避免针对一些特定群体以提高调查的适用性。另外，在市场调研中，也要考虑从未使用过我们产品的用户，了解他们选择其他产品的原因。
Learning #5
善用多元化的团队
团队具备包容性的思维，才能打造出包容性的产品。微软在亚洲、欧洲、北美洲的团队提供了全球化的产品，这对我们语言测试工作非常有利，同时也面临一个挑战。微软在美国工时比较长，而在欧洲工作时间有严格的要求，我们需要花费时间磨合并找到共同的时间。因此，团队合作要考虑不同的文化背景，工作习惯才能达到最高的效率。
经验教训
• 提供用户多选择
Offer Alternatives to Your Users
• 小心无心的偏见
Watch out for Unconscious Bias
• 将包容性的理念融入日常
Incorporate Inclusive Practices to Day-to-Day Tasks
• 聆听多元的反馈
Listen to Diverse Feedback
• 善用多元化的团队
Embrace the Diversity of Your Team
最后，发觉有用户被排除在外是个好的开始，如此我们才能发挥同理心找出解决之道，希望大家今后多思考如何消除人工智能中的偏见。
以上内容来自Annie Wang老师的分享。
本文章来自壹佰案例公众号原创，转载请联系：fuzhinaxiewenxin（微信号）。