标签：意图 产品 随机 ice 复杂 情感 根据 strong tps
先用一句话总结一下心得：从调研阶段开始，一直到最后的每个细节，都要接地气地做好本地化。这样才能开发出更好、更有包容性的全球化产品。
当我们的 Google Maps 研究团队开始前往印度和印度尼西亚时，我们希望了解生活在快速增长的全球社区中的人们不断变化的需求。我们仔细研究了这些国家人口最多的两个城市：德里和雅加达，并很快意识到了 Google Maps 的不足。
在德里，人们在交通上花费的时间在过去六年中翻了一番。在雅加达，平均每年在路上得用掉 22 天。因此，灵活机动的两轮机动车，比如摩托车和踏板车，成为了一种非常受欢迎的出行方式。穿梭于拥堵车流的能力和较为便宜的价格 (与汽车相比) 使两轮车显得极具效率。我们的实地研究清楚地表明，这种交通方式是这些城市的一种生活方式。问题是：当时 Google Maps 基本上是专为汽车设计的。
首先，我们必须使产品适应越来越多依赖两轮车的人。通过与驾驶员们的实地交流，我们为 Google Maps 构建了新的摩托车模式 —— 目前在印度和印度尼西亚的 Android 版本上已经可以使用，包括改进版的语音导航、自定义路线、快捷方式和更多地标建筑指示，以便在进行两轮，而不是四轮，出行时更好地定位。我们认为，虽然这些特定场景的特定功能可能不会直接应用于您自己的产品，但沉浸式研究策略可以为任何设计流程提供价值并带来更好的产品。在本篇文章中，我们的研究员 Raj Arjan 和设计师 Lauren Celenza 大概讲述了他们是如何帮助产品团队找机会与他们在意的人们建立联系的，以及从中得到了哪些重大收获。
△ 摩托车模式，顾名思义，会显示可供摩托车通行的路线。该功能包括提供快速到达目的地的捷径提示 (请注意上面示例中汽车和自行车会采用不同的路线和速度预估)、用来强化驾驶员位置感的地标建筑指示，以及包含其他语言的语音导航。
与当地用户互动
重新思考 Google Maps 如何为两轮机动车 (以下我们简称 “两轮车”) 司机工作，这意味着要改变我们对手头问题的思考方式。我们不能依赖现成的解决问题思维模式，而是要专注于面对面的研究，以帮助我们更好地理解人们的日常经验和需求。这种转变需要过程：我们需要到两轮车司机生活的地方去，我们还需要带去一个多元化的团队。
△ 雅加达的两轮车司机向我们展示了他们的车辆。您会惊讶于他们选择的多样性。
研究团队包括来自世界各地的工程师、用户体验设计师、产品经理和营销主管。我们面见了来自斋浦尔、德里、班加罗尔和雅加达的两轮车司机，地点从繁华的交通枢纽到人们家中的厨房桌旁不一而足。我们的目的是通过沉浸式的学习和调研，以真诚的方式去理解他人。
在旅行过程中，我们与两轮车司机进行了交谈，并搭上他们的车与他们一起穿越了整个城市。这种沉浸式研究过程帮助我们更好地理解了两轮车司机在路上做出决策的方式。我们发现人们会使用各种方法来驾驶他们的两轮车，有些人预先记住了路线，其他人则跟随语音导航。许多人听从了随行乘客的意见，使用吸盘将手机连接到车速表上 (注意这会遮盖住车速的显示)。
△ 雅加达的两轮车司机展示了他们如何将手机固定到两轮车上，包括找个能放手机的位置 (左) 和使用吸盘 (右)。
这些对话还有助于研究团队了解哪些功能对驾驶员最有帮助。很明显，捷径和地标可以帮助驾驶员更快、更安全地在城市中通行。当时，Google Maps 没有提供用于自行车和轻便摩托车或两轮运输的具体路线或到达时间，导致体验不够准确。亲眼看到这些问题有助于我们了解巨大的改进机遇，并激励我们在学习过程中更进一步。
与当地社区合作
为了真正了解这些问题是如何在每一天影响驾驶员的，我们开始与那些将大部分工作时间用在两轮车上的人们进行更密切的合作。在雅加达期间，我们与来自 Go-Jek 的一群司机开办了一个研讨会， Go-Jek 是一个摩托车打车服务，在印度尼西亚的 50 个城市开展业务。
?△ 一位 Go-Jek 车手与 Google 设计师 Lauren Celenza 和集团产品经理 Krish Vitaldevara 描述他一天的行程。
我们学到了司机对城市、日常需求和社区价值的深刻了解。我们绘制了司机在一天中所做的事情的时间表，讨论了生活在雅加达的 “便利与不便”，并勾勒出了各种想法。这些活动帮助我们优先考虑最重要的需求。例如，一些司机告诉我们，Google Maps 经常推荐一些无法供两轮车通行的道路，从而导致了挫败感。
本次研讨会的另一个重要内容是了解 Go-Jek 司机如何与社区互动。司机们描述了如果他们迷路或者设备运行不良时他们如何互相依赖，展示了人们如何作为社区，而不仅仅是作为个人，是如何做出决策的。
在沉浸式调研之旅完成后，我们继续在整个产品开发过程中与更多司机进行远程合作。我们在印度和印度尼西亚的合作伙伴帮助我们测试了路线规划质量、到达时间、路标提示的质量和导航服务。此测试过程还帮助我们快速识别了不适合两轮车通行的道路，以及地图中缺少的其他地标。无论产品是什么，在整个产品周期中与当地社区人员合作，都有助于让流程更负责任、更具包容性。
通过讲故事来分享数据
通过对当地社区的沉浸式体验，实地研究团队得以理解我们的用户并与之共情，但另一个挑战仍然摆在我们面前。我们需要将这种深刻的理解带给那些没有参与这个过程并且生活在数千英里之外的同事们。
在传统的研究报告中，学习结果经常通过数据传达。但数字只能揭示故事的一部分，忽视了我们作为人类的情感、社会和环境。建立周到的体验需要对人们进行更细致的理解，所以我们在研究过程中很早就决定通过视频、照片和音频记录我们的体验。我们希望创造一种可以感受到的深刻理解，而不仅仅是 “知晓”。这种感性的多媒体方法可以帮助我们远在大本营的同事们在情绪层面上回应我们的发现。
△ 由 Munish Dabas 拍摄的全景视频突出显示了在印度斋浦尔街道驾驶两轮车的景象、声音和感觉。
在我们的实地研究中，我们摄制了全景视频、声音、照片和个人故事，以表达在拥挤的环境中搭乘两轮车的感受。当我们完成现场研究时，我们收集了这些物料并创建了一个沉浸式的故事，重现真实生活在该区域之中的感觉。这些叙事元素可能会耗费一定的工作时间和资源，但它们可以促进跨多个团队和时区的同理心、主张和一致性。
尽早定义设计原则，以建立产品愿景和方向
我们的沉浸式故事包括我们与团队在实地调研和分析时一起编写的一系列设计原则。这些原则是跨学科团队合作的基础，并帮助我们专注于力所能及的最有影响力的改进。其中一些原则和改进甚至使得 Google Maps 体验更好地适用于居住在印度和印度尼西亚的每个人 —— 而不仅仅是两轮车司机：
上面这些设计原则也影响到了我们工作中非常细节的层面。例如，文案设计师 Christine Nguyen 在为该模式选择名称时就参考了我们的指南。为了更密切地与当地方言建立联系，我们在印度为用户选择了 “两轮车” 一词，而在印度尼西亚则选择了 “摩托” 一词。
“同理心” 不仅仅是一个概念，而是所有学科在整个过程中共享的一种实践
△ 沉浸在当地社区的经历，帮助我们的实地研究团队更好地体察用户。
为 Google Maps 开发两轮车模式是多年来我们第一次在应用中添加新的交通模式。与产品团队一起设计、一起共情体验并与当地社区合作，确保了为两轮车司机提供更具包容性的、更度身的体验。
阅读研究报告或参加会议所提供的价值，永远比不上在当地用户的两轮车后座待上 45 分钟，并一起经历因为 Google Maps 的故障或者错误而迷路的体验。建立强大的联系和共振不仅意味着对产品设计的提升；还意味着将共情实践和文化实践作为产品开发过程的核心部分，并最终影响到最终的体验品质。
了解?“Building for Billions”?的详细信息，请访问?
>>?https://developer.android.google.cn/distribute/best-practices/develop/build-for-the-next-billion?hl=zh-cn
我们期待着大家的作品也能被世界各地的社区从心底里接受和喜爱。
?点击屏末?|?阅读原文?|?"我们愿意更好地倾听您的声音 "
推荐阅读：
·?Google Play Console 新增获客分析功能，帮您深入洞察用户行为
·?Android 安全更新的发展与沿革
·?鱼和熊掌兼得！这些应用是如何使用 Material Design 的？?
文 /?副总裁 Johan Schalkwyk 和 Google Speech 工程师 Ignacio Lopez Moreno
多语言家庭正变得越来越普遍，一些数据来源 [1][2][3] 表明，多语言使用者的人数已超过单语言使用者，而且这一数字还会继续增长。鉴于多语言使用者人群庞大且不断增加，与以往相比，我们更需要使 Google 开发产品能够同时支持多种语言，以便更好地为用户服务。?
今天，我们将推出 “Google 智能助理”
的多语言支持功能，让用户在查询时可以切换两种不同的语言，而无需返回语言设置。用户从英语、西班牙语、法语、德语、意大利语和日语中选择两种受支持的语言后，便可使用其中任意一种语言与
“智能助理” 对话，而 “智能助理” 会以相同的语言回应。之前，用户需要为 “智能助理”
选择一种语言设置，而每当他们想使用另一种语言时，便需要更改设置，但现在，多语言家庭无需动手，即可享受简便的体验。?
“Google 智能助理” 现在能够识别语言、解读查询内容，并使用正确的语言作出回应，而且用户无需触摸 “智能助理” 设置，便可完成这些操作
然而，实现这项强大的功能却并非易事。事实上，我们付出多年的努力解决了诸多难题。最终，我们将问题拆分成三个独立的部分：识别多种语言、理解多种语言，以及为 “Google 智能助理” 用户优化多语言识别。
识别多种语言
当有人在说另一种语言时，即使我们自己并不说这种语言，也能够识别出来，只要注意语言的声学效果（语调、音域等），便可做到这一点。但是，即便有了完整自动语音识别系统的帮助，定义自动口语识别的计算框架也非常具有挑战性?1。在 2013 年，Google 开始使用深度神经网络 [4][5] 来研究口语识别 (LangID) 技术。如今，借助递归神经网络，我们最先进的 LangID 模型可以在超过 2000 个备选语言对中识别各种语言对。作为其中一类神经网络，递归神经网络在解决序列建模问题上尤为有效，例如语音识别、语音检测、语者识别等方面的问题。我们遇到的挑战之一是如何处理更大的音频集，这需要获取能够自动大规模理解多种语言的模型，并且达到可以让这些模型正常运作的质量标准。
理解多种语言
要同时理解多种语言，便需要并行运行多个进程，且每个进程产生增量结果，从而使 “智能助理”
不仅能够识别用户提出查询时所使用的语言，还可以解析查询以创建可操作指令。举例来说，即使是在单语言环境中，如果用户要求 “设定下午 6 点的闹钟”，则
“Google 智能助理” 必须理解 “设定闹钟” 的意思是打开闹钟应用，输入 “下午 6 点”
的显式参数，而且还要推断出闹钟应该设在今天。要对受支持语言的任何给定语言对执行这项操作可谓一项挑战，因为 “智能助理”
执行与在单语言情况中相同的工作，但现在必须额外启用
LangID，并且不只是一个，而是同时运行两个单语言语音识别系统（在本篇博文的稍后部分，我们会进一步说明当前两种语言的限制）。?
重要的是，我们需要在几毫秒的时间内评估
“Google 智能助理” 和用户查询中提及的其他服务异步生成的实时增量结果。我们借助另一种算法来完成这项工作。该算法使用由 LangID
产生的候选语言概率、我们的转录置信度和用户偏好（例如最喜欢的艺术家），对两个语音识别系统中每个系统提供的转录假设进行排名。?
我们用于 “Google 智能助理” 的多语言语音识别系统与标准单语言语音识别系统示意图。排名算法用于根据有关用户和增量 LangID 结果的相关信息，从两个单语言语音识别器中选择最佳识别假设
当用户停止讲话时，模型不仅可确定用户所说的语言，还能解读用户的说话内容。当然，这个流程需要复杂的架构，因而会增加处理开销，而且可能会造成不必要的延迟。?
优化多语言识别
为了尽可能降低这些不良影响，系统能越快确定所说的语言就越好。如果系统在用户查询结束前就可以确定所说的语言，则系统会忽略识别器以停止处理用户的语音并舍弃忽略的假设，进而降低处理开销，并减少任何潜在的延迟。考虑到这一点，我们发现了几种优化系统的方法。?
我们考虑的一个用例是人们通常在查询中使用同一种语言（用户通常也希望
“智能助理” 使用该语言作出回应），除非所查询实体的名称使用不同语言。这意味着，在大多数情况下，即使句子中包含使用不同语言的实体，“智能助理”
也可以通过关注查询的第一部分来对所说的语言作出初步猜测。借助这种早期识别，我们可以通过切换到单个单语言语音识别器来简化任务，这与我们处理单语言查询一样。然而，快速决定如何以及何时切换为单一语言需要最终的技术整合：具体来说，我们使用随机森林技术来结合多个情境信号，例如所使用的设备类型、所发现的语音假设数量、我们接收类似假设的频率、单个语音识别器的不确定性，以及每种语言的使用频率。
我们用来简化和提升系统质量的另一个方法是限制用户可以选择的候选语言列表。用户可以在我们的家居设备目前支持的六种语言中选择两种，如此一来，我们就可以支持大部分多语言使用者。不过，我们还在继续改进技术，希望接下来可以解决三语支持问题，因为我们深知这会进一步提升不断增长的用户群的体验。
从双语支持到三语支持
从一开始，我们的目标就是让 “智能助理”
可以自然地与所有用户对话。多语言支持是用户翘首以待的功能，也是我们团队几年前就提上日程的项目。然而，现在全球不只有许多双语使用者，还有使用三种语言的用户，或使用两种以上语言的家庭，我们也想让他们的生活更加便利。?
今天的更新让我们走上正轨，是我们先进的机器学习技术、语音和语言识别技术，中老年冬装以及我们团队为优化
LangID 模型所作出的努力让这一切成为可能。目前，我们正在努力教导 “Google 智能助理”
如何同时处理两种以上的语言，并致力于在日后添加更多受支持的语言 —?敬请期待！?
1：人们通常认为，口语识别比基于文本的语言识别更具挑战性，后者只需要基于字典的相对简单技术就能出色地完成工作。语音内容的时间/频率模式很难加以比较，而且由于用户在讲话时可以不加停顿，语速也有所不同，并且麦克风除了录制语音以外还会保留背景噪声，因此确定语音内容也更加困难。
更多 AI 相关阅读：
·?Dopamine - 灵活、可重复的强化学习研究新框架
·?利用 Universal Transformer，翻译将无往不利！
·?Google 最新推出了 The Lever，分享应用机器学习的最佳案例
文章来源：https://blog.csdn.net/jILRvRTrc/article/details/82598490
Google Maps 如何接地气地本地化 “两轮车模式” ？
标签：意图 产品 随机 ice 复杂 情感 根据 strong tps
原文地址：https://www.cnblogs.com/yujingyua/p/9639403.html
