輸入ML Experience INPUT（模式）
Calibration（校準）：
校準是收集使用者的基本資訊以便參與體驗的過程。透過調整和設定裝置或系統，使系統能夠準確地獲取和處理資料，從而提升使用者體驗。
A 使用校準時，儘量做到快速且輕鬆
我們可以使用校準來收集生物識別資料或環境資料（生物識別資料包括指紋、面部識別等；環境資料可能包括光線、溫度）
舉個例子 HomeCourt是一款幫助使用者成為更好的籃球運動員的應用程式
它使用機器學習技術來分析攝像頭拍攝的影象，例如檢測投籃的準確性。為了實現這一點，攝像頭需要進行校準，以便能夠檢測到人、籃筐和球場。HomeCourt在這方面做得很快很直觀，只需將前置攝像頭對準籃筐，它會立即在籃筐周圍顯示一個寬框來檢測到它。
然後它會要使用者投一次籃就算開始了，之後會計算投籃次數。HomeCourt簡化使用者操作，提高使用便捷性。
使用者不需要在籃筐或球場周圍畫線，無需確認它識別籃筐對不對，使用者也不需要從多個角度投籃。
B 只要求提供必要的資訊，並儘可能避免多次校準的需求（這樣可以提高使用者體驗，減少使用者操作的複雜性）
校準也用在一些蘋果的產品中，比如設定Face ID的時候。Face ID透過校準只收集必要的資訊，掃描兩次臉部，設定完成後，即使使用者戴眼鏡或改變髮型，它也會一直正常工。
C 在校準過程中始終透過介紹、指導和確認來給使用者提供幫助（這種完整的支援流程可以提高使用者的滿意度和信任度）
當你設定Face ID時，我們會全程幫助你，首先會進行介紹，清楚說明為什麼手機需要掃描使用者的臉部。
這個步驟用於幫助系統準確識別和定位使用者的面部。如果進度停滯，我們會確保你不會卡住，並提供指導幫助使用者繼續，最後會有成功的狀態來告知設定已完成，現在可以使用這個功能了。
D 儘可能允許使用者更新他們的資訊（靈活性提升滿意度和信任度）
Face ID會收集大量敏感資訊。在設定中提供了編輯或刪除這些資訊的方式（可以讓使用者對自己的隱私資料有更多的控制權）
Face ID只需要一次校準，之後無論你戴眼鏡、改變髮型、戴帽子或圍巾，甚至隨著年齡增長面部變化，它都會一直正常工作。偶爾要求重新校準你的臉部，這樣你的iPhone或iPad就能繼續識別你聽起來也合乎常理。但是誰會願意每次改變髮型時都重新掃描臉部呢？（會讓使用者感到不便和煩擾）
Face ID不是要求多次校準的秘訣在於每次你使用Face ID時，都收集隱性反饋來更新使用者的面部資訊
Implicit Feedback（隱性反饋）：
隱性反饋是使用者與應用互動時產生的資訊，可以用來改進模型。隱性反饋是人們在使用你的應用程式時透過互動產生的資訊，這些資訊可以用來改進模型和功能。隱性反饋的一個很常見的例子是個性化（千人千面）。
A 理解使用者意圖是利用隱性反饋最佳化應用程式的關鍵
Siri根據你使用裝置的方式個性化搜尋體驗，當你在主螢幕上開啟搜尋欄時，Siri會顯示一系列你可能想用的應用。這裡顯示的應用程式取決於你給Siri的隱性反饋。如經常使用的、最近使用過的，通常在這個時間段使用的。
比如在車裡，可能會看到地圖來獲取路線，或者音樂和播客來聽（Siri根據場景和時間段提供適合的應用建議，提升使用者體驗）
在工作時，可能會看到便籤或提醒等幫助開會的應用。
在家時，可能會得到開啟燈光或給親友傳送訊息或FaceTime的快捷方式。建議越具體，代表Siri對使用者的意圖就需要越確定。隱性反饋的分析和應用需要時間，但可以帶來更個性化和有用的建議
B 準確性比速度更重要，隱性反饋可能會比較慢，但隨著時間的推移也會更準確
現在這些建議可能會出現在鎖屏上，可能包含一些敏感資訊。比如，它可能會顯示你想保密的活動或筆記。使用者可以控制哪些應用可以出現在搜尋中，來管理自己的隱私，避免敏感資訊的洩露。
C 尊重使用者的隱私，讓使用者完全掌控自己的資訊，以私密和安全的方式處理這些資訊。
iOS的鍵盤透過隱性反饋不斷最佳化，提高使用者的打字型驗。鍵盤上的每個鍵都有一個觸控區域，鍵盤使用機器學習根據你的輸入來最佳化這些觸控區域。
每個觸控區域可能會根據你正在輸入的單詞或手指的位置變大或變小（這種動態調整使得打字更加準確和舒適）這種最佳化是在後臺進行的，不會影響鍵盤的外觀。隨著時間的推移，鍵盤可能會變得更準確、更個性化。利用隱性反饋使互動更加準確和愉快。
D 利用隱性反饋使互動更加準確和愉快。最後一個例子是Safari使用機器學習從訊息、郵件、閱讀列表、iCloud標籤頁等地方收集連結。透過這些個性化推薦，使用者能夠更輕鬆地找到有價值的資訊，如幫助你發現朋友和家人分享的有趣內容或你自己儲存的內容。有時你可能會看到一些不想看的推薦，資訊等
推薦的質量直接影響使用者對平臺的信任度，那我們如何避免呢？使用歸因和控制功能有助於提高使用者對建議系統的信任和滿意度
Explicit Feedback（明確反饋）：
明確反饋是透過直接詢問使用者特定問題來收集資訊，幫助改進模型。我們會解釋它的工作原理以及它將允許使用者做什麼。透過使用者的反饋，模型能夠改進其推薦系統，更好地滿足使用者需求。
喜歡不能明確表達使用者的具體意圖和反饋。
把喜歡放在這會增加使用者的心理負擔，使用者會想難道每次都需要我啟用喜歡才能訓練系統推薦嗎？
A 顯性反饋一般用於負面反饋，目的是明確意圖。（正面反饋透過隱形訊號來體現，比如使用者看完了，分享了）使用者在表達不喜歡時，可能有多種原因這些最好是明確一些的。
“少推薦”或“隱藏他”這樣的詞語可以讓使用者更容易理解，這裡提供了更多詳細的負反饋原因
B 明確的，多樣化的描述可以幫助使用者理解操作的具體結果，減少誤解。
當選擇後立刻隱藏並記住使用者的偏好
C 及時且持續的關注使用者反饋。明確反饋幫助系統推薦的內容更準確
Corrections（修正）：
修正允許使用者透過熟悉的介面修復模型的錯誤。透過使用者熟悉的操作方式進行調整，提高系統的準確性。
A 透過熟悉的方式進行更正
比如 每次輸入狗的名字時，鍵盤系統每次都想更正Angie的拼寫
這明顯是個錯誤，但用顯性反饋的方式處理似乎也不妥（比如彈一個選單，也不太能正確的表達）
相反透過透過重新輸入來更正鍵盤的建議，比較自然有效。鍵盤從更正中學習，下次輸入“Angie” 時，它知道Angie是一個名字而不是 “angle” 這個詞。
B 提供具備即時價值的功能，降低更正操作才會成本
照片應用透過機器學習演算法，自動建議最佳化方案，提高圖片質量。系統在使用者操作前提供最佳化建議，使用者可以根據需要進行調整，僅僅是一個建議，但確定權還是在使用者自己。
如果想改，可以隨時改。比如使用滑塊進行旋轉，或拖動角落進行裁剪。
C 更正作為隱性反饋能很好地改善機器學習的結果