輸出ML Experience OUTPUT（模式）
輸出是設計媒介，透過了解可用的輸出型別，你可以選擇符合你想要構建的體驗的輸出，而不僅僅依賴於模型的標準輸出。應該選擇那些易於理解並且非常有幫助（可理解性和實用性）的輸出資訊，這樣才尊重使用者的自主性和時間
Multiple Options（多選項）：
“功能生成的結果”是指系統基於輸入或條件所產生的多個可能結果，使用者可以從這些結果中挑選最適合自己的。只展示演算法模型的最佳選擇其實並不是最佳體驗。
舉個生活中的例子：上週末想去個短途旅行，問同事從舊金山到納帕怎麼走最好？根據我問的人和時間的不同，答案也不一樣有人說走1-80，有人說101公路。這是因為路線預測很複雜，伴有很多不斷變化的因素，如堵車、施工、事故。
考慮到這些資訊，在地圖中我們會盡量預測最佳路線，但有時候一個選擇是不夠的。
系統並不可能知道每個人的偏好和需求，比如風景好的路線、不收費的路線或不是高速公路的路線。
提供不同的路線可以幫助使用者找到符合他們偏好的路線，彌補模型預測的不足。這裡地圖就給出了三條不同的路線：一條去北灣，兩條去東灣。
使用者能夠在多種選擇中獲得自主掌控感，
A 優先選擇多樣化的選項：包含各種不同特點和型別的選擇，能夠滿足不同使用者的需求使用者可能在路上使用地圖，有些選項可能看起來很相似，這讓人們難以快速選擇路線。運用屬性標籤幫助使用者區分選項並更快地做出選擇會顯示路線是否收費、經過哪些高速公路，甚至在地圖上突出顯示每條路徑，使人們更容易找到那條完美的風景海濱路。
B 區分不同的選項”指透過標註或描述選項的特點來幫助使用者做出選擇。地圖是使用者明確自身需求時，多選擇帶來的作用（知道自己在哪，想去哪，並且期望得到到達目的地的路線多選擇）對於那些主動提供建議的功能，特別是在使用者的意圖和情況不明確時，多種選項也同樣有用。
拿iwatch舉例。每天早晨開始新的一天時，我可能會想看看天氣、檢視第一個預約時間和當天的待辦事項。
Siri錶盤允許我自定義最多19種不同的應用比如天氣、日曆和提醒事項。
19個不同應用獲取的資訊在這麼小的螢幕上展示，過於繁多雜亂。那怎麼辦呢？Siri會根據時間、位置和使用者之前的互動情況來顯示更少的選項。
iwatch每天早晨都會把開關功能作為首要建議程式原因是在早晨（時間）在家裡（地點），且過去我總是在這個時間選擇開燈（行為）
Siri能理解我的使用歷史，幫我自動完成這個簡單的任務，這樣我一早醒來就不用瀏覽長長的選項列表。這使得像我這樣不早起的人，起床後變得輕鬆多了。
C 從選擇中學習以改進排序，透過分析使用者的選擇行為來最佳化未來的推薦提高最相關選項在列表中的排名。因為每次使用者選擇一個選項時，他們實際上都在給你提供有價值的隱性反饋。你可以利用這些反饋確保最相關的選項始終排在首位，這點對智慧推薦非常重要。如果從使用者的選擇中學習，將能夠隨著時間的推移提供更好的建議
Attributions（歸因）：
“決策資訊”指應用根據使用者資料和行為做出的推薦或選擇，他可以幫助使用者更好地理解應用的決策背後的原因。決策資訊的多用途屬性。在應用商店中，使用決策資訊來解釋推薦是如何生成的。這幫助使用者理解為什麼會看到這些推薦，以及他們的行為資料是如何被使用的。
A 避免給使用者畫像。永遠無法全面瞭解一個人的口味和偏好，因為這些可能每天都在變化。此外人們還可能與朋友和家人共享一個賬戶，因此，對他們進行畫像會讓他們感到困惑和受限。應該避免對使用者進行畫像，不去假設了解使用者的興趣愛好並據此做出結論。
假設應用商店因為我下載了一個烹飪應用而向我顯示一些推薦，但這不一定意味著我喜歡烹飪，也不意味著我喜歡那個已經下載的應用
B 選擇客觀事實而非主觀判斷，我們還可以使用決策資訊來幫助人們理解結果的可信度。
因此，在使用決策資訊解釋建議時，應該參考客觀事實而不是主觀喜好。這裡的客觀事實是因為你下載了“紐約時報” 烹飪應用，所以系統做了推薦，這樣表達就可以了。
C 引用資料來源。引用資料來源，提升使用者能夠評估預測的可信程度
我是一個天文愛好者，想知道今晚可以看到哪顆行星？
我同Siri，“when can you see Jupiter什麼時候可以看到木星？”Siri告訴我事件發生的時間，並提供了來自Wolfram Alpha的更多資訊。
這讓我明白這是一個可靠的預測，
因為Wolfram Alpha是一個廣受認可並提供準確資訊的計算平臺。當展示科學資訊或選舉結果等需要高度可信來源的預測時，這點尤為重要。
Confidence（置信度）
置信度表示輸出結果的確定性程度。設計中可以透過顯示百分比或其他形式來傳達置信度。決策資訊不僅可以用於解釋個性化推薦或預測還可以用它來傳達系統對預測結果的確信度。
A 儘量避免使用技術術語的。
例如這些應用與使用者的匹配度為85%，85%是演算法模型給出的準確性評估，即模型認力你會喜歡這些推薦的確定性。但85%具體意味著什麼其實很難理解，對不同的人來說，這個數字可能意味著不同的事情。
儘量使用更易理解的解釋，比如基於你下載的應用推薦。
B 數字適用於統計預測（基於資料和演算法的預測）
準確性評估是從機器學習模型中獲得的資料，但將其轉化為更容易理解的內容非常重要，有時可以直接資料。比如天氣應用告訴你會下雨，但也給出下雨機率的百分比。你可能會想，基於30%的機率我應該做什麼決定？是否值得帶上雨傘？隨著時間的推移，使用者已經習慣了理解這個百分比
C 將決策資訊轉化為易於理解的術語
當決策資訊被恰當地使用時，可以讓體驗感覺更加人性化。大多數情況下，你應該將決策資訊轉化為易於理解的語言，幫助使用者做出決定。
Hopper是一個幫助你預訂更便宜機票的應用，它使用決策資訊來告訴使用者票價是會上漲還是下跌（“信心程度”指系統對票價變動趨勢的確信度）在這裡，不期望使用者去理解百分比，因為在這種情況下，百分比難以解讀。
因為65%和70%的區別並不清晰。看到票價有65%的可能會下降，並不能真正指導使用者採取行動
Hopper呈現決策資訊的方式是給你實際的行動建議，比如你應該等待還是立即購買。它還提供額外的資訊，比如你能省多少錢以及預訂機票的最佳時間。預設文字這些解釋幫助人們做出更明智的決策
D 利用範圍幫助使用者瞭解風險
時間範圍是幫助人們估計某個決策風險的好工具，以上都是展不決束信感的好例於，但當資料不足以支援明確的決策應該怎麼辦？
決策資訊是幫助使用者估計某個決策風險的好工具，但有些情況下它並不適用。例如，如果我問你從這裡到舊金山需要多長時間。而你回答說“我有72%的把握你會在1:30到達。”這會讓人很難理解，更好的方法是提供預測的時間範圍。
在拼車服務中，通常很難確定準確的到達時間，因為可能會有交通堵塞或司機需要接更多乘客。
Lyft透過提供司機接到使用者和達目的地的時間範圍，幫助使用者在預訂拼車前估算到達時間這，些時間範圍幫助使用者對實際到家的時間有一個現實的預期
E 在很多情況下，系統可以向使用者尋求幫助。
例如，照片應用可以自動識別人臉，以便更容易地搜尋使用者的照片。
當照片應用對照片中的人物識別決策不足時，會請求使用者確認更多該人物的照片，然後再自動標記。請求確認很重要，因為如果使用者看到標記的照片不是本身，會非常不好。
Limitations（侷限性）：
當使用者對功能的預期與實際功能不符時，侷限性會顯現。設計時需要考慮如何向使用者傳達這些侷限性，並提供解決方案或替代方案。你應該管理使用者期望和引導使用者正確使用功能（克服限制）
A 管理期望值：妥善處理功能侷限性對維護使用者信任的是十分必要的。教育使用者以預防問題，可以幫助其學習如何在未來避免這些情況
Memoji在某些情況下無法工作的。
比如臉不在鏡頭範圍內、有物體遮擋攝像頭或在黑暗的房間裡。每次出現這種限制時，都會立即顯示這些內嵌提示，幫助使用者克服侷限性併成功使用該功能。
B 儘可能的建議替代方案以幫助人們實現他們的目標。為了正確地做到這一點，你需要充分理解使用者的目標，以便提出切實可行的替代方案
例如，如果使用者要求Siri在Mac上設定計時器，它無法執行該操作（因為MacOS上沒有計時器功能）Siri不會簡單地回答“我做不到”，而是建議設定提醒。
這個設定是合理的，因為Siri設定提醒實現了與計時器相同的目
