在互动式选择引擎中可以做到的一件事情，就是客制化选择架构。这可以创造更快乐的客户和更高生产力的公司。
早在二○一三年，网飞就制作了超过三千三百万个版本的网站。为了做到这一点，网飞必须了解一些关于客户的有用资讯。其中一些知识来自网飞的推荐系统。有人估计它为公司增加了十亿美元的价值。后文会讨论推荐系统，但我想先谈一个更广泛且有时更简单的概念，那就是使用者模型（user model）。
当我们为了增加对选择者的有用性，客制化一个网站时，是因为认为了解该使用者。这种认识，也就是对一个人的想像，促成了客制化。虽然使用者模型有时可能是复杂的分析系统，但也可能非常简单。
记住当你登入时网飞询问的第一件事，那就是谁在观看？旁边还有三个按钮，通常会是你的名字、你伴侣的名字和“子女”。网飞会在一开始就问这个问题，是因为每个使用者的客制化内容是不同的。
还记得先前谈过的那间德国大型汽车制造商GLAM吗？他们对客户提供许多选择（比如买家可以从十六部引擎中选择），但不明智地为他们和客户将最便宜的选项定为预设。由于预设引擎被选中的频率更高，他们开始担心预设引擎可能会让一些客户不高兴，更别提最便宜引擎的销售量增加所造成的不愉快了。
我们建议他们对不同的客户做客制化的预设选项，并将此称为智慧型预设选项。主管们喜欢这个想法，但有一个小问题。他们不想投资一个复杂的推荐系统，来对每个用户推荐不同的预设选项。构建这样一个系统需要付出很多心力，而且可能没有这么有效。汽车不是经常要购买的商品，关于以往购买哪款车型的资料可能没那么有效，因为人们的需求在两次购车之间会发生变化。
一个三十岁的人，上次买的是一辆跑车，但现在可能需要一辆家用轿车或SUV，因为自从上次买车以来，他已经结婚生子了。而且，并不是所有在GLAM公司网站上购车的人，都是买过GLAM车子的顾客，他们甚至可能完全没有买过车。
GLAM有一个聪明又简单的想法：“我们为什么不直接问人们，他们想买什么样的车？”于是就打造了一个登入页面来问这个问题，选项如下：
● 一辆家用车。
● 一辆跑车。
● 一辆省油轿车。
● 一辆越野系房车。
光是知道对这个简单问题的回答，就已经足够用来设定预设选项。
跑车的选择不仅预设为具备先进性能的引擎，还预设了其他属性，例如：真皮内部座椅、更昂贵的木制方向盘和换档装置，以及高性能的镀铬胎框和轮胎。而寻找家用汽车的人则得到不同的预设选项，比如侧边气囊和儿童座椅安全带。不需要昂贵的人工智慧，一个问题就改善了结果。
我们可以称这些为“足够智慧型预设选项”（smart-enough default），因为它们以非常少的建模工作，就产生了智慧型预设的大部分好处。根据GLAM表示，客户相当满意。
这些足够智慧型预设也增加了收入，我们的研究显示，与他们最初策略所犯的错误（使用最便宜的选项当做大规模的预设）相比，这些足够智慧型预设导致每辆车的平均销售收入增加八百欧元。
足够聪明型预设也可以根据一些简单的事物来做，比如知道选择者的年龄。我们讨论生命周期基金，谈到了这种基金随着我们的年龄增加，如何透过增加债券而减少股票的配置方式，来降低退休账户的风险。只要问到出生年份，基金就会为适合你年龄的高风险股票和较安全的债券，配置相对应的预设投资组合。
更重要的是，随着年龄的增加，基金会自动帮你改变投资组合，这是大多数的人都会忽略的事情。这也显示了客制化并不困难，选择者回报的一个数字，就可以改善预设。这个特定的智慧型预设不仅在购买时提供利益，而且在储户的整个生命周期内都提供利益。
当然，也有更复杂的方法。一种可能更强大的方法就是协同过滤。它搜集使用者过去买过的商品资料，并使用人工智慧来预测人们未来可能购买哪些商品。这些方法既可以使用“外显资讯”，比如使用者对选项的评分，也可以使用“隐含资讯”，像是他们是否在网飞上看完了特定的节目。也许最著名的协同过滤，就是亚马逊网站使用它来生成“买了这样物品的人也买了”的清单。
协同过滤需要大量用户的过去行为，来进行预测。这是Apple Music提出建议、推特建议“跟随谁”名单，以及Tinder网站上推荐适配对象的核心。是的，Tinder显然会根据你滑手机的结果，改变它向你推荐的对象。向右滑动将改变你未来看见的人。
重要的是要知道，在协同过滤的纯粹形式中，并不使用关于选项本身的深入资讯。当苹果音乐推荐一首曲子时，它对歌曲的节奏、节拍、歌词或使用的乐器一无所知。它只知道像你这样的人，都喜欢那首歌。
一名训练有素的音乐学家会花二十到三十分钟聆听每一首歌曲，并根据数百个面向或潘朵拉称为基因的属性上，对这首歌进行评等。一种算法则使用这些评等来挑选相似的歌曲。与协同过滤不同的是，这个算法对歌曲的了解更多，对人的了解较少。
潘朵拉于二○一八年被天狼星XM（SiriusXM）以三十五亿美元收购，目前这项科技被用来为天狼星XM旗下的一些网路电台筛选歌曲。时间一久，协同过滤和内容算法被组合在一起使用。由于它们有互补的优缺点，这么做也是有道理的。
但需要注意的是，使用者模型并不是花俏人工智慧的同义词。如果我们想了解客户的一些情况，通常可以透过问一个简单的问题来进行重要的客制化，比方说，问客户：“你想买怎样的车？”或者“你几岁了？”
大多数关于推荐系统的讨论，往往都强调替换选择。另一个看法则是，使用者模型让设计者得以扩展选择架构。当我们使用选择架构来协助做出选择时，也许需要考虑的是扩增智慧（intelligent augmentation, IA），而不是人工智慧。
（※网站专文）
〈本文摘自：《选择，不只是选择：全美决策领域最知名教授，告诉你选项背后的隐藏力量》，先觉出版。〉
.远距工作者必备6项软实力 AI也难取代你
.AI是威胁也是机会 如何突破职场变迁的困境？
.脸书为什么知道“你可能认识的朋友”？
责任编辑：曾臻
