Сервис поиска технологий
Контекст
Сервис для поиска технологий для Газпром-НТЦ и их партнерских компаний. Газпром-НТЦ является научным подразделением крупнейшей нефтегазовой компании в России, деятельность которой сосредоточена на разработке технологий в области добычи ресурсов.
Поиск представляет собой смесь GPT и фильтров обычного интернет-магазина. Компании могут предлагать свои разработанные технологии и заявлять о необходимости в технологии. Представитель компании, которой требуется технология или которые могут предоставить её, может настроить обычные фильтры, как в интернет-магазине, но для углубленного и точного поиска они могут использовать ML фильтры.
Для того чтобы продвинутый ML поиск работал, могут быть использованы различные ресурсы: документы разных типов, относящиеся к технологии, статьи о проблеме, которую пытается решить компания, техническое задание и возможность свободно описать, что требуется от технологии. Это увеличивает шансы найти то, что необходимо, в условиях неопределенной формулировки проблемы.
Какая была задача
Газпром-НТЦ — это научное подразделение крупной нефтегазовой компании, которая сотрудничает со множеством партнерских компаний, предоставляющих ей свои услуги в различных областях технологий. Из-за отсутствия единого сервиса, где компании могли бы обмениваться и искать необходимые технологии для своих нужд, это сильно замедляло процессы и увеличивало затраты на реализацию проектов.
Что было сделано
Разработала веб-интерфейс платформы по обмену технологиями между компаниями для десктопа
Работала с руководителем ML разработки и стейкхолдером Газпром-НТЦ, чтобы сформировать окончальное видение платформы, определить проблему, проанализировать конкурентов и создать user flow.
Работала с готовой дизайн-системой Consta, созданной для продуктов Газпром.
Создала интерактивный прототип основного флоу
Проблема
Из-за отсутствия единой платформы информация о доступных решениях была недоступна. Многие существующие технологии не использовались эффективно и не масштабировались для других отраслей. Эти проблемы вызвали негативные последствия для Газпром и их компаний-партнеров. Руководители проектов сталкивались с задержками в сроках и снижением производительности команд. Инженеры испытывали трудности с доступом к уже разработанным решениям и сталкивались с дублированием технологий. Компании-поставщики технологий сталкивались с длительными процедурами согласования и неясными запросами.
Понимание UX и user flow
В первой итерации user flow пользователь искал технологии, просто устанавливая обычные фильтры. Если пользователь не получал результат, ему приходилось создавать карточку запроса на технологию, и затем подключался ML поиск, который предлагал результат внутри карточки. На основе результатов тестов этот процесс поиска оказался долгим и неэффективным. Пользователи получали нерелевантные результаты из-за поверхностных фильтров. А чтобы скорректировать результат ML поиска, необходимо было редактировать саму карточку технологии.
Улучшение первого user flow
На этом этапе было решено поместить ML поиск в отдельный раздел. Пользователи должны пройти через все этапы, чтобы получить результаты ML поиска. Обычные фильтры остались доступны в общем списке технологий. Но в конечном итоге это сделало процесс поиска менее интуитивным и усложнило навигацию.
Улучшение второго user flow
В последней итерации поиск на основе машинного обучения был объединен с основным процессом поиска, вместе с обычными фильтрами. Пользователи сначала могли настроить обычные фильтры, а затем получить улучшенные результаты, заполнив поля фильтров машинного обучения. Возможность настраивать обычные и ML фильтры также была упрощена, изменения в результатах поиска отображались немедленно.
Тем не менее, пользователям иногда было трудно работать с комбинированными фильтрами. Чтобы не пугать пользователя техническими терминами, ML поиск был назван «продвинутыми фильтрами».
Пользовательский интерфейс
Работа с дизайнерской системой Газпрома, Consta, была важной частью проекта, так как она обеспечивала согласованность с брендом и другими продуктами компании. Изучив Consta, я применяла ее элементы в макетах и прототипах, что ускорило создание интерфейса и упростило работу разработчиков.
Список технологий
Список технологий с поиском на основе машинного обучения
Создание карточки запроса, когда нет результатов поиска
Проблемы и решения
Это была для меня сложной задачей, так как это мой первый "боевой" проект в качестве дизайнера. Было много вопросов о процессах дизайна, о которых я почти ничего не знала раньше. Было сделано много ошибок и изучено много ресурсов во время создания сервиса.
Изначально не было понимания, как должна работать платформа и где будет включаться ML поиск. В конечном итоге решение было найдено после ряда встреч и обсуждений со стейкхолдером и руководителем ML команды, а также после создания нескольких user flow и скетчей.
К сожалению, развитие платформы было затронуто кризисом, вызванным Covid-19, и не было перспектив на финансирование. Проект пришлось закрыть.