專案背景
關於小雞上工
小雞上工是全台最大打工兼職平台，讓雇主可以找到優秀的打工人才，提供求職者各種賺錢省錢的機會。
專案簡介
在原本的履歷照片上傳流程中新增 AI 預測功能，協助判斷大頭照是否合適，並提供具體的調整建議，例如建議拍攝清晰、正面的頭像，以便用戶輕鬆完成改善。
專案目的
雇主在篩選求職者時，往往會重視大頭照的專業度，因此希望讓求職者能了解一張合適的大頭照如何在求職過程中增加競爭優勢，並協助調整以提升應徵成功機會。
用戶樣貌
18-24 歲年輕人
求職者中最大宗，且較無經驗的年齡層
設計流程
1
功能規劃
規劃流程、功能
確認功能內容
2
設計交付
繪製精稿
製作動畫
交付精稿
3
測試、優化
UI、用戶體驗測試
優化調整
導入 AI 功能
只要制定好了標準，AI 就很適合執行重複性高、人工耗時的工作項目，剛好很符合大頭照預測的需求，AI 可以快速、準確地判斷照片的清晰度和構圖是否符合規範，大幅提升效率，減少人工成本。
關於具體的標準（如禁止非真人照片、過度濾鏡、照片模糊），我們用不合格照片樣本來訓練模型，讓 AI 能更靈活應對各種大頭照。
工程師也測試了多種模型，例如，有的模型能達到接近證件照的嚴格水準，有的則專注於過濾照片中的濾鏡效果。最終，我們選定了一個判斷準確且適度嚴格的模型，使 AI 在確保大頭照符合標準的同時，用戶也能依照建議進行調整。
設計目標
減少學習成本
操作應簡單清楚，避免因 AI 是新技術而不敢使用
讓用戶能信任預測結果
AI 運算過程是個黑盒子，需要降低用戶對其結果的疑慮
不影響原有應徵流程
AI 預測不能影響求職者的應徵權利，保障公平性
設計產出
目標：減少學習成本
在流程的初期就說明有 AI 預測功能的存在，並明確列出大頭照的標準要求，幫助用戶在上傳照片前就了解基本規則，避免重複操作造成挫敗感。
此外，AI 預測為自動執行，用戶只需上傳照片即可獲得即時反饋，操作簡單直觀，完全不需要額外學習。
目標：讓用戶能信任的預測結果
為了提升用戶對 AI 預測結果的信任，我在照片送出後和結果出現前設計了一段分析動畫作為過場，以緩解等待焦慮。
另外，即使網速較快，預測結果也不會即刻顯示，而是確保動畫播放至少 3 秒後再呈現結果，因為基於 Doherty Threshold 原則：刻意延長過程能增加結果的感知價值和用戶信任感，藉此來避免用戶對結果的不信任。
圖：蓋板說明與動畫
目標：不影響原有應徵流程
AI 預測是上傳照片的輔助功能，目的在幫助用戶優化照片，而非設置障礙。即使預測分數偏低，也要讓用戶可順利完成應徵，所以只在結果頁提供清晰實用的建議，後續就讓用戶自行決定是否接受我們的建議。
更新迭代提案
問題描述
從求職者被檢舉的數據中發現：部分 AI 預測為 0 分或未使用預測的用戶活躍度高，頻繁應徵和詢問雇主，對多位雇主造成負面印象。
這種情況讓雇主質疑平台人才素質，進而影響平台的整體信任度與形象。
圖：被檢舉的求職者活躍度高
提案一：彈出 Alert 讓流程變複雜
給予大頭照分數過低的用戶適度的干擾，在只需 2 步驟的應徵流程中跳出提醒框，透過中斷流程促使他們調整大頭照，以符合平台與雇主的期待。
圖：應徵流程前後對比
提案二：新增大頭照外框設計
為低分大頭照新增醒目外框及文字提示，吸引用戶點擊更換照片。這種設計既是引導，也是對用戶的友善提示，鼓勵他們主動改善。
圖：應徵頁、履歷頁新增提示
最終成效：大頭照整體品質提升
0 分比例
-12 %
100 分比例
+4 %
學習反思
在這次專案中，了解到哪些功能適合由 AI 來執行，也考量了用戶跟 AI 的關係，思考如何增強用戶對 AI 的信任。另一方面，數據驅動的設計過程幫助我具體了解用戶行為與需求間的差距，讓我能基於檢舉數據做出設計的調整。整體而言，在技術實現與用戶體驗之間取得平衡，以及數據分析對於設計策略都非常重要。
