人工智能之于设计领域而言可以怎样结合？

谷歌打造的阿尔法狗击败围棋大师，辛辛那提大学的Psibernetix击败战斗机飞行员，互联网时代到智能时代，时代开始迁移，与时代不平行的只能被时代淘汰。那么，与人工智能在设计领域的结合点是什么呢？作为设计、交互和产品，我们如何理解人工智能？欢迎关注本系列，我们一起探索设计和人工智能！近年来，互联网从业者最熟悉的词是智能、算法、AI。随着大量数据存储和计算能力的发展，人工智能人工智能已成为结构化数据计算、自然语言处理、计算机视觉等领域的基本能力。本系列将重点关注人工智能的基本能力和设计领域的智能。如果你是一名设计师或产品经理，你可以了解入门级人工智能的基本知识，人工智能如何影响设计和交互，并掌握智能设计「可」与「不可」；如果你是算法或技术专业的学生，这个系列不会涉及前沿算法的共享，但你也可以理解我们在设计领域的智能思维。AIxDesign人工设计智能人工智能AI作为一种基本能力，其目的不是通过计算机的计算能力（计算能力）和规则来提高强化设计能力和效率，而是通过让机器学会设计将机器转化为设计师的助手。事实上，设计智能的突破得益于人工智能算法框架（深度学习模型）的提出和普及。近年来，设计智能主要应用于设计语义提取、风格识别、风格迁移、设计评价推荐、设计对抗生成等。例如，小米CC9手机在发布时推出了一款名为“栗子”的手机「魔法换天」功能，用户拍摄带有天空背景的照片，可转换为晴天、阴天、夜晚等不同风格的天空。对于「换天」，从交互设计的呈现模型来看，只是用户端「设计风格」一键切换；但是，如果我们从实现模型的角度来看，我们首先需要实现图像语义切割，这样机器就可以学会区分什么是天空；然后，通过输入大量不同风格的图像数据，机器可以学习什么是风格，这将应用于不同的算法模型，例如，#卷积神经网络CNN#结合#注意机制AttentionNetworks#提取关键特征，实现风格分类；最后，可以通过#对抗生成网络GAN#的生成模型，判断模型训练输出的最佳目标风格图片，完成用户「魔法换天」操作。还有许多经典的智能设计例子。作为交互设计，上述算法模型框架和实现细节可能不是我们的重点。事实上，我们需要关注人工智能算法的能力和边界，以思考人工智能如何影响产品交互和用户行为。还有许多经典的智能设计例子。作为交互设计，上述算法模型框架和实现细节可能不是我们的重点。我们需要关注人工智能算法的能力和边界，以思考人工智能如何影响产品交互和用户行为。如果你想掌握算法的能力和边界，你不能错过下一个基本的介绍概念。算法之美1.「什么是算法？如何使用算法？」一般来说，算法实际上是一个数学公式，是一套有限且确定的解决方案或解决问题的步骤。对于算法，输入A和输出B必须固定，算法只负责中间的输出逻辑。例如，为了计算乘法公式，教师总结了乘法公式；例如，为了让用户更快地收到商品，配送系统开发了路径规划优化算法。在场景应用中，算法必须基于某一业务场景的痛点。为了解决某一类业务问题的抽象性，离开业务场景算法就失去了意义。在解决业务问题的同时，有必要确保解决方案的准确性和完整性，这也是算法学生在交付算法模型时通常使用的两个评估指标：准确性和召回率（全检查率）。简单地说，准确性衡量算法模型预测对象或事件的比例；召回率判断算法模型在待预测对象或事件堆中可以预测的比例。准确优先级更准确，召回优先级更完整。任何算法都不能同时准确和完整。它只能基于业务场景和优先级，但在大多数电子商务推荐场景中更加注重准确性。2.「算法还分监督吗？」刚才提到算法是输入输出下的一套解决方案，所以逻辑黑盒的训练和学习方法会分为监督学习和非监督学习。监督学习是指我们提前与机器达成协议，什么是A，什么是B，机器按照我们的标准进行培训和学习；监督学习要求算法模型的输入必须手动预处理，即数据标记。经典的监督学习方法，包括回归和分类，基础数学中的回归方程实际上是一种监督学习。顾名思义，没有监督学习，我们不需要定义标准和规则，算法会通过特征提取自动训练学习。通常通过聚类算法实现无监督学习。3.小结算法是约定输入输出解决问题的步骤。为了让机器学会判断，你可以手拉手教它（监督），或者放养让它自学（没有监督）。如果算法是解题方案，机器学习和深度学习更像是不同阶段的解题思路和解题结构。1.「机器学习是什么？」一般来说，机器学习就是通过不断的尝试和反馈，最终让机器完成某项任务。如果机器现在想参加高考，目标是获得第一名，根据机器学习的想法，机器会回答历史问题，学习考试问题和答案的联系，然后反复回答问题，提高准确性，最后参加考试获得第一名。事实上，上述栗子涉及到几个关键因素：任务T、性能度量P、经验E。任务T是机器学习或算法的最终目标，即获得第一名。性能测量P是Benchmark，我们优化了数据结构或算法逻辑。定义合适的性能测量指标对机器学习的效率和提高非常重要。最后的经验E实际上是指历史数据或效果数据，即历史试题和答错试题。在电子商务领域，可以根据上述定义描述经典的人货匹配推荐算法，以更准确地向不同用户推荐个性化商品（T），历史推荐数据和用户行为数据（E），不断提高推荐结果的准确率（P）解题过程。总结：基于历史数据的机器学习，通过模型学习训练输出预测数据，然后根据反馈数据不断优化和改进预测模型。2.「深度学习和机器学习有什么区别？」回到我们的例子中，高考不仅会有客观问题，还会有主观问题。如果我们的机器这次给作文打分，传统的机器学习很难根据人类的思维方式和写作逻辑进行分析。深度学习的出现使机器能够「像人一样思考」，通过建立仿生神经网络，机器可以学习和理解复杂事物之间的联系，并通过感知外部世界来优化其网络结构。也就是说，深度学习模型实际上是一种机器学习，但学习模式已经成为通过构建人脑神经网络结构的多层感知结构，以及低维特征的组合和向量化来挖掘样本数据特征，从而建立数据与结果之间的关系。要更好地理解深度学习和神经网络，首先要了解人脑是如何感知和理解信息(数据)的。中间的网络图表示抽象的人脑结构。每个圆圈代表一个神经元，每个箭头代表一组神经突触，信息从左输入层进入，通过几个隐藏层和不同重量的神经突触传播，从右输出层输出；不同重量的神经突触过滤或加强不同优先级的信息，以指导人们的行动。基于人脑神经网络结构，深度学习模型首先通过Embedding将高维稀疏特性转化为低维稠密特性，然后通过隐藏层保留重要特性，然后通过输出层损失函数Loss判断训练误差是否符合输出要求，最后完成模型输出。与机器学习相比，深度学习最大的突破在于数据特征挖掘的过程，即特征向量化。因此，深度学习框架通常用于复杂的非结构化数据场景，如语音识别ASR、NLP文本处理、图像识别CV等是典型的应用场景。总结:机器学习是实现人工智能的一种方法，深度学习是机器学习的一种技术。事实上，产品交互和算法边界算法和机器学习都是解决问题的方法。算法解决问题的效果在很大程度上取决于早期业务问题的抽象和转化。因此，对于产品或互动学生来说，关键是在理解算法技术能力边界、梳理业务场景和需求的基础上，将业务问题转化为算法问题，找到最合适、最高效的算法框架来实现业务目标。同时，在产品交互设计过程中，尽可能降低人机交互的教育成本，使性能模型接近用户心理模型。总结算法是一套解决输入输出问题的步骤，将有两个不同的算法框架：机器学习和深度学习。对于不同的算法模型，产品交互学生更关注算法能解决什么问题，如何以更人性化的交互逻辑实现产品智能，降低算法应用成本。