谁在害怕 机器学习？

了解机器学习技术，设计师需要深入其中——只需要一点点。机器学习算法主要有三种类型：监督学习、无监督学习和强化学习。

机器学习的三种主要类型

监督学习

依赖于全套标记数据，算法检查这些标记数据，从数据模式中学习，然后进行预测。是当今最普遍的机器学习形式。

了解更多

无监督学习

专家不会标记训练数据或提供特征/变量。算法会解析输入数据，寻找未预先指定的规律或模式。

了解更多

强化学习

算法不基于历史数据进行预测，而是通过与环境的试错交互动态构建预测模型，通过奖励机制不断优化。

了解更多

监督学习

监督学习依赖于全套标记数据（标记数据是指已被标记的数据，有效地将数据分类）。算法检查这些标记数据，从数据中的模式学习，然后进行预测。它是当今最普遍的机器学习形式。

研究人员会选择监督学习来解决分类问题或回归问题。如果我们希望算法预测新数据将属于哪个离散类别，我们会使用分类。如果我们希望算法预测与实值相关的输出，我们会使用回归。

玉米蛇还是铜头蛇？

如果你家院子里有蛇，你需要知道它是有毒的铜头蛇还是外形相似但无害的玉米蛇。让我们通过这个例子了解分类算法的工作原理。

步骤1：收集训练数据

收集一组分别标记为铜头蛇或玉米蛇的蛇的数据集，这构成了我们的"地面实况"。我们也可以将这两个标签称为类别。

步骤2：确定特征

确定系统可以用来区分不同类别的特征。在这个例子中，我们确定两个特征：长度和重量。（注意：这只是为了举例，不要实际使用这些特征来分类蛇，以免危及生命。）

步骤3：训练模型

选择学习算法并指示该算法从训练集中构建模型。在这个例子中，我们需要教系统将数据分为两类蛇，因此使用分类模型是合理的。

步骤4：优化与评估

算法会反复检查结果并重新优化边界，以找到最佳的分类边界。当我们对结果有信心时，可以使用预留的标记数据来评估系统。

回归

回归与分类不同，因为它允许我们探索离散类别之间及之外的值，从而进行预测。回归之所以能做到这一点，是因为输出是数值型（或连续的）。

我们会在希望系统识别在训练数据中最初定义的值之间或之外的值的情况下使用回归。这些值可能包括某物的未来价格、客户满意度或学生成绩。

监督学习要点

  • 需要标记的训练数据
  • 有明确的目标："计算机，在数据中寻找这些特定模式以便预测x。"
  • 是当今最普遍的机器学习形式

无监督学习

在无监督学习中，专家不会标记训练数据或提供特征/变量。相反，算法会解析输入数据，寻找未预先指定的规律或模式。

监督学习需要一个监督者——有人来标记数据。无监督学习则不需要。绕过监督者可能会产生惊人的、意想不到的结果。

当机器学习算法使用数千个变量检测复杂模式时，人类有时难以理解机器是如何得出预测结果的。我们称之为"黑箱问题"。

聚类

使用这种策略，算法计算输入数据中的聚类或组，即具有相似特征的数据点被分组在一起，具有不同特征的数据点被分离开来。

客户细分

零售公司可能会使用聚类来细分客户，发现设计师或营销人员通常不会想到的客户群体。

趋势预测

我们可以使用聚类来识别未来趋势，例如特定行业的专业人员流动率。

异常检测

网络安全公司使用无监督学习来了解系统中的正常行为模式，然后寻找可能是网络攻击的异常行为。

无监督学习要点

  • 可以在人类难以分析的复杂情况下检测模式
  • 不需要标记数据和/或已识别的特征/变量
  • 可以得出意想不到的见解

强化学习

在监督学习和无监督学习中，算法都基于训练数据进行预测。我们可以将其视为历史数据，因为它已经存在于世界上。过去的知识决定了对未来的预测。

相比之下，强化学习算法不基于历史数据进行预测。相反，这些算法通过与环境的试错交互动态构建预测模型。

强化学习的工作原理如下：智能体在环境中尝试可能的行动。与环境的每次交互都会产生见解——作为输入数据。然后，智能体使用这些数据来迭代调整其行动，以实现特定目标——奖励。

强化学习的组成部分

智能体(Agent)

决定采取什么行动以响应奖励或惩罚的一方

环境(Environment)

智能体在其中采取行动的周围环境或条件

行动(Actions)

智能体在环境中可以执行的操作

奖励(Rewards)

智能体根据其行动收到的反馈

实际应用案例

AlphaGo

AlphaGo 和 AlphaZero

2017年，DeepMind使用强化学习结合深度卷积网络，通过一个名为AlphaGo的程序击败了人类围棋冠军。同年晚些时候，他们发布了更先进的程序AlphaZero，掌握了国际象棋、将棋和围棋。

自动驾驶

自动驾驶

优步通过数千次虚拟模拟来完善其自动驾驶AI平台，使用预测算法让自动驾驶AI与同样智能的环境对抗训练。研究人员可以方便地让这些算法进行数百万次虚拟模拟，然后再将产品推向世界。

强化学习要点

  • 通过试错获得见解
  • 模型随时间顺序与环境交互
  • 消除了监督者偏见
  • 可以引入对人类有用的全新方法

未来展望：令人兴奋但充满挑战

设计工具的变革

机器学习不仅会影响我们设计的界面/产品，还会影响我们的创作工具。机器学习使人类能够通过语言、手势、动作、情感等与技术交流，这些能力将使设计师能够以更直观的方式使用创作工具。

简单地要求软件执行某个操作——而不是通过点击和拖动菜单来找到合适的工具——将使设计师能够绕过数小时的繁琐工作，更不用说浏览冗长的教程了。也许"工具"这个概念本身将变得无关紧要。

交互越自然、越个性化，创意软件就越像是我们自己的延伸——以及我们个人的创作方式——而不是一个单独的笨重软件包。

未来设计工具

"我们正处于空间计算新时代的临界点——数字体验与物理现实融合的世界。"

半人马的回归

在这样的愿景中，人类和智能机器共同努力，达成任何一方都无法单独实现的解决方案。还记得半人马的概念吗？机器学习不是要取代设计师，而是设计师与AI联手，借助机器学习增强自己的能力——一种智能的融合。

AI的"外星性"

谷歌AI的Matt Jones认为，要真正利用AI，我们必须接受它的外星性。自然界中已经存在其他形式的"智能"——专门的认知形式分布在生物体、神经细胞和根菌网络中，而不是集中在单个人类大脑中。

正如后人类理论家如N. Katherine Hayles和Donna Haraway所主张的，随着我们与工具共同进化，我们应该扩展我们对其他认知形式的理解。本质上，我们必须认识到，将机器学习整合到设计实践中不会像在我们的创意团队中增加一个超级聪明的假人，而会是完全不同的东西。就像细菌、树木或蚯蚓一样，AI的思考方式将与我们不同。

最终思考

通过机器学习，我们有惊人的潜力为自闭症谱系障碍患者提供情感洞察，减少招聘和贷款实践中的性别和种族偏见，推动创意人员进入意想不到的、棘手的问题解决空间。然而，我们也可以做完全相反的事情——利用弱势群体，通过依赖过去来偏见未来，通过自动化取代我们想要和需要保持自主性和能动性的技能，将重要的选择交给一个不理解人类后果的技术。

关于人工智能和人类的问题至少从二十世纪中叶就开始激烈争论了。正如设计教授和历史学家Molly Wright Steenson所指出的："如果我们理解我们已经问这些问题很长时间了，我们可能会对找到答案有多难有更好的预期。"这些是具有广泛影响的复杂问题。

道路是曲折的。未来是不确定的。令人兴奋吗？是的。可怕吗？是的。我们面前有许多关键的选择。让我们一起，深思熟虑地接受这些选择，一次一个设计。