當谷歌打造的阿爾法狗擊敗了圍棋特級大師，當辛辛那提大學(xué)的Psibernetix擊敗了戰(zhàn)斗機飛行員，當互聯(lián)網(wǎng)時代到智能時代，當時代開始遷移，沒與時代并行的，最后只能被時代淘汰。那么對于設(shè)計領(lǐng)域而言，和人工智能有哪些結(jié)合點?身為設(shè)計、交互、產(chǎn)品的我們?nèi)绾瘟私馊斯ぶ悄?歡迎關(guān)注本系列，我們一起探索設(shè)計與人工智能!

前言

互聯(lián)網(wǎng)從業(yè)者近幾年最熟悉的詞匯莫過于智能、算法、AI。隨著海量數(shù)據(jù)存儲及計算能力的發(fā)展，人工智能AI已成為一種底層能力，在結(jié)構(gòu)化數(shù)據(jù)計算、自然語言處理、計算機視覺等領(lǐng)域廣泛應(yīng)用。本系列將圍繞人工智能AI基礎(chǔ)能力與設(shè)計領(lǐng)域智能化展開，如果你是設(shè)計師或產(chǎn)品經(jīng)理，你可以了解到入門AI的基礎(chǔ)知識、人工智能是如何影響設(shè)計與交互，把握智能設(shè)計的「可」與「不可」;如果你是算法或技術(shù)同學(xué)，本系列不會涉及前沿算法的分享，但你也可以了解到在設(shè)計專業(yè)領(lǐng)域我們對于智能化的一些思考。

AI x Design 人工設(shè)計智能

人工智能AI作為底層能力，其目的不是為了替代傳統(tǒng)設(shè)計師的工作，而是通過計算機的算力(計算能力)與規(guī)則，提高強化設(shè)計能力與效率，通過讓機器學(xué)會設(shè)計把機器變成設(shè)計師的助手。

設(shè)計智能的突破，其實得益于AI算法框架(深度學(xué)習(xí)模型)的提出和普及，近些年的設(shè)計智能主要應(yīng)用在設(shè)計語義提取、風(fēng)格識別、風(fēng)格遷移、設(shè)計評價推薦、設(shè)計對抗生成等。

舉個栗子，小米CC9手機在發(fā)布時便推出了一個叫「魔法換天」的功能，用戶拍攝一張帶有天空背景的照片，可以變換成晴天、陰天、夜晚等各種不同風(fēng)格的天空。

對于「換天」，從交互設(shè)計上的呈現(xiàn)模型看，只是用戶端「設(shè)計風(fēng)格」的一鍵切換;但如果我們從實現(xiàn)模型來看，首先需要實現(xiàn)圖片語義切割，讓機器學(xué)會分辨什么是天空;接著，通過海量不同風(fēng)格圖片數(shù)據(jù)的輸入讓機器學(xué)會什么是風(fēng)格，這中間就會應(yīng)用到不同的算法模型，比如#卷積神經(jīng)網(wǎng)絡(luò)CNN#結(jié)合#注意力機制Attention Networks#進行關(guān)鍵特征抽取實現(xiàn)風(fēng)格分類;最后，可以再通過#對抗生成網(wǎng)絡(luò)GAN#的生成模型和判別模型訓(xùn)練輸出最優(yōu)的目標風(fēng)格圖片，完成用戶的「魔法換天」操作。

經(jīng)典的設(shè)計智能例子還有很多，作為交互設(shè)計，上述的算法模型框架和實現(xiàn)細節(jié)可能不是我們的重點，我們需要關(guān)注的其實是AI算法的能力與邊界，從而思考AI如何影響產(chǎn)品交互與用戶行為。要想掌握算法的能力與邊界，那接下來的基礎(chǔ)入門概念你一定不能錯過。

算法之美

1. 「算法是什么?算法怎么用?」

通俗來講，算法其實就是數(shù)學(xué)公式，是有限且確定的一套解決方案或解題步驟，對算法來說輸入A和輸出B必須是固定的，算法只負責中間的輸出邏輯。比如說，為了計算加減乘除，老師總結(jié)出了乘法口訣;再比如，為了讓用戶更快地收到商品，配送系統(tǒng)研發(fā)了路徑規(guī)劃優(yōu)化算法。

在場景應(yīng)用上，算法必定是基于某個業(yè)務(wù)場景痛點，為了解決某一類業(yè)務(wù)問題抽象，脫離了業(yè)務(wù)場景算法便失去了意義。在解決業(yè)務(wù)問題的同時，需要保證方案的準確以及完整，這也是算法同學(xué)通常在交付算法模型時會使用的兩大評測指標：準確率與召回率(查全率)。簡單來說，準確率衡量的是算法模型去預(yù)測某個對象或事件時多大比例是預(yù)測準確;而召回率評判的是算法模型在待預(yù)測對象或事件堆中能預(yù)測出的比例。準確優(yōu)先就是更準，召回優(yōu)先就更全，任何算法沒辦法同時做到既準確又完整，只能是基于業(yè)務(wù)場景和優(yōu)先級兩利相權(quán)取其重，但在大多數(shù)的電商推薦場景下更加關(guān)注準確性。

2. 「算法還分監(jiān)不監(jiān)督?」

剛剛提到算法是約定好輸入輸出下的一套解決方案，那么在邏輯黑盒的訓(xùn)練和學(xué)習(xí)方式上，會分為有監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。

有監(jiān)督學(xué)習(xí)，就是我們提前和機器約定好什么是A什么是B，機器按照我們的標準進行訓(xùn)練學(xué)習(xí);有監(jiān)督學(xué)習(xí)要求算法模型的輸入必須經(jīng)過人工預(yù)先處理，也就是數(shù)據(jù)打標。經(jīng)典的有監(jiān)督學(xué)習(xí)方法，包括回歸以及分類，基礎(chǔ)數(shù)學(xué)中的回歸方程其實就是一種有監(jiān)督學(xué)習(xí)。

無監(jiān)督學(xué)習(xí)，顧名思義，我們無須定義好標準和規(guī)則，算法會通過特征抽取自動進行訓(xùn)練學(xué)習(xí)。無監(jiān)督學(xué)習(xí)一般會通過聚類算法來實現(xiàn)。

3. 小結(jié)

算法是約定好輸入輸出的解題步驟，要讓機器學(xué)會判斷，可以手把手教它(有監(jiān)督)，或者是放養(yǎng)式讓它自學(xué)成才(無監(jiān)督)。

機器學(xué)習(xí)VS深度學(xué)習(xí)

如果說算法是解題方案的話，機器學(xué)習(xí)與深度學(xué)習(xí)更像是不同階段的解題思路與解題結(jié)構(gòu)。

1. 「什么是機器學(xué)習(xí)?」

機器學(xué)習(xí)，通俗的講，就是不斷通過嘗試及反饋最終讓機器出色地完成某一項任務(wù)。假如現(xiàn)在機器要參加高考并且目標是拿第一名，按機器學(xué)習(xí)的思路，機器會把歷史考題都答一遍，學(xué)習(xí)考題和答案的聯(lián)系，再不斷地反復(fù)答題提高準確率，最后參加考試獲得第一名。

在上面這個栗子中，其實涉及到了幾個關(guān)鍵要素：任務(wù)T、性能度量P、經(jīng)驗E。任務(wù)T是機器學(xué)習(xí)或算法的最終目標，也就是獲得考試第一名。性能度量P則是我們優(yōu)化數(shù)據(jù)結(jié)構(gòu)或算法邏輯的Benchmark，定義合適的性能度量指標對于機器學(xué)習(xí)的效率及提升都至關(guān)重要。最后的經(jīng)驗E，其實指的是歷史數(shù)據(jù)或效果數(shù)據(jù)，也就是歷史的考題以及答錯的考題。

在電商領(lǐng)域里，經(jīng)典的人貨匹配推薦算法就可以按上面的定義描述為，是為了更準確地向不同用戶推薦個性化商品(T)，通過歷史推薦數(shù)據(jù)及用戶行為數(shù)據(jù)(E)，不斷提升推薦結(jié)果準確率(P)的解題過程。

小結(jié)：機器學(xué)習(xí)基于歷史數(shù)據(jù)，通過模型學(xué)習(xí)訓(xùn)練輸出預(yù)測數(shù)據(jù)，再基于反饋數(shù)據(jù)不斷優(yōu)化提升預(yù)測模型。

2. 「深度學(xué)習(xí)與機器學(xué)習(xí)有什么區(qū)別呢?」

再回到我們的例子上，高考不僅會有客觀題，還會有主觀題，假如這次我們機器來給作文評分，傳統(tǒng)的機器學(xué)習(xí)很難按照人類的思維方式和行文邏輯去分析。深度學(xué)習(xí)的出現(xiàn)，使得機器能夠「像人一樣思考」，通過仿生神經(jīng)網(wǎng)絡(luò)的建立，機器能學(xué)會和理解復(fù)雜事物間的聯(lián)系，并通過感知外界優(yōu)化自身網(wǎng)絡(luò)結(jié)構(gòu)。

也就是說，深度學(xué)習(xí)模型，其實也是機器學(xué)習(xí)的一種，只不過學(xué)習(xí)方式變成了，通過構(gòu)建類人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的多層感知結(jié)構(gòu)，以及低維特征的組合及向量化，來挖掘樣本數(shù)據(jù)特征，從而建立數(shù)據(jù)與結(jié)果的關(guān)聯(lián)關(guān)系。

要想更好的理解深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)，我們首先得了解人腦是如何感知與理解信息(數(shù)據(jù))的。中間的網(wǎng)絡(luò)圖是抽象化的人腦結(jié)構(gòu)表示。

每個圓圈代表一個神經(jīng)元，每個箭頭代表一組神經(jīng)突觸，信息從左側(cè)輸入層進入，中間經(jīng)過若干個隱藏層以及不同權(quán)重的神經(jīng)突觸傳播，從右側(cè)輸出層輸出;不同權(quán)重的神經(jīng)突觸會過濾或是加強不同優(yōu)先級的信息，從而指導(dǎo)人的行動。

基于人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，深度學(xué)習(xí)模型首先通過Embedding向量化將高維稀疏特征轉(zhuǎn)換為低維稠密特征，接著通過隱藏層來保留重要特征，再通過輸出層的損失函數(shù)Loss判斷訓(xùn)練誤差是否符合輸出要求，最后完成模型輸出。

深度學(xué)習(xí)相較于機器學(xué)習(xí)，最大的突破在于數(shù)據(jù)特征挖掘即特征向量化的過程，因此深度學(xué)習(xí)框架一般會用于復(fù)雜的非結(jié)構(gòu)化數(shù)據(jù)場景，如語音識別ASR、文本處理NLP、圖像識別CV等便是典型的應(yīng)用場景。

小結(jié)：機器學(xué)習(xí)是實現(xiàn)人工智能的一種方法，深度學(xué)習(xí)是進行機器學(xué)習(xí)的一種技術(shù)。

產(chǎn)品交互與算法邊界

算法也好，機器學(xué)習(xí)也好，其實都是解決問題的方法。算法解題效果好壞很大程度上取決于前期的業(yè)務(wù)問題抽象和轉(zhuǎn)化。

因此對于產(chǎn)品或交互同學(xué)，關(guān)鍵是在了解算法技術(shù)能力邊界基礎(chǔ)上，基于對業(yè)務(wù)場景和需求的梳理，將業(yè)務(wù)問題轉(zhuǎn)化為算法問題，找到最合適最高效的算法框架實現(xiàn)業(yè)務(wù)目標。同時在產(chǎn)品交互設(shè)計過程中，盡可能降低人機交互的教育成本，使得表現(xiàn)模型貼近用戶心理模型。

總結(jié)

算法是規(guī)定好輸入輸出的一套解題步驟，會有機器學(xué)習(xí)以及深度學(xué)習(xí)兩種不同的算法框架。對于不同算法模型，產(chǎn)品交互同學(xué)更多關(guān)注的是，算法可以解決什么問題以及如何以更人性化的交互邏輯實現(xiàn)產(chǎn)品智能化，降低算法應(yīng)用成本。