當(dāng)谷歌打造的阿爾法狗擊敗了圍棋特級(jí)大師，當(dāng)辛辛那提大學(xué)的Psibernetix擊敗了戰(zhàn)斗機(jī)飛行員，當(dāng)互聯(lián)網(wǎng)時(shí)代到智能時(shí)代，當(dāng)時(shí)代開始遷移，沒與時(shí)代并行的，最后只能被時(shí)代淘汰。那么對(duì)于設(shè)計(jì)領(lǐng)域而言，和人工智能有哪些結(jié)合點(diǎn)?身為設(shè)計(jì)、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(jì)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(chǔ)及計(jì)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(jì)算、自然語(yǔ)言處理、計(jì)算機(jī)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(jì)領(lǐng)域智能化展開，如果你是設(shè)計(jì)師或產(chǎn)品經(jīng)理，你可以了解到入門AI的基礎(chǔ)知識(shí)、人工智能是如何影響設(shè)計(jì)與交互，把握智能設(shè)計(jì)的「可」與「不可」;如果你是算法或技術(shù)同學(xué)，本系列不會(huì)涉及前沿算法的分享，但你也可以了解到在設(shè)計(jì)專業(yè)領(lǐng)域我們對(duì)于智能化的一些思考。

AI x Design 人工設(shè)計(jì)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(jì)師的工作，而是通過計(jì)算機(jī)的算力(計(jì)算能力)與規(guī)則，提高強(qiáng)化設(shè)計(jì)能力與效率，通過讓機(jī)器學(xué)會(huì)設(shè)計(jì)把機(jī)器變成設(shè)計(jì)師的助手。

設(shè)計(jì)智能的突破，其實(shí)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(jì)智能主要應(yīng)用在設(shè)計(jì)語(yǔ)義提取、風(fēng)格識(shí)別、風(fēng)格遷移、設(shè)計(jì)評(píng)價(jià)推薦、設(shè)計(jì)對(duì)抗生成等。

舉個(gè)栗子，小米CC9手機(jī)在發(fā)布時(shí)便推出了一個(gè)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(duì)于「換天」，從交互設(shè)計(jì)上的呈現(xiàn)模型看，只是用戶端「設(shè)計(jì)風(fēng)格」的一鍵切換;但如果我們從實(shí)現(xiàn)模型來看，首先需要實(shí)現(xiàn)圖片語(yǔ)義切割，讓機(jī)器學(xué)會(huì)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(jī)器學(xué)會(huì)什么是風(fēng)格，這中間就會(huì)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(jī)制Attention Networks#進(jìn)行關(guān)鍵特征抽取實(shí)現(xiàn)風(fēng)格分類;最后，可以再通過#對(duì)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(biāo)風(fēng)格圖片，完成用戶的「魔法換天」操作。

經(jīng)典的設(shè)計(jì)智能例子還有很多，作為交互設(shè)計(jì)，上述的算法模型框架和實(shí)現(xiàn)細(xì)節(jié)可能不是我們的重點(diǎn)，我們需要關(guān)注的其實(shí)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(cuò)過。

算法之美

1. 「算法是什么?算法怎么用?」

通俗來講，算法其實(shí)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(duì)算法來說輸入A和輸出B必須是固定的，算法只負(fù)責(zé)中間的輸出邏輯。比如說，為了計(jì)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(chǎng)景應(yīng)用上，算法必定是基于某個(gè)業(yè)務(wù)場(chǎng)景痛點(diǎn)，為了解決某一類業(yè)務(wù)問題抽象，脫離了業(yè)務(wù)場(chǎng)景算法便失去了意義。在解決業(yè)務(wù)問題的同時(shí)，需要保證方案的準(zhǔn)確以及完整，這也是算法同學(xué)通常在交付算法模型時(shí)會(huì)使用的兩大評(píng)測(cè)指標(biāo)：準(zhǔn)確率與召回率(查全率)。簡(jiǎn)單來說，準(zhǔn)確率衡量的是算法模型去預(yù)測(cè)某個(gè)對(duì)象或事件時(shí)多大比例是預(yù)測(cè)準(zhǔn)確;而召回率評(píng)判的是算法模型在待預(yù)測(cè)對(duì)象或事件堆中能預(yù)測(cè)出的比例。準(zhǔn)確優(yōu)先就是更準(zhǔn)，召回優(yōu)先就更全，任何算法沒辦法同時(shí)做到既準(zhǔn)確又完整，只能是基于業(yè)務(wù)場(chǎng)景和優(yōu)先級(jí)兩利相權(quán)取其重，但在大多數(shù)的電商推薦場(chǎng)景下更加關(guān)注準(zhǔn)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(huì)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(jī)器約定好什么是A什么是B，機(jī)器按照我們的標(biāo)準(zhǔn)進(jìn)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(biāo)。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(shí)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(biāo)準(zhǔn)和規(guī)則，算法會(huì)通過特征抽取自動(dòng)進(jìn)行訓(xùn)練學(xué)習(xí)。無監(jiān)督學(xué)習(xí)一般會(huì)通過聚類算法來實(shí)現(xiàn)。

3. 小結(jié)

算法是約定好輸入輸出的解題步驟，要讓機(jī)器學(xué)會(huì)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(jī)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(jī)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(jī)器學(xué)習(xí)?」

機(jī)器學(xué)習(xí)，通俗的講，就是不斷通過嘗試及反饋?zhàn)罱K讓機(jī)器出色地完成某一項(xiàng)任務(wù)。假如現(xiàn)在機(jī)器要參加高考并且目標(biāo)是拿第一名，按機(jī)器學(xué)習(xí)的思路，機(jī)器會(huì)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(zhǔn)確率，最后參加考試獲得第一名。

在上面這個(gè)栗子中，其實(shí)涉及到了幾個(gè)關(guān)鍵要素：任務(wù)T、性能度量P、經(jīng)驗(yàn)E。任務(wù)T是機(jī)器學(xué)習(xí)或算法的最終目標(biāo)，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(biāo)對(duì)于機(jī)器學(xué)習(xí)的效率及提升都至關(guān)重要。最后的經(jīng)驗(yàn)E，其實(shí)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(cuò)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(zhǔn)確地向不同用戶推薦個(gè)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(zhǔn)確率(P)的解題過程。

小結(jié)：機(jī)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(cè)數(shù)據(jù)，再基于反饋數(shù)據(jù)不斷優(yōu)化提升預(yù)測(cè)模型。

2. 「深度學(xué)習(xí)與機(jī)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(huì)有客觀題，還會(huì)有主觀題，假如這次我們機(jī)器來給作文評(píng)分，傳統(tǒng)的機(jī)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(jī)器能夠「像人一樣思考」，通過仿生神經(jīng)網(wǎng)絡(luò)的建立，機(jī)器能學(xué)會(huì)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(shí)也是機(jī)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(gè)圓圈代表一個(gè)神經(jīng)元，每個(gè)箭頭代表一組神經(jīng)突觸，信息從左側(cè)輸入層進(jìn)入，中間經(jīng)過若干個(gè)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(huì)過濾或是加強(qiáng)不同優(yōu)先級(jí)的信息，從而指導(dǎo)人的行動(dòng)。

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(jī)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(huì)用于復(fù)雜的非結(jié)構(gòu)化數(shù)據(jù)場(chǎng)景，如語(yǔ)音識(shí)別ASR、文本處理NLP、圖像識(shí)別CV等便是典型的應(yīng)用場(chǎng)景。

小結(jié)：機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種方法，深度學(xué)習(xí)是進(jìn)行機(jī)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(jī)器學(xué)習(xí)也好，其實(shí)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(duì)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(duì)業(yè)務(wù)場(chǎng)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(shí)現(xiàn)業(yè)務(wù)目標(biāo)。同時(shí)在產(chǎn)品交互設(shè)計(jì)過程中，盡可能降低人機(jī)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(huì)有機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)兩種不同的算法框架。對(duì)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(shí)現(xiàn)產(chǎn)品智能化，降低算法應(yīng)用成本。