当谷歌打造的AlphaGo打败围棋大师，当辛辛那提大学的Psibernetix打败战斗机飞行员，当互联网时代进入智能时代，当时代开始迁移，不与时俱进的，最终只能被时代淘汰。那么对于设计领域来说，与人工智能的结合点有哪些呢？我们如何将人工智能理解为设计、交互和产品？欢迎关注本系列，让我们一起探索设计与人工智能！前言熟悉的词汇无非就是智能、算法、AI。随着海量数据存储和计算能力的发展，人工智能AI已经成为一种底层能力，广泛应用于结构化数据计算、自然语言处理、计算机视觉等领域。本系列将重点介绍人工智能AI和智能在设计领域的基本能力。如果你是设计师或产品经理，可以学习AI入门的基础知识，人工智能如何影响设计和交互，把握智能设计的“可能”。”和“否”；如果你是算法或技术同学，本系列不会涉及前沿算法的分享，但你也可以了解到我们在专业设计领域对智能的思考。AIxDesign人工设计智能人工智能AI作为底层能力，其目的不是要取代传统设计师的工作，而是通过计算机的计算能力（computingpower）和规则来提高和加强设计能力和效率，让机器学会设计把机器变成设计师的助手设计智能的突破其实得益于AI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抽取、风格识别、风格迁移、设计评测推荐、设计对抗生成等。比如小米CC9手机发布时，推出了一个名为“魔幻天变”的功能。用户拍摄一张带有天空背景的照片，可以将其转化为晴天、阴天、夜晚等多种不同风格的天空。.对于“改天”，从交互设计的呈现模式来看，只是客户端“设计风格”的一键切换；但是如果从实现模型来看，我们首先要实现图片的语义分割，让机器学会分辨什么是天空；然后，通过大量的输入让机器学习什么是风格不同风格的图像数据，会应用于不同的算法模型，比如#转级NNNNCNN#结合#AttentionMechanismAttentionNetworks#进行关键特征提取的风格分类；最后，通过#前战产品网络GAN#的生成模型和判别模型训练，可以输出最优的目标风格图像，完成用户的“魔改”操作。设计智能的经典例子还有很多。作为交互设计，上述的算法模型框架和实现细节可能不是我们关注的重点。我们需要关注的其实是AI算法的能力和边界，从而思考AI是如何影响产品交互和用户行为的。.如果你想掌握算法的能力和边界，你一定不能错过以下基本的入门概念。算法之美1.《什么是算法？算法是如何工作的？》一般来说，算法实际上是一个数学公式，是解决问题的一组有限且确定的解或步骤。对于一个算法，输入A和输出B必须是固定的。是的，算法只负责中间的输出逻辑。例如，为了计算加减乘除，老师总结了乘法公式；又如，为了让用户更快的收到商品，配送系统开发了路径规划优化算法。在场景应用中，算法必须基于某个业务场景的痛点。为了解决某一类业务问题抽象，脱离了业务场景，算法就失去了意义。在解决业务问题的同时，需要保证解决方案的准确性和完整性。这也是算法同学在交付算法模型时通常使用的两个评价指标：准确率和召回率（召回率）。简单来说，准确率衡量的是算法模型预测某个对象或事件准确的比例；而召回率则判断算法模型能够预测的在待预测的对象或事件堆中所占的比例。准确优先级更准确，召回优先级更全面。没有一种算法可以同时既准确又完备。只能根据业务场景和优先级。但是，在大多数电商推荐场景下，更多的是关注准确性。2.“算法是否分监督员？”刚才提到算法是在约定的输入和输出下的一组解，所以在逻辑黑盒的训练和学习方式上，会分为有监督学习和无监督学习。监督学习就是我们事先和机器约定什么是A，什么是B，机器按照我们的标准训练学习；监督学习要求算法模型的输入必须经过人工预处理，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其实就是一种监督学习。无监督学习，顾名思义，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和学习。无监督学习一般通过聚类算法来实现。3.总结算法是约定输入输出的求解步骤。要让机器学会判断，可以手工教它（有监督），也可以让它自己学习（无监督）。机器学习VS深度学习如果说算法是解决问题的方案，那么机器学习和深度学习更像是不同阶段的问题解决思路和问题解决结构。1.“什么是机器学习？”机器学习，通俗地说，就是通过不断的尝试和反馈，让机器出色地完成某项任务。如果机器现在要参加高考，目标是拿第一名，根据机器学习的思想，机器会把所有的历史考题都答一遍，学习考题和考题之间的关系答案，然后不断重复做题，提高准确率，最后考试拿第一名。一。上面这个栗子，其实涉及到几个关键要素：任务T，绩效衡量P，经验E。任务T是机器学习或者算法的最终目标，就是考试拿第一名。性能指标P是我们优化数据结构或算法逻辑的基准。定义适当的性能指标对于机器学习的效率和改进至关重要。最后的经验E其实是指历史数据或效果数据，即历史试题和答错的试题。在电子商务领域，经典的人货匹配推荐算法可以用上面的定义来描述。就是更准确地向不同的用户推荐个性化的产品（T）。通过历史推荐数据和用户行为数据（E），不断提高推荐结果准确率（P）的问题解决过程。总结：机器学习是以历史数据为基础，通过模型学习和训练输出预测数据，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，高考不仅会有客观题，还会有主观题。如果我们这次用机器来给作文打分，传统的机器学习是非常困难的。很难按照人的思维方式和写作逻辑去分析。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，并通过感知外界来优化自身的网络结构。也就是说，深度学习模型其实是机器学习的一种，只是学习方式变成了，通过构建类似于人脑神经网络结构的多层感知结构，以及低层的组合和向量化维度特征挖掘样本数据特征，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。中间的网络图是人脑结构的抽象表示。每个圆圈代表一个神经元，每个箭头代表一组突触。信息从左边的输入层进入，通过几个隐藏层和不同权重的突触传播，从右边的输出层输出；不同权重的神经元突触过滤或增强不同优先级的信息以指导人类行动。深度学习模型基于人脑的神经网络结构，首先通过Embedding向量化将高维稀疏特征转化为低维稠密特征，然后通过隐藏层保留重要特征，然后判断训练误差是否符合通过损失函数Loss输出层的输出要求，最终完成模型输出。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，深度学习框架一般应用于复杂的非结构化数据场景，如语音识别ASR、文本处理NLP、图像识别CV等都是典型的应用场景。总结：机器学习是一种实现人工智能的方法，而深度学习是一种针对机器学习的技术。不管是产品交互和算法边界算法还是机器学习，都是解决问题的方法。算法解决问题的有效性很大程度上取决于前期对业务问题的抽象和转化。所以，对于产品或者交互类的同学，关键是了解算法技术能力的边界，在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，找到最适合、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，使表现模型接近用户的心理模型。摘要算法是一组指定输入和输出的问题解决步骤。会有两种不同的算法框架，机器学习和深度学习。针对不同的算法模型，产品交互同学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化，降低算法应用成本。
