ru ua en
c l o c k
Обучение ИИ с помощью дизайна
17 February 2020
блог

Обучение ИИ с помощью дизайна

В нашей статье Дизайн, управляемый искусственным интеллектом мы ознакомились с механизмом влияния ИИ на процесс креативности и оценили важность данных в предоставлении качественного пользовательского опыта. В этой статье, мы углубимся в то, как мы можем обучить искусственный интеллект (отныне ИИ) с помощью дизайна.

Важность машинного обучения

С развитием общества, управляемого ИИ, машинное обучение также стало дизайнерским решением. Машинное обучение является самой обсуждаемой темой в нашей отрасли сейчас и все больше меняет в процессе создания и применения наших продуктов. Перед нами открывается масса новых возможностей, но также появляются и некоторые весомые проблемы.

Один из таких вопросов заключается в том, что машинное обучение сейчас является проблемой UX. Объясняя процессы обучения ИИ и обозначая ваши возможности в этой сфере как дизайнера, мы надеемся повысить вашу уверенность и мотивацию, чтобы в следующем проекте управляемом ИИ вы смогли целенаправленно применить эти знания.

Как обучается ИИ

Есть несколько способов, которыми искусственный интеллект (ИИ) может учиться и развиваться. Как правило, вы можете сказать, что ИИ учится основываясь на методе проб и ошибок. В отличии от обычного программирования, машинное обучение работает в обратную сторону, поэтому вы не программируете решение, машина сама учится на основе набора правил.

Представьте, что вы хотите сделать лучший бургер в мире. Вместо того, чтобы пытаться придумать свой собственный рецепт вы покупаете несколько отличных гамбургеров, и начинаете с этого. Вы купили кучу гамбургеров, рассказали машине что это такое и какие части вам нравятся больше всего. Машина берет отдельно каждую часть и придумывает идеальный гамбургер. Волшебный эффект искусственного интеллекта в том, что вы можете даже не знать КАК это сделано.

Как обучается ИИ

Машинное обучение, первый шаг к ИИ

Машинное обучение можно рассматривать как науку, которая создана, чтобы помогать компьютерам обнаруживать закономерности и взаимосвязи в данных. Как для дизайнеров, шаблоны являются ключевыми элементами для создания продуктов, поэтому наличие хорошей модели обучения гарантирует успех. В основном, есть три способа машинного обучения – контролированное, самостоятельное обучение и усиленное обучение.

Виды машинного обучения

Обучение с учителем
Обучение с учителем. Обучает алгоритм выполнять классификацию и регрессию конкретного набора данных.
Самостоятельное обучение
Самостоятельное обучение. Обучает алгоритм находить кластера и ассоциации в немаркированном наборе данных.
Обучение с подкреплением
Обучение с подкреплением. Обучение агента выполнению определенных взаимодействий в среде без данных

Обучение с учителем

Продолжим на примере гамбургера. Вы хотите создать лучший гамбургер в мире. Для этого сначала нужно выяснить и узнать, из чего состоит хороший бургер. Именно здесь нам понадобится машинное обучение. Машина в этом случай, сообщает ИИ полезную информацию, например, какая булочка лучше, какое мясо лучше или лучший сыр для использования (на основе всех идеальных гамбургеров, что вы предоставили машине). С отдельными конкретными задачами машинное обучение справляется идеально.

Каждая часть бургера (булочка, мясо, сыр) будет подвержена анализу, чтобы понять какой тип лучше всего подходит для каждой части. Именно так происходит процесс обучения, вы должны предоставить примеры алгоритму и контролировать его обучение, чтобы убедится в правильности результатов.

Данные, которые обучают модель, могут иметь две формы:

  • Помеченные данны (данные, которые уже отмечены или данные обучения), помеченные данные - это просто набор данных, которые уже имеют значение, например: Это яблоко
  • Немеченые данные (данные, которые используются для обучения модели)

В учебных данных, модель будет знать особенности и как правильно маркировать, в то время как в данных тестирования, даже если вы знаете маркировку, вы не будете раскрывать это модели, что и будет проверкой точности.

Самостоятельное обучение

Самостоятельное обучение

С помощью этого типа обучения вы можете узнать, какие гамбургеры самые лучшие, но вы не узнаете, из чего они сделаны - машина будет кластеризовать набор данных, который сначала выглядит дезорганизованным, и предлагать свои собственные предположения и ассоциации.

Обучение с подкреплением

Компания DeepMind создана с целью разработки общего ИИ. Они действуют в соответствии с научной миссией, которая заключается в создании систем, которые могут научиться решать любые сложные задачи без контроля учителя. Чтобы достичь этого, необходимо достичь уровня общего ИИ. С помощью обучения с подкреплением DeepMind развивает интеллектуальных агентов, которые выполняют обучение с помощью вспомогательных задач без присмотра.

Проще говоря, эти агенты выполняют разные стратегии (способы игры в этом случае), чтобы найти самый подходящий. Каждый раз, когда их "убивают" или "игра окончена", агент выполняет альтернативную стратегию, пока не достигнет успешного результата.

Также, есть несколько других способов обучения, и все они основаны на принципе предоставления данных и проверки точности результатов обучения. Такая последовательность продолжается, пока данные не будут сгруппированы нужным образом.

Применение машинного обучения в дизайне

Теперь, когда мы знаем, КАК проходит машинное обучение, давайте сосредоточимся на том, как дизайн влияет на процесс обучения. Такие компании, как Google и Netflix, используют машинное обучение очень эффективно и неординарно. Google, например, использует машинное обучение, чтобы делать свой почтовый сервис более эффективным, с помощью применения автоматических ответов. Netflix применяет персонализированные обложки к фильмам, чтобы вызвать интерес конкретного пользователя.

Gmail эффективный быстрый ответ

Google использует машинное обучение для создания более эффективного опыта использования почты, сокращая при этом типичное время ответа. Google указал на необходимость помочь пользователям отвечать на письмо и предложил функцию быстрых ответов. Учитывая, что Google имеет многолетний опыт в лингвистике благодаря платформе Google Translate. Они использовали это, чтобы научится подбирать наиболее подходящий ответ.

Gmail эффективный быстрый ответ

Персонализированные обложки Netflix

Большинство из нас смотрят сериалы на Netflix, и почти ежедневно мы сталкиваемся с результатом машинного обучения, а именно, персонализированной системой рекомендаций. Netflix хочет, чтобы мы смотрели хорошие фильмы и сериалы. Но не всегда достаточно только названия контента. Процесс подбора идеальных рекомендаций для пользователя является чрезвычайно сложным и комплексным.

Существует так много отличий во вкусах и предпочтениях, что Netflix решил, что необходимо выделить аспекты названия, которые будут иметь особое значение для пользователя.

Ваша история просмотра играет большую роль в принятии решения о том, какой из тысяч фильмов вам предложить. Изображение ниже показывает, как ваша история влияет на предложенные художественные работы, основанные на жанрах, которые вы предпочитаете. Если вы смотрите много романтических фильмов вас может заинтересовать Умница Уилл Хантинг, если Netflix показывает Мэтта Дэймона и Минни Драйвер. Тогда как если вам больше нравятся комедии, показывая Робина Уильямса, Netflix привлечет больше вашего внимания.

Персонализированные обложки Netflix

Та же логика может применяться к актерам и актрисам. Если вы смотрел много фильмов с Джоном Траволтой, то вы скорее выберете фильм с Джоном Траволтой, чем тот же фильм, но с Умой Турман на обложке.

Netflix персонализированные обложки

Как Netflix проводит машинное обучение?

Большая часть рекомендаций Netflix работает на машинном обучении. Netflix применяет контекстный подход, при котором они тестируют два алгоритма друг против друга.

Netflix об их методе: «Традиционно мы собираем пакет данных о том, как наши клиенты используют сервис. Тогда мы запускаем новый алгоритм машинного обучения на этой партии данных. Затем мы проверяем этот новый алгоритм против текущего A / B тест помогает нам увидеть, если новый алгоритм лучше, чем наша нынешняя производственная система, опробовав ее на случайном количестве пользователей»

Это означает, что члены группы А +получают новый алгоритм. Если в группе B более высокий уровень вовлеченности, новый алгоритм будет запущен. Но к сожалению этот подход не представил ожидаемых результатов, поэтому Netflix применил подход машинного обучения онлайн, где алгоритм обучается в постоянном режиме.

Пользовательский цикл

Поскольку ИИ обучается на ретроспективных данных, чтобы предсказать результат, он может очень быстро устареть, например: Допустим, вы строите модель, чтобы установить, какое письмо является наиболее важным в ящике пользователя, и чтобы сделать это, вы учитываете несколько вещей: предмет, содержание, время, необходимое пользователю чтобы взаимодействовать с данным письмом, время ответа, и другие вещи.

Вы интенсивно тренируетесь с ретроспективными данными и сейчас ваш вывод на 90% точен и модель дает вам довольно хорошие результаты, поэтому всякий раз, когда пользователь получает новое письмо, он знает, насколько оно приоритетно. Но к сожалению, эта точность не может быть постоянной потому что модель не может постоянно оперировать ретроспективными данными, без обновления она стареет. Добавление отзывов ваших пользователей к вышеперечисленным данным может помочь актуализировать результат.

Как создать цикл фидбека в режиме МО?

Давайте возьмем пример электронной почты и посмотрим, как Google это исправил. Приоритетная папка Gmail оценивает электронную почту по вероятность того, насколько конкретное письмо важно для пользователя. Но необходимо учитывать, что приоритеты достаточно быстро меняются, поэтому узнав, что важно для каждого пользователя, необходимо обновляться так часто, насколько это возможно.

Как именно это было сделано?

Google предоставляет новым пользователям «тестовую модель» и тренируют ее каждый день, активно наблюдая как люди взаимодействуют со своими электронными письмами. Таким образом, эта модель будет улучшаться каждые 24 часа.

Как создать цикл фидбека в режиме МО

Дизайн стимулирует ИИ

Общение с пользователями и получение их отзывов является важной частью работы дизайнера. Пока мы создаем интеллектуальные системы, мы можем играть решающую роль, убедившись, что именно интересы и цели нашего пользователя являются тем, что движет искусственный интеллект вперед.

Встроенная обратная связь

При разработке интерфейсов с ИИ мы должны иметь в виду, что вполне возможно, ИИ может допустить ошибки. Поэтому, стоит начать с создания интерфейсов, которые имеют встроенную структурированную обратная связь - в случае ошибки, структурированная обратная связь намного эффективнее, чем просто ответы да или нет.

В примере Netflix, упомянутом ранее, они создали полноценную систему просто, чтобы попытаться показать вам высококачественный контент. Но что, если бы вам действительно не понравилось это улучшение? Если нет структурированной обратной связи, вы будете исключительно полагаться на то, что машина не делает ошибок, не включая во внимание человеческий фактор.

Не скрывайте важную информацию

На мой взгляд, главная опасность ИИ в том, что мы можем отдавать важные жизненные решения под ответственность черного ящика, притворяясь человеком в этот момент мы можем только усугубить ситуацию. Не забудьте рассказать пользователям, что происходит, показать им, почему Вы рекомендуете что-то.

Youtube рекомендует вам новые видео на основе того, что другие люди также смотрели: «Зрители Кевина Кенсона смотрят это», таким образом вы можете дать своим пользователям больше прозрачности и завоевать их доверие, потому что теперь они знают, почему Вы рекомендуете им тот или иной контент.

Предрассудки

Когда мы слышим слово предрассудки, мы автоматически думаем о чем то плохом. Но не торопитесь с выводами. Предрассудки - это эволюционный дар, способность быстро принимать решения, мгновенная реакция, которая может спасти вашу жизнь - это просто один из типов мышления. В книге Думай быстро и медленно Даниэль Канеман исследует идею быстрого и медленного мозга, быстрый мозг, который принимает быстрые решения и медленный - наш разум. Быстрый мозг быстро сканирует все, что вы испытали в жизни и делает действительно быстрое решение.

Но что мы имеем в виду, когда говорим о предрассудках в отношении ИИ? Есть много примеров того, как ИИ бывает расистом, сексистом и так далее - как это происходит?

Объясним на примере

Amazon работал над ИИ, чтобы отсортировать сотни резюме и найти лучшего кандидата на замещение должности, но по мере тестирования модели они увидели, что алгоритм выбирал только мужчин, но также давал всем кандидатам женского пола отрицательную оценку. Когда вы кормите модель ретроспективными данными, вы получите не достаточно актуальный результат. Машины по своей природе не имеют предубеждений, но мы делаем их на основе данных со своими предрассудками, и нет простого способа исправить это. Большую часть времени мы даже не знаем, есть ли у нас предрассудки, потому что это то, чему нас учили.

Первым шагом является признание того, что у нас есть бессознательное предубеждения и после этого, только тестирование и общение с вашими пользователями поможет вам контролировать себя и свой продукт.

Присоединяйтесь к МО!

В этом материале вы много читали о важности данных, как проходит обучение машин, какие существуют методы обучения и какие предрассудки влияют на ИИ. Много информации для чтения, но не много взаимодействия и веселья, поэтому Педро Маркес подготовил площадку, которая позволяет вам испытать на себе, что такое машинное обучение. Наслаждайтесь!

Вы готовы к лидерству в интернете?

Давайте обсудим перспективы продвижения вашего сайта!