ru ua en
c l o c k
Навчання ШІ за допомогою дизайну
17 February 2020
блог

Навчання ШІ за допомогою дизайну

У нашому матеріалі Дизайн, керований штучним інтелектом ми ознайомилися з механізмом впливу ШІ на процес креативності та оцінили важливість даних в наданні якісного користувальницького досвіду. У цій статті, ми заглибимося в те, як ми можемо навчити штучний інтелект (Відтепер ШІ) за допомогою дизайну.

Важливість машинного навчання

З розвитком суспільства, керованого ШІ, машинне навчання також стало дизайнерським рішенням. Машинне навчання є найбільш обговорюваною темою в нашій галузі зараз і все більше змінює в процесі створення і застосування наших продуктів. Перед нами відкривається маса нових можливостей, але також з'являються і деякі важливі проблеми.

Одне з таких питань полягає в тому, що машинне навчання зараз є проблемою UX. Пояснюючи процеси навчання ШІ і позначаючи ваші можливості в цій сфері як дизайнера, ми сподіваємося підвищити вашу впевненість і мотивацію, щоб в наступному проекті керованому ШІ ви змогли цілеспрямовано застосувати ці знання.

Як навчається ШІ

Є кілька способів, якими штучний інтелект (ШІ) може вчитися і розвиватися. Як правило, ви можете сказати, що ШІ вчиться грунтуючись на методі проб і помилок. На відміну від звичайного програмування, машинне навчання працює в зворотну сторону, тому ви не програмуєте рішення, машина сама вчиться на основі набору правил.

Уявіть, що ви хочете зробити кращий бургер в світі. Замість того, щоб намагатися придумати свій власний рецепт ви купуєте кілька відмінних гамбургерів, і починаєте з цього. Ви купили купу гамбургерів, розповіли машині що це таке і які частини вам подобаються найбільше. Машина бере окремо кожну частину і придумує ідеальний гамбургер. Чарівний ефект штучного інтелекту в тому, що ви можете навіть не знати ЯК це зроблено.

Як навчається ШІ

Машинне навчання, перший крок до ШІ

Машинне навчання можна розглядати як науку, яка створена, щоб допомагати комп'ютерам виявляти закономірності і взаємозв'язки в даних. Як для дизайнерів, шаблони є ключовими елементами для створення продуктів, тому наявність оптимальної моделі навчання гарантує успіх. В основному, є три способи машинного навчання - контрольоване, самостійне навчання і посилене навчання.

Види машинного навчання

Навчання з учителем
Навчання з учителем. Навчає алгоритм виконувати класифікацію і регресію конкретного набору даних.
Самостійне навчання
Самостійне навчання. Навчає алгоритм знаходити кластери та асоціації в немаркованих наборах даних.
Навчання з підкріпленням
Навчання з підкріпленням. Навчання агента виконанню певних взаємодій в середовищі без даних.

Навчання з учителем

Продовжимо на прикладі гамбургера. Ви хочете створити кращий гамбургер у світі. Для цього спочатку потрібно з'ясувати і дізнатися, з чого складається хороший бургер. Саме тут нам знадобиться машинне навчання. Машина в цьому випадку, повідомляє ШІ корисну інформацію, наприклад, яка булочка краще, яке м'ясо краще або кращий сир для використання (на основі всіх ідеальних гамбургерів, що ви надали машині). З окремими конкретними завданнями машинне навчання справляється ідеально.

Кожна частина бургера (булочка, м'ясо, сир) буде проаналізована, щоб зрозуміти який тип найкраще підходить для кожної частини. Саме так відбувається процес навчання, ви повинні надати приклади алгоритму і контролювати його навчання, щоб переконається в правильності результатів.

Дані, які навчають модель, можуть мати дві форми:

  • Позначені дані (дані, які вже відзначені або дані навчання), позначені дані - це просто набір даних, які вже мають значення, наприклад: Це яблуко
  • Не позначені дані (дані, які використовуються для навчання моделі)

У навчальних даних, модель буде знати особливості і як правильно маркувати, в той час як в даних тестування, навіть якщо ви знаєте маркування, ви не будете розкривати це моделі, що і буде перевіркою точності.

Самостійне навчання

Самостійне навчання

За допомогою цього типу навчання ви можете дізнатися, які гамбургери найкращі, але ви не дізнаєтеся, з чого вони зроблені - машина буде кластеризувати набір даних, який спочатку виглядає дезорганізованим, і пропонувати свої власні припущення та асоціації.

Навчання з підкріпленням

Компанія DeepMind створена з метою розробки загального ШІ. Вони діють відповідно до наукової місії, яка полягає у створенні систем, що можуть навчитися вирішувати будь-які складні завдання без котролю вчителя. Щоб досягти цього, ШІ необхідно зробити загальним. За допомогою навчання з підкріпленням DeepMind розвиває інтелектуальних агентів, які виконують навчання за допомогою допоміжних завдань без нагляду.

Простіше кажучи, ці агенти виконують різні стратегії (Способи гри в цьому випадку), щоб знайти найкращий. Кожен раз, коли їх "вбивають" або "гра закінчена", агент виконує альтернативну стратегію, поки не досягне успішного результату.

Також, є кілька інших програм професійної підготовки, і всі вони засновані на принципі надання даних і перевірки точності результатів навчання. Така послідовність триває, поки дані не будуть згруповані належним чином.

Застосування машинного навчання в дизайні

Тепер, коли ми знаємо, ЯК проходить машинне навчання, давайте зосередимося на тому, як дизайн впливає на процес навчання. Такі компанії, як Google і Netflix, використовують машинне навчання дуже ефективно і неординарно. Google, наприклад, використовує машинне навчання, щоб робити свій поштовий сервіс більш ефективним, за допомогою застосування автоматичних відповідей. Netflix застосовує персоналізовані обкладинки до фільмів, щоб викликати інтерес конкретного користувача.

Gmail ефективна швидка відповідь

Google використовує машинне навчання для створення більш ефективного досвіду використання пошти, скорочуючи при цьому типовий час відповіді. Google вказав на необхідність допомогти користувачам відповідати на лист і запропонував функцію швидких відповідей. З огляду на те, що Google має багаторічний досвід в лінгвістиці завдяки платформі Google Translate. Вони використовували це, щоб навчиться підбирати найбільш прийнятні відповіді.

Gmail ефективна швидка відповідь

Персоналізовані обкладинки Netflix

Більшість з нас дивляться серіали на Netflix, і майже щодня ми стикаємося з результатом машинного навчання, а саме, персоналізованою системою рекомендацій. Netflix хоче, щоб ми дивилися хороші фільми і серіали. Але не завжди достатньо тільки назви контенту. Процес підбору ідеальних рекомендацій для користувача є надзвичайно складним і комплексним.

Існує так багато відмінностей в уподобаннях і перевагах, що Netflix вирішив, що необхідно виділити аспекти назви, які будуть мати особливе значення для користувача.

Ваша історія перегляду грає велику роль в ухваленні рішення про те, який з тисяч фільмів вам запропонувати. Зображення нижче показує, як ваша історія впливає на запропоновані художні фільми, засновані на жанрах, яким ви віддаєте перевагу. Якщо ви дивитеся багато романтичних фільмів вас може зацікавити Розумник Вілл Хантінг, якщо Netflix показує Метта Деймона і Мінні Драйвер. Тоді як якщо вам більше подобаються комедії, показуючи Робіна Вільямса, Netflix приверне більше вашої уваги.

Персоналізовані обкладинки Netflix

Та ж логіка може застосовуватися до акторів і актрис. Якщо ви дивився багато фільмів з Джоном Траволтою, то ви швидше виберете фільм з Джоном Траволтою, ніж той же фільм, але з Умою Турман на обкладинці.

Netflix Персоналізовані обкладинки

Як Netflix проводить машинне навчання?

Велика частина рекомендацій Netflix працює на машинному навчанні. Netflix застосовує контекстний підхід, при якому вони тестують два алгоритми один проти одного.

Netflix про їх метод: «Традиційно ми збираємо пакет даних про те, як наші клієнти використовують сервіс. Тоді ми запускаємо новий алгоритм машинного навчання на цій партії даних. Потім ми перевіряємо цей новий алгоритм проти поточного A / B тест допомагає нам побачити, якщо новий алгоритм краще, ніж наша нинішня виробнича система, випробувавши її на випадковій кількості користувачів »

Це означає, що члени групи А + отримують новий алгоритм. Якщо в групі B вищий рівень залученості, новий алгоритм буде запущений. Але на жаль цей підхід не представив очікуваних результатів, тому Netflix застосував підхід машинного навчання онлайн, де алгоритм навчається в постійному режимі.

Користувацький цикл

Оскільки ШІ навчається на ретроспективних даних, щоб передбачити результат, він може дуже швидко застаріти, наприклад: Припустимо, ви будуєте модель, щоб встановити, який лист є найбільш важливим в скриньці користувача, і щоб зробити це, ви враховуєте кілька речей: предмет, зміст, час, необхідний користувачу щоб взаємодіяти з даним листом, час відповіді, та інші речі.

Ви інтенсивно тренуєтеся з ретроспективними даними і зараз ваш висновок на 90% точний і модель дає вам досить хороші результати, тому кожен раз, коли користувач отримує новий лист, він знає, наскільки він пріоритетний. Але на жаль, ця точність не може бути постійною тому що модель не може постійно оперувати ретроспективними даними, без поновлення вона старіє. Додавання відгуків ваших користувачів до вищеперелічених даних може допомогти актуалізувати результат.

Як створити цикл фідбеку в режимі МН?

Давайте візьмемо приклад електронної пошти і подивимося, як Google це виправив. Пріоритетна папка Gmail оцінює електронну пошту по ймовірності того, наскільки конкретний лист важливий для користувача. Але необхідно враховувати, що пріоритети досить швидко змінюються, тому дізнавшись, що важливо для кожного користувача, необхідно оновлюватися так часто, наскільки це можливо .

Як саме це було зроблено ?

Google надає новим користувачам «тестову модель» і тренують її кожен день, активно спостерігаючи як люди взаємодіють зі своїми електронними листами. Такім чином, ця модель буде поліпшуватися кожні 24 години.

Як створити цикл фідбеку в режимі МН

Дизайн стимулює ШІ

Спілкування з користувачами і отримання їх відгуків є важливою частиною роботи дизайнера. Поки ми створюємо інтелектуальні системи, ми можемо грати вирішальну роль, переконавшись, що саме інтереси і цілі нашого користувача є тим, що рухає штучний інтелект вперед.

Вбудований зворотний зв'язок

При розробці інтерфейсів з ШІ ми повинні мати на увазі, що ШІ може допустити помилки. Тому, варто почати з створення інтерфейсів, які мають вбудовану структуровану зворотний зв'язок - в разі помилки, структурована зворотний зв'язок набагато ефективніше, ніж просто відповіді так чи ні.

У прикладі Netflix, згаданому раніше, вони створили повноцінну систему просто, щоб спробувати показати вам високоякісний контент. Але що, якщо б вам дійсно не сподобалося це поліпшення? Якщо немає структурованого зворотного зв'язку, ви будете виключно покладатися на те, що машина не робить помилок, не враховуючи людський фактор.

Не приховуйте важливу інформацію

На мій погляд, головна небезпека ШІ в тому, що ми можемо віддавати важливі життєві рішення під відповідальність чорного ящика, і якщо ми спробуємо прикинутися людиною в цей момент ми ризикуємо тільки погіршити ситуацію. Не забудьте розповісти користувачам, що відбувається, показати їм, чому Ви рекомендуєте щось.

Youtube рекомендує вам нові відео на основі того, що інші люди також дивилися: «Глядачі Кевіна Кенсона дивляться це», таким чином ви можете дати своїм користувачам більше прозорості і завоювати їхню довіру, тому що тепер вони знають, чому Ви рекомендуєте їм той чи інший контент.

Упередження

Коли ми чуємо слово упередження, ми автоматично думаємо про щось погане. Але не поспішайте з висновками. Упередження - це еволюційний дар, здатність швидко приймати рішення, миттєва реакція, яка може врятувати ваше життя - це просто один з типів мислення. У книзі Думай швидко і повільно Даніель Канеман досліджує ідею швидкого і повільного мозку, швидкий мозок, який приймає швидкі рішення і повільний - наш розум. Швидкий мозок швидко сканує все, що ви випробували в житті і робить дійсно швидке рішення.

Але що ми маємо на увазі, коли говоримо про упередження щодо ШІ? Є багато прикладів того, як ШІ буває расистом, сексистом і так далі - як це відбувається?

Пояснимо на прикладі

Amazon працював над ШІ, щоб впорядкувати сотні резюме і знайти кращого кандидата на заміщення посади, але в міру тестування моделі вони побачили, що алгоритм вибирав тільки чоловіків, але також давав усім кандидатам жіночої статі негативну оцінку. Коли ви годуєте модель ретроспективними даними, ви отримаєте недостатньо актуальний результат. Машини за своєю природою не мають упереджень, але ми робимо їх на основі даних зі своїми упередженнями, і немає простого способу виправити це. Велику частину часу ми навіть не знаємо, чи є у нас упередження, тому що це те, чого нас навчили.

Першим кроком є ​​визнання того, що у нас є несвідоме упередження і після цього, тільки тестування і спілкування з вашими користувачами допоможе вам контролювати себе і свій продукт.

Приєднуйтесь до МН!

В цій статті ви багато читали про важливість даних, як проходить навчання машин, які існують методи навчання і які упередження впливають на ШІ. багато інформації для читання, але не багато взаємодії і веселощів, тому Педро Маркес підготував майданчик, який дозволяє вам випробувати на собі, що таке машинне навчання. Насолоджуйтесь!

Ви готові до лідерства в інтернеті?

Давайте обговоримо перспективи просування вашого сайту!