由于機器學習現在比以往任何時候都更容易獲得，設計師今天有機會思考如何將機器學習應用于改進他們的產品。設計師應該能夠與軟件開發(fā)人員討論什么是可能的，如何準備，以及預期的結果。

還記得4月份的時候，在阿里巴巴UCAN用戶體驗設計論壇上，阿里巴巴智能設計實驗室負責人向觀眾展示“魯班”的設計能力，應該大家都能感受到人工智能的強大。之后的一段時間，大家紛紛在討論，自己是否會被人工智能所取代。

這讓我們有了一種緊迫感，工作不能只是停留在體力勞動階段，我們需要學習一些更有深度，更有價值的東西。

不過，話說回來，既然人工智能時代以不可阻擋的勢頭到來，我們作為從業(yè)者，理應對它有一些基本的了解。說不定，未來的工作模式，很可能就需要與機器相互協(xié)作。了解彼此，才能共贏。

下面咱們來看看老外是如何介紹這部分知識：

在Google上搜索關于“設計師該不該會代碼”這個問題的文章有很多（我之前也有寫過一篇，請見設計師到底需不需要會代碼？），但無論你在哪里看到的這種文章，大多數都同意設計師是有必要了解代碼的，這有助于設計師理解設計約束并能與開發(fā)很好的溝通。

它也能讓設計師跳出視覺的條條框框，創(chuàng)造出更多的可能性。出于同樣的原因，設計師也應該了解機器學習。

簡單來說，機器學習是一個“使計算機能夠在沒有顯式編程的情況下進行學習的研究領域” （Arthur Samuel, 1959）。盡管Arthur Samuel在五十年前就發(fā)明了這個詞，但直到最近我們才看到機器學習領域誕生的一些令人興奮的應用——語音助手、無人駕駛和無垃圾郵件，這些都要歸功于機器學習。

在過去的十年中，新算法，更好的硬件和更多的數據使得機器學習的效率提高了一個數量級。僅在過去的幾年中，谷歌、亞馬遜和蘋果等公司已經為開發(fā)者提供了一些功能強大的機器學習工具?，F在是了解機器學習的最佳時機，并能將其應用于您正在構建的產品。

一、為什么機器學習對設計師很重要

由于機器學習現在比以往任何時候都更容易獲得，設計師今天有機會思考如何將機器學習應用于改進他們的產品。設計師應該能夠與軟件開發(fā)人員討論什么是可能的，如何準備，以及預期的結果。

下面是一些示例應用，它們或許可以給你帶來一些靈感。

1. 個性化體驗

機器學習可以通過個性化體驗來幫助創(chuàng)建以用戶為中心的產品。這使得我們能夠改進諸如推薦、搜索結果、通知和廣告之類的內容。

視頻推薦是如何被影響的基本概述

2. 識別異常

機器學習能有效的發(fā)現異常內容，信用卡公司用它來檢測欺詐行為，電子郵件提供商用它來檢測垃圾郵件，社交媒體公司用它來檢測非法言論。

3. 創(chuàng)造新的互動方式

機器學習使計算機能夠開始理解我們所說的話（自然語言處理）和我們看到的東西（計算機視覺）。這讓Siri可以理解“Siri，設置一個提醒……”，谷歌照片可以為你的狗創(chuàng)建相冊，Facebook可以為視障人士描述一張照片。

4. 提供見解

機器學習也有助于理解用戶是如何分組的，然后，可以使用這種洞察力逐個分組分析。從這里開始，可以跨組評估不同的特性，或者只向特定的用戶組進行推送。

5. 準備內容

機器學習使得我們能夠預測用戶接下來的行為成為可能，了解到這一點，我們就可以為用戶的下一步行動做好準備。例如：如果我們可以預測用戶打算查看什么內容，我們可以預加載該內容，以便在用戶需要時立即準備好。

二、機器學習的類型

譯者注：以下這些內容，可能比較難懂，有興趣的可以結合百度百科或谷歌資料來看。不過，個人認為看不懂也沒太大關系，先有一些基本的認識即可，循序漸進的去研究。另外，我在搜狐上有找到一篇文章，寫的比較通俗易懂些，有興趣的可以去看看，鏈接是：https://www.sohu.com/a/150444351_697750

根據不同應用和不同數據，有幾種不同類型的機器學習算法可供選擇。下面，我就逐個介紹這些類型。

1. 監(jiān)督學習

監(jiān)督學習允許我們使用正確標記的數據進行預測，標記數據是一組具有信息標簽或輸出的示例。例如：帶有相關標簽的照片或房屋特征（臥室的數量、位置）和價格。

通過使用監(jiān)督學習，我們可以為標記數據添加一條線，該線可以將數據分成不同的類別，也可以表示數據的趨勢。利用這條線，我們可以對新的數據做出預測。例如：我們可以查看新照片并預測標簽，或者查看新房子的特性并預測其價格。

如果我們要預測的輸出是一個標簽或值的列表，我們稱之為分類。如果我們試圖預測的輸出是一個數字，我們稱之為回歸。

2. 無監(jiān)督學習

當我們有未標記的數據或者我們不確定哪些輸出（比如：圖像的標簽或房子的價格）是有意義的時候，無監(jiān)督學習是有用的。相反，我們可以在未標記的數據中識別模式。例如：我們可以識別電商網站上的相關商品，或者根據其他購買類似產品的人向他們推薦產品。

如果模式是一個組，我們稱之為集群。如果模式是一個規(guī)則（比如：這個、那個），我們稱之為關聯。

3. 強化學習

強化學習不使用現有的數據集。相反，我們創(chuàng)建了一個代理，通過在一個被獎勵強化的環(huán)境中反復試驗來收集自己的數據。例如：可以把這個代理當成馬里奧，收集硬幣得到積極的獎勵或者踩到陷阱得到消極的反饋。

強化學習的靈感來自于人類學習的方式，并且已經證明是一種有效的教學方法。具體來說，強化在訓練計算機玩Go和Dota等游戲方面非常有效。

三、需要考慮的事情

1. 可行的方法是什么?

理解你正在嘗試解決的問題和可用的數據，將限制你能夠使用的機器學習類型（例如：使用監(jiān)督學習識別圖像中的對象需要一個標記的圖像數據集）。然而，約束是創(chuàng)造力的結晶。在某些情況下，你可以著手收集尚未可用的數據，或者考慮其他方法。

2. 誤差范圍是多少？

盡管機器學習是一門科學，但它也有誤差，考慮用戶的體驗，如何受到這個誤差的影響很重要。例如：當一輛無人駕駛汽車無法識別周圍環(huán)境時，人們可能會受傷。

3. 是否值得？

盡管機器學習從未像今天這樣容易獲得，但它仍然需要將額外的資源（開發(fā)人員和時間）集成到產品中。這就使得我們有必要思考一下，由此產生的影響是否平衡了實施所需的資源數量。

總結

我寫的這些內容甚至都沒能觸及機器學習的冰山一角，但希望能從這篇文章出發(fā)，你能更輕松地思考如何將機器學習應用到你的產品上。如果你有興趣學習更多關于機器學習的知識，這里有一些有用的資源:

• 為人類而生的機器學習（https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12）——通俗易懂，內容中會有一些數學，代碼和現實中的例子；
• 機器學習算法：為你的問題選擇何種方法（https://blog.statsbot.co/machine-learning-algorithms-183cc73197c）——為選擇一個機器學習算法來應用于某個具體問題的開發(fā)技巧；
• 有趣的機器學習（https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471）——?偏技術性文章，主要介紹如何實現一個機器學習示例；
• 由3Blue1Brown提供的神經網絡（https://www.youtube.com/playlist?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi）?——一系列有吸引力的Youtube技術視頻，它們講的內容貫穿神經網絡以及它們的工作方式；
• Andrew Ng的機器學習課程（https://www.coursera.org/learn/machine-learning）——超高質量的技術課程，涵蓋了機器學習的眾多領域。

原文鏈接：https://uxdesign.cc/an-intro-to-machine-learning-for-designers-5c74ba100257

原文作者：Sam Drozdov

譯者：彩云Sky，公眾號：彩云譯設計

題圖來自Unsplash，基于CC0協(xié)議