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「鹿班」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作。了解彼此，才能共贏。

下面我們來看看國外是如何介紹這部分的知識。

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，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很好的溝通。它也能讓設計師跳出視覺的條條框框，創造出更多的可能性。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者提供了一些功能強大的機器學習工具。現在是了解機器學習的最佳時機，并能將其應用于你正在構建的產品。

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. 監督學習

監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，我們創建了一個代理，通過在一個被獎勵強化的環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，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:

• 《Machine Learning for Humans》為人類而生的機器學習——通俗易懂，內容中會有一些數學，代碼和現實中的例子。
• 《Machine Learning Algorithms: Which One to Choose for Your Problem》機器學習算法：為你的問題選擇何種方法——為選擇一個機器學習算法來應用于某個具體問題的開發技巧。
• 《Machine Learning is Fun!》有趣的機器學習——?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《Neural networks》?——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——超高質量的技術課程，涵蓋了機器學習的眾多領域。

歡迎關注譯者的微信公眾號：「?彩云譯設計」

圖片素材作者：kit8

「人工智能助力設計」

• 《這個網站用AI 幫你做LOGO，還可以免費下載！》
• 《這個免費圖庫不僅有50000多張，還用人工智能幫你挑出最好的！》
• 《人工智能字體來了？！阿里×漢儀的全球首個人工智能中文字庫面世！》