人工智能,个曾经常常出现在科幻品里的词汇,今已经成为我们常生活的一部分,相信大家从我们最近的文章中也能看出端倪。但随着人工智能领域的演进,一之前还潜伏着的挑战也慢慢浮出水面——就是何处理人工智能与人的关系,何理该领域存在的偏见(当也包括技术面上的人为偏见造成的样例练偏见)造成的影响力,以及何在新的技术时代遵循以人为的设计方针,是至关重要的。
△ 者:Reena Jana & Mahima Pushkarna;插画:Matthew Hollister
如我们《Google Design 2018总结》中提到的,People + AI Research(PAIR)团队应对这挑战,这 Google 团队专注于提供深度文章、资源以及框架,从确保我们打造人智能产品时始终不会偏离「人」这核。本文算 PAIR 专栏文章的身。
作为 UX 队的一部,计有责任了解的应用和网站的内部运作方式。然而,在以人工智能为重点开始构建产品和服,这项工作就可能会更挑战性了——虽然在计算机科学领域,人工智能并不是什新课题(人工智能滥觞于上纪50年代*),但对于这些从事消费产品用户体验计和内容策略的人来说,「人工智能」依然是一个全新的计点,包括其运行逻辑和美学。
*包括大家经常提的「图灵测」也出该期。
在 Google,致力于向用户以及更广义上的公众提供一个简洁的解释:AI 系统是如何运作的——这个领域越是透,人对其了解越是透彻,其受度和发展助力也会越大。面对的对象有多种:新、专家、研究人员、开发者、计、内容策略制定者或政策倡导者——这些人对如何使用或应用同一个 AI 术语,以及对这个术语的期望也许会非常不同。如果这些人的认知都可以同步的话,就可以对 ML 和 AI 从业者使用的某些关键术语形成一个共同的、定的理解*,从而帮助 UX 队更好地沟通,不仅限于探讨如何足用户需求,还可以通过简清晰地解释这些系统的工作方式,来更进一步建立用户对 AI 系统的任。
*在任何行业,统一的术语都是高效且准确进行沟通的重要基础。
了确 UX 设师们会接触到的基础语,我们回顾了 People + AI Research 专栏中的首批文章,看看哪些 AI 语的出次数多。我们还询问了 Google 的数十设师:ML 对他们意什么,他们如何用自己的语言义 ML。之后,我们编写了一基本的 AI 词汇表,我们从中找出了 UX 设师、研究人员内策略师常用的(并常被误解的)六语。这里,我们用简单清晰的方式阐述它们,作之后文章的「语基础」。
使机器智的科,使它们够识别同的模式,并机器帮助人们解决特定问题或成多种挑战的。
计算程序根据预测内容作出应决策时,我们说它具有工智能——这个过程可能是过简单基于规则或启发逻辑法来实现,例如「如下雨,那么带上雨伞」。是在学习(见下文),这个决策不是过固定逻辑,而是过学习来作出。
人智能的一子领域,其中包括发人智能的技方法。旨让算机程序能完特的任务,但人们无需逐编写完该任务的具体逻辑。
有多方法可以让计算机程序学习西。PAIR 专栏中经常提的是监督式机器学习(supervised learning),程序会学习如何通过成千上万的例进行预测,比如预测您的通勤间。其流行的方法还包括非监督、半监督和化学习(unsupervised,semi-supervised,reinforcement learning),这些内容之后有机会再为大家详述。
如果您已经迫不及待想要了解更多机器学习术语,请访问:https://developers.google.cn/machine-learning/glossary/
一组专门的、互相联的数函数。它们共同组成了智机器为达成决策需采取的步骤。
假定您遵循相进路线,过识交状况、模以及加上特定路况理解,ML 模型能够估测您到目地时。有时 ML 模型这个术语会和算法或神经网络混淆。算法这个说法更广义些*,可以理解为像是谱那样逐步执逻辑;而神经网络是 ML 模型。另补充个小知识,「神经网络」这个称谓来由,是为它模仿是类大脑神经元。大量神经元交织在起传递神经脉冲,从而让类拥有了学习能力、创造能力和高抽象能力。
*从定义上讲,算法意味着「用有限步骤,将输入计算为输出」。学习研究和设计正是些特定算法,这些算法可以让计算「学习」到如何根据输入计算出结。
模型预测新的输属哪个或哪特定的已组的程。
举具体的例子:了帮保持 Gmail 收件箱的清洁数据安全,ML 模型后台运行,不断将每封电子邮件分类垃圾邮件或非垃圾邮件(这过程中如果出了任何疑问,Gmail 会求您验证未知发件人的电子邮件址)。这例子里,「垃圾邮件」一组,「非垃圾邮件」另一组,这样的分类被称「二元分类(binary classification)」。二元预测非常合解决「或否」 问题,但分类模型可以的比这还多得多。这些模型可以预测给输入的多类别。这样的模型不仅可以将电子邮件分类「非垃圾邮件」或「垃圾邮件」,还可以把它分类「重」,并加「财务」「后续」标签。
如果您想要了解类的运作理以及有关其多性的息,请的 What-If 工。What-If 是一个交互式数据的可视化工,可以帮助队理解 ML 模型的结果,而无需编写任何代码。
What-If 工具:https://pair-code.github.io/what-if-tool/uci.html
模型根据输预测对应的输出数值的程。
举具体的例子:当您查看两周后的机票价格范围时,模型就需执行「回归」任务。分类不同,ML 模型这时不给出离散的预测结果(比如「否」或者「高低」),需给出一具体的数字价格。所以模型会基于历史机票数据,给出一数学连续的「价格曲线」。
再个比方,比如您的任是在商中计一个冬季配饰展览活动。类任就简粗暴一些,例如将帽为一类,将围巾为另一类。想完成任,您需要搜集各个配饰的形状、结构等数据,从而判断它是「帽」还是「围巾」即可。
而归任务就更「精细」一些。如根据每一个橱在的位置、温等在里面展示更混合精准的「配」——如配里可有围巾和帽子,但可根据一些细节环境的同上耳罩、袜子,羊毛衬垫和外套等,具体的调整依据包括当前的天气,你过对客户在这个季节的愿望和需求的了解,及今年的时尚潮流等等。
回归预测使用法充满了多样性和创造性,它可以创造出极其复杂用户体验,足以预测币值变化,为歌曲排名并创个性化播放列表,甚至可以判断个图像质量。在确定回归模型是否适合您用户时,不妨先了解下最终品或服务所需细微和复杂程度,再决定是否真需要打造回归模型。
用于展示确性的分比数字。
当人类图猜测某人的年龄,会说「想这个人可能已经35岁了。」知道这只是一个猜测,因为像「想」和「可能」这的短语表示猜测者缺乏心或确定性。同,也可以将模型所做的预测视为有根据的猜想,其中包含有一定的不确定性。模型的确定性水以百比形式表示,如 「有73.3%的把握断定这个人今年35岁。」产品队可以使用置度来决定何种回应是可以受的——如果一个模型有70%的把握说今会下雨,那就有必要建议用户出门准备好雨伞。
希望本次的章帮助您了解一些人工智领域的基础概念,及一些我们日使到的技术产(如Gmail)功背后的技术术语。更重要的是,我们希望本启发您更多地了解人工智这个领域,从而设计师与开发者们更好地沟通,从而打人为本的好产。
欢迎关注Google国官公众号:「谷歌开发者」