ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Машинное обучение имеет решающее значение для дизайнеров
Люди говорят об ИИ в мире технологий, как будто это колдовство.
«Развитие искусственного интеллекта (я не имею в виду узкий ИИ) невероятно быстрое. Если вы не имеете прямого контакта с такими группами, как Deepmind, вы не представляете, насколько быстро они растут темпами, близкими к экспоненциальным. Риск того, что произойдет что-то серьезно опасное, существует в течение пяти лет. Максимум 10 лет». — написал Илон Маск в комментарии на Edge.org
В 1950-х годах отцы науки Минский и Маккарти описали искусственный интеллект как любую задачу, выполняемую машиной, которая ранее считалась требующей человеческого интеллекта.
Современные определения того, что значит создавать интеллект, более конкретны. Франсуа Шолле, исследователь искусственного интеллекта в Google и создатель библиотеки программ машинного обучения Keras, сказал, что интеллект связан со способностью системы адаптироваться и импровизировать в новой среде, обобщать свои знания и применять их к незнакомым сценариям.
Вокруг машинного обучения происходит много полезных и интересных вещей, и на горизонте еще больше интересных возможностей. Но, к сожалению, хотя машинное обучение, или ИИ, является мощным и ценным инструментом, многие говорят о нем как о мистике или толчке к апокалипсису роботов.
В статьях и документальных фильмах говорится следующее:
"Никто не знает, как работает искусственный интеллект и на что он способен..."
Подобная формулировка должна быть более полезной, поскольку она верна лишь отчасти и делает понимание машинного обучения непонятным, особенно для тех, кто не связан с миром программирования.
Специалисты по данным и дизайнеры пользовательского интерфейса могут понимать основные понятия машинного обучения, и эта мудрость может привести к заслуживающим внимания инновациям в дизайне будущего.
«Данные становятся новым сырьем для бизнеса». ~Крейг Манди
Что такое машинное обучение и как его использовать?
Машинное обучение анализирует данные, чтобы делать прогнозы. Искусственный интеллект, который обычно заменяют машинным обучением (хотя машинное обучение является подмножеством ИИ),
Он использует информацию о каждом пользователе, организованную с помощью различных методов, таких как файлы cookie браузера или действия пользователя на веб-сайте. Затем в этих данных обнаруживаются шаблоны, которые используются для прогнозирования потребностей и поведения пользователя.
Простым, но типичным примером концепции машинного обучения является линейная регрессия. Линейная регрессия моделирует взаимосвязь между двумя вещами, анализируя важные данные об этих переменных и подбирая для них уравнение.
Например, линейная регрессия показывает зависимость между количеством товаров в корзине пользователя и количеством прочитанных отзывов. Когда выясняется, что заинтересованный пользователь добавляет много объектов в свою корзину, исследования могут отображаться на более видном месте, чем другая информация, чтобы улучшить его опыт и удовлетворить его конкретные потребности.
Типы алгоритмов обучения, используемые для осмысления всех собранных данных
- Контролируемое обучение
В контролируемом обучении алгоритм машинного обучения обучается на размеченных данных. Хотя данные должны быть точно помечены, чтобы этот метод работал, обучение с учителем является убедительным, когда используется в правильных обстоятельствах. Алгоритмы контролируемого машинного обучения будут продолжать совершенствоваться даже после развертывания, обнаруживая новые закономерности и взаимосвязи по мере обучения на новых данных.
- Обучение без учителя
Преимущество неконтролируемого машинного обучения заключается в возможности работать с немаркированными данными. Это означает, что человеческий труд не требуется для того, чтобы сделать набор данных машиночитаемым, что позволяет программе работать с гораздо большими наборами данных. Кроме того, это предлагает больше возможностей для разработки после развертывания, чем алгоритмы обучения с учителем.
- Обучение с подкреплением
Обучение с подкреплением напрямую черпает вдохновение из того, как люди учатся на данных в своей жизни. Он имеет алгоритм, который улучшает сам себя и учится на новых ситуациях, используя метод проб и ошибок. Благоприятные результаты поощряются или «подкрепляются», а неблагоприятные результаты не поощряются или «наказываются».
Обучение алгоритмов соответствию результатов и обнаружению закономерностей происходит намного быстрее, чем исследование людей, что делает возможным множество интересных вещей.
Многие компании используют машинное обучение для персонализации информационной архитектуры, чтобы сделать ее более полезной для своих пользователей.
Например, Google использует ИИ в Gmail, чтобы по-разному маркировать электронные письма (социальные, основные или рекламные) в зависимости от пользователя. Машинное обучение учится на ваших прошлых привычках в электронной почте, чтобы знать, что будет классифицироваться как прямое электронное письмо для вас, в то время как это может отличаться для меня в зависимости от моего прошлого поведения.
Или вы когда-нибудь использовали Google Фото, чтобы найти конкретное изображение человека или предмета, которое вы сделали? Это машинное обучение, которое упорядочивает ваши фотографии по полезным категориям, таким как люди, места или даже объекты.
Будущее информационной архитектуры + машинное обучение + дизайнеры
ИИ, несомненно, является очень ценным инструментом для проектирования информационной архитектуры. Перспективы адаптации пользовательского опыта, особенно к его потребностям, постоянны и интересны!
Способность машинного обучения группировать пользователей на основе общего поведения может помочь дизайнерам лучше понять разных потребителей, использующих продукт, и создать более точных персонажей.
Миллионы владельцев веб-сайтов используют Google Analytics, чтобы понять, как люди приходят на их веб-сайты, как работает контент и как получить больше конверсий. Основная цель таких аналитических инструментов — помочь понять цифровых пользователей и их взаимодействие.
Идентификация персон необходима для улучшения маркетинговой стратегии. Поскольку Google Analytics предоставляет подробные отчеты на основе данных о поведении пользователей, выводы из этих отчетов можно использовать для создания персон.
Различные пользовательские потоки могут быть созданы на основе этих персонажей, а ИИ может сделать работу пользователя на веб-сайте в зависимости от того, что лучше всего подходит для этого типа пользователя.
Разработка нового пользовательского потока для каждого типа пользователей также потребовала бы довольно много времени, поэтому вместо этого дизайнеры могли бы создавать компоненты, а ИИ диктовал бы поток пользователей, комбинируя элементы в зависимости от потребностей пользователя.
Представьте себе, что вы находитесь на веб-сайте и на основе того, что машинное обучение уже знает о вас, а также о вашем текущем поведении на сайте, оно развивается и предоставляет информацию, специфичную для вашего поведения, которая должна помочь вам более эффективно выполнить задачу, которую вы поставили перед собой.
Как дизайнеры, у нас будет возможность проявить творческий подход к использованию этого мощного инструмента в разрабатываемой нами информационной архитектуре.
Наша способность использовать машинное обучение в полной мере для создания наиболее ценных продуктов будет зависеть от нашей способности сотрудничать.
Единое понимание и подход к машинному обучению со стороны дизайнеров, специалистов по данным и программистов для достижения сплоченного, персонализированного опыта станет более реальным для пользователей.
