Может ли А. система быть дизайнером? (Часть 2)

Более глубокое понимание искусственного интеллекта и машинного обучения в контексте систем проектирования

Предыдущая: Может ли А. система быть дизайнером?

Введение

На прошлой неделе я написал статью, в которой исследовал пересечение возможностей машинного обучения (ML), искусственного интеллекта (AI) и дизайнеров. Цель этой статьи - понять, почему и как используются популярные алгоритмы машинного обучения, а также некоторые этические соображения при проектировании с помощью машинного обучения. Эта информация должна помочь дизайнерам общаться со специалистами в области машинного обучения и искусственного интеллекта, особенно по мере того, как они становятся все более и более актуальными в сфере потребительских технологий.

Алгоритмы машинного обучения - сила искусственного интеллекта

Ниже приведен список некоторых различных алгоритмов, а также систем, для эмуляции которых они выбраны. Данные в этом разделе взяты из статьи Аймана Юсеффа 2016 года Роль искусственного интеллекта в проектировании и управлении фотоэлектрическими системами: обзор. Я также добавил ссылки на видео, объясняющие, как работают эти алгоритмы и почему они используются.

Нейронные сети (NN) - это алгоритмы, имитирующие модели человеческого мозга. Человеческий мозг - самая мощная и эффективная вычислительная машина с возможностями обучения. Он может решить реальные проблемы, которые не может решить обычный компьютер. ("видео")

Нечеткая логика (FL) имитирует метод человеческого мышления. Это зависит от лингвистических переменных с базой правил IF-THEN. ("видео")
Simulated Annealing (SA) - это эволюционный алгоритм, который имитирует
естественный процесс постепенного охлаждения. Алгоритм используется для задач оптимизации. ("видео")
Генетический алгоритм (GA) имитирует естественное поведение эволюции. В этом алгоритме
есть начальная популяция генов. Функция фитнеса рассчитывается для поиска лучших генов в популяции. Гены с лучшими значениями фитнес-функции отбираются для производства генов следующего поколения. ("видео")
Муравьиные колонии (ACO) - это алгоритмы, основанные на поведении муравьев для поиска кратчайшего пути для сбора пищи к их гнездам. Муравьи беспорядочно перемещаются в поисках оптимального пути. Во время движения они откладывают феромоны. Наконец, муравьи следуют по пути более высокой плотности феромонов. ("видео")
Оптимизация роя частиц (PSO). Это алгоритм оптимизации, созданный на основе роя и стаи птиц. Он имеет широкий спектр приложений благодаря своей простоте, высокой производительности и гибкости. Он имитирует поведение группы птиц в поисках пищи. Каждая птица движется в определенном направлении, основанном на ее опыте и групповых движениях. ("видео")
Системы нечеткого вывода с адаптивным нейроном (ANFIS). Это гибридный метод, сочетающий в себе преимущества нейронных сетей и нечеткой логики. ("видео")

Однажды у меня была возможность поработать с зоологом в Balance, который разрабатывал инструмент, вдохновленный моделями движения кита. Мы, люди, создаем машины, чтобы делать то, что мы видим в мире. животных и людей, но обычно мы строим их не так, как природа создала нас. (Brynjolfsson & McAfee) Многие из вышеперечисленных алгоритмов являются примерами биомимикрии - проектирования и производства материалов, структур и систем, которые моделируются на биологических объектах и процессах.

Радиология - наука, задающаяся тем же вопросом

Радиологи сталкиваются с аналогичным беспокойством по поводу технологической безработицы, поскольку алгоритмы искусственного интеллекта помогают обнаруживать рак груди (Dheeba и др.), Полипы толстой кишки (Summers и др.) И легочные узелки (Chen и др.) Со многими другими приложениями. приходить. Томер Навроцкий написал статью под названием Искусственный интеллект и радиология: сильно ли преувеличены слухи о кончине радиолога? (2018), где он объяснил, что, хотя искусственный интеллект вряд ли полностью заменит рентгенолога, новое поколение программных приложений, основанных на машинном обучении, готово избавить рентгенологов от множества утомительных, повторяющихся и трудоемких простых задач, что приведет к увеличению продуктивность.

Сравнение радиологии и дизайна выходит за рамки цели этой статьи, но мы можем увидеть дублирование в том, как А.И. может использоваться для поддержки дизайнера или радиолога.

Конечно, все это звучит хорошо, А.И. помогая людям. Но как нам справиться с непредсказуемостью этой технологии? Хаотические сбои данных? Предвзятость? Ложноположительные / ложноотрицательные? и еще немного - сингулярность? Большая часть научной фантастики служит предвестником злоупотребления технологиями. Джордж Оруэлл, Уильям Гибсон и другие описали антиутопические сценарии, включающие потерю свободы и использование технологий для расширения возможностей деспотических правителей и управления информационными потоками. (Бриньольфссон и Макафи)

Машинное обучение, ориентированное на человека - ответ дизайнера

В июле 2017 года дизайнер Google Джесс Холбрук опубликовала статью Человеко-ориентированная машина, опирающаяся на среднюю среду с семью советами, которые помогут сосредоточиться на пользователе при проектировании с использованием искусственного интеллекта. Это часть философии сообщества Google UX, которая называется машинное обучение, ориентированное на человека, когда алгоритмы машинного обучения решают проблемы, учитывая потребности и поведение человека.

Не ждите, что машинное обучение определит, какие проблемы нужно решить. Многие компании и продуктовые группы сразу переходят к продуктовым стратегиям, которые начинаются с машинного обучения как решения и не сосредотачиваются на значимой проблеме, которую нужно решить.
Спросите себя, поможет ли машинное обучение решить проблему уникальным способом. Существует множество законных проблем, для которых не требуются решения машинного обучения.
Подделайте его личными примерами и мастерами (для тестирования). Используйте личные примеры участников и исследования «Волшебник страны Оз» для тестирования решений машинного обучения.
Взвесьте стоимость ложноположительных и ложноотрицательных результатов. Ваша система машинного обучения будет делать ошибки. Важно понимать, как выглядят эти ошибки и как они могут повлиять на восприятие продукта пользователем.
Планируйте совместное обучение и адаптацию. Вы хотите направлять пользователей с помощью четких ментальных моделей, которые побуждают их давать обратную связь, которая является взаимовыгодной для них и модели.
Обучайте свой алгоритм, используя правильные ярлыки. Как UX-специалисты, мы привыкли к тому, что вайрфреймы, макеты, прототипы и пометки являются нашей визитной карточкой. Что ж, кривая: когда дело доходит до UX, дополненного ML, мы можем указать лишь так много всего. Вот тут-то и пригодятся «ярлыки».
Расширьте свою UX-семью, машинное обучение - это творческий процесс. Подумайте о худшей «обратной связи» от микроменеджмента, которую вы когда-либо получали как UXer. Можете ли вы представить себе человека, который склоняется к вам через плечо и придирается к каждому вашему движению? Хорошо, теперь запомните этот образ ... и убедитесь, что ваши инженеры не сталкиваются с подобным.

Хотя рекомендации Google не универсальны, они помогают ответить на несколько простых, но важных вопросов, которые следует задать всем, кто занимается дизайном будущего:

Как сделать так, чтобы A.I. приносит пользу человечеству? Как мы будем проектировать машины, чтобы понимать те же социальные уроки, которые усвоило человечество? или, как Кэтрин Шваб упомянула в своей статье Правила Google для дизайнеров, работающих с ИИ, как мы разрабатываем алгоритмы, которые не являются злом?

Это тема для отдельной статьи.

Вывод

Я надеюсь, что это дало более широкий взгляд на искусственный интеллект и его современные приложения. В дизайне хорошо знать, чем отличается искусственный интеллект. системы и почему они используются. Эти технологии все еще слишком недоступны и еще слишком малы, чтобы понять потенциал того, как они используются в дизайне. Вот почему очень важно полагаться на систему этики и лидерство в мире дизайна, чтобы дать рекомендации при приближении к этой новой и мощной технологии.

Источники

Бриньолфссон, Э., и Макафи, А. (2016). Второй машинный век: работа, прогресс и процветание во времена блестящих технологий. Нью-Йорк, штат Нью-Йорк: W.W. Norton & Company, Inc.

Чен, Шэн и др. «Разработка и оценка компьютерной диагностической схемы для обнаружения узелков в легких на рентгенограммах грудной клетки с помощью двухэтапного увеличения узелков с классификацией опорных векторов». Медицинская физика, т. 38, нет. 4, 2011, стр. 1844–1858., DOI: 10.1118 / 1.3561504.

Dheeba, J., et al. «Компьютерное обнаружение рака груди на маммограммах: подход нейронной сети, оптимизированный для вейвлетов». Журнал биомедицинской информатики, вып. 49, 2014, стр. 45–52., DOI: 10.1016 / j.jbi.2014.01.010.

Холбрук, Дж. (2017, 9 июля). Машинное обучение, ориентированное на человека - Дизайн Google - Средний. Получено 25 февраля 2018 г. с сайта https://medium.com/google-design/human-centered-machine-learning-a770d10562cd.

Навроцкий Т., Мальджян П. Д., Сласки С. Э. и Контрактор С. Г. (2018). Искусственный интеллект и радиология: сильно ли преувеличены слухи о кончине радиологов? Академическая радиология. DOI: 10.1016 / j.acra.2017.12.027

Шваб, К. (13 сентября 2017 г.). Правила Google для дизайнеров, работающих с ИИ. Получено 25 февраля 2018 г. с сайта https://www.fastcodesign.com/90132700/googles-rules-for-designing-ai-that-isnt-evil.

Саммерс, Рональд М. и др. «Автоматический детектор полипов для КТ-колонографии: технико-экономическое обоснование». Радиология, т. 216, нет. 1, 2000, стр. 284–290., DOI: 10.1148 / radiology.216.1.r00jl43284.

Юсеф А., Эль-Телбани М. и Зекри А. (2017). Роль искусственного интеллекта в проектировании и управлении фотоэлектрическими системами: обзор. Обзоры возобновляемых источников и устойчивой энергетики, 78, 72–79. DOI: 10.1016 / j.rser.2017.04.046

Может ли А. система быть дизайнером? (Часть 2)