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