由于机器学习现在比以往任何时候都更容易获得，设计师今天有机会思考如何将机器学习应用于改进他们的产品。设计师应该能够与软件开发人员讨论什么是可能的，如何准备，以及预期的结果。
还记得4月份的时候，在阿里巴巴UCAN用户体验设计论坛上，阿里巴巴智能设计实验室负责人向观众展示“鲁班”的设计能力，应该大家都能感受到人工智能的强大。之后的一段时间，大家纷纷在讨论，自己是否会被人工智能所取代。
这让我们有了一种紧迫感，工作不能只是停留在体力劳动阶段，我们需要学习一些更有深度，更有价值的东西。
不过，话说回来，既然人工智能时代以不可阻挡的势头到来，我们作为从业者，理应对它有一些基本的了解。说不定，未来的工作模式，很可能就需要与机器相互协作。了解彼此，才能共赢。
下面咱们来看看老外是如何介绍这部分知识：
在Google上搜索关于“设计师该不该会代码”这个问题的文章有很多（我之前也有写过一篇，请见设计师到底需不需要会代码？），但无论你在哪里看到的这种文章，大多数都同意设计师是有必要了解代码的，这有助于设计师理解设计约束并能与开发很好的沟通。
它也能让设计师跳出视觉的条条框框，创造出更多的可能性。出于同样的原因，设计师也应该了解机器学习。
简单来说，机器学习是一个“使计算机能够在没有显式编程的情况下进行学习的研究领域” （Arthur Samuel, 1959）。尽管Arthur Samuel在五十年前就发明了这个词，但直到最近我们才看到机器学习领域诞生的一些令人兴奋的应用——语音助手、无人驾驶和无垃圾邮件，这些都要归功于机器学习。
在过去的十年中，新算法，更好的硬件和更多的数据使得机器学习的效率提高了一个数量级。仅在过去的几年中，谷歌、亚马逊和苹果等公司已经为开发者提供了一些功能强大的机器学习工具。现在是了解机器学习的最佳时机，并能将其应用于您正在构建的产品。
由于机器学习现在比以往任何时候都更容易获得，设计师今天有机会思考如何将机器学习应用于改进他们的产品。设计师应该能够与软件开发人员讨论什么是可能的，如何准备，以及预期的结果。
下面是一些示例应用，它们或许可以给你带来一些灵感。
1. 个性化体验
机器学习可以通过个性化体验来帮助创建以用户为中心的产品。这使得我们能够改进诸如推荐、搜索结果、通知和广告之类的内容。
视频推荐是如何被影响的基本概述
2. 识别异常
机器学习能有效的发现异常内容，信用卡公司用它来检测欺诈行为，电子邮件提供商用它来检测垃圾邮件，社交媒体公司用它来检测非法言论。
3. 创造新的互动方式
机器学习使计算机能够开始理解我们所说的话（自然语言处理）和我们看到的东西（计算机视觉）。这让Siri可以理解“Siri，设置一个提醒……”，谷歌照片可以为你的狗创建相册，Facebook可以为视障人士描述一张照片。
4. 提供见解
机器学习也有助于理解用户是如何分组的，然后，可以使用这种洞察力逐个分组分析。从这里开始，可以跨组评估不同的特性，或者只向特定的用户组进行推送。
5. 准备内容
机器学习使得我们能够预测用户接下来的行为成为可能，了解到这一点，我们就可以为用户的下一步行动做好准备。例如：如果我们可以预测用户打算查看什么内容，我们可以预加载该内容，以便在用户需要时立即准备好。
译者注：以下这些内容，可能比较难懂，有兴趣的可以结合百度百科或谷歌资料来看。不过，个人认为看不懂也没太大关系，先有一些基本的认识即可，循序渐进的去研究。另外，我在搜狐上有找到一篇文章，写的比较通俗易懂些，有兴趣的可以去看看，链接是：https://www.sohu.com/a/150444351_697750
根据不同应用和不同数据，有几种不同类型的机器学习算法可供选择。下面，我就逐个介绍这些类型。
1. 监督学习
监督学习允许我们使用正确标记的数据进行预测，标记数据是一组具有信息标签或输出的示例。例如：带有相关标签的照片或房屋特征（卧室的数量、位置）和价格。
通过使用监督学习，我们可以为标记数据添加一条线，该线可以将数据分成不同的类别，也可以表示数据的趋势。利用这条线，我们可以对新的数据做出预测。例如：我们可以查看新照片并预测标签，或者查看新房子的特性并预测其价格。
如果我们要预测的输出是一个标签或值的列表，我们称之为分类。如果我们试图预测的输出是一个数字，我们称之为回归。
2. 无监督学习
当我们有未标记的数据或者我们不确定哪些输出（比如：图像的标签或房子的价格）是有意义的时候，无监督学习是有用的。相反，我们可以在未标记的数据中识别模式。例如：我们可以识别电商网站上的相关商品，或者根据其他购买类似产品的人向他们推荐产品。
如果模式是一个组，我们称之为集群。如果模式是一个规则（比如：这个、那个），我们称之为关联。
3. 强化学习
强化学习不使用现有的数据集。相反，我们创建了一个代理，通过在一个被奖励强化的环境中反复试验来收集自己的数据。例如：可以把这个代理当成马里奥，收集硬币得到积极的奖励或者踩到陷阱得到消极的反馈。
强化学习的灵感来自于人类学习的方式，并且已经证明是一种有效的教学方法。具体来说，强化在训练计算机玩Go和Dota等游戏方面非常有效。
三、需要考虑的事情
1. 可行的方法是什么?
理解你正在尝试解决的问题和可用的数据，将限制你能够使用的机器学习类型（例如：使用监督学习识别图像中的对象需要一个标记的图像数据集）。然而，约束是创造力的结晶。在某些情况下，你可以着手收集尚未可用的数据，或者考虑其他方法。
2. 误差范围是多少？
尽管机器学习是一门科学，但它也有误差，考虑用户的体验，如何受到这个误差的影响很重要。例如：当一辆无人驾驶汽车无法识别周围环境时，人们可能会受伤。
3. 是否值得？
尽管机器学习从未像今天这样容易获得，但它仍然需要将额外的资源（开发人员和时间）集成到产品中。这就使得我们有必要思考一下，由此产生的影响是否平衡了实施所需的资源数量。
总结
我写的这些内容甚至都没能触及机器学习的冰山一角，但希望能从这篇文章出发，你能更轻松地思考如何将机器学习应用到你的产品上。如果你有兴趣学习更多关于机器学习的知识，这里有一些有用的资源:
为人类而生的机器学习（https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12）——通俗易懂，内容中会有一些数学，代码和现实中的例子；
机器学习算法：为你的问题选择何种方法（https://blog.statsbot.co/machine-learning-algorithms-183cc73197c）——为选择一个机器学习算法来应用于某个具体问题的开发技巧；
有趣的机器学习（https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471）—— 偏技术性文章，主要介绍如何实现一个机器学习示例；
由3Blue1Brown提供的神经网络（https://www.youtube.com/playlist?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi） ——一系列有吸引力的Youtube技术视频，它们讲的内容贯穿神经网络以及它们的工作方式；
Andrew Ng的机器学习课程（https://www.coursera.org/learn/machine-learning）——超高质量的技术课程，涵盖了机器学习的众多领域。
