Не секрет, что искусственный интеллект (ИИ) сейчас является горячей и модной темой. Искусственный интеллект настолько популярен, что привлекает внимание людей из самых разных областей. Учитывая, что эту тему и ее приложения рассматривают самые разные профессионалы, такой вызывающий дизайнер, как я, не должен был остаться в стороне.

Хотя популярность ИИ в мейнстриме довольно нова, мое путешествие по этой кроличьей норе началось со страсти к технологиям, когда я был очень молод.

UX и UI ‍‍

Цифровой мир быстро менялся, когда я заканчивал школу дизайна. Цифровые продукты набирали обороты, и такие термины, как пользовательский интерфейс (UX) и пользовательские интерфейсы (UX), а также их соответствующие области набирали обороты. Дисциплина UX / UI была захватывающей и оказалась идеальным местом для новоиспеченных выпускников факультетов дизайна, чтобы получить свою первую работу, и я так и сделал. Сразу после школы дизайна я начал работать консультантом по UX / UI в компании-разработчике программного обеспечения.

Находясь в этой консалтинговой фирме по программному обеспечению, я начал замечать, что большие данные и боты были одними из концепций, которые использовались, чтобы убедить клиентов разрабатывать свои системы. В то время я плохо себе представлял, насколько важным и широким будет использование обеих этих концепций.

ИИ и робототехника

Спустя пару лет и несколько цифровых компаний я устроился на работу в стартап по автономной доставке. Эта новая должность поначалу казалась умопомрачительной. Увидеть, как робототехника (робот-курьер) оживает, было восхитительным опытом, и для дизайнера продукта возвращение к материальным артефактам в качестве продуктов было вдохновляющим.

Хотя стартап нанял меня для выполнения своей логистической функции, у меня была возможность частично перейти к функциям производства и обслуживания, чем я воспользовалась из-за острых ощущений при проектировании реальных физических продуктов. Конечно, любви к аспекту дизайна было недостаточно, чтобы удовлетворить мой аппетит к изучению того, как эти вещи работают. Понимание того, как работает маленький робот-курьер, также было важной частью моей работы, что усилило мой интерес к ИИ.

(Что касается того, как работают роботы-курьеры, они работают частично благодаря компьютерному зрению и машинному обучению (ML). Для тех, кто не знаком с автономными транспортными средствами, идея состоит в том, чтобы научить машину водить. Хотя на самом деле это больше похоже на обучение транспортного средства, как узнать, где он находится, чтобы избежать препятствий и снизить скорость.)

Одна из задач, которые мне поставили при разработке продукта, заключалась в том, чтобы определить, как разместить камеры на роботе, чтобы группа специалистов по анализу данных могла собрать достаточно информации для «обучения модели». Услышав это, я задал очевидный вопрос: а как вы обучаете модель?

DS и ML

Благодаря этому вопросу и моему другу Дэвиду я решил попробовать найти ответ. Под руководством Дэвида, проводившего обучение, мы начали с изучения некоторых математических концепций средней школы, а затем перешли к анализу данных и, наконец, к машинному обучению.

Сложные части этого:

Переход от строгого дизайнера к дизайнеру, который также занимается наукой о данных и машинным обучением, сопряжен со своими трудностями. Некоторые из проблем включали:

1. Правильная математика.

Дизайнеры часто избегают математики в колледже или университете. Но когда дело доходит до машинного обучения, неплохо было бы вернуться назад и взять несколько учебников по математике, чтобы изучить основы. Понимание основных математических концепций ускорит процесс обучения, когда дело доходит до обучения машинному обучению, и сделает процесс гораздо менее утомительным. MIT: Introduction to Probability and Statistics вполне подходит для этого.

2. Учимся у специалистов по данным.

Всегда полезно задавать вопросы о том, чего вы не знаете, людям, которые действительно знают. Я знаю, что это звучит как здравый смысл, но в данном случае есть одна хитрость:

Будьте настойчивы, спрашивая специалистов по данным о концепциях машинного обучения. Вначале большинство из них попытаются упростить для вас машинное обучение. Хотя это хорошо для ранних стадий, в конце концов вам нужно будет активизировать свою игру. Поэтому, когда дело доходит до получения от них концепций, я считаю особенно полезным использовать их язык, быть конкретным и не выходить из комнаты, не получив четкого ответа!

Что дизайнер может дать машинному обучению?

Одним из аспектов дизайна является умение абстрагироваться от концепций, чтобы сделать их более удобными для пользователей. Итак, вопрос «как» возникает, когда ваша задача - превратить уже абстрактное в нечто более абстрактное, но понятное и, что более важно, ценное. Этот вопрос порождает совершенно новую область проблем дизайна.

Визуализация данных - один из самых ценных навыков, которые дизайн может привнести в мир машинного обучения.

При объяснении того, что происходит с конкретными данными в модели машинного обучения, чрезвычайно важно проектировать возможности визуализации данных. Это требует контекста и масштаба. Это идеальное место для графических дизайнеров, которые могут стать связующим звеном между экспертами DS / ML и неспециалистами, тем самым позволяя этой новой технологической революции и ее приложениям достичь большего, чем она уже есть, расширяя возможности через объяснения.

По мере развития технологий развивается и профессия дизайнера. Раскрытие тайны науки о данных и, особенно, машинного обучения - это новая задача дизайна, с которой сталкиваются дизайнеры, занимающиеся машинным обучением, в большей степени, чем я.

Точное представление машины в процессе обучения и прогнозирования поможет нам полностью раскрыть потенциал ИИ и перенести его туда, где он еще не был. Можете ли вы придумать, как дизайнеры могут повысить ценность индустрии машинного обучения?

Некоторые ссылки о том, с чего начать