写给设计师的人工智能科普指南:基础概念篇
要想更好的理解深度学习与神经网络,我们首先得了解人脑是如何感知与理解信息(数据)的。中间的网络图是抽象化的人脑结构表示。 每个圆圈代表一个神经元,每个箭头代表一组神经突触,信息从左侧输入层进入,中间经过若干个隐藏层以及不同权重的神经突触传播,从右侧输出层输出;不同权重的神经突触会过滤或是加强不同优先级的信息,从而指导人的行动。 基于人脑神经网络结构,深度学习模型首先通过Embedding向量化将高维稀疏特征转换为低维稠密特征,接着通过隐藏层来保留重要特征,再通过输出层的损失函数Loss判断训练误差是否符合输出要求,最后完成模型输出。 深度学习相较于机器学习,最大的突破在于数据特征挖掘即特征向量化的过程,因此深度学习框架一般会用于复杂的非结构化数据场景,如语音识别ASR、文本处理NLP、图像识别CV等便是典型的应用场景。 小结:机器学习是实现人工智能的一种方法,深度学习是进行机器学习的一种技术。 产品交互与算法边界 算法也好,机器学习也好,其实都是解决问题的方法。算法解题效果好坏很大程度上取决于前期的业务问题抽象和转化。 因此对于产品或交互同学,关键是在了解算法技术能力边界基础上,基于对业务场景和需求的梳理,将业务问题转化为算法问题,找到最合适最高效的算法框架实现业务目标。同时在产品交互设计过程中,尽可能降低人机交互的教育成本,使得表现模型贴近用户心理模型。 总结 算法是规定好输入输出的一套解题步骤,会有机器学习以及深度学习两种不同的算法框架。对于不同算法模型,产品交互同学更多关注的是,算法可以解决什么问题以及如何以更人性化的交互逻辑实现产品智能化,降低算法应用成本。
(编辑:应用网_阳江站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |