hi，大家好~我是shadow，设计师/全栈工程师/算法研究员，目前主要研究方向是人工智能写作和人工智能设计，当然偶尔也会跨界到人工智能艺术及其他各种AI产品。这是一篇汇总了几年的一些思考，长达 10000+字的长文 （文末有福利 ）
v1.0 2018-10-01
v2.0 2019-11-11
v3.0 2020-02-15
- 前言 什么是智能设计 智能设计，是人工智能和设计的交叉领域，覆盖的领域非常广泛，例如：数据挖掘、知识图谱、建筑设计、平面设计、时尚设计、交互设计、工业设计、智能产品设计等。具体包括：人工智能辅助设计、人工设计智能系统、人工智能产品的用户体验设计、人工智能产品经理等领域。 - 01 智能化趋势 - 什么是 智能化趋势？
人工智能已经发展成为一种基本技术，可用于各种领域，例如机器人，计算机视觉，自然语言处理，甚至用户体验、产品设计、建筑设计、海报设计等等。 但是，我们必须意识到人工智能并不是万能的 。当AI经过训练可以执行或加速特定任务时，它的表现最佳。 过去的实践表明，AI并不擅长人类层面的认知或“广义”智能；反而是擅长人类不擅长一些任务 ，例如理解大型数据集。 商业化的经验告诉我们，用户对AI从替代到增强的预期变化 ，我们应该将AI定义为可以增强人类能力的东西（而不是替代人类）。同时，越来越多的人开始接受智能增强 的理念。 所谓智能化趋势，更多的是智能增强， 包括了人工智能、大数据的各种应用，比如个性化推荐、软件自动化等 ，是一个比较宽泛的概念。举个例子，推荐是智能化明显的一个特点，比如微信读书里的个性化推荐，如下图： - 趋势01 聊天机器人 Instant answers to your sports questions. Stats, scores, schedules — just ask. 市面上把聊天机器人技术更产品结合地最好的产品之一。 产品的形态已经不完全是聊天框（界面），而是我们所熟悉的搜索 ，此产品可以问任何关于体育的问题，流程如下：我们测试一个问题，返回的是一个数据可视化的图表，这种查询方式区别于传统的图标，结合了自然语言理解跟数据可视化的方式。如下图： - 趋势02 知识提取与计算 「知识 」正在成为企业等组织中无法被忽视的重要资源。 微软的Project Cortex，将使用AI知识图谱来大大提高企业效率。除了传统的“协作”、“工作流”和“安全管理”之外的第四大支柱。 用人工智能生成的知识图谱能够将有关某主题或内容的概念解释、关联信息、相关专家等都集成到一张类似维基百科的知识主题卡片中，并与组织成员共享，大大提高整个公司或组织在相关员工中共享知识和经验的效率。通过把用户和信息作为节点，连接这些节点并判断潜在关联，再利用 AI 将节点之间的关系全部梳理清楚，最终形成一个完整的组织图谱。 - 趋势03 AR增强体验 基于AI技术的AR可以为任何的产品赋能，但是我们需要注意使用之后用户体验是否有质的提高 。 Prezi是一款web版本的ppt工具，最大的特色，就是它的 zoom（变焦），它打破了传统 PPT 线性演示的逻辑，可以对页面进行随意的缩放和跳转。 以往对于一场演讲或者会议的直播，我们往往只能采用分屏的方式同时投影演讲人和演示文稿，于是你的视线不得不来回跳跃，影响注意力。 通过 A.R. 技术，让演示内容和演讲者镜头更好融合。 虽然，Prezi描绘的AR产品还没有面世，但是这是一个值得我们关注的重要趋势。AR元素需要智能化的技术支持，比如识别手势、人物与背景的自动分离等等。 使用ar自动检测图片，并生成字体样式 直接叠加到现实中（未来的设计工具）。 - 趋势04 人机协作 知化Cognifying ——与人工智能的合作表现决定你的薪酬 《必然》的知化讲述的是我们生活中发生的各种智能化的过程 ，比如看X光方面的专家会被人工智能所取代的，法律方面的AI可以比人类律师助理更高效地阅读文件。还有飞机驾驶员，比如一趟飞机的航程是12小时，人类飞行员只要工作七八分钟就行了，剩下的时间都是AI驾驶飞机等等案例。 linkedin为word开发了AI助手插件，为用户提供简历修改建议 。 Free Writing Assistant
英文写作领域的应用，为用户提供文章修改的建议，包括语法、拼写错误等建议 。 人工智能辅助写作，整个过程帮助用户完成从选题、资料收集、文章整理、文章测试、文章润色的写作过程。过去，写一篇文章要花一天的时间。 现在有了人工智能技术，它可以缩短到一小时或几分钟。 微软的这款应用，把数学解题的步骤让AI可以一步步的拆解，讲解给用，然后收集用户的反馈，达到用户与AI共同成长的效果。 从小学、初中到高中的所有级别和类型的数学问题，都使用微软人工智能数学问题解决引擎为学生和家长提供帮助。用户只需拍照扫描一个数学 算式便能得到详细的步骤解释和坐标图，此外还可以通过手写输入方便地输入你的数学 算式求解 ，并利用《微软 数学 》为你生成同类型的习题以供你练习巩固。 有一个细节值得我们学习。AI需要不断地学习，需要用户在使用过程中提供反馈，如下图，一个结果反馈组件就显得非常关键 。 - 趋势05 自动化 化繁为简 ，复杂功能简单化。 AI可以帮助我们跳过某些繁琐的工作流 ，比如裁切各种尺寸的图片，调配颜色等，都需要耗费我们比较多的时间，反复尝试。resize功能，自动调整海报成各种尺寸 ，我们可以使用它快速制作适用于第三方社交平台的海报图片，instagram、facebook、twitter、pinterest等。通过交互式的设计工具来创建使用组合各种风格滤镜（具体表现为滑动条、模块按钮）。这种方法通过允许用户调整、修改和直观地设计新的风格滤镜序列（pipeline） 来释放创造力。 风格滤镜序列（pipeline）执行的效果如下图： 流程自动化，把过程中复杂的操作，变成参数供用户调整。 brandmark的 字体生成工具，设置一个变量（参数化），该变量代表字体与所设定的字体偏离的程度。 通过滑动条控制其数值，就可以生成字体。 如下图流程自动化，还有一个特点。用户 只要声明变量，过程自动由软件完成（有点编程语言里的声明式的感觉）。 uibot 为我们演示了declarative design tools 的魅力，设计师不用再关注中间过程，只需要声明 输入、输出即可。 类似于OCR（把纸质的书籍可以自动转成电子书），直接草图生成设计文件，省去了手工绘制设计图（键入文字）的过程 。 - 趋势06 智能APP平台
整合散落在各处的api（或web app）服务的智能平台，典型的产品形态——浏览器。 是一个智能浏览器，通过模块化各种web的网页应用，用户可以通过各种智能化的功能 ，比如完成某项任务的时候，自动发通知；比如自动把谷歌表单的数据导入到邮件里并发送给特定用户等等。 浏览器AI化前沿探索最佳实践的一款产品 。对网页进行分类，开始打上了：图文、最佳等标签；大家还在搜的内容进行聚合；还有了解界面，根据当前的语境，推荐功能或内容。智能化的6个趋势：聊天机器人、 知识提取与计算、 AR增强、 人机协作、 自动化、 智能APP平台。 - 02 人工设计智能 人工设计智能，英文 artificial design intelligence，简称 ADI，首先它是个AI，不是人类，指的是掌握设计知识的 人工智能，它使用机器学习相关技术来预测设计趋势，及生成设计，如果结合个性化技术，则可以生成千人千面的设计。- 如何设计人工设计智能系统？
人工设计智能 本质上是一个模型，构建这个模型的一般流程是：用算法从数据中获取规律，形成所研究问题的「知识」 ，通过构建知识图谱 并结合机器学习 相关算法训练模型。此模型用于提供设计决策、完成设计任务等设计工作。 简单来说，就是教会机器读懂设计和完成设计任务。另外，所有系统都需要有一个基本的假设，即第一性原理。 - 人工设计智能的第一性原理
第一性原理最早来自于古希腊哲学家亚里士多德，他说：“在每个系统探索中存在第一性原理。第一性原理是基本的命题和假设，不能被省略和删除，也不能被违反。” 那么，人工设计智能的第一性原理是什么？举一个Logo设计的例子：
产品：Brandmark Brandmark使用类似于字体向量 来发现字体之间的关系， Brandmark 希望将 Logo 中的图标与字体分别向量化，进行匹配。Brandmark 认为粗体字体与 icon 的填充面积是相关的，于是设定了一条规则： 越粗的字体配填充面积越大的 icon ，是一个较好的设计 - 如何教会机器读懂设计 我们需要从人类的理解能力说起，见下图例子，人类的理解能力有点非逻辑可以描述，只能意会。 而机器的理解能力非常有限，几乎为零。如下图所示的例子， 读者们（人类）很容易就可以找出答案，但对于机器来说，这是一个非常难的问题。 那么，如何教会机器读懂设计呢？我们需要告诉机器一些常识。我们必须为机器配置一个类似于现实世界的环境模型。科学也是如此：为了解释天体的运行规律，先是提出了地心说，最终才建立了日心说这一理论。 机器理解能力的阶段总结为：if-then规则 -> 关联推理 -> 因果推理。 有3种方法，一种是输入一条条的类似于if-then的规则；或者利用互信息，把问题跟答案挖掘出来，形成常识（类似关联推理）；再或者构建更为复杂的知识图谱（类似因果推理）。 关于关联推理和因果推理，贝叶斯网络之父朱迪亚·珀尔Judea Pearl描述过真正的智能机器如何思考。他认为，关键在于用因果推理causal reasoning 取代关联推理reasoning by association 。他举了个例子，“机器不仅要能将发烧和疟疾联系起来，还需要具备推理出是疟疾导致发烧的能力”。 教会机器读懂设计，需要为机器准备知识，而关键知识是设计语言。 图灵说过，与其开发一个程序来模拟成年人的思维模式，为何不尝试去开发一个可以模拟儿童思维方式的程序？接下来只需要让这一程序接受适当的教育，它就可以变为成年人的“大脑”了。 回想一下我们是如何接受设计学的教育的？学习三大构成 ——色彩构成、平面构成、立体构成。然后经过不断地练习，观察案例，从而形成了我们对设计的理解能力。从这个角度来说，我们应该从最基础的设计学教育开始教给机器 。 我们需要设计一种机器与设计师都能懂的语言。 “设计语言”，这是设计师与机器的通讯标准，机器理解设计的数据结构。 目前业界有一些相关研究：参数化设计、计算设计 ，有时间的话，读者们可以分别查看这些领域对机器如何理解设计的研究。这是论文《Interactive Sketching of Urban Procedural Models 》提出的 Snippet Grammar ，是基于参数的描述性语言，非常容易转化为机器学习训练所需要的数据形式。按照建筑物的构成划分为 Building mass 、Roof 、Window 、Ledge 等几类组件集，Snippet Grammar 则描述了 3D 模型所属的组件集及其参数集合。 <!— 某个Building mass的3D模型 —> <param building_height=“20” /> <rule name=“Start”> <extrude height=“building_height” /> <comp> <top name=“TopFace” /> <!- -roof - - > <side name=“Facade” /> <!- - facade - - > <bottom name=“Base” /> </comp> </rule> <!— 某个Roof的3D模型—> <param roof_slope=“50” /> <rule name=“TopFace”> <roofGable slope=“roof_slope” /> </rule> - 人工设计智能的数据结构
设计语言需要转化为数据结构，那么，人工设计智能的数据结构是什么样的呢？ 我们从数据的角度看 Brandmark Logo 的设定。主要是由2大块，一个是关于 Logo 组成元素，例如 Title 、Tagline 、Icon 、 Background。另一个是 ColorScheme 。整个产品可以描述为： Logo=BrandMark( Title, Tagline, Icon, Background ) ColorScheme( Main_color, Background_color ) Title={ "Text":String, "Size":Number, "Letter_space":Number, "Line_space":Number, "Color":String, "Font":String } Tagline={ "Text":String, "Size":Number, "Letter_space":Number, "Line_space":Number, "Color":String, "Font”:String } Icon={ "Hide_icon":Boolean, "Size":Number, "Spacing":Number, "Line_space":Number, "Color":String, "Choose_icon":String } Background={ "Color":String } ColorScheme={ "Title_color":String, "Tagline_color":String, "Icon_color":String, "Background_color":String }
- 基于机器学习的人工设计智能，以海报设计为例 什么是基于机器学习的人工设计智能 ？有一个典型的做法，就是基于标签体系（知识图谱）的设计系统，至少如下包括5个模块： 采用机器学习相关技术，比如分类、聚类等算法，处理设计素材，为素材打上标签，让机器可以读懂设计素材。 把用户的输入提取而来的标签，通过搜索匹配最佳的设计素材。 - 评估设计的案例
https://brandmark.io/logo-rank/ Brandmark 的子产品 Logo Rank ，一款用于评估 Logo 设计质量的web应用，根据用户上传 Logo 图片，系统根据 Uniqueness （独特性）、Legibility （醒目）、Color/Contrast （颜色／对比度）几个维度进行评测，输出简单的报告。 独特性 Uniqueness 类似于以图搜图 ，基于相似度 ，比对数据库里的一百万个 icons ，计算出视觉上的独特性。这边官方也介绍了是基于 CNN 来做的。醒目 Legibility 从线条的清晰，粗细，易于识别程度来评估 Logo（也许技术上是通过计算像素 rgba 中的 a 通道值，让计算机区分手绘的线条与软件画出来的线条）。颜色／对比度 Color/Contrast 评估色彩属于主观的成分较多，从数据 本身，Brandmark 采用基于著名品牌的 Logo 进行参照。如麦当劳、 snapchat 、可口乐乐等。总体的评估得分 Overall 通过各评估维度的占比，得出一个总体的评分：Overall( Uniqueness, Legibility, ColorContrast ) https://www.adobe.com/sensei.html ADOBE SENSEI有一个image quality的API，可以提供10个维度指标的评估，分别从构图、色彩、图像内容、灯光、景深、三分法则等评估，具体如下： Quality - 总分
Balancing Element - 整体构图的平衡程度如何
Color Harmony - 颜色的和谐程度
Interesting Content - 图像是否包含有趣的内容
Interesting Lighting - 有趣的灯光，检测五彩缤纷的灯光效果，例如夜景，日落，有趣的灯光效果......
Repetition - 是否在照片中有重复的图案，构图......
Symmetry -对称，基于构图和对象的对称性
Depth of Field - 景深
Object Emphasis - 检测是否有主体物体
Rule of Thirds - 三分法则
Vivid Color -色彩鲜艳程度
三分法，有时也称作井字构图法，是一种在摄影、绘画、设计等艺术中经常使用的构图手段。三分法构图是指把画面横分三分，每一分中心都可放置主体形态，这种构图适宜多形态平行焦点的主体。 以海报设计为例，用户按照某种流程，输入需求（表单），然后设计系统自动生成无限种海报 设计方案给用户。比如鲁班、ARKie 等，都是提供海量 设计方案为目的。典型的流程： 目前普遍认为 step by step 的方式是体验比较好的做法，但我们需要留意流程的长度，基于技术实现的难度，尽量减少流程的长度。当然，除了很智能的几步生成设计之外， Brandmark 还提供了手动编辑／调整 Logo 的功能。Brandmark 在智能生成与手动设置之间找到了一个较好的平衡点。 -基于GAN的人工设计智能
autodesk验证了使用GAN完成设计的可行性。人与机器协同工作完成在一个办公楼的平面布局，虽然只涉及隔间、会议室和电话亭，但结果足以令人信服这种概念是可行的。 GAN是什么？GAN，全称 Generative Adversarial Networks，生成式对抗网络。是一种深度学习模型，经典的输入输出都是图片。 以公寓建筑设计的生成技术ArchiGAN为例，设计人工设计智能系统的方法主要是拆解设计步骤，每一步骤训练一个模型完成。 建筑平面图设计分解为3个步骤： 01 建筑占地轮廓
02 功能分区
03 家具布置
每个步骤都对应一个经过训练以执行上述3个任务之一的Pix2Pix GAN模型 。通过一个接一个地嵌套这些模型，创建设计流程的生成模型栈，同时允许用户在每个步骤中进行输入。- 模型 1 生成轮廓 - 模型2 填充功能色块 - 模型3 根据功能色块，生成每个色块的家具布置
- GAN像素级应用的局限性 01 设计多层建筑时，因为模型无法理解承重墙这一概念，所以无法保证整个建筑物的承重墙 设计是否合理。 02 当前产出的图像清晰度 有限。作者表示希望通过增加输出层的size，搭配Pix2Pix HD，和TensorRT增强算力实现这一目标。 03 生成数据的格式 上，目前智能生成的输出文件是非矢量图的格式，相当于只停留在概念设计（草图阶段），还不能直接转化为cad使用。 03 人工智能辅助设计
- 什么是人工智能辅助设计？
机器跟人各有各的优势，人永远也无法把自己变成机器，而机器也无法把自己变成真正的人，机器具有积累知识、快速计算、解决封闭问题的能力；而人具有想象力、创造力、解决开放式问题的能力。人机协同应该是整合各自的优势，成为一种共生的形态，完成以往无法单纯靠人或机器完成的任务。 刺猬乐队有两位高大威猛的程序员，他们在一次采访中提到的观点： 利用软件做的东西最终都得死的，不可能活的，因为没有人味。人跟机器是两回事，我编程序所以我太知道了，程序都是0和1，而人是连贯的，感情是连续的经历，音乐必须听出情感来，听拿机器编的东西是听不出来感觉的。AI这个东西其实就是完成一个规则下的功能，他只是无限地从人类活动中寻找一个模式，但是人是能创新的，人们都喜欢最新的东西，机器是没有创新功能的。 概括一下，是机器是没有创新能力的，创新需要靠人 。这就是为什么在创作类场景下，需要用机器来增强人类的能力，而不是用机器来替代人类。在设计领域，我们称为人工智能辅助设计这种工作方式倡导人机协作 。 -协同创新设计框架
论文《基于机器学习的协同创新设计框架》提出了一个设计框架。 有3个模块：Creator、Iterator、Evaluator。Ceator提出Idea及生成各种设计，Iterator负责提供各种修改的参数并实时反馈用户，而Evaluator更像是裁判员，负责给机器生成的设计进行打分。 先了解下传统设计的典型流程，我们完成一项设计任务，一般包括以下5个设计环节：
调研、访谈获得大量的案例、经验；
思维碰撞，梳理问题与解决方案；
原型、或其他成果展示设计结论；
收集各方意见，重新优化设计方案；
最终方案通过。
而人工智能辅助设计的流程，则变为：
-如何设计交互方式？ 个性化推荐就是一个典型的代表，每天我们打开各种app的时候，都会收到系统准备的推荐内容，我们如何反馈给系统呢？目前的做法一般是用户无感知 的，机器离线处理的方式得到反馈。 比较典型的应用就是搜索引擎，用户输入，然后机器反馈。 我认为这才是智能产品区别于一般互联网产品的方式，这里以谷歌版你猜我画为例，、在每一轮体验中，用户需要在规定时间内勾勒出一幅日常用品的图画（比如猫、钟表或鞋子），人工智能则需要在时间结束前猜出用户画的物品。 人机互动， 机器出题A1，用户回答B，机器猜用户的答案是什么题目A2，用户来判断A1是否等于A2；实时互动， 用户在输入过程，机器实时反馈；失败状态的正反馈， 当你画的图AI没猜出后，它会自动生成这样一张图片。配的文案是：大家来评评理，我画的是不是XXX。- 人工智能交互指南 Guidelines for human-AI interaction 这是来源于论文的总结，作者总结了18条，方便我们设计人工智能的时候一条条梳理。 G2.帮用户树立对 AI 系统表现(如出错率)的正确期待。 G4.显示与上下文(用户当前任务及环境)相关的信息; G6.切实减少 AI 系统的语音及行为中可能存 在的刻板印象和偏见。 G7.保证需要时能容易且迅速的激活或请求 AI 系统的服务; G8.保证能够方便的取消或忽略不适当的 AI 系统服务; G9.保证 AI 系统出错时用户可以对其进行编辑、修改、或者恢复设置; G10.AI 系统在不确定用户需求或目的时可进行适当问询或者以得体的方式降级服务; G11.向用户适当解释 AI 系统的行为及背后依据。 G12.记住用户最近的交互模式，通过短期记忆提升使用效率; G13.学习用户长期的行为模式，提供个性化的体验; G14.降低 AI 系统升级或进行自适应调整时可能给用户带来的干扰; G15.引导用户在日常使用过程中向 AI 系统反馈其交互体验及偏好; G16.及时向用户传递其行为可能对 AI 系统 将来的服务带来的影响; G17.让用户能够在全局层面定制 AI 系统对数据的监测及其行为模式; 这是一款从图片生成html的web工具，值得借鉴的地方是guidelines，把AI能力边界描述得非常清晰。AI不是万能的，仅擅长某些方面 ，所以需要清晰告知用户，AI能做什么，不能做什么，最好有些样例； 个人非常喜欢，其类似于机器学习工程师所熟悉的验证集的操作指引表达方式。 如下图：03 智能时代的设计师 - 传统设计师
互联网设计师，包括用户体验设计师、用户界面设计师、交互设计师、用户研究员、产品经理 等。产品经理 更像是这些设计师的上游，从定义最初的问题，制定解决的基点，包括设计，测试，和迭代不同的解决方案，协调各种设计师、开发工程师的工作界限等。产品经理也有很多细分，比如技术型产品经理、中台产品经理、社交产品经理 等。大部分设计师的知识背景，是以设计学科 为骨架，加上在工作中不断汲取具体的业务场景所涉及的专业知识 ，还有实战中积累的经验 。 “传统”设计师 = D ( 设计知识+领域专业知识+实战经验 ) - 智能时代设计师的能力公式 = D ( 设计知识 , 领域专业知识 , 实战经验 ) + T( 技术架构 , 算法 , 数据结构 ……) 这就是“全栈 ”设计师，掌握了设计相关的知识，还懂技术。 这个时候，他在工作中会非常巧妙地处理设计师团队与工程师团队的关系，然而，工作了一阵子之后，他会发现，目前产品中使用人工智能相关的技术，跟应用越来越多。 比如， 猜你喜欢为代表的个性化推荐技术 ；搜索产品内信息的搜索引擎技术； 免密码的应用场景，使用人脸识别技术； 语音输入的方式，使用语音识别技术。 = D ( 设计知识 , 领域专业知识 , 实战经验 ) + T ( 技术架构 , 算法 , 数据结构 …… ) - 设计思维： Design D ( 设计知识 , 领域专业知识 , 实战经验 ) 设计领域包括视觉设计、平面设计、服装设计、工业设计、城市设计、建筑设计、景观设计、室内设计、用户体验设计等。他们有共同的设计知识，比如色彩构成、立体构成、设计心理学等等； 每个领域都有其区别于其他领域的知识，这类知识就是我们所指的领域专用知识。 而领域专业知识，根据各自细分方向，比如平面设计会更关注构图、色彩；而建筑设计会关注结构、功能；再如用户体验设计，关注的是信息架构、易用性。 要理解领域专用知识，需全面的了解设计的各个领域及所处理的媒介特征。 研究的对象跨越各种媒介，包括纸张、电子屏、布料、金属、塑料、钢筋水泥、植物、软件操作界面等。 - 技术思维：Technology T ( 技术架构 , 算法 , 数据结构 …… )
技术包括数据挖掘与处理、知识图谱、机器学习算法、编程语言、前后端技术栈、硬件等。举例如下： 数据挖掘与处理 指从大量的数据中通过算法搜索隐藏于其中信息的过程。 知识图谱 知识图谱本质上是一种有向图结构的知识库，图中的结点代表实体或者概念，而图的边代表实体/概念之间的各种语义关系。 机器学习算法 指用来对大型数据集进行学习并生成可预测的模型的一套规则或数学公式。算法包括线性回归、逻辑回归、支持向量机、神经网络、K-Means、异常检测等等，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 编程语言(机器思维) 是用来定义计算机程序的形式语言，它是一种被标准化用来向计算机发出指令的语言。 - 智能思维：AI 人工智能技术最有价值的是可以赋予产品分类及预测的功能。 我们可以很好的把文本、图像、语音、视频等信息，分类成我们所想的，或者分类成我们想不到的类别。比如， 把各种各样猫的图片，分类到猫的类别里 ； 还可以把各种各样的商品评论，分成1-5星（ 打分 ）： 预测是什么呢？ 预测就是根据你的输入信息，系统告诉你相关的信息。注意是”相关“，机器目前非常擅长处理相关性的问题，对于因果性的问题非常难处理。 猜你喜欢就是典型的预测问题。 比如网易云音乐，天天给我们推荐的歌单，根据的是我们使用过程中，所播放过的歌曲，当然还有更多复杂维度的信息作为输入，机器来预测一系列相关的歌曲，推荐给我们。人工智能是有技术边界的 。 有一点我们必须认识到就是人工智能需要大量的数据，数据不存在，机器目前也无法创造出来。目前的技术处于感知跟认知中间这个程度。 由于依赖大量的数据，如果某一类型数据的缺失或量不足，难免会有空值的情况，这个时候需要用设计的方式来处理。另外，目前的算法没有100%的准确率，比如香港中文大学系统保安研究实验室团队，花一年多时间，研发的face flashing准确率达98.8%，但系统仍未突破双胞胎识别的弱点。 前年9月，在英国的一家警察局中，利用面部识别技术维护治安开始试验，但是尴尬的在于，他们一天就抓错了35个人。 算法难免会出错，设计师需要针对出错情况如何处理制定策略。 - 商业思维:Business 完整的人工设计智能系统，需要囊括设计决策、设计过程、设计效果 三个主要场景。设计决策为用户提供大数据挖掘，可视化呈现规律；设计过程提高效率、自动化设计过程；设计效果的预测与结果反馈。 客户画像 数据挖掘与数据可视化，提供洞察力以指导决策。Adobe Sensei为我们的营销人员发现了重要的信息，同时减少了人工操作。
千人千面 类似于，同一套销售话术，可以根据每位客户个性化调整销售话术；同一张海报，可以根据每位客户的喜好，调整细节。借助Adobe Sensei，我们正在将客户情报与有价值且相关的个性化体验直接链接在一起。 图像处理效率 自动抠图之类的，在几秒钟内消除视频缺陷。在速度和质量都至关重要的行业中，内容感知填充至关重要。 点击率 借助Adobe Sensei的优化功能，我们看到了可见率提高了81％，并使点击率提高了一倍以上。 全流程的解决方案，在每个环节抓住最为刚需的点切入。 以上为本次分享的全文，未完待续。进一步交流可以加入我的知识星球