Quá nhiều người nghĩ rằng AI là giải pháp kinh doanh cho nhiều vấn đề mà chúng ta đang phải đối mặt ngày nay.
Có lẽ có 1 neural network cho một bộ dữ liệu đủ lớn có thể giúp chúng ta đưa ra quyết định cho một vấn đề và tác động đến người dùng. Nhưng để sử dụng dữ liệu này một cách hiệu quả để tạo ra một sản phẩm, chúng ta cần phải hiểu nếu vấn đề thậm chí là có thật. Chúng ta cần phải hiểu mọi người vì vào cuối ngày, các công ty là sản phẩm tiêu dùng hướng đến giải quyết các vấn đề mà mọi người phải đối mặt.
Để bắt đầu, chúng ta cần tự hỏi liệu vấn đề là vấn đề thực sự hay chỉ là một lý do để áp dụng sáng tạo AI. Ở phạm vi rộng hơn, chúng ta cần hỏi liệu áp dụng cách tiếp cận lấy con người làm trung tâm cho khoa học dữ liệu có phải là cách để giải quyết các vấn đề trong AI.
Nhiều nhà lãnh đạo trong ngành đang trở thành người ủng hộ mạnh mẽ ý tưởng này,
“Tôi lo lắng rằng sự nhiệt tình dành cho A.I. đang ngăn cản chúng ta tính toán với những tác động lờ mờ của nó đối với xã hội,” Li lập luận trong tác phẩm. “Mặc dù tên của nó không có gì, nhưng không có gì giả tạo về công nghệ này – nó được tạo ra bởi con người, có ý định cư xử như con người và ảnh hưởng đến con người. Vì vậy, nếu chúng ta muốn nó đóng một vai trò tích cực trong thế giới ngày mai, thì nó phải được dẫn dắt bởi những mối quan tâm của con người.” Fei Fei Li, Đại học Stanford nói
Jim Guszcza, nhà khoa học dữ liệu tại Deloitte Consulting LLP cho biết, “Một cuộc cách mạng AI đang diễn ra ngay bây giờ, nhưng tôi tin rằng nó cần được bổ sung bằng một cuộc cách mạng thiết kế,”
Sau khi đồng cảm và thực hiện nghiên cứu người dùng, chúng ta có thể biết liệu một vấn đề có đủ khả thi để được giải quyết bằng trí tuệ nhân tạo hay không. Sau khi hiểu vấn đề và nghiên cứu các trường hợp sử dụng của nó, chúng ta cần đặt thêm câu hỏi để hiểu liệu thuật toán học sâu có phải là cách tiếp cận so với thuật toán dự đoán thông thường hay không. Một số cách để biết đó là:
- Nếu đó là một vấn đề trong đó Neural Network cung cấp cho bạn sự nâng cao hơn các thuật toán truyền thống
- Nếu rõ ràng là có đủ dữ liệu để đào tạo.
- Nếu vấn đề đủ phức tạp.
- Nếu bạn có loại neural network thích hợp để giải quyết vấn đề.
Khi chúng ta đã xác định rằng AI là một giải pháp khả thi thì các bước để tạo Neural Network Pipeline là:
- Tìm và xác định kiến trúc neural network phù hợp nhất cho vấn đề cần thiết
- Chia dữ liệu thành các đợt
- Xử lý trước dữ liệu bằng xử lý ảnh
- Dữ liệu Augment để tăng kích thước
- Đưa các đợt vào Neural Network để đào tạo
- Kiểm tra mô hình của bạn và lưu nó để sử dụng trong tương lai
Neural Network Pipeline này có thể được nghĩ đến bằng cách sử dụng phương pháp tư duy thiết kế 5 bước rất sáng tạo được đề xuất bởi David M. Kelley. Quá trình tư duy thiết kế, một phương pháp thiết kế cung cấp cách tiếp cận dựa trên giải pháp để giải quyết vấn đề. Đây là những bước có thể được thực hiện để tiếp cận Deep learning bằng cách sử dụng tư duy thiết kế.
Deep learning sử dụng Design Thinking
Bước 1: Đồng cảm và phân tích
Giai đoạn đầu tiên của quy trình Tư duy thiết kế là đạt được sự hiểu biết thấu cảm về vấn đề bạn đang cố gắng giải quyết và người dùng của bạn tốt.
Design Thinking: Hiểu rõ hơn về vấn đề mà bạn muốn chinh phục bằng cách nói chuyện với mọi người / người dùng và tư vấn chuyên gia về vấn đề hoặc tham gia sâu hơn vào vấn đề để hiểu rõ hơn vấn đề.
Deep learning: Hiểu một vấn đề của người tiêu dùng trong thế giới thực, nơi ứng dụng Neural Network sẽ tác động đáng kể đến vấn đề. Neural Network là giải pháp cho tất cả mọi thứ. Chúng ta cần hiểu các vấn đề trong thế giới thực từ người dùng để tạo ra thứ gì đó có ý nghĩa bằng AI. Chúng ta có thể bắt đầu bằng cách hiểu người dùng quyết định chính của người dùng và nắm bắt các biến và số liệu sẽ là yếu tố dự đoán tốt hơn cho các quyết định đó.
Bước 2: Xác định và Tổng hợp
Xác định nghĩa là tập hợp tất cả thông tin thu được trong bước Thông cảm và phân tích dữ liệu để tạo ra một tuyên bố có ý nghĩa.
Design Thinking: Xác định vấn đề như một tuyên bố vấn đề theo cách tập trung vào con người.
Deep learning:
- Tìm hoặc tổng hợp một bộ dữ liệu dựa trên vấn đề đang được giải quyết.
- Tải dữ liệu ở một nơi thích hợp.
- Chuẩn bị dữ liệu – ngẫu nhiên hóa, trực quan hóa để xem sự mất cân bằng hoặc mối quan hệ, tiền xử lý, phân chia và gia tăng dữ liệu sẽ được gửi để đào tạo.
- Chia dữ liệu thành đào tạo, đánh giá và kiểm tra.
Bước 3: Ý tưởng
Ideate là giai đoạn của quá trình thiết kế của bạn, trong đó bạn nhắm đến việc tạo ra các lựa chọn thay thế thiết kế triệt để. Hãy đưa ra càng nhiều giải pháp cho vấn đề đã được nghĩ đến ở bước trước.
Design Thinking: Sử dụng thông tin từ các giai đoạn trước để tạo ý tưởng và suy nghĩ càng nhiều giải pháp tiềm năng càng tốt.
Deep Learning: Trong bước này chọn một mô hình cho vấn đề cụ thể của bạn. Nhiều mô hình đã được tạo cho hình ảnh, trình tự như văn bản hoặc âm nhạc, dữ liệu số hoặc dữ liệu dựa trên văn bản. Nếu không, bạn thậm chí có thể xác định kiến trúc mô hình của riêng mình bằng cách thêm từng lớp một cho đến khi bạn hài lòng với mạng của mình.
Bước 4: Nguyên mẫu và Điều chỉnh
Prototyping tạo ra một số phiên bản không tốn kém, thu nhỏ của sản phẩm hoặc các tính năng cụ thể được tìm thấy trong sản phẩm. Nhóm sẽ làm việc để tạo ra một số sản phẩm không tốn kém với các tính năng cụ thể. Điều này cho phép các Design Thinkers điều tra các giải pháp có thể cho các vấn đề đã được xác định trong các giai đoạn trước của quy trình Design Thinking.
Design Thinking: Thiết kế mô phỏng được tạo ra dựa trên tất cả các ý tưởng được tạo ra trong giai đoạn trước. Đây là những wireframes có độ trung thực thấp hoặc cao thực hiện các khái niệm về ý tưởng.
Deep learning: Trong bước này, chúng ta đào tạo mô hình bằng cách sử dụng dữ liệu đào tạo và sau đó chúng ta bắt đầu thao tác dữ liệu và điều chỉnh hyperparameter dựa trên kết quả đào tạo.
Bước 5: Kiểm tra và xác thực
Kiểm tra là cơ hội để nhận phản hồi về các giải pháp của bạn, tinh chỉnh các giải pháp để làm cho chúng tốt hơn và tiếp tục lặp lại theo khái niệm.
Design Thinking: Chúng ta kiểm tra các prototypes của chúng ta bằng cách sử dụng các kỹ thuật kiểm tra người dùng để xem họ giải quyết vấn đề mà chúng ta đã phân tích ban đầu như thế nào trong các giai đoạn trước.
Deep Learning: Chúng ta kiểm tra mô hình bằng cách sử dụng bộ dữ liệu thử nghiệm cung cấp tiêu chuẩn vàng được sử dụng để đánh giá mô hình. Dựa trên kết quả kiểm tra và xác nhận, chúng ta lặp lại quá trình điều chỉnh hyperparameter để cải thiện độ chính xác của mô hình.
- Nghiên cứu và tạo mẫu
- Sản xuất mô hình cho người dùng cuối thực tế
- Sàng lọc hệ thống trong thế giới thực
Sử dụng tư duy thiết kế cho học tập sâu cung cấp một khuôn khổ và một quy trình cho một cái gì đó có nhiều bước và là một quá trình phức tạp với nhiều giai đoạn. Triển vọng design thinking giúp tích hợp cách nhìn của con người vào việc giải quyết các vấn đề trong AI và nhấn mạnh một cách lặp đi lặp lại để xây dựng neural network giống như cách các nhà thiết kế tạo ra các design.