EdgVerve推出了基于AI的业务应用平台的新一代集成人工智能平台-Infosys Nia使你的企业能够管理特定的业务领域，并使其从确定性的方法转向认知的方法。

        由于机器学习的内在特性，设计者必须面对以友好的和可理解的方式呈现不同类型的数据问题。然而，我们致力的解决方案却很少仅供一种特定类型的人群来使用。

        当给这种类型的界面构建图形结构时，主要的挑战是实现一种平衡，这是它们所能提供给机器学习算法视觉层的和已知问题的实际解决方案的准备之间的平衡。

        无论我们是从头开始准备一个新界面还是根据现有应用程序创建另一个版本，实现满意结果的关键是理解算法是如何工作的，并准备一个适合于使用它的人群的个性化解决方案。为了实现这个目标，首先就是将要了解这些用户，了解他们都是谁，他们的数据是什么样的，以及他们适当的演示如何可以帮助他们提高工作效率。在集体紧缩（Collective Crunch）的情况下，另外一个因素是设备的位置和类型，通过位置和类型应用的界面将被显示。

机器学习应用中的UI个性化

        在实践中，应用界面的个性化是设计者们的主要任务，但是当定义项目的范围的时候，整个团队、客户和目标用户都应该参与其规划。

解决方案

        现代的设计方法提供了许多不同的工具，如营销角色、用户使用场景对应、甚至商业模型画布，它们可以促进和改善分析阶段。不管决定用哪些工具，我们的目标都应该是了解用户是如何工作的，然后了解他们的习惯，定义任何出现的问题，并通过头脑风暴来确定潜在的解决方案。

        然而，如果我们作为设计者不把时间和精力投入到理解机器学习算法工作的方式中，上面所提到的工具都不会带来实际的结果。

        意识到这种技术的局限性可以为我们节省在项目准备、实施和测试中的关键时刻的不必要的迭代和修改所使用的时间。因此，非常重要的是与整个团队的紧密协作，并使他们参与验证在设计过程中的每一个阶段所发生的一切。谈到整个团队，我们也指的是用户和目标用户的测试组。

        机器学习总是与敏感数据的展现相关联，这是借助于构成应用的核心算法来定义和计算的。这里重复一下，值得注意的是，开发团队可以提供不可否认的有价值的洞察力。简单的算法将需要一种数据表示方法，而在我们做数据分析的时候则需要其它的算法。在第一种情况下，最常见的将是定义界面主要元素的标准组件（例如卡、滑块组件、经典形式），而在后一种情况中，我们将经常会被迫去寻找那些更复杂的模块，例如散点图或蛛网图。当我们作为设计师的角色的时候，其实是通过一种方式进行选择和设计，对用户是可以理解的，对他们行动的意识，局限性，以及结合着咨询时的深思熟虑的分析，一定会提高我们的工作质量。

机器学习应用设计过程中的细节

        实现每个应用所需要的明确目标-基于机器学习项目的特征需要一些额外的项目分析过程，这有助于我们发现每个项目都是有差异的，因此我们不得不选择那些最有效地允许我们始终能够使用的方法:

*对机器学习造成的技术限制的意识;

*用户在日常工作中使用我们设计的应用所面临问题的意识;

*我们所操作的数据的精确范围和类型，以及引擎（算法）为我们准备界面的应用程序的工作方式。

        标准设计过程与机器学习设计的主要区别在于需要准备多次迭代 — 由于设计过程更长的原因，我们的目标应该是尽可能地减少这一点，并在工作过程中与整个团队紧密协作。归功于在分析和准备阶段投入更多的时间，并且之后在开发的界面元素的验证和测试阶段，甚至于在各个组件的级别上，我们也有一个更低的显著变化和修正的概率。记住上面提到的局限性，并定期与开发人员，还有用户进行咨询（根据他们的需求和目标），我们应该创建一个UI库以建立一个界面，准备好在各种情况下使用。这种方法允许我们在各种项目中使用准备好的模块。

设计机器学习应用时要特别注意的五个要素:

•我们正在使用的是什么类型的数据以及它将如何显示；
•目标用户需要什么样的分析数据以及数据的表示是如何帮助他们改进工作的；
•在项目的每一个阶段中良好的沟通和密切协作——涉及到开发团队和项目团队，以及客户和用户。
•机器学习算法是如何在这个项目中工作的，它是基于什么工作的，以及它的计算结果有多么精确；
•使用UI和设计系统库来创建由测试组件构建的界面，准备在项目的各种实例中使用。

总结

        我们的经验表明，良好的沟通和直接获取来自目标用户群的反馈，显著缩短了基于机器学习的应用程序设计中的繁琐过程。归功于我们操作数据的特性以对开发团队的咨询结果，设计缺陷和不可用模块的可能性（由于缺乏对技术限制的认识或者面对用户提供的无价值的数据）急剧下降。在我们的项目中，创建了一个UI库，用来在同一个应用程序的其它实例中使用，投入时间致力于研究，创建营销角色，并咨询整个团队负责实施的结果，在设计过程中的效率会得到显著的提高，并允许我们几乎同时交付连续的原型。

文章原标题《A Simple Machine Learning Project in JavaScript》

译者：奥特曼，审校：袁虎。