AlfredCamera Team Blog

任何 AI 模型都以回饋函數（reward function/objective function/loss function）為依據，這是一組讓 AI 模型預測對和錯的公式，模型會不斷優化這個操作並完成最終體驗。

本篇依序列出 Google 的 People + AI 相關討論文章，建議從本篇開始尋找想要閱讀的章節內容。

第一節中我們確定了適合用 AI 解決的用戶問題，接著要決定哪種解法比較適合，首先要區分的一個大方向就是：用 AI 協助用戶完全自動化進行任務或是以機器輔助部分任務。

訓練了一個ML模型後，請根據定義的成功指標評估ML模型的結果，以評估是否滿足目標用戶需求。若沒有滿足目標用戶需求，就需要進行相應的調整。調整可能是要調整參數、獎勵函數，或對數據進行故障排除

監督學習(Supervised Learning)，如何評分你的ML模型，評分者可以是： 你的使用者：產品中請使用者去標籤，例如透過標記照片等操作去執行。例如 Facebook 照片標記、Google 相簿自動依據人臉分類。…

獲取數據的方式有兩種，第一是使用現有的資料集，第二是建立自己的資料集，或是也可以結合這兩種。

我們所使用的 data 來源和標記（label）方式會直接影響系統的輸出質量及用戶體驗品質，一旦確定使用 AI 是做出滿足用戶需求的產品的必經之路（不確定的話可以回頭閱讀第一章，重新檢視用戶體驗和 AI 的關係），請考慮以下事項：