大家好，我是廖尔摩斯丨设计大侦探，今天继续向大家分享我的 AI 学习笔记——监督学习 ( Supervised Learning )和无监督学习 ( Unsupervised Learning )，希望你能从这篇笔记中有收获！

什么是监督学习与无监督学习？

其实，从字面意思就能快速理解这两个概念。

监督学习 ( Supervised Learning )相当于"有老师教"。我们给 AI 大量输入数据，并明确告诉它对应的正确答案（标签）。比如给它 1 万张猫的照片，每张都标注"这是猫"。AI 通过学习"图片特征"与"猫"这个标签之间的映射关系，学会识别新图片。

无监督学习 ( Unsupervised Learning )则相当于"自学"。我们只给 AI 数据，不给任何答案，让它自己寻找数据中的潜在结构或规律。比如给 AI 1 万张动物照片，但不告诉它谁是谁。AI 会根据颜色、形状、纹理的相似度，自动把照片分成几堆（聚类）。

可以看出，这是两种截然不同的训练范式，最核心的区别在于——数据是否带有"标签"。

学习笔记

学到这里，我也在思考为什么会存在这两种截然不同的训练方式？我认为这与现实世界中数据获取的成本和场景有关。在某些领域（如医疗诊断、法律文书分类），我们可以获得专家标注的高质量数据，此时监督学习效果最佳；而在另一些场景（如用户行为分析、市场细分），数据量大但标注成本极高，无监督学习就成为了更经济的选择。

监督学习在 UX 设计中的表现形式

监督学习作为一种通过老师指导进行训练的方式，它在实际应用中的场景非常广泛且多样化，主要可以分为以下几个典型类别：

用户画像分群：产品后台系统自动将用户分成不同类别，例如"高消费人群"、"沉睡人群"等。这个过程由算法自主完成，无需设计师或产品经理手动定义。

关联推荐：比如电商平台中的"买了又买"推荐功能。AI 系统能发现某些商品经常被一起购买，即便它们看起来毫无关联。

无监督学习在 UX 设计中的表现形式

无监督学习是一种低成本、更经济的机器学习训练方式，在用户体验设计和产品应用中有多种表现形式：

用户画像分群：产品后台系统自动将用户分成不同类别，例如"高消费人群"、"沉睡人群"等。这个过程由算法自主完成，无需设计师或产品经理手动定义。

关联推荐：比如电商平台中的"买了又买"推荐功能。AI 系统能发现某些商品经常被一起购买，即便它们看起来毫无关联。

异常检测：在系统运行中，算法能发现某个数据点"画风不对"或存在异常特征。虽然系统不一定知道具体是什么问题，但能及时提醒相关人员介入检查。

总结与思考

学到第四个知识点，让我们继续用"AI 比喻为小狗"的例子来理解。

监督学习需要有人指导小狗如何训练，而无监督学习则让小狗自己摸索。两者的核心区别在于数据是否带有"标签"。说到这里，我想分享一个实际案例——我最近正在为甲方设计一个数据标注学习平台。这个平台的用户需要学习如何为数据添加标签，然后把这些标注好的数据喂养给 AI，这正是监督学习的典型应用。

作为产品设计师，我们需要从产品角度思考这两种模式对设计的影响。理解它们的边界，能帮助我们更好地定义"人机协作"的深度：

• 设计人工标注界面：监督学习需要高质量标签。在 B 端产品中，我们可以设计"顺便标注"的交互，让专家在日常操作中顺手完成数据标注（如：点击"这不属于违规"时，本质是在训练监督学习模型）。

• 为"聚类结果"设计命名权：无监督学习能把数据自动分组，但不知道每组叫什么。设计师需要提供 UI，让用户为这些"自动生成的群组"命名，完成从算法洞察到业务逻辑的闭环。

• 透明度与可信度：监督学习的结论通常需要展示"置信度"（如：匹配度 98%）；而无监督学习的结果则需要展示"关联性"（如：因为这些用户都买了 A，所以他们可能也喜欢 B）。

• 容错设计：无监督学习更容易产生"无意义的关联"。界面上需要提供更强的"手动干预"或"重新分组"功能。

• 成本预估：监督学习前期需要大量人工标注，成本高、周期长；无监督学习启动快，但结果需要人工二次解读。在产品规划初期，这决定了功能的上线节奏。

最后，简单总结今天的知识点：监督学习需要有老师指导训练，无监督学习让 AI 自主学习，两者的本质区别在于喂养给 AI 的数据是否带有"标签"。

谢谢你的阅读，我们下篇再见！

从 2022 年创办至今，设计大侦探已经拆解以下产品：

医疗 Medical