Jul, 2023

朝着真正的智能应用程序：研究智能手机内置 AI 应用程序中的人工智能交互

PDF
TL;DR本研究探索手机应用程序中的人工智能功能使用现状，总结了三种主要的交互模式类型，并实施了一个多方面的搜索启用画廊，研究结果表明了我们发现的有用性。
deep learningsmartphone appson-device aiuser-ai interactioninteraction design
发现论文，激发创造
  • 基于人工智能的移动应用程序：一项探索性研究

    本文通过数据集分析、关键问题定位和用户反馈与隐私保护等多方面对 56682 款 AI 应用进行了研究，揭示了其中的不足之处，如模型保护不足，用户隐私数据泄露等，还提供了数据集以供未来研究引用。

    Dec, 2022

  • 智能手机上的深度学习应用程序初探

    本研究通过针对 16,500 款最热门的 Android 应用程序的统计分析揭示了智能手机应用程序如何在自然环境中利用深度学习。研究发现，智能手机深度学习框架和应用程序的使用呈现出一种繁荣的趋势，但是仍需优化手机上运行的深度学习模型，保护这些模型并验证深度学习研究的想法。

    Nov, 2018

  • AI 基准测试：在 Android 智能手机上运行深度神经网络

    本文研究了 Android 生态系统中深度学习的现状及其在智能手机上的限制，同时概述了四个主要移动芯片平台（Qualcomm、HiSilicon、MediaTek 和 Samsung）上可用的硬件加速资源，并介绍了利用 AI 基准测试收集的不同移动 SoCs 的实际性能结果。

    Oct, 2018

  • 关于人工智能启发的用户界面设计

    通过本文讨论了三种不同的方法来利用人工智能 (AI) 来支持应用设计师创造更好、更多样化和更具创意的移动应用界面 (UI)：第一种方法是设计师可以使用大型语言模型 (LLM)，如 GPT，直接生成和调整一个或多个 UI；第二种方法是使用视觉 - 语言模型 (VLM) 有效地搜索大型截图数据集，例如应用商店中发布的应用；第三种方法是训练一个专门设计用于生成应用界面的扩散模型 (DM)，作为启发性图片。我们讨论了如何使用 AI 来激发和辅助创造性应用设计，而不是自动化它。

    Jun, 2024

  • 绿色移动计算中人工智能的二重性：文献综述

    人工智能在移动设备领域带来了越来越多的新功能，但其操作也消耗了大量能源。本文回顾了过去十年在绿色移动计算领域中使用人工智能的文献，并总结了 13 个主要课题。研究结果表明，该领域近年来有所增长，但对于基于人工智能的移动系统能源消耗的研究相对较少，需要进一步探索。同时，研究还发现绝大多数文献只是学术贡献，需要促进移动软件行业的参与。

    Jul, 2023

  • MIT App Inventor 上的生成型 AI 代理的快速移动应用开发

    通过使用 MIT App Inventor 提供的开发平台，本文提出了一种用于快速开发 AI 代理应用程序的方法论，并展示了三个不同的移动应用程序的开发过程：用于培育可持续社区的 SynchroNet；用于解决拖延症的 ProductiviTeams；以及用于增强社区安全的 iHELP。这三个应用程序都无缝整合了多种生成性 AI 功能，并利用了 OpenAI 的 API，同时在整合不同工具和 AI 功能方面提供了洞察，旨在鼓励年轻开发者参与我们建立实用的 AI 代理应用程序的努力。

    Apr, 2024

  • AI 抓握：面向设计师的实践训练

    人工智能 (AI) 和机器学习 (ML) 被广泛地应用于物理和数字产品，创造了前所未有的互动和功能机会。然而，在这个创意领域中，设计师们面临一个挑战，即在技术的可能性和人类互动关切之间取得平衡。本文调查了探索和思考 AI 系统互动特点、独特的关系可能性以及更广泛的社会影响的技术技巧。我们在一门互动设计课程中引入了九个 'AI 练习 ' (n=100)，借鉴了超乎人类设计、负责任的 AI 以及假设性演绎，以创造有关 AI 互动设计的体验性参与。我们发现，关于隐喻和演绎的练习使得培训和学习、隐私和同意、自治和机构更具体，从而帮助学生更有思考和责任意识地设计使用 AI 与其复杂属性的设计过程和结果。

    Oct, 2023

  • 使用 AI 工具预测移动应用的可用性：大型用户界面模型的崛起、机遇与挑战

    在移动应用程序的背景下，本文提出了所谓的大型用户界面模型（LUIMs），以通过人工智能生成用户界面并预测可用性。

    May, 2024

  • 工业机器人中的人机交互：可解释 AI 基于机器人程序优化的用户界面设计与实证评估

    我们提出了一种用于最新深度学习为基础的机器人程序优化器的解释用户界面（XUI），它提供了不同的用户体验以应对用户的不同技能水平，同时引入了可解释的人工智能（XAI）功能以促进深度学习方法在实际应用中的应用。为了评估 XUI 对任务性能、用户满意度和认知负荷的影响，我们提出了初步用户调查的结果，并提出了一个大规模后续研究的研究设计。

    Apr, 2024

  • 设备上的智能助手语言理解

    近期，手机和其他个人设备上运行个人数字助手成为可能。本文描述了在设备上运行的自然语言理解系统的设计。与基于服务器的助手相比，该系统更具隐私性、可靠性、速度更快、表达能力更强且更准确。我们描述了关于架构和技术的关键选择。例如，对话系统文献中的一些方法在部署环境中难以长期维护。希望通过分享我们的实践经验，能够为未来的研究工作提供有益信息。

    Aug, 2023