AI與設計：技術思維與設計思維的mix

最新 06-12

最近在思考一些機器學習給設計帶來的思維轉變，還有對交互設計的影響，本文把一些讀書筆記，及感想總結而成，主要是涉及AI技術、技術思維、設計思維、設計工具、用戶體驗設計等內容。

通過機器做設計帶來的思維方式轉變

——設計師的任務是把本來存在的最佳設計找出來

引一段米開朗琪羅的名言：

「Every block of stone has a statue inside it and it is the task of the sculptor to discover it.」?

每塊石頭裡都有一個雕像,雕刻家的任務就是把它展現出來。設計不也是這樣嗎？通過什麼方法，可以幫助我們「找出設計」來呢？

1.1 枚舉，在有限空間里搜索最佳答案的方法

以如何設計一個酒杯？為例

設計一個酒杯的時候，我們需要考慮杯子的高度和基座寬度的關係。把酒杯做得太高，我們需要加寬基座以防止它翻倒。我們會思考高度跟基座寬度之間的比例達到多少的時候是容易導致杯子翻倒的？我們通過在高度和寬度變化的空間里，尋找此問題的答案。這是典型的「枚舉」思維，把高度的各種可能跟基座寬度的各種可能組合在一起，來得到答案。

1.2 降維的方法處理現實複雜問題

很少有真實世界的設計問題僅由兩個可變性的軸組成。但是，通過使用所謂的「降維」機器學習系統，可以產生高維特徵空間的低維空間。舉個樹葉的例子，將一組葉輪廓的圖像降維，隨著訓練的展開，演算法重新配置每個葉子在二維空間的位置，使得類似的葉子彼此靠近。最終把樹葉複雜的變化映射到了一個連續的二維空間。

1.3 通過探索的方法進行設計

給普通人布置一個設計任務：設計客廳。大部分人會覺得很難進行，如果換一種方式，讓他們通過在Pinterest上瀏覽挑選喜歡的元素作為設計的參考，他們會覺得這個任務非常容易完成。因為每個人都有一種天生的美學和設計感，他們對愉悅或有用的東西有自己的見解。通過「探索」來設計，會使得設計的過程更加容易。

1.4 通過語言描述做設計的可能性

在自然語言處理任務中，詞如何在計算機中表示，通常有兩種表示方式：one-hot representation和distribution representation。

one-hot representation把每個詞表示為一個長向量。這個向量的維度是詞表大小，向量中只有一個維度的值為1，其餘維度為0，這個維度就代表了當前的詞。例如：設計這個詞，可以表示為：

[0，0，0，1，0，0，0，0，0，……]

而distribution representation指的是將詞轉化成一種分散式表示，代表性技術是 word embedding，詞向量技術，是將詞轉化成為稠密向量，並且對於相似的詞，其對應的詞向量也相近。例如，設計這個詞的表達可以是：

這個迷人的機制提供了一種全新的設計思維方式。它允許我們在語言上運用視覺的概念，例如對美的描述：極簡、簡潔、簡潔大氣、簡單等等相近的概念，利用詞向量技術，我們都可以找到明確的數學表達方式。

RNN演算法與設計

2.1 RNN

RNN具有自動補全的能力，被廣泛應用於預測一串文本中的下一個字元或者一段音樂中的下一個音符之類的任務。

智能文本編輯器

https://cyborg.tenso.rs/

可以幫你自動完成文字創作的文本編輯器。

還有谷歌開源的sketch-rnn，應用於繪畫、音樂中。其實，設計步驟，也是序列化的，第一步做什麼，下一步做什麼。結合推薦系統，根據用戶喜好的相似性來推薦音樂或電影，在設計上，可以利用眾多設計師的工作流程，根據用戶的傾向，推薦適合的工作流程。例子還有阿里的魯班，使用LSTM來模擬設計流程。

2.2 智能化的工具，一定程度也降低了創新的可能

基於RNN我們可以改造我們的設計工具，但是使用高效、智能化的工具，一定程度上讓我們忽略了其他更多的可能結果，有可能創新的結果就被淹沒在智能當中。

以使用地圖搜索路線為例

舉個地圖的例子，雖然高級工具可以讓我們更快地通過搜索空間找到最佳路線，但同時也會降低移動至空間內任意位置的可能。從這個意義上說，工具不能延伸搜索範圍，反而使得我們的探索空間範圍變窄，一定程度上破壞了創新的可能。

中場休息下

AI產品的用戶體驗設計

人工智慧產品越來越多，機器不僅執行我們的命令，而且他們自己做事。這將改變用戶的反應方式、行為方式以及用戶對這些產品的心理預期。作為設計師，我們的目標是創造出有用的，易於理解的產品。

3.1 明確告知用戶這是演算法產生的內容

尤其是個性化推薦系統，例如Netflix上的電影推薦，Google翻譯中的翻譯或CRM系統中的銷售預測，有時候無可避免地會發生錯誤／奇怪的推薦。

例如，AI預測支持票，它清楚地將此標識為預測。

例如，Firebase的做法，除了提供有關預測準確性的信息，用戶還可以設置風險閾值。

3.2 解釋機器如何思考

解釋了為什麼我們推薦某些產品。

自動駕駛車載交互界面，展示了車主周圍所有其他汽車和行人的示意圖。在需要特別關注的物體旁邊還會出現一條紅線，例如騎自行車的人和過馬路的人。

電子郵件營銷工具Drip。它本身不是AI產品，它具有評分功能，顯示通訊訂閱者的參與度。點擊分數，你會得到一個詳細的行動列表，解釋人們為什麼得到他們的分數。

3.3 基於用戶個性化數據的產品設計

之前更新過關於《TensorFlow.js、遷移學習與AI產品創新之道》的文章，用戶可以非常低成本的訓練屬於自己的圖像分類模型，用於各種分類問題。我們可以拓展下，比如識別用戶的手勢動作，來控制遊戲中的人物；識別用戶的表情，控制3d人物的表情；識別圖像中的人臉數量，自動隱藏所瀏覽的內容，防止被窺視……甚至 autodraw 、ui2code 、手寫字識別等這些應用都可以嘗試融入用戶個性化的數據再訓練的玩法，給予用戶掌控權。新技術都會有一種很自然的新的交互方式與之匹配。基於瀏覽器的用戶個性化數據再訓練，可以提煉出以下基本的交互流程：

—>設定類別

—> 採集數據

—> 開始訓練

—> 使用用戶數據

—> 核心功能

—> 完成任務／得到某個結果。

用戶使用自己的數據，應用更符合用戶個性化特徵，是一種不同於個性化推薦的「個性化」產品設計方法。

ps：這部分內容，在6月的活動現場已與大家分享過。

了解技術的邊界

作為設計師，需要了解技術的邊界，例如聊天機器人不理解上下文，或人們給他們簡單但意想不到的命令。如果在設計之前對所採用的技術邊界足夠了解，可以有效的避免奇怪的結果。