起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識機器學習時代，對設計工具的再思考
設計工具和編程語言給我們帶來一股非常強大的力量，我們可以利用設計工具做一些真正屬于自己的事情，但前提是我們必須了解如何使用它，否則它并不會成為真正屬于我們的力量。
許多人似乎很擔心人工智能會取代我們的工作，甚至讓我們失業。我卻看到了一個更樂觀的未來的可能性，那就是機器時代，我們應當更加關注如何利用機器學習，來幫助我們輕松的完成工作。
機器時代的人們越來越多的參與到創造性的活動中?？捎糜谠O計的工具、平臺和設備的種類也越來越多，并且它們的成本也呈下降的趨勢。有了這些設計工具，你可以自己拍電影，錄制專輯，設計一個城市或者打印自己的花盆，所有的這些，你都可以在家里的電腦上，甚至你的手機上輕松完成。大家也會很想要嘗試一下自由創作帶來的興奮感受吧。
盡管設計工具的價格變得更便宜，也讓人們更容易獲得和使用，但這并不意味著創建一個高質量的圖像或講述一個引人入勝的故事會變得更容易。想要做原創或者有美感的東西仍然需要具備專業知識、實踐和經驗的積累。
設計工具和編程語言給我們帶來一股非常強大的力量，我們可以利用設計工具做一些真正屬于自己的事情，但前提是我們必須了解如何使用它，否則它并不會成為真正屬于我們的力量。
設計工具+機器學習
我有一個建議，我們可以利用機器學習幫助我們簡化設計工具，但不去限制它們的表現力，更不要剝奪設計師的創造力。但這似乎與我們的認知背道而馳，當我們想到機器學習或人工智能時，我們首先想到的是自動化。
原創設計需要做很多的決定并占用很多的時間，這是一個我們無法回避的事實。因此，設計工具走向了兩個極端
其中一種是采用“一刀切”的方法，通常可以在消費級別的設計工具中找到，這一類型的工具通過強制用戶進入少數預設的模板來簡化設計過程。
另一種類別是采用了“一應俱全” 的方法，通常作為專業的設計工具來使用，這一類工具提供大量的初級功能，并引起用戶極高的學習興趣，但通常在使用方式上與用戶的思維方式不一致。
起初，機器學習似乎提供了一個相比“一刀切”方法稍微復雜一些的版本，這一方法是通過將決策性的任務從設計師身上轉移出去，從而簡化設計過程。我承認機器學習可以用這樣的方法，特別是在早期，但它其實也提供了更豐富的可能性。雖然我們不能真正改變設計過程中涉及的決策數量，但我們可以改變這些決策所涉及的內容。
我想淺談幾種機器學習的方法，我們可以通過這些方法改變我們對設計軟件的操作方式，并通過它做出決策。這些方法分別是：發現特征、探索式設計、描述式設計、流程組織和對話系統。
我認為這些很有可能在不影響設計師創造力的前提下，幫助我們簡化設計的過程。或許更令人興奮的是，這些方法可以讓設計師將他們的全部注意力都放在設計本身，而不是學習如何通過這些設計工具來實現他們的想法。換句話說，設計師將會控制這些工具，而不是被工具所制約。
發現特征
當設計師坐下來設計時，也許他們對最終產品有一個確切的描述，也許他們沒有。無論在哪種情況下，他們都需要找到一種方法，并且通過一系列的操作來將空白的畫布轉換成為最終的產品。這使我想起一句名言：
“每塊石頭里面都有一尊雕像，雕刻家的任務就是去發現它?！?——米開朗基羅。
我喜歡這句話，因為它把藝術和設計過程比做一種探索。
一塊大理石有它既定的邊界，在這些邊界之內，有無限可能的雕塑同時存在，而藝術家的工作就好比是發現大海里的針，這里說的針是可以滿足一系列特定要求的特征組合。這與化學家尋找一種新的分子，或者廚師尋找一種新的風味是類似的。
對上述的這些問題來說，他們探索的空間可能是完全不同的，但過程上有一定的相似性，因為每個設計問題都與特定的一組相互關聯的屬性和約束有關。
舉個例子
讓我們來看看在設計家用物品(如酒杯)時可能需要考慮的一些因素。如果我們想要把玻璃做得更高，我們可能需要加寬底座來防止它翻倒。在這里，需要針對這一個約束而改變兩個屬性。
當我們第一次遇到這個問題時，我們可能沒有意識到它內在的約束：“這個屬性在什么樣的比例下會導致玻璃杯翻倒？”
我們通過進行實驗來獲得專業知識，并學習到兩個屬性之間的關系以及物理世界施加給我們的一組最初的未知約束。讓我們把這個探索空間想象成一個非常大的圖譜，其中每個可能的最終狀態都由一組唯一的坐標表示。
在這張圖譜中，軟件的每一個功能就像一條路，在一個特定的方向上幫助我們探索部分內容。專業設計工具中的一個初級功能就相當于一條小道一樣，因為它在地圖中只移動了很短的距離。
如果我們想把玻璃杯變大，我們可以通過一系列的初級命令來完成，或者我們可以將這些命令提煉成一個高級功能，就像那些消費級的設計工具中的功能一樣，這一功能更像是一條高速公路。它的優勢就在于它可以運用相對較少的操作步驟給我們提供更多幫助。然而問題出現了，高速公路只有在常去的地方才有出口，如果司機想要去一個不是大家都非常熟悉的地點，那么他只能在小道上行駛，并且還需要更多的操作步驟。
同時，在大多數消費級的設計工具中，甚至沒有提供我們走小路（指設計工具中的初級功能）的途徑。也許有一個離出口不遠，跟指定的目標很接近的另一個目標，而這個目標又更合我們的預期，但我們卻沒有辦法到達，我們甚至可能不知道這個目標的替代者對我們的總體設計目標會有怎樣的影響。
因此，高級工具雖然在在設計效率上具有很大優勢，但它也會降低設計的表達能力或在空間內進行轉換的能力。許多用戶會選擇在更容易實現的目標上停下來，這使得圖譜上的大片區域未被探索。一個有著明確目標的用戶可以找到一條非常迂回的路徑來到達最終的目的地。但是，如果目的地的確切屬性沒有提前出現在在用戶的腦海中，那么他或許不太可能有機會到達那里。
因此，高級工具可能會使得圖譜上的一小片區域完全無法到達，將探索空間碎片化，這會使得圖譜上出現更大我們所不能到達的區域。從這個意義上說，消費級的設計工具不但不會擴大人們所能到達的范圍，反之，他還會阻礙我們的創造力。
如果我們想要保持自由的創造力，我們要么需要堅持使用初級的的功能，要么生成大量的高級功能，這些高級功能將具有更廣泛的可能性，但同時也會在一定程度上犧牲工具的簡潔性。
理想情況下，每當我們出發時，這些高級功能都會為我們建造一條新的高速公路，這樣我們就可以通過非常少量的操作輕松的到達目的地，但這在預先設定的高級功能集中是不可能的。
機器學習使我們能夠通過觀察用戶的行為來推斷用戶相關的大量信息以及他們希望達到的目標。我們可以創建一個學習工具，來學習設計者操作軟件的行為，相比試圖通過預先設定的高級功能集來預測設計者的需求，這個做法要實際的多。在過去的幾年中，一種被稱為“遞歸神經網絡（recurrent neural networks）”的機器學習系統已經被證明了特別擅長學習序列模式，并且這些系統已經被廣泛應用于諸如文本或音符的下一字段的預測中。
我們可以利用這種遞歸神經網絡來發現工具中初級功能的常用序列，并動態合成與設計者當前活動相關的特定功能，而不是繞著一組預先設定好的高級功能構建設計工具。自定義高級功能的自動生成中使用的用戶行為模式，不僅限于從單一的設計者行為中提取，也可采用從多個設計者的行為中提煉的方法。類似于根據用戶喜好來推薦音樂或電影的推薦系統，可以通過在眾多設計師中發現一種模式，根據設計者在工作流程中的習慣，向其推薦相關功能。
工具制造商可以利用推薦系統，更好地解決設計人員，以及他們消化信息、做出決策和與軟件交互的各種方式的多樣性問題。它將使工具制造商可以更好的滿足設計師的需求，而不是一味地提供預先設定好的單一的靜態功能或工作流程，然后讓設計師去適應。推斷大量用戶的行為模式，工具制造商可以更好地理解系統中提供的各功能之間的隱含關系。
這將為工具制造商提供更多關于如何改進其軟件的重要意見。采用這種方法，工具制造者的角色將從高級功能的整體管理轉向創建更細化的界面元素。從預設的系統規則和界面元素，到智能生成，這意味著工具制造者將放棄對軟件某些方面的控制。但是，這樣做能更好的協助設計人員去完成一些制造者沒有預期到的任務。
探索式設計
每個人都有一種天生的美學和設計感 ，即感受愉悅或有用的東西。由于我們沒有經驗，因此很多人缺乏方法將這些直覺應用于設計領域來進行創意產出。設計工具不僅應該幫助我們在已知的領域執行設計，還應該幫助我們在新設計領域建立專業認知。如果我們在街上隨機選取一群人，給他們一張白紙，然后要求他們設計出他們心目中理想的客廳，許多人其實不知道從何下手。
但是，如果讓他們訪問Pinterest，并要求他們通過挑選喜歡的元素來設計客廳，那么許多人就會覺得容易很多。這種“所見即知”的感覺會形成一種強大的動力來促使用戶參與到設計中。用戶不需要去了解工具背后運行的原理。相反，當他們看到實際的應用效果后，就能確定是否喜歡它。
此前，我們進行了一個關于二維空間搜索的可視化研究。雖然范圍有限，但這種可視化的方式為設計提供了一種直觀而細致的機制。用戶只需選擇一個位置即可搜索到與之相關的任何可能的設計。
這種可視化的組織形式還能使用戶在給定的搜索空間內為特定的效果建立清晰的心理模型。當然，現實世界中的設計問題很少只是由兩個維度組成的?？梢岳玫途S的圖譜來展現出設計中的那些高維度特征（注：“降維”機器學習系統的作用是可以降低時間復雜度和空間復雜度，節省提取不必要特征的開銷，當數據能有較少的特征進行解釋時，我們可以更好的解釋數據，有助于我們提取知識。降維的方法便于實現數據可視化）
在上面的動畫中，我將一組樹葉輪廓的圖像輸入到降維系統中。隨著訓練的展開，? 該算法會重新配置每個葉子在二維圖譜中的位置，相似的葉子被安排在相鄰的位置。最終，這個過程將創建一個連續的二維圖譜，它展示了葉子可能出現的一系列的變化過程。
一旦訓練完成，該系統可以重建與圖譜中任何二維坐標相關的圖像。完成訓練后，該系統中與坐標點相對應的圖像還可以重新進行編輯，但值得注意的是，即使沒有提供排序的樣本也可以完成這一訓練，這樣就為各種創新設計提供了一個簡單并且快速的途徑。我們可以自由的查看圖譜中的任意位置，并且可以從中探索葉子在各個維度中可能演變出的形態，但前提是必需要符合葉子的這一概念。我們能夠非常自由的查看到圖譜中與坐標一一對應的每個圖像，并且還可以在它們之中進行切換。
如果對想要設計的東西有一個成熟的想法，那么可以用特定的方法來實現它。但是，如果我們想進一步探索，看看還有什么可能的東西，那么上面的這種“降維”方法可以幫助我們從解決方案中跳脫出來，并嘗試新的東西。
或者，這種可視化的圖譜也可以暫時疊加在設計之上。這種方式允許用戶在探索元素變化的同時，也能實時預覽變化后的效果。
我們可以在這種探索性的界面中更改設計元素，而不用再重新進行設計。
例如，假設我們已經使用Bezier路徑創建了一個橡樹葉的圖形，接著我們想要它變成楓樹葉。如果在傳統的設計軟件中去做的話，我們需要不斷調整Bezier路徑。作為設計師，我們似乎習慣了這種工作流程。但事實上，這與目前軟件的使用方式有很大關系，當前的Bezier路徑功能決定了我們只能手動操作。
將一個形狀轉換為另一個形狀可能會浪費我們在創建第一個形狀時所做的大部分工作。這增加了時間成本，很明顯這是不應該的。就好像我們想去鄰居家時，不需要穿過整個城鎮一樣。
算法允許設計者以他們的設計直覺為指導，而不受到特定工具某種特定功能的限制。我們使用的這種方法，并不會阻礙設計師去掌控他們的設計，它只是去掉了上一代設計工具在操作過程中強行附加給設計師的操作行為。這樣可以讓設計師更專注于設計本身，而不是局限在設計工具的實現上。
描述式設計
到目前為止，我們討論的界面非常類似于傳統意義上的地圖。就像其他任何地圖一樣，如果你愿意，可以在上面添加文字標簽。這使得我們可以用命令語言改變設計，例如：“給我一片楓葉”。當結果呈現給我們之后，也可以這樣說：“讓它變得更接近橡樹葉?！边@種功能已經非常強大了。但事實上，我們可以思考得更深入。
2013年?Tomas Mikolov 等人發表了一系列論文，描述了一系列用于生成不同詞匯之間概念關系的低維圖譜技術。就像我們上面討論的地圖一樣，在這個詞匯圖譜中，現實中用法密切相關的單詞也會放置在一起。我們也可以對現實世界中的概念進行代數運算,例如，他們發現采用下面的表達方式：
“馬德里 – 西班牙+法國”
比任何其他單詞組合形式更加接近“巴黎”。
同樣的：
“國王 – 男人+女人”的組合形式則最接近“女王”
這個迷人的機制提供了一種全新的設計工具思維方式。它允許我們在視覺或語言上運用視覺概念，而無需使用輔助的抽象概念和控制系統。
例如，如果我們想要查找與畢加索的作品相似的東西，但是不包含他在立體主義時期的作品，我們可以這樣做：
同樣的，我們可以在語音信息或任何其他媒體上做類似的事情。在過去的幾年中，包括“Style Transfer”和“Neural Doodle”在內的類似技術進一步擴展了這些機制。
這些技術已經在照片共享類應用程序中實現 – 它們并不像是設計工具中的功能，而是作為一種新穎的照片濾鏡，與Instagram或Photoshop的濾鏡類似。
正如20世紀90年代Photoshop的“filter bubble”功能那樣，這種新功能的新穎表現很快迎合了大眾的趣味，但是對概念化或擴展設計過程并沒有多少意義。
但作為一個更大、更全面的設計框架的組成部分，這些技術提供了一種強大的機制，它們允許我們通過直接操縱概念空間去探索和構思想法。
然而，正如技術具有變革性一樣，我認為這些技術還存在一些缺陷。每個設計師都知道，設計最難的事情并不是做出個人決策，最困難的部分是協調許多組成部分的決策，以產生一個有凝聚力的整體。
作為設計師，我們必須在多個組成部分的決策之間來回切換，同時將整體牢記在心。有時候這些組成部分的決策之間也可能是彼此沖突的。
就像魔方一樣，我們不能簡單地解決一個面，然后再去解決下一面。這會浪費我們之前做的一些工作。我們必須同時解決所有面。這可能是一個非常復雜的過程，但學會如何從整體上處理這種事情是成為一名合格設計師的核心所在。
雖然之前討論過的機器學習技術可以幫助簡化這些組成部分的決策，但它們并沒有完全解決設計的最困難部分。為了幫助設計師建立這種專業認知，我們來探討另外兩個概念。
過程組織與對話接口
機器學習系統理解只傳達一個獨立的命令或者信息點的簡單表達式要比理解復雜、多信息的的表達式容易得多。然而，在設計一個事物的過程中最難的點之一就是思考如何拆分一個復雜的系統，使其變成簡單易懂的概念。
設計工具能幫助設計者的最重要一點也就是在這個簡化過程中。
工具可以幫助設計者通過創建接口和工作流來創建簡潔的表達式，這些界面和工作流程通過一系列簡單的體驗和決策來引導用戶，而每個決策點都是處理一個更大更復雜任務的其中一方面。
這種方法的一個很好的例子是20q，也就是電子版的游戲二十問。像傳統的問答游戲一樣，20Q讓用戶思考一個物體或者一個名人，然后提供一系列相應的多選題來發現用戶到底在想什么。
通常在這個系統中首先詢問的問題是“它是一個動物，植物，礦物或者一個概念嗎？”
接下來的問題就是試著去區分和用戶提供的信息有更深層次區別的一些選項舉個例子，如果第一個問題的答案是“動物”那么接下來的問題就會是“是一個哺乳動物嗎?”如果第一個問題的答案是“蔬菜”那么接下來的問題就會是“它通常是綠色的嗎?”每一個隨后的問題都可以用“是”、“否”、“有時”或“不相關”來回答。
20Q系統在20個問題后猜對正確的人、地點或事物的概率是80%，而在25個問題后，概率就到了98%。
這個系統使用了一種叫做學習決策樹的機器學習算法，這種算法能幫助機器通過最少的步驟與問題猜對用戶給出的信息。
通過利用用戶與系統交互時產生的數據，該算法會研究每個問題的相對值，以便刪除盡可能多的不正確選項，以此保證它能夠首先向用戶提出最重要的問題。
舉個例子，如果已經知道了用戶腦子里想的是一個名人，那么接下來的問題問這個名人是否還健在就要比問這個人是否寫過書要有用的多，因為只有一小波歷史人物現在還健在，但是許多名人卻都出版過書。
雖然沒有一個獨立的問題能全部涵蓋用戶所想，但相對較少的經過精心挑選的問題還是能以令人驚奇的速度揭開正確答案的。
除了能幫助系統理解用戶的表達，這個系統還能讓用戶更清楚、更有目的地表達自己的想法。其核心是，這個系統可以被看作是一個通過大量相關決策發現最佳路徑的機制。
每一個問題以及答案都起到了一個翻譯向導的作用。使用戶更接近她或他想要表達的意思，同時還幫助用戶探索了可能想思考和表達的方方面面。
這種機制還能拓展到設計界面領域，能夠幫助用戶通過回答一系列問題來設計出其期望的形式。同時基于更自然的交互模式，這些問題還可以直接用口頭來回答……或者是姿勢，這樣用戶根本不需要學習復雜的菜單系統或者工具。
基于機器學習的最新進展，機器越來越有可能回答出用戶復雜的、具有關聯性的設計問題。
例如，用戶可以提出一些能幫助他或她去評價設計在實際用戶中的適用性的真實問題。
這種對話將模擬人類對話的形式，同時機器的背后有著海量關于這個設計問題的數據?？梢詭椭脩舾玫慕鉀Q遇到的問題。
這還有可能關聯到機器能模擬現實世界中相關約束的能力，如物質、物理或化學等方面。
通過在實時交互中嵌入這種能力，架構師可以快速排除不靠譜的想法，并產出一些豐碩的成果，這樣可以節省大量的時間。
除了“真實世界的約束”，用戶給出的交互指令經常不是明確的—或者因為機器的知識有限，或者就是因為用戶沒有表達清楚。
預期給出“最佳猜測”，這個系統可以提供更多的問題或替代方案以弄清用戶的真實想法。
因此，這種會話既能有效的澄清用戶的真實意圖，又可以構建完善的機器知識庫。
同時這還是一種更自然的記錄機制，它可以保存用戶想法的迭代更新過程，這種方式也比傳統的“行動歷史”更容易被審查和分析。
通過將流程線性鋪開，查閱“信息流”，用戶可以檢查她或他思維的整個過程，并能輕松的回到任意一個節點，并在保存其他設計的同時向一個新方向努力。
結論
許多人似乎很擔心人工智能會取代我們的工作，讓我們失業。我卻看到了一個更樂觀的未來的可能性，在未來，我們仍將發揮重要作用。事實上，我們仍是更強大的。
在這樣的未來，我們不會與物體競爭，我們會利用他們來拓展我們所能做的事情，就像過往歷史一樣。但要做到這一點，我們需要時刻提醒自己工具的本質是什么。工具不單單意味著使我們生活的更輕松。他們的目的是給我們一個杠桿，讓我們看到更遠更美的景色。通過工具可以舉起石頭，但人卻能造出大教堂。
相關文章
原文作者：Patrick Hebron
原文鏈接：https://medium.com/artists-and-machine-intelligence/rethinking-design-tools-in-the-age-of-machine-learning-369f3f07ab6c
本文由@百度UXC?翻譯發布于人人都是產品經理，未經許可，禁止轉載。
題圖來自 Pexels，基于 CC0 協議
- 目前還沒評論，等你發揮！
