• EN
  • 后体验设计时代:技术浪潮之下的体验设计新生态



    受邀于2017年6月上海Dribbble meetup进行分享,简单讲了下自己的一些总结与思考。


    体验设计及其价值

    Alan Cooper【交互设计精髓一书作者】把设计分为三种:
    本能型,行为型,反思型。三种设计分别代表不同的设计方向与价值,
    本能型设计作用于人类的直观感受,即直观的感性价值;行为型的设计大部分为产品与交互设计,行为型设计会直接产生大量商业价值。反思型对应的是服务于创新设计,即精神与社会价值。 体验设计的价值我们一般把其定义为前两种:
    其一是感性价值,意旨提供更愉悦的用户体验。 其中包括包容性设计/互动式设计/视觉设计等直接作用于在用户感知层面的设计,与情感化设计/参数化设计等直接作用于用户精神层面的设计。

    其二是商业价值,主要以解放信息生产力为目的。 首先有人制定了协议跟规则,之后在规则之下会有一些平台(电子设备):PC,mobile等;平台之下,会涉及到软件设计,比如iTunes,PayPal;以及辅助于软件设计的交互设计:信息架构设计,微交互设计等...
    其中软件设计与交互设计即为解放信息生产力导向的体验设计。

    我们以iTunes为例: 2001年,苹果上线了第一版iTunes,随后发布了iPod。把实体专辑中的音乐装在了电脑与微型播放设备之中。音乐是一种信息产品,利用软件设计把【音乐】这种媒介进行更轻量化的储存、传输、播放。节约了很多资源:比如大量的实体唱片与唱片播放设备等物理资源,唱片售卖店铺的空间资源,唱片售卖员的人力资源等。

    同时,随着以用户为中心的设计的成熟,软件产品的前端页面也在不断的进行设计升级:我们可以看到,iTunes的页面从2001年到2017年产生了较大的变化,2017年的页面看起来更加友好。用户从产生需求:希望听到想听的曲目,到最终达到目的:计算设备播放出对应的歌曲,流程上也变得简短易用。设计师们运用合理的信息结构设计,页面布局与交互设计在过程之中缩短了用户时间与思考成本。

    但是,从PC到Mobile,近期之内并没有诞生新的爆发性的成熟平台。现有平台之下的软件设计却越来越趋近于饱和:几乎所有垂直领域都有较为成熟的软件设计;同时,随着各个软件的日益完善,各个软件的信息结构与流程设计也趋于完善。有个准则叫Tesler’s law泰思勒定律,即复杂性守恒定律:该定律认为每一个过程都有其固有的复杂性,存在一个临界点,超过了这个点过程就不能再简化了。
    举个简单的例子,一个设计从60分上升到85分可能很容易,从95分上升到99分就会变得非常困难。 这时候大家就会想,在现有的产品设计与交互设计已经趋于红海,相比之下,投入产出比比较高的设计会出现在哪儿呢?体验设计的下一步应该怎么走呢?我们从较为宏观的角度上来分析一下这个事儿。


    工业产业流程中的设计

    我们来看一下一个较为通用的工业产业流程:
    首先,一项技术从高校/或企业的研究机构诞生:比如MIT的实验室,微软研究院等...
    随着这项技术的平台日益成熟,会用于军用及工业化应用:比如VR技术最早应用的即为模拟军方跳伞及地质勘探。
    当工业化的过程中,成本不断的降低,这个时候设计师将这项技术与现实生活的中的问题结合起来,用较低的技术与生产成本,解决给人们带来重大困扰的问题(或相比于之前更加友好与方便的解决方案)从而带来良好的用户体验,这就会产生商业价值。同时,商业价值也会反过来驱动之前的流程发展。

    所以看一下什么技术正在进行民用化,结合该项技术设计产品,也就会容易的发现设计的下一个机会点。

    1995年,Gartner高德纳咨询公司根据各项技术的发展的通用趋势总结出了【技术成熟曲线】 该曲线描述了一项新的技术从诞生到成熟,一般都会经历这5个阶段,即:
    1.科技诞生的促动期 (Technology Trigger):在此阶段,随着媒体大肆的报道,非理性的渲染,使得产品的知名度开始飙升。
    2.过高期望的峰值(Peak of Inflated Expectations):该技术的普及度慢慢的变高,会让群众产生一个大于该项技术本身的期望。比如说当年的VR/AR,现在的人工智能。
    3.泡沫化的底谷期 (Trough of Disillusionment):慢慢的,随着该技术适用范围的限制,会淘汰大部分应用该技术的不合理的产品,只会有少部分应用与产品成功存活下来。
    4.稳步爬升的光明期 (Slope of Enlightenment):随后,随着平台越来越完善,技术成本越来越低,该项技术则会被更多的应用于设计之中。
    5.实质生产的高峰期 (Plateau of Productivity):最终,此技术会真正的产品化,并产生商业价值。 图为2016年的技术成熟曲线的一部分 我们能发现好多耳熟能详却比较模糊的技术,比如深度神经网络,机器学习,自然语义问答,视频/图像分析等。
    在此次Dribbble Meetup的开头,我们提到了阿里的鲁班,Google的草图检索等人工智能产品,那么我们就以技术成熟曲线中的【深度神经网络】与【机器学习】为例,简单了解下深度学习,以及它是怎么与设计进行结合的。


    深度学习与设计

    我们把一个广义的交互流程进行拆解,在平台之下,要完成某种交互,首先有个触发器,然后遵守某种规则,而后进行输出,最后完成一个循环。 深度学习的作用,即是不断的修正完善机器决策的规则。 我们想象一个单变量的人类学习情况:
    当我们有一个输入,会基于某种基础规则进行一个决策,并把结果信息传递给输出系统。同时,根据结果输出的反馈,修正基础规则。

    举例:
    两个身体素质相同的小学生,因为口角冲突扭打在一起:
    小学生A打了B一拳,B会觉得很痛,疼痛感即为一个信号,传递给B的大脑。这个时候B的大脑进行决策,输出一个信号给B的拳头,B进行回击,则完成一个循环。
    慢慢的,A用的力气越来越大,这时候B的疼痛感也就越来越强烈,挥拳用的力气也就越来越大。
    然而,来来回回几个回合之后,小学生B的体力慢慢耗光,力气越来越小,最终B被A打哭了。
    //A相对于B,在出拳力道与体能的分配上更加合理。

    然而A与B的矛盾没有解决,以后的每一天A跟B都会进行一次互殴。
    B发现自己用力气太大,就会导致体力不支;力气太小,则对A的打击力度不够。接下来的日子里,B在与A扭打的过程中不断的努力去平衡自己每次出拳的力道与体力,在这次伟大的战役进行到了第21个回合的时候,B终于把A打哭了。

    B针对A的战斗规则的变化,即为一个学习的过程。
    以上描述的是一个较少变量的理想场景。
    现实问题会比例子复杂的多,往往会涉及到更多的决策变量。当我们的基础规则涉及到的决策层级越来越深,收到的反馈越来越多,则会得到一个相对于更加准确的结果。 这个时候,我们不断的强化规则,并遵循此进行输出,结果也就愈加的准确。

    我们简单的总结一下: 深度学习(以及应用其的AI产品),具有以下两种特点:
    一、深度学习遵循某种给定的规则。
    二、需要大量的数据训练,才能得到相对正确的结果。 这也就意味着:深度学习(及AI产品)是附属于规则之下的工具,并不是泛人工智能。深度学习与其应用平台不具备独立思考能力。 较为成熟的应用 目前深度学习的应用主要集中在两方面,
    其一:提高信息化生产效率
    其二:协助决策(量化感性) 在提高信息化生产效率方面,我们举例Facebook 的广告投放系统。

    电子信息时代的广告投放一共能分为三个时代,
    一、按展示收费的广告。比如最早的私人blog,bbs等,广告商根据相应的论坛进行广告推广(比如宠物论坛推广狗粮广告等),广告平台收取相应广告费用。
    二、按中间效果收费的广告。比如百度Google的点击计费广告。
    三、按最终成交转化收费的广告。也就是Facebook的广告。

    其中Google / 百度 / Facebook 的根据用户近期的浏览习惯进行精准投放广告,同样的广告位,会提供用户浏览欲望更高的广告,从而提高广告的有效转化率。也就是上文提到的【提高信息化生产效率】部分。

    /*这里提一下,第二代广告投放模式虽然对第一代起了颠覆性作用,不过做的仍然不够尽善尽美。因为第二代模式的冲突为:曝光率并不等于最终成交,广告的价值很难被量化,也就很难提升价格。即Google Baidu的转化指标不以最终成交为目的虚荣指标。相比之下Facebook所拿到的成交数据是广告主反馈回来的,根据最终转化数据追溯到初始的每一次转化,并且用机器学习去优化每一次转化,根据转化进行收费,所获得的结果也就更加精确,带来的价值也就更高*/

    接下来我们来看一下机器学习的另一个典型应用:即协助人类进行决策。
    这是之前帮某豪华汽车品牌做的深度学习项目,叫Life Style Configurator(下文简称LSC)。 LSC主要针对对该汽车不怎么了了解的部分小白用户,然后根据他们对生活方式的偏好去推荐出相符的汽车(因为用户本身对汽车没有非常明确的认知,为了让用户感知到这个汽车是与其生活方式匹配的,会在最终展示页展示有相应的小诗或心灵鸡汤之类的软文。)
    交互形式类似于Tinder,选择左滑右滑这种低成本的操作模式,选择与用户相匹配的生活方式。考虑到最终投放页面,比如可能会与微信浏览器有操作冲突,也支持点击按钮来进行选择。 当用户选择了yes之后,会进行有效数据的收集,底下的进度条就会亮一点点,在收集到足够数据之后,进度条就会变成一个按钮,提示用户去查看结果。查看之后可以预约试驾分享等。

    这个产品的设计思路是这样的: 我们要帮助对奔驰汽车没有认知的用户去拥有一个相对准确的认知,并且促成用户为其买单,那么我们就选取了生活方式作为一个媒介:
    即本身每种生活方式是有一种【认知模型】的,并且每种车是有特定的【认知模型】的,用户对车不了解,但是对生活方式了解。那么我们通过用户对偏爱的生活方式的不断选择,一步一步累加并且了解到用户的【模认知型】,从而提供车型进行匹配。

    这个方案的前提是,我们对每种生活方式的能力模型与汽车的能力模型都是绝对正确的。否则这个方案将难以推行。
    所以在此处,我们应用了深度学习技术,前期邀请一部分专家测试用户,根据专家用户的测试结果,进行一个【认知模型】的初始值与权重的简单配比。
    当最终用户进行操作的时候,不断的每一个图片代表的模型与每一个车代表的模型进行双向修正,也会得到一个相对正确的结果。

    那么这个例子,即利用深度学习技术协助人们进行决策。

    /*这里作为延展,说一下该产品设计背后的目的:
    其一为之前提到的促成部分用户购买车辆,并且提高该品牌的品牌效应。
    其二为通过该产品,获得车主的大量数据反馈,获得车主对于车辆认知的准确模型,依照该模型,对比当初做该车型产品设计时的设计思路,不断的去优化产品的工业设计。进行工业设计产品的下一次迭代,以设计更加符合用户预期的产品。*/

    由此,我们总结出:
    深度学习技术与设计结合的方式其一,即通过
    【提高信息生产效率】/【协助决策】这两点深度学习所擅长的点,来挖掘垂直领域的机会点,创造更加强大的工具。 接下来我们说一下另一点。

    在之前刚过去不久的UCAN大会上,范凌博士发布了《2017年设计与人工智能报告》
    这里引用文中所提到的脑机比的概念:脑机比顾名思义,即在工作中人脑与机器产出的占比。
    整体的设计行业脑机比为1.55:1
    举几个细分例子,【设计管理】到【素材收集】,脑机比是越来越低的。
    设计工作越靠前期,工作所依赖的越倾向于人脑,越往后期,工作所依赖的越倾向于机器。

    为什么会产生这种现象呢?
    我们来看一下通常IT产品的设计流程 从设计的研究阶段:
    接触,研究,分析,定义。 到设计的实施阶段:
    信息架构设计设计,交互设计,视觉设计,到测试与迭代。 因为前期工作是相对模糊的,其中更依赖于人脑的创造力与总结归纳能力。
    后期工作模式是相对清晰且确定的,会涉及到很多重复性工作,应用到的记忆能力与运算能力会更多,所以机器在后续工作的占比会越来越高。

    这里描述的是一个IT产品的设计流程,同理,在面对细分领域设计的时候,仍然遵守类似的流程。
    比如做一张海报设计,我们前期需要了解甲方/老板需求,提炼出关键词,根据关键词进行创意思考,然后寻找素材,定义视觉风格,最后进行细节的视觉设计,也是一个从模糊到清晰的过程。当深度学习的工具能做到足够强大的时候,我们可以利用它来提高后续流程的效率。

    即可以在固有的周期之内,把精力集中于前期探索阶段,比如提炼出更加凝练的关键词,做更加大胆的创意设计。 比如在做最终视觉方案的时候,我们可以利用机器学习更高效收集素材。
    图为Pinterest,举例搜索关键词:构成主义,黑色,高对比,视觉冲击力等,找到了一张满意的海报,那么Pinterest的机器学习会匹配出与之类似的海报,为设计师提供设计参考。

    所以这就引出了第二点,我们在做一项设计的时候,更应该有效的利用具有机器学习能力的工具,辅助我们进行设计。 那么以上两点:
    一、通过【提高信息生产效率】/【协助决策】这两点深度学习所擅长的点,来挖掘垂直领域的机会点,创造更加强大的工具。
    二、有效的利用具有机器学习能力的工具,进行辅助设计。

    即是与技术结合所诞生的体验设计的新模式。

    同时,对体验设计从业者的要求也从最早的
    【学习方法 (这里指的是需要较低思考成本的粗暴方法)】【熟悉技艺】逐渐的转为【独立思考】与【不断创造】


    总结

    我们抛开机器学习本身,从第一次工业革命利用机器来取代手工生产,第二次工业革命进一步加速生产效率,到第三次信息技术革命,以及现在的人工智能革命,大家一直想是用人类的大脑来解放人类的双手。只不过最早一批设计匠人的技艺过于复杂,需要很多软件,技能,及理论知识进行支撑,所以比较难被取代。 慢慢的随着更加智能的高效的工具被发明,生产成本的持续降低,也就会产生相应的利益。这个时候资本进场,在资本的操控之下,对各工种的要求也就不断的变化,刚好也就促进了人类社会的进步。

    对设计师来讲,之所以能够不断的发现新的机会,并且利用可行技术去解决问题,核心也就在于设计师具备【独立思考】【持续创新】的能力。

    同时,这两点也是设计行业相比于其他行业,能够不落俗套,并且保持高价值的创新产出的源泉所在。

    2017.6.25

    你 可 能 也 会 对 以 下 文 章 感 兴 趣