人工智能时代的设计思考

最近十几年来，以深度学习算法为代表的人工智能技术已经在各个领域取得了突破性的成果。如今它已经被各个行业大范围运用，为企业赋能，将人从简单、重复性、低创新性的劳动中解放出来，甚至在相比较以往更低投入的状况下，能够更高效、更准确的完成工作。

就拿去年在设计圈出尽风头的“鲁班”设计系统来说，它为双十一设计了4亿张商品展示图，具备每秒设计8000张图的能力，还能通过大量设计经验和知识数据的深度学习不断提高自己的设计水准，现在产出的图片点击率已经是人工产出的2倍！

那么不禁要问，在这样的背景下，设计师需要担心被人工智能取代吗？在人工智能大势所趋的环境中，设计师应该如何参与到人工智能这一新领域的设计过程中？

带着这样的疑问，不妨来讲讲当初我刚接触“智能投顾”的项目时，按照以往的设计思路，跟产品负责人了解了“智能投顾”的发展战略：根据用户画像、财务状况、市场行情等数据智能化地提供费率更实惠、门槛更低的财富管理服务；跟工程师了解了整个算法的模型和思路。接下来也进行了竞品分析、用户研究、场景整理、任务梳理这些工作（见图一），并精心设计每个具体页面的元素布局，最后产出一整套关于“智能投顾”的设计方案。但是最后评估的时候，大家总觉得这就是一个很常见的方案，没有体现“智能投顾”的“人工智能”的特质，但是又说不出来具体问题出在哪儿。

图一  经典设计流程

因为是第一次碰到人工智能的产品，套用以前被证明是正确的设计方法来解决问题也无可厚非，可是当发现用以前的方法越来越力不从心的时候，就该思考问题究竟出在哪儿了？

“机器学习（Machine Learning）是一门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。”——2018年人工智能白皮书

简单来说，就是机器运用算法的逻辑，模拟人类的DIKW（数据——信息——知识——智慧）学习模型来处理数据，以达到产出解决方案的目的。“智能投顾”中最复杂的“动态分析变化着的用户画像、监控全球金融市场态势、构建并动态调整投资组合比例来分散投资风险、触发最优收益的动态资产配置等”任务被封装成算法模型转移给机器处理。“智能投顾”的终端完全展示用户能够理解的内容：比如系统发出调仓建议以及操作理由，投资组合比例变更以及市场趋势分析，资产健康诊断和调整建议等。并且随着机器学习的数据样本增加，这些建议和分析越来越精确、越来越贴近用户需求。

我们通过以上分析，明确参与产品设计的主要工作就是：深入理解投资顾问领域的知识和经验，理解用户投资的背景和动机，投资顾问服务客户的内容以及在此过程中遇到的问题，明确产品方案如何来解决用户的痛点问题（当然还需考虑智能投顾领域还处于发展初级阶段这一背景），然后反过来定义机器产出方案所需数据类型，最后产出一套以用户为中心的“智能投顾”产品基线版本（如图二、三所示）。

图二 人工智能产品设计流程 图三 智能投顾基础版本分析路径 

文章写到这或许细心的读者发现了，以前计算机充其量只是人与信息之间连接的媒介，现在计算机是结合了算法的“智慧机器”，终于补全了设计要素的拼图：用户，场景，任务和有智慧的计算机。

设计一个人工智能产品，推向市场的客户端依然是“以用户为中心”的设计，所以具备创新意识、能够处理复杂信息的设计师终将是无法替代的。此外设计师应该接受新技术并积极参与到新产品的设计中去：

1.数据研究，职责扩展：深入研究一个专业领域的知识体系，分析用户使用产品的场景和触发的动机，并将这些内容转化为可供机器学习的数据入口，为机器学习收集源头数据。另外，人工智能已经渗透到语音识别、语义识别、人脸识别、图像识别等行业领域，研究自然语言、计算机视觉、虚拟现实等体系化的用户体验已经包含在设计师的工作范畴以内；

2.下游职责延伸：工程师编写模型和算法是基于设计师的业务场景和痛点问题的分析数据，所以这就要求设计师要懂一点技术框架、信息处理技术（也许这就是全链路设计概念提出的背景）；

3.积极使用新技术：设计与技术的关系本就该相辅相成，设计师可以使用人工智能建立精确的用户样本来评估设计方案的可行性；收集用户的行为、消费等数据来调整设计；处理大量简单重复的工作，保证设计师的设计热情……

技术的发展必将推动历史的车轮往前滚动，立足于UI、UX更好地服务于我们的客户，并站在更高的层次去研究和思考如何让人工智能为我们所用，从而创造出更美好的产品体验。