鲁班的基础是来源于设计师的设计模板素材和元素素材,因此会有两个设计师角色每天去训练鲁班,一个负责帮助鲁班完成最新的风格学习(风格学习),让鲁班不断进化,不断掌握更好的设计技巧。 另一个的角色则是对鲁班设计出来的成果进行评估(评估网络),告诉鲁班什么样的设计才是最好的。 设计师的核心职责,在于把设计变成数据化。目前,鲁班已经学习了百万级的设计稿,拥有了演变出上亿级的海报设计能力。 实际上,你应该也看出来了,与AlphaGo最初设计一样,鲁班从0到P6,也是设计师+算法工程师的合作成果。 这背后,阿里的设计师和算法工程师做了三大功课。 三大功课 1. 领域研究 找到该领域专家深入研究该领域的经验知识,构建一套机器可以学习的数据模型。视觉设计专家把设计问题抽象成「风格-手法-模板-元素」这样一套数据模型,即把多年视觉设计经验变成机器可学习的「数据」。 2. 数据链路 定义好数据模型后,抓取和标注数据,并对数据集进行分类和管理。在这个过程汇总,如果处理数据给算法训练的更新频次,用什么数据去验证模型,如何评估模型效果,离线模型与在线数据在产品端如何打通?这一系列的数据问题就需要一套清晰的数据链路设计。 3. 算法框架 算法框架由算法科学家来制定,数据和算法的关系就像汽油和发动机,两者密不可分。产品设计师需要与算法讨论,把业务场景和数据问题输入给算法。 这也是阿里内部让产品设计师学习机器学习的原因,因为搞懂算法框架和技术原理,才能更好理解工作原理。 但三方面功课背后,也不是没有具体挑战。 整个鲁班打造过程中,遭遇了三方面技术挑战。 技术挑战 首先是缺少标注数据。今天所有的人工智能都基于大规模结构化标注数据,设计这件事情连数据都没有完成在线化,更别说标准化、结构化的数据。 其次是设计的不确定性。设计是个很不确定的东西,设计需求把握和结果评估都存在人类主观意识。比如你无法给机器输入「高端大气的海报」这样的指令。 最后是无先例可循。整个行业中没有一些现成的技术或者框架可以参考,这和AlphaGo带来的福利不同。 当时AlphaGo团队公布论文后,全世界围棋AI都照此提升了战力,比如腾讯绝艺,很快就做到了世界水平。 但对于鲁班来说,并无先前经验可以参考,一切全凭自己摸索。不过也并非完全没有收获,在探索中的一年,阿里鲁班团队对AI产品有了更为清晰的定义。 他们内部认为,鲁班做的AI是可控的视觉生成。 可控,指的是根据商业的需求、业务的需求,智能地进行控制;视觉生成,则表明鲁班解决的是视觉从无到有的问题。 牛刀小试 那么海报设计AI鲁班,效果怎么样? 在2016年双11,鲁班首次登场。它最终制作了1.7亿张广告banner,点击率提升100%。 与人类对比的话,假设每张图,人类设计师需要耗时20分钟,满打满算也需要100个设计师连续做300年。 已经不用计算节省的成本了。而今年,鲁班也被进行了进一步迭代。设计水平显著提升,最新的数据情况是: 鲁班已经学习了百万级的设计稿,拥有演变出上亿级的海报设计能力。 今年双11,鲁班已经可以实现一天制作4000万张海报,平均每秒可实现设计8000张海报,并且每张海报会根据商品图像特征专门设计,换句话说说,鲁班设计出的海报,没有一张会完全一样的。 设计师的未来 毫无疑问,是时候可以谈谈设计师群体的未来了。 按照当前阿里内部对技术岗位的评判体系,海报设计AI鲁班,已经达到了P6水准,后续进阶也只会越来越快。 那设计师会就此被AI替代吗? 会,在阿里体系内,P4左右的设计师都会受到来自机器的「威胁」。 但也不全会,除了「创意」部分让机器无可奈何,人类设计师与机器的竞合中,也会产生「训机师」一样的新职业。 训机师是阿里内部对转型设计师的称呼,这些训机师是鲁班数据中心的核心人员,他们需要为鲁班的进化提供规模更大、更丰富的数据,并且对于很多风格相关的事情实现「结构化数据」的转换。 阿里智能设计实验室告诉我们:现在的阿里设计师,变成要去学习鲁班系统,学习如何训练机器,同时在美学方面做把控。 (责任编辑:admin) |