:::: MENU ::::

TalkingData's Blog

现在开始,用数据说话。

Posts Categorized / Ideas

  • 十二 08 / 2017
  • 0
Ideas

锐眼发现 | 用户体验地图和服务蓝图有何区别?

原文:The Difference between a Journey Map and a Service Plueprint

译者:君瑶

转载于:人人都是产品经理

我们生活中的每一件发生的事情都是一种旅程,它也许几秒,几年,甚至一生。它可能是去上大学,你第一个孩子的出生,或者难忘的假期。这些旅程不会单独发生,在我们看来,他们有一整套的业务流程为它们的发生创造条件。

大学期间,成千上万的人在努力维持大学的运转;医院和医生正在为即将成为父母的人提供教育和支持; 航空公司,酒店和邮轮公司也在努力保持他们的生产和管理以至于你在度假的时候有良好的体验。

绘制这些经历是以人为中心的商业模式的关键一环,而重要的是需要考虑这两个方面—-用户经历了什么,在他们的视野之外是什么促使它们发生。用户体验地图和服务蓝图是两个互补的方法,帮助我们看清楚我们的服务的两个方面。

当然这两个方法经常会困惑,什么是用户体验地图?什么是服务蓝图,他们有什么不同?

设置舞台

在我们深入之前,我们需要一点上下文,我们需要理解服务设计中“舞台”的概念,这个基础概念对于理解客户旅程和服务蓝图之间的区别是至关重要的。“舞台”是由三个部分构成的:前台。后台,幕后。

正如字面意义一样,想象一下一个剧院有一个简单的舞台,前台是事件发生的地方,以及观众看到的地方,对于我们而言,用户的行为发生在前台。

后台提供前台需要的支持,比如灯光,布景,工作人员,这些都是观众看不到的,当然这也不是绝对的。后台是我们组织所有的事情,来让前台可以发生。

然后我们还有幕后,组织所有无形的事情使前面和后台成为可能。规则、规章,政策、预算;所有的东西都不是前台和后台的一部分。

这三个地方是服务设计有机会产生影响的地方,通过不同的方法,我们可以更好的了解不同的阶段,让我们来谈谈这些方法。

什么是用户体验地图

旅行地图从用户的视角描述用户标志性的体验;是服务体验的前台阶段。在创建旅程地图时,你通过用户的讲述和用户的数据来绘制他们的历程,描述他们在做什么,想什么,有什么感受,以及他们在整个旅程中的互动?

你最终会做的是一段发自内心的旅程,帮助你在用户视角观察和评估体验。

一段好的旅程讲述的是用户经历的故事,就像作者写出来的的那样;而作者就是用户。它包含了真实故事所能表达的丰富的体验——情感、内心对话、高兴和沮丧。这是我们可以作为一个创造者进入客户行列去“看”他们如何体验的机会。同理心是它的核心。

你可以通过访问客户来创建一个旅行地图,以获取他们的洞察力,然后将他们相互映射以找到共同点、模式和趋势。此外,你还可以从已经在客户体验中收集的数据整合到用户体验地图上。

这个方法可以帮助你绘制用户端到端的体验。这就是体验的前端阶段,包含了用户在生活环境中所有的交互以及他们如何与你的业务接口。

除了捕捉你的用户正在经历的体验之外,旅程地图也可以被用于想象和展望未来的,使用该格式作为工具,去推测用户在未来可能会看到的和做的事情。

通常,旅程地图不只是对真实世界的描绘或者某一个用户的经历,一个旅程地图是由用户研究人员和你团队中有关主题专家的知识汇集而成的总和。

用户旅程的路径都是独特的,但是当你把这些路径整合成一个故事的时候,它可以帮助你从用户的视角去看待这段旅程。

这是一个强大的讲故事的工具,它描绘了一幅图景,让人有机会透过现象看本质。旅程地图可以让你感同身受,也让你找出你想要改进和更深一步了解的地方。

什么是服务蓝图

现在让我们转向服务蓝图,旅程地图聚焦于你的用户在前台端到端的体验,服务蓝图聚焦于由表面到核心的后台业务以及如何交付和操作的幕后,并且与用户体验联系起来。

用户体验地图和用户叙述并没有显示出组织的内部工作方式是什么,服务蓝图旨在揭示和记录所有表象下发生的事情和创造它的组织的内部构成。这是你的公司如何工作的可视化数据,深层意义上讲,它可以挖掘隐藏在深处的工作,那些给顾客提供体验的东西是如何产生的。

每一个旅程背后看不见的的支持结构是非常的复杂——内部行动者的责任,支持这些行动者的系统,指示什么可以做什么不可以做的进程和政策。服务蓝图展示了一幅图景,这幅图景不止包括了用户旅程中发生了什么的宽度,还包括了贯穿整个旅程中由什么构成的深度。

构建蓝图

如果你想要创建一个服务蓝图,首先你需要确定一个或多个端到端的旅程,

我们称之为场景,这些场景应该基于用户旅程,但也可以包括内部发生在客户视野之外的组织场景。这个故事讲述的是每一步都发生了什么,从而让场景可以进行下去。

深入了解场景中的每一步,你可以从全方位展示,支持和提供旅程发生事物的广度和深度,这个过程依赖于组织的跨职能协作,以表现外部和内部体验的方方面面。

最终的结果是完成一幅图景,一幅端到端,表面到核心,体验是如何交付的图景。他是一个同时给你更高体验视角和对表面下发生的事情详细观察的强大的文档,没有这些全面的从表面到核心的视角,比如,作为一个组织者我们是谁?我们在这段旅程中所扮演的角色,我们就不可能对我们如何服务用户给予有意义的改变。

这两者的不同

用户体验地图可以帮助你记录用户经历的表层,服务蓝图可以帮助你证实你的组织的现实,蓝图基本的价值是提供一个关于用户的图景,蓝图的基本价值是一个客观的图景,基于你的组织如何交付、交付什么以及如何策划它的端到端视图的实际情况。。

用户的旅程会有很多,用户也有很多,但是你的业务,系统,政策等等却是有限的。这也是就是蓝图所揭示的。用户一遍又一遍的使用后台,我们一直在做用户的体验地图,但我们很少花时间来绘制和记录我们自己的业务。

体验的凝聚力取决于提供该体验的团队,而对体验进行有意义的更改都需要对组织的构成有深刻的了解,而组织的构成正是体验的基础。服务蓝图不是记录用户体验。而是以用户的体验作为起点,揭露组织如何支持该旅程。

这是为什么服务蓝图似乎可以和用户分离出来,从设计师反复被告知的同理心中分离出来,重点指出服务蓝图不并不是寻求消除设计上的同理心,它和用户体验地图的目标并不冲突—它只是专注于体验的另一个层面。这客观的回答一个问题“什么是我们的组织构成,哪些有形和无形支持这些旅程的存在?”

用户旅程地图只能存在于组织有能力交付的基础之上,它受你内在能力的限制和制约.通过更深一步的挖掘,使用服务蓝图来真正看到端到端,它允许你对组织的交付方式进行大或小的更改,这将导致其支持的用户旅程的改进和发展。

什么时候使用什么方法

如果你不了解你的用户是如何体验您所提供的东西,那么用户体验地图是一个比较好的途径去发现它,对于你的组织而言它是有形的,并且围绕用户构建同理心。

一个人在一段旅途中会有很多事情发生,但是如果不把它罗列出来很难捕捉到什么。这种罗列是一个强有力的工具,可以使一个群体围绕真正的以人为中心的设计而展开,这也正是宗旨和初衷。

如果你已经足够理解你的用户旅程,或确定用户或内部团队特定的痛点,然后服务蓝图应该是你的下一步。

它可以让你深入了解你是如何提供体验的,以及你的组织是如何运作的(不管是好是坏),允许你在内部解决组织的痛苦和故障,它将不同的组织架构汇聚到一起从而促进组织的跨职能协作。

然而,不要仅仅的追寻用户痛点,有时候,用户的体验可以做到非常的愉悦,但是在这背后,组织不遗余力的将其整合在一起,并保持体验看起来的凝聚力。

在现实中,使用低效和痛苦的内部流程来维持一个良好的用户体验可能会花费大量的时间,金钱和员工精力。在这种情况下,你可以考虑使用旅程地图工具来绘制你内在参与者的情感体验,以了解组织的痛苦、挑战和改进的机会。

这种情况下,很显然你需要服务蓝图。因为它会帮助你了解组织的复杂性,可以让你将潜在的因素和用户体验地图联系在一起,这样你就不会忽视未来的变化以及企业本身的整体健康情况为形式的变化。

我们必须注重组织内部的体验就像我们注重用户体验一样。

结论

旅行地图和服务蓝图是理解和使用服务设计工作的关键方法,理解两者之间的区别,以及它们如何相互补是很重要的。旅程地图是站在前台视角,通过它可以更好地理解用户的体验和感受

服务蓝图是关于业务的后台(和幕后),以及后台是如何和用户体验联系在一起的。无论你是想深度理解你的组织提供的体验,还是深度分析你的业务,这些方法将帮助你确定如何对内部流程和用户体验进行有意义的改进。

下一次你观察用户旅程的时候,试着挖掘其表面下的东西,看看支撑这个旅程的核心是什么,弄清楚所有的东西是怎么一起创造用户可以看得到的体验,而这就是成功的一半。

 

 

  • 十二 07 / 2017
  • 0
Enterprise, Ideas

锐眼洞察 | Apple AI&AR 战略解读(翻译)

作者:CB-Insights

原文:本文为《Apple Strategy Teardown》报告的部分内容

译者:TalkingData解决方案架构师 Aaron Yue

本译文禁止商用,转载请注明译者与来源!

TL;DR

个人计算机的发展总是特立独行的,目前个人计算机领域正在寻找下一个“爆发点”,诸如医疗、AR、无人驾驶等等,同时个人计算机还保持这个消费类硬件产品的“领头羊”。随着AI战斗的打响,在智能手机增长放缓的情况下,苹果如何 能在这么多的“馅饼”中分得一块,如何重塑自己的第三次“暴涨”呢?

在需要方面,苹果仍然使用史蒂夫·乔布斯的形象塑造着公司:反传统的、精细的产品。但是如今,苹果正处在一个十字路口,在 CEO 蒂姆·库克 的领导下,苹果抓住了很多新兴的技术,但是也引发了很多新的问题。

首先,什么是下一个苹果?

为了寻找下一个浪潮,苹果显然是扩大到了增强现实技术和Apple Watch、 AirPods无线耳机等无线穿戴领域。苹果的HomePod扬声器系统虽然推迟了,但仍准备将Siri的足迹扩展到用户家中,并成为亚马逊巨作Echo设备和随行虚拟助理Alexa的竞争对手。

但接下来的“大单” – 在iPhone上成规模的成功和增长动力 – 尚未确定。是否是增强现实技术,医疗保健,可穿戴?还是其他?尚无定论。苹果公司一向以隐秘著称,企业的一举一动,都会带来各种的传言和流语。

苹果目前被任务正在开发增强现实耳机、车载连接软件、转型医疗设备和应用,以及智能家居技术和新的机器学习应用。

我们通过苹果的专利、收购、收益以及最近的产品发布和组织结构来挖掘, 暗示苹果如何进行下一次自我改造。

鉴于苹果的规模和知名度,我们不会覆盖其业务的每一个方面,也不会重复旧消息。但是我们关注的一些主要领域包括:
苹果公司通过增强现实和电池效率的可穿戴设备(包括增强现实眼镜)大胆打赌了后智能手机世界。

有强有力的证据表明,苹果公司正在再次积极地“蚕食自己”,把大量资源投入到消费技术领域, 这可能会使自己的iPhone过时。增强现实是公司最大的赌注。新的AR应用程序正在开发中,并且有新的证据表明AR眼镜也在开发中。苹果手表等可穿戴设备和AirPods等入耳式设备已经允许苹果的客户在没有iPhone的情况下拨打和接听电话。

库克表示,苹果公司的可穿戴设备业务规模已经足够大,可以列为全球财富400强企业。这意味着苹果手表和AirPods的年收入将达到$ 27B或更多。

同时,iPhone X背后的红外摄像头技术也可以支撑苹果未来的增强现实技术。苹果公司甚至将全息图视为可能的用户界面。

AI是苹果的一个致命弱点。

尽管苹果最近以大约2亿美元的价格收购了一些人工智能(AI)公司,并且在苹果公司2011年推出其虚拟助手Siri的初始领导下,苹果已经在机器学习,自然语言处理等领域割让给谷歌,亚马逊等等。苹果在这一领域的专利组合也相对较弱。 也就是说,苹果在过去的5年里已经完成了11个人工智能相关的收购,并且有能力设计自己的AI优化​​的GPU芯片 – 像谷歌和亚马逊等竞争对手所没有的。

无人驾驶汽车似乎已经消失,并转向了无人驾驶软件和技术,如光和测距探测传感器(LiDAR)。

我们深入了解了苹果汽车项目上的哪些信息,以便猜测苹果希望从一个曾经雇佣过几百人的项目中拯救什么。

苹果公司在媒体和娱乐领域正面临另一场艰苦的战斗。

虽然目前苹果的服务和媒体(包括应用程序商店,iCloud和苹果音乐)成为公司增长最快的业务部分,但是苹果也面临着一个优先领域的竞争:原创内容。与Netfix,亚马逊,甚至Hulu相比,苹果对原创内容游戏的推迟。考虑到苹果公司的1B内容预算,除了大规模收购之外,关键的招聘可能还不够。

也许令人惊讶的是,苹果的工作重点仍然倾向于硬件工程。

这引发了一个理论,即苹果越来越关注硬件服务。 即使有八万人,苹果仍在继续支持其硬件和软件工程。尽管公司越来越重视人工智能,服务和软件,但它仍然在硬件部门不多的情况下,招聘更多的硬件开发人员。

我们也看看苹果公司在网络安全,电池技术和医疗保健等常被忽视的领域的实力。

苹果公司显然希望通过Watch产品成为消费者健康和预防健康的中心。

目录

一、组织与重点

1、组织结构图

2、开放的工作列表分析

3、收益趋势

二、未来的定义举措

1、人工智能

  • AI并购趋势
  • AI专利趋势

2、增强现实

  • AR并购趋势
  • AR专利趋势
  • AR收益发展趋势与未来产品

组织与重点

苹果仍然是一个自上而下的公司,CEO控制了很大一部分

苹果依然是一个严格的自上而下的公司。史蒂夫·乔布斯团队长期信任的成员,现在的CEO 蒂姆•库克最初被聘请出康柏,以改造苹果破碎的供应链。

与乔布斯的风格相反,蒂姆·库克是一个“无情的系统家伙”,他通过管理业务中不起眼的部分而上升到了乔布斯的圈子里。

今天,乔纳森·伊维似乎已经掌控了苹果的设计主管,而乔布斯曾经担任过这个角色,库克则管理着其他所有事情。

根据苹果在其网站上的关键人物网页,蒂姆·库克有17个直接的报告,包括伊夫,首席财务官卢卡·马斯特里,首席运营官杰夫·威廉姆斯,以及各种SVP和副总裁。

苹果公司的领导者结构图:

截止17年11月16日

2.png

苹果的保密程度延伸到了组织内部,每个项目都需要一个可知基础。一个团队往往不知道其他团队正在做什么,并会故意将团队之间分开。前硬件主管乔恩·鲁宾斯坦曾对“商业周刊”说:“我们有单位,就像一个恐怖组织……一切都在需要在可知基础上。”

值得注意的是,苹果是一个“功能性组织”,这意味着它不会按照产品线划分自己。

以iPhone或Mac为例。相反,苹果是由功能组织的,所以菲尔席勒的营销组织负责所有产品和地域的市场营销。鉴于公司在软件和服务,电话和计算机硬件方面的多元化业务,这无疑又是一个笨拙的结构。

但与此同时,这种结构允许苹果保留所谓的创业心态。 (相比之下,在一个更传统的组织结构图的分公司中,产品副总裁可能会为了他们的工作而保留陈旧的产品。)

谈到并购活动,苹果的收购焦点集中在支撑当前的主导产品。在过去的十年中,这就是iPhone和iOS,正如Above Avalon的分析师Neil Cybart指出的那样,Mac曾经是同样的道路:

“从1997年收购NeXT开始的10年时间里,除苹果以外的所有收购都与加强Mac平台有关。虽然这可能不会成为当时苹果产品线的完全冲击,但值得注意的是,并购并没有被用于iPod或扩展到其他产品类别或行业。苹果然后经历了有限的几年 从2003年到2007年没有任何并购活动。虽然当时外界并不知道,但这个“缓冲区”最终成为iPhone发展的关键时期。自从获得P.A.在2008年半年,除了一次收购之外,每一次收购都集中在加强iPhone和更广泛的iOS平台上。这个新的iOS焦点引发了并购速度和购买公司所花费的现金数量的显着增加。”

根据2012年由Dan Lashinsky撰写的“Inside Apple”一书,内部的工业设计师们一直都是“不可撼动的”,但随着iPhone和iPad成长为公司最重要的产品,“公司最酷的团体成为了手机操作系统的软件工程师们。“但是,5年后,硬件工程师比苹果软件公司更受追捧。

苹果仍然在招聘更多的硬件工程师

截至2016年12月31日,苹果的直接员工人数约为8万人。为了了解希望增加人力资本的位置,我们最近从其网站收集了数据,打破了7000多个公开招聘信息

其中,硬件工程占有重要地位,约占34%。

其次是软件工程,约占28%,其次是销售(9%)和运营(8%)。

对于一家宣扬不断增长的服务业务的公司来说,竞争对手都在专注像AI和AR这样的领域工程师,苹果却专注于招聘硬件工程师,这有些令人惊讶。

苹果公司的开放职位列表:

截止17年11月1日

3.png

苹果最近做了几个关键的招聘。该公司说服了前巴宝莉(Burberry)首席执行官安吉拉•阿伦德茨(Angela Ahrendts)领导其零售店(现在它已经更名为“市政厅”,旨在将公司开放到更加现实和前瞻的位置) 。在六月份,该公司从索尼手中挖走了好莱坞的两位老兵,在Eddy Cue的带领下,将其价值达到了1亿5千万美元。

此外,据报道,苹果公司在以色列拥有1000名工程师,专门从事ARKit工作。

财报显示,苹果正专注于扩大市场, 如印度和新产品(Apple Watch & AirPods)

除了工作列表之外,我们还挖掘了苹果的年度财务情况,并突出了相关关键字,并使用不同的颜色表示了其重要性。在过去的5年中,iPhone是主导,以及其他主流产品iPad和Mac等。

报表中显示,多年来,经常提到像中国,巴西,俄罗斯和美国这样的地区,但在2017年,印度似乎成了一个新的焦点。苹果越来越期望像印度这样的新市场取得增长,在中国和美国等更成熟的市场中,增长开始放缓。

财报显示苹果最新的重点在新的市场和产品。

财报中最重要的关键字:

2009-2017年至今(11/17/17)

4.png

AirPods、Apple Watch和增强现实也越来越多地被提及。

苹果一直在强调其在“服务”(即软件数字购买和云服务)方面的强劲表现,其中包括苹果音乐。但是,正如我们在招聘和其他领域所看到的,硬件仍然是一个焦点。

随着手机普及率的提高,苹果应对“升级速度”的策略正在放缓,“高端”边缘市场成为另一个主题。在这里,苹果解释了iPhone的销售放缓以及为了赚取客户更多的收入。

与自称是人工智能第一的公司谷歌相比,Google经常在财报中提到人工智能,而苹果公司高管在财报中并不强调人工智能。

未来的定义举措

人工智能是苹果的致命弱点 – 公司正在转向并购以加强其人工智能能力

当揭开AI大战的帷幕,苹果似乎落后了。

根据第三方数据来源Verto Analytics的统计,去年苹果公司的语音助理Siri的使用率下降了,而亚马逊的Alexa的使用率却在增长。

苹果希望用HomePod扩大Siri的足迹 — Apple的HomePod本来是与亚马逊的Ech和Google Home进行竞争的开始。但本月早些时候,苹果公司宣布推迟HomePod,直到2018年年初(而不是2017年下半年)才会发布。

展开地说,苹果似乎有意地避开关于数据和人工智能的观点。对于如今很多公司,每一次用户交互都被抛入基于云的机器学习模型中,以帮助调整产品,比如在照片应用中标记照片。 Google照片被认为是面向消费者的一个主要的例子。

但是苹果已经采取了可能被称为“云计算”的方法,有利于在其设备上本地完成计算的模型,而不需要用户数据离开设备。

这在一定程度上是因为苹果主要从事销售设备的业务,而不是销售类似的广告空间像其竞争对手Facebook和Google试图尽可能利用云中的用户数据,以增加消费者对其平台的参与度。

2015年,蒂姆·库克(Tim Cook)承认苹果公司在隐私方面汇总用户数据的独特立场,指出:

“一些最突出和成功的公司,通过让顾客对自己的个人信息感到满意而建立自己的业务。他们正在吞噬他们可以了解到的所有信息,并试图通过这些信息进行货币化。我们认为这是错的。这不是苹果想成为的公司。”

不可避免地,苹果为了加强其产品已经向AI进行转变。今年,苹果公司推出了一款名为Core ML的新机器学习框架,该框架将为其iOS开发人员提供创建应用程序的能力,以利用机器学习实现更多的设备上的计算能力。Core ML还具有计算机视觉和自然语言处理能力,使应用程序可以标记照片和物体。

AI并购趋势

新的人工智能焦点已经在其并购活动中得到了回应,苹果公司已经成为人工智能创业公司第二大最活跃的企业收购者,过去五年共有11项与人工智能相关的收购。最近的交易包括苹果9月收购了图像平台REGAIND,并在5月份以2亿美元的价格收购了莱迪思数据。

即使只看最大型的收购,苹果公司最近也在机器学习的创业公司中的支出很大。

像Beats和Anobit这样的硬件公司已经获得了2亿美元以上的大笔收购,但在过去的两年里,Turi和Lattice都开发了水平AI,名列榜首。

苹果其他最大的收购项目包括半导体公司,包括Anobit Technologies,PrimeSense和AuthenTec。

苹果公司也正在为iPhone设计自己的基于GPU的机器学习硬件,在这个领域我们可能看到更多的收购。

苹果公司在设计专用芯片方面的优势,将随着英特尔,高通和谷歌等企业投入数十亿美元,推动数据中心和设备专用芯片的发展。

目前,芯片世界已经进入白热化,老牌企业和初创企业都在依赖知名的GPU制造商Nvidia。 苹果将设计的GPU添加到最新的iPhone上,显然是要在人工智能硬件上更加专注。 但是,这又是一个冒险,因为这需要软件和数据方面的成功。

AI专利趋势

苹果在寻求知识产权专利保护方面相当积极。最著名的是它拥有的专利,比如iPhone的包装和Apple Store购物袋等相对平凡的东西。

当然,个人专利可能只是一个潜在产品的早期草图。许多专利不等于产品。但综合起来,跨越数百项专利的活动可以揭示战略方向和重点。

按类别统计的苹果专利活动:

2009 至 2017年年初至今

5.png

 

有趣的是,苹果最大的专利部分是网络安全,自2009年以来,已经有533项专利。其次是AR / VR(253项专利),其次是无人驾驶车辆(72项)。

相比之下,只有少部分专利(22)专注于人工智能。
五大全球科技公司(市值最大的公司)之间的人工智能相关专利比较突出表明,苹果已经落后于其人工智能专利组合。

AI专利申请活动,苹果与微软、亚马逊、Facebook、谷歌 :

2009 至 2017年年初至今(17年11月10日 )

6.png

苹果的增强现实大赌注

今天,FaceID通过数千万的红外线来识别用户的脸部来解锁iPhone X,这是iPhone X最新的功能。

但是在回顾专利时,其实这个方向是清晰的。苹果在2015年拥有5项专利授权和2项面部识别专利申请。此外,2015年,苹果还收购了面部跟踪软件制造商Faceshift。

同样,今年苹果至少获得了两项专利,这些专利看起来似乎是iPhone X屏幕创新的关键:一个用于缩小设备的边界区域,另一个用于在显示器中嵌入指纹传感器。

以下是苹果公司的“使用面部识别锁定和解锁移动设备”的专利(2016年10月授予)与发布的最终产品对比图:

 

7.png

显然,苹果未来的发展方向并不是脱离专利和并购的赌注。考虑到我们所看到的数据,AR看起来应该是苹果公司的十字准线。

AR并购趋势

AR近年来一直是一个严肃的并购目标:可以说,苹果最近最重要的收购是PrimeSense,其红外(IR)技术首先在Kinect(一种用于微软Xbox的体感附加产品)内部引起轰动。正如科技公司指出的那样,最新iPhone的“刘海”基本上是一个缩小的Kinect,以用来启用FaceID。

虽然现在主要用于映射人脸,但iPhone X中的红外摄像头可以被未来的增强现实应用程序使用,以实现前向AR应用程序。例如,您可以将手机放在空地上,手机会将数千个红外点喷入该地区的轮廓,以呈现该地区的外观并自定义家庭元素。

其他AR / VR收购,如最近Sensomotoric Instruments的交易,一个AR头戴式耳机的计算机视觉公司,这可能是一个严重的饥饿扩大。早期的收购包括苹果收购FlyBy Media和metaio。同时面部识别采集(Emotient,RealFace和Faceshift)当然也可以有适用的技术。

值得注意的是,最近3000万美元收购Vrvana表明苹果正在追求AR头戴式耳机/眼镜。

Vrvana的耳机技术如下图所示,提供了AR和VR功能。到目前为止,它似乎是苹果第一个AR硬件(而不是AR软件)的收购,而且它的位置跟踪可以更快地加强ARKit。

8.png

AR专利趋势

苹果公司也正在寻找超越 iPhone物理屏幕的AR技术,例如在桌面上呈现全息图 。

下面的专利申请被称为“交互式三维显示系统”,该系统详细描述了一种系统,该系统可投影用户在空中操作的全息图像,而不需要特殊的眼镜来看它们。

这个应用程序于2012年10月被引导,并成为较大的AR应用程序的一部分,并提到了教育,医疗诊断和生物医学工程领域会作为可能的应用领域。

全息图形式的AR绝对是增强现实未来可能的方向。通过全息图AR将意味着投影机可以将图像投射到物理环境中(就像“星球大战”中的机器人一样)。

9.png

 

这样做,全息图可以消除消费者采用AR的障碍 — 笨重的头戴式耳机 。旧金山的创业公司Lightform已经筹集了近800万美元来实现这一愿景。

AR财报趋势和未来的产品

蒂姆·库克(Tim Cook)虽然经常对未来的产品感到不安,但他倾向于在采访和季度收益会议上预示苹果的举措。

为了了解将要发生的事情,我们使用CB Insights的收入记录搜索引擎,查看了公司收益财报中提到的技术和地域信息,并对它们进行了长时间绘制。我们发现:

  • 提到人工智能是最近才出现的现象,仅在16年第一季开始。
  • 自动驾驶车辆(AV)在2017年末首次被提及。
  • 到目前为止,AR / VR是我们研究的最受关注的部门,从16年第一季度开始就提到了33个提及。
  • 在最近的Q4’17会议上,AR / VR关键词被提及了15次,这使得它成为一个重大的赌注。

苹果财报分析:

AI / ML,AR / AV、可穿戴设备、医疗和网络安全的提及。

10.png

值得注意的是,苹果的AR耳机可能即将推出。不同的证据表明,苹果公司十多年来一直在研究虚拟和增强现实应用。而新的启示显示,到2020年,苹果将拥有一个独立的AR耳机。被称为“T288”的AR项目据报道由Mike Rockwell领导,这是杜比实验室的重要雇员,负责监督数百人。

该产品将拥有自己的rOS或Reality Operating System,这将是苹果移动平台的精神继承者。

在2017年6月的WWDC上,苹果首次公开发布了第一个主要工作,并推出了适用于iPhone和iPad应用程序开发人员的工具ARKit,并开放了名为CoreML的机器学习库。

在短短的几个月内,ARKit开发者已经发布了应用增强现实应用程序,可以通过iPhone 6S或更高版本到达任何苹果用户。今天,这一数字相当于381万部iPhone和设备,但到2020年,ARKit的足迹预计将达到8.5亿部。

据报道,在AR手机应用软件“Pokemon Go ”, 是AppStore历史上第一周下载量最大的软件。据说苹果还有1000名工程师在以色列进行ARKit相关工作。

现在已经有一个不断增长的AR应用程序生态系统,将iPhone变成可以说是体验增强现实最常用的设备。应用程序的范围从像宜家这样的家具零售商,让用户可以将家中的家具视觉化为儿童的教育游戏,将谜题投射到卧室的墙上,等等。

Cook在2017年初接受采访时表示,他认为AR是苹果的下一件大事:

“我认为这是一个像智能手机一样的大想法….我认为AR是大的,这是巨大的。因为那些是可以改善生活的事情,我感到兴奋和娱乐。我认为AR就像我在iPhone上看到硅片一样,它本身不是产品,它是一项核心技术。但是之前有一些事情要发现,技术对于主流来说已经足够了。”

库克也重申,“AR将会改变一切”。

根据苹果公司第四季度财报,App Store拥有超过1000款使用ARKit的应用程序。

但苹果也面临一些阻力。严重的游戏玩家和视觉开发人员绝大多数都是使用非苹果电脑来制作图形和虚拟现实体验。

一旦发布,苹果耳机肯定会与谷歌和好莱坞工作室支持的创业公司Magic Leap(自2011年以来一直专注于追求AR耳机)展开竞争。(Magic Leap或Apple都没有展示产品)。

此外,与竞争对手相比,苹果在AR / VR领域的专利组合虽然规模可观,但是微软,谷歌和Facebook在这个领域一直很积极,并且已经超过了苹果公司追求专利。

最后,虽然蒂姆·库克经常谈论增强现实,但虚拟现实大多被忽视。 Facebook的Oculus,Google Daydream和微软等公司已经开始为开发者社区开发耳机和手机,用于蓬勃发展的VR领域,而苹果似乎已经把所有的芯片都放在了AR上。

AR / VR专利申请活动,苹果与微软、亚马逊、谷歌、Facebook:

2009~2017年年初至今(17年11月11日)

11.png

  • 十二 06 / 2017
  • 0
Ideas

锐眼洞察 | 智慧城市如何使用大数据(翻译)

论文作者:Luis M.A.Bettencourt, Santa Fe Institute

译者:TalkingData副总裁 高铎、TalkingData数据科学家 叶杰生

本文禁止商用,转载请注明译者与来源!

译者注:个人在读书期间曾对智慧城市中计算复杂性下反馈控制和自组织理论的应用有过阅读,这是当时读书时一个教授的论文,在宏观上很有思考层面的启发意义,推荐阅读!

概要

当今,令人振奋人心的是,崭新的和扩展出来的数据源创造了让我们更加深入理解和更加高效管理好城市的可能性。本文里,我探索出了大数据在城市规划中的有效性,将其落地到规划程序中的常规计算问题。例如,通常情况下,新的数据源配合城市政策可以运用以下工程上的基本原则成为解决重要的古老城市问题新方案。同时,综合城市规划上,如果没有大量有效的数据使用,从计算上无法支撑起复杂的城市规划。这个规划和协调之间的困境和它在细节上的不可能性正随着对城市的认知加深和自组织的空间内嵌入社交网络从而逐步得以解决,并通过城市基础设施和服务实现。大数据在城市领域中的主要角色就是促进各个个体间相互的信息流动和学习机制。然而,在自组织过程中,城市以及服务的改进和扩大,都必须依靠一些主要原则。这为城市的运作和发展提供了必要的条件。这样的想法逐步发展成了城市科学理论的核心内容,正是有了该理论的指导,全球不同发展水平的数千个城市中,这些数据变得高可用性。数据和信息技术在城市规划院中的这三种使用,是城市政策和管理成功的必要支柱,这鼓励而不是扼杀了作为人类社会中城市的基本角色下的引擎发展和创新。

关键词:城市规划与政策,工程,反馈控制理论,计算复杂性,自组织,城市科学。

1. 引用大数据的新机遇

如何衡量一个城市?由填满天际线的高大建筑物?还是靠它的交通快速效率?或者,也许是Jane Jacobs称之为繁忙街道的“人行道芭蕾”?这些当然都是现代城市或大都市区中难忘的标志。但是对一个城市真正测量的复杂层度超过其他人造结构,更依赖需要日常工作去执行。另外,城市和主城区是由其为市民提供的创意的质量、激发的创新和创造的机会和城市外限制的不同而定义。(朱迪思-罗丹)(2013)[1]

今天的世界,信息和通信技术(ICT)[2,3]的兴起和城市化[4]的传播可以说是全球最重要的两个趋势。两者在之前历史上范围和程度的变化之剧烈都是史无前例的,也将彻底改变我们的生活方式并使之无法逆转的可能。如果按照目前的趋势继续发展,我们有理由相信在短短几十年之内世界各地的绝大多数人都将可能会住在城市环境中,信息技术将会如此他们的日常生活的一部分,嵌入到他们的住房、通讯、交通和运输其他城市服务。

因此,现在有一个显而易见的机会去使用这些技术来更好地理解城市主义作为一种生活方式[5,6],并改善和尝试解决许多在发达城市和发展中城市在城市发展中所面临的问题和挑战。[4,7]

尽管未来充满诱惑,在我看来,在城市领域中如何使用大数据去面对基本的机遇和挑战,还没有充分标准化。特别是,在城市领域中使用大数据总体战略应用的必要条件需要明确,它们的局限性也必须尽可能地被预期和掌握。在这个观点下,目前的主要目标是在当前跨学科的城市知识下如何处理这些问题。

首先,需要强调使用量化数据来更好地理解城市问题是非常重要的,而指导解决这些问题的技术方案其实并不新奇。在美国各州(特别是在纽约), 我们一直致力于建立详细的统计数据来宏观体现一个多世纪以来的城市问题。雅各布里斯有影响力的“另一半如何生活”[11]报告中使用了这些统计数据从而获得了更大的说服力。例如,纽约市住宅中遇难的人数。纽约-兰德研究所在20世纪70年代使用详细的城市统计[12],建模和计算为战时和企业管理制定资源配置,特别是纽约市的消防部门[13]。因此,今天的智能城市化运动[14-28]需要放在以下视角中:对比于过去,这些由现代数据和信息技术获取的成果有什么根本不同?假设它们只是旧思想和程序的延伸,只是得到了更大的范围和精度那该怎么办?

为了回答这些问题,我在城市政策和管理中的使用轻量级的工程概念框架下[29]整理了数据的使用方式。我将在下一节展示使我们能够确定如何有效使用数据和政策去解决大规模城市问题的必要条件,这样我将在证明,理论上现代信息和通信技术至少是应用于城市工程解决方案中全新的机会窗口。

当然,城市的问题总是以人为本,社会和经济问题在城市中,规划者称之为“恶劣的问题”[30],这个术语远远超出了城市范围,之前已经在货币政策分析方面取得了广泛的认可。出于某些具体的原因,这类问题预计不会产生工程上的解决方案[30],这个脱离了反馈控制理论的假设[29]。在第3节中我重新讨论了这个问题,根据计算复杂性理论[31]的“恶劣问题”来形式化详细的城市规划,而这在计算上是相当棘手的。这意味着需要对城市中的原始行为数据执行获取知识和预测的建模过程。而在面对大城市的数据上,不管可用数据的有多少,这是几乎不可能实现的基本过程。这澄清了城市的中心困境规划和政策:城市规划显然是解决长期问题所必需的跨越,例如在服务和基础设施方面,还有先验的详细评估的计划影响是不可能的。

而在第四部分我解决了这个困境,关键是社会自组织的性质以及城市的经济生活和总体量化理解的发展,如何跨越大的空间和时间尺度下在城市中像广阔的网络一样运行。同时,确定关键的一般动态理论认识到大多数个人的细节与描述与整个复杂的系统无关[32]。例如,即使人们改变他们的居住地点,工作和社交关系,一个城市的存在和功能也不会因此改变,在观测方面,这种城市理论的发展,使得世界各地许多城市的数据可用性都有所增加并尽可能从实验中获得。

接下来我将讨论如何将有限范围的工程解决方案与整合长远的观点所表达的城市社会自我组织的动力,由城市理论提供的知识和管理提供了,在适当的环境里同时允许它们在人类社会中发挥主要作用,并以开放式的方式继续在社会和经济上发展。

2. 城市大数据解决方案的性质

我们应该养成独自思考质疑真理的习惯,事实的情况恰恰是,文明通过大量重要的运动进步,我们可以在不考虑它们的情况下执行。 – 阿尔弗雷德怀特黑德,1911年[33]。

相对简单的解决方案,即使在看起来非常复杂的系统中通过精确的测量和提示启用,有时也可以运行出过去传统的政策或技术失败了的奇迹。

一个与管理城市没有直接关系的例子说明了这一点:汽车自动驾驶。我最近参加了在加利福尼亚州圣巴巴拉的Kavli理论研究所的一个物理研讨会,作为一个跨学科研究人员,参与讨论人工智能,算法及其与神经科学的关系等问题。来自加州理工学院的Richard Murray教授在一个特别令人难忘的演讲中表示:解释如何他的团队设计了一款2005年完成DARPA“大挑战”的自动驾驶汽车[34],现在正在城市道路上部署。理查德描述了用于确定周围物体和速度的多种传感器的一组数据,用于对地理位置进行定位认识道路及其边界,规划道路。我插话询问汽车是否从其经验中学到了什么,而我感到惊讶的是这种回应:加州理工学院的团队全部使用反馈原则“硬连线”控制理论。我抗议说,自动驾驶汽车所面临的最困难的问题当然是不计划路径,认识道路或测量周围的交通 – 但所有的人们在路上做的愚蠢的事情:“车不需要人的模型行为?这肯定是困难的一部分!”

答案令人惊讶的是,根本不需要!原因是人们一定会做出鲁莽的事情,他们这样做,从汽车的角度来看,才是真正的冰河速度:人类在秒钟的时间尺度上也难以表现出预测的性能,而电子器件和执行器却可以在毫秒上或更快的速度响应环境。在实践中,这允许汽车有足够的时间去采取非常基本的“硬连线”的回避行动,比如越过或者躲开,事实上,目前自动驾驶汽车有一个安全记录超过了人类[35,36]。

从这个故事的经验是,在使用相对简单的解决方案下,并不需要很多的技巧性工作就可以在特定条件下解决非常棘手的问题。关键是快速和足够精确的测量和足够简单的反应,换句话说,有时候如果你足够快,你不需要很聪明(唯快不破)。

这是现代工程的逻辑,更确切地说是反馈控制理论[29]。如果我们知道系统的期望操作点(例如避免碰撞)和当我们通过反馈观察其状态变化时,有能力在系统上运行循环程序检测,我们就可以在一般条件下把它变成一个简单的问题,必要条件是能够衡量和识别潜在的问题,就像他们开始出现(汽车接近)并采取必要的纠正措施(越过或回避)方式,从而避免碰撞。关键问题是时间尺度:一切系统有问题发展的内在时间尺度,汽车在路上几秒钟的情况下,测量和反应周期避免了这样复杂的问题通过简单的手段必须在这个机会的窗口内完成反应动作。

我们现在更清楚地看到,为什么新一代大数据可能会提供极具创新的解决难题方案。现代电子相比大多数身体如此之快,无数生物和社会现象的重要政策问题正在落在这个机会之中,在这种情况下,模型的系统响应可以是非常简单粗暴的(他们通常可以线性化)[29]。因此,工程方法可以方便地绕过始终产生的复杂性在这些系统中更长时间或更大的空间尺度上,如需要发展人类行为模型。这样就可以在没有理论的情况下解决一个困难而重要的问题[37],这正是城市大数据的(潜在)奇迹。

大多数城市使用数据的城市管理和政策的例子都有这种共同点,无论是由人和组织或计算机实施算法。表1列出了我尝试过的重要城市问题的总结,它粗略地描绘了他们典型的时间和空间尺度以及他们的性质操作点或结果。

例如,考虑这些条件下的城市交通系统,如公交网络[38]。公共汽车应该优先考虑那些仅仅想搭乘一小段里程却等待了数分钟的乘客。测量每个车站之间的巴士时间,可能与巴士一起等待的乘客数量,给规划者一个反馈控制解决方案的基础:与巴士沟通,以执行所需的服务标准,快速更改服务单位的数量,这些参数会参考理想度量标准,按每人等待时间衡量而提供服务,这样服务质量将得到改善。这类策略可以由调度员直观地操作,也可以通过信息通信技术算法实现[38],获得必要的测量结果,反馈控制理论将为这些解决方案的开发提供了优化的框架。

可以设计类似的程序来进行供水或电力供应管理与公共交通系统整合[39,40]。交通管理,垃圾收集,基础设施维护(建筑,道路,管道等)也尽可能可以以类似的方式整合在一起。

1.jpg
表1.城市问题对应的时空尺度及其相关特征指标。结果指标将在表格的时间尺度上进行解释,周期每个是时间长为特征的社会经济问题形成的原因之一。

以前没有理论可以解释为什么会存在某些犯罪而形成顽固困难的社会问题,所以无法指导巡逻和其他执法战略作出反应遵循类似的原则。犯罪是实实在在发生的,其结果足够清晰。令人兴奋的是,在几个城市(特别是在洛杉矶)进行的新实验[41,42]揭露了理论。

最近的创新型企业[43-46]和政策策略[47]见解都能正确地预见到信息流动,这是这种问题协调解决办法的基础。从而,这些问题根本上是一个信息通信技术问题,通过简单的行动就能实现将系统状态改为最佳性能的策略。

但是其他城市问题(大部分是社会或经济角度下看到的城市问题),大型社会事件链条的结果是因为不同的角色因为他们的操作点不好或者是因为它们的动态是相当分散的,并且会在大的时间或空间中播放出来空间尺度,如表1所示。因此,它仍然难以使群众信服,也无法为公众问题(如经济发展、贫困或城市的可持续性等)制定工程解决方案,公共卫生问题往往处于中等复杂程度。

类似于犯罪、传染性疾病的特点是简单的指标和当地的影响过程中个人之间的社会联系。因此,遏制(根除)霍乱,采用霍乱接种疫苗,这类传染性疾病的方案代表了最大的成功的城市政策。但是,那些具备条件、发挥更长的时间、并可能有更多复杂而分散的社会因果关系,如慢性病甚至艾滋病毒/艾滋病等疾病证明,这些仍旧是困难的工作。

因此,性能指标的简单性表达为客观的量化数据。了解它们在时间和空间上的形成原因,这是成功的工程解决条件启发要始终牢记的关键的一点,然而,这些数据是相对于控制系统的性质而言,是政策制定者或者算法所决定的反馈时间。技术和科学的进化,我们可能希望实现阿尔弗雷德怀特黑德的格言在本节开头引用,通过增加自动化来取得棘手问题解决方案的进步。

3. 计划者的问题

为了足够详细地描述这一个“恶劣的问题”,人们必须完善一个详尽的解决方案,能够提前清点所有的可能。原因是每个问题都要求额外的信息,这取决于(研究员)对问题的理解和那时的解决方案。因此,为了提前解决问题,所有信息、所有可能的解决方案的知识是必需的。–Rittel和Webber,1973 [30]。

在前一节中描述的场景中,在城市绘制了一个定义明确的路径数据与几十年的城市理论和实践相悖。在很多城市的物质和基础设施方面搭配的工程实践中,许多社会经济问题实际上是“恶劣的问题”[30]。长远来看,城市的上层需求和底层建筑不匹配问题是永远的纠结。

“恶劣的问题”最初是由两个城市规划者,Rittel和Webber,1973 [30]。“恶劣问题”的本质特点是不能解决的。我将重新阐述现代的一些论点,形成我所称的“规划师的问题”。计划者的问题有两个明确的方面:

i)知识问题

ii)计算问题

知识问题是指计划者的信息(最终是数据)需要在理解系统(这里指城市)的当前状态下进行映射。采纳信息交流技术能让坐在“情况室”的策划者获得更详细的关于城市基础设施、服务和社会生活各个方面的信息,虽然仍存在质疑,但这并非不可能。抛开隐私问题,可以想象的是,在大城市中一个人的生命和物质基础设施可以在数百万个地方以良好的时间速度充分感知下,能产生大量但可能可控的信息流量技术标准。

这样,知识问题就不是一个容易被看透的问题。然而,计算问题在本文开头的引文中已经提到部分,是指执行计划的实际任务的计算复杂性评估所有可能情景所需的步骤数量的条款并选择尽可能最好的行动。这个问题类似于玩复杂的游戏,像国际象棋,有数以百万计的棋子,每个都遵循不同的互动规则影响其他人,在数量庞大的局面上反对数以百万计的对手。那么,观察者可以评估一个城市的每个可能情景的详尽方法是因为它涉及对不可能的巨大空间的考虑,就并不惊奇了。

我以定理的形式将这个陈述正式化,并提供数学的细节附录(见论文附录)中的证明简图。考虑一个城市可能性组合的结果是最好的详细的城市规划的创造和选择在一个人口规模为N的城市需要一个涉及O[P(N)]步的计算其中δ~1/6,P0是一个常数,与N无关。对于一个有百万人口的城市来说,,是一个真正的天文数字,2.png,比所有的原子都大得多宇宙。因此,计划者的问题实际上是不可能解决的。3.jpg

我想强调的是,附录中给出的草图证明:依赖于“规划师的问题”可以作为最佳的空间和社会的选择使城市指标资产最大化的城市配置。其他更有限条件下的概念化问题可能具有较低的计算复杂性,但不能保证找到最好的计划。在这种情况下,规划必须依靠启发式算法,得不到绝对的最优性。

鉴于这些警告,我之前已经表明,城市规划中除了最小的城镇之外,在计算上是不可能的。这表示使用复杂的模型[39,53]在城市规划和管理中有其局限性,无论数据量多少,都不能被穷尽地映射給决策者。那么我们应该如何考虑城市在这些限制下的规划呢?城市中大数据的作用是什么?

4. 自组织,信息和城市科学的作用

如果地球上的一些团体继续混淆或革命自己经济发展时期,我们可以绝对确定未来城市的一些事情。城市不会像今天的城市那样更小,更简单,更专业。相反,他们会比今天更复杂,更全面,更多元化,更多新旧事物杂乱无章。 – Jane Jacobs,1970 [54]

“计划者问题”的答案一部分来自经济学、社会科学,和(中央)规划者面临类似的,这是有限条件下计划经济的困境市场。获取运行一个城市所需的详细信息,在计划经济方面是人和组织必须依据的根本。更重要的是,能够做出决定和行动需要和了解信息及有处理能力的人在一起工作。因此,自组织是城市规划的关键,不取决于在“情况室”下计划者发表的看法,而是在无数人可能传达出来的信息决策上做出的整合和协调。

从这个意义上说,城市一直是信息和通信技术的主要创造者和使用者,从日报、邮政邮件、到电报或电报(蜂窝)电话[57]。那么,出现新的信息通信技术是不足为奇的,这主要是为了城市的进一步发展,而不是与以前技术竞争。其实这是信息通信技术在特定领域问题的应用,是城市普遍问题的解决[58]:也就是说,通过信息共享在人与机构的整合与协调庞大的社会网络,可以给个人、代理人和整个社会带来好处。

这从根本上使我们有了另一个关于城市大数据使用的观点不同于前面章节的工程框架。一个重要的功能信息和通信技术正在为实现新的更好的方式人们要社交。在这方面,大数据和相关技术只能扮演一个角色对社会动态的支持作用,而不是规定性的。数据和技术不能创造或解决城市问题,因为它们使人们和社会组织能够自我解决得更好。信息和通信技术的这一作用已经在智能文献中讨论过城市[19,21,25,26]。尤其重要的是可能更快捷地访问贫穷社区的公民,让被排斥的人参与经济建设,特别是在发展中的城市和国家[59]。

答案的第二部分源自于自下而上的自组织对于一个运转良好的城市来说显然还不够。许多发展中的城市,例如孟买[60],同样,作为一种表现的新形式或新情况,暴民也是自组织的产物。一般的城市工作在更大规模上界定城市的属性和限制必须发挥作用,这样所有城市共同的特征是城市理论的重点。

科学理论与具体实际问题的细节无关,这是适用于许多问题实例的一般原则。鉴于如何不同的城市相互之间有多少变化,可以在多大程度上科学化城市理论是可能的还是有用的?

为了说明这一点,此处举出科学和工程的另一个伟大的胜利:发射火箭到月亮。阿波罗11号任务可能不是完全不可思议的在没有力学和重力法则的知识的情况下被拉下来。可以想象通过判断是否使用反馈来控制火箭推进器宇宙飞船离开地球,以适当的速度接近月球不会崩溃等等。但是,这当然不是发生了什么事情:这样的解决方案将是非常困难的当时的工程和计算条款,尤其是因为时间的推移规模和大量的能源,以提升。相反,我们发射基于他们的火箭物理理论规定的一般性质,地球和地球的质量航天器,行星的旋转,起飞所需的速度等。这套计算给出了从地球发射任何航天器和放置的一般策略他们在理想的轨道位置。

以下这个通用的解决方案是一个详细但更有限的工程原理和自组织来细调解决方案的细节问题,例如考虑到特定航天器速度的月球着陆条件在那一刻,它与地面的距离,操作人员过去的行动等等。

因此,理论可以大大减少工程问题的规模,并在很多方面案例使得解决方这样,城市理论就成为了任何一个城市作为一个整体来工作的一般参数,作为一个由社会介导的自下而上的自组织过程网络具有一定的一般属性,并由基础设施和服务支持遵循一般性能指标[58],这些过程的细节必须是在任何情况下酌情进行衡量和管理。

城市理论的现状正在快速演变,并开始接近跨学科的城市科学。新的、更大的数据,使比较定量全球数千个城市的分析一直是确定总体的关键城市的属性及其由于一般的发展条件而变化当地的历史[58,61,62]。我们现在有一个定量框架,城市的一般结构作为广阔的社会网络,对它们的一般性质基础设施网络和土地利用[58]。这样我们揭开了在复杂的城市系统[6,58,63]中,什么样的基础设施,能源和资源利用等能使城市能够最佳地发挥作用独特的开放式社会系统,达成社会经济发展和创新人类社会。

5. 讨论

重塑城市的最后一项重大技术进步是汽车(有些可能认为这是电梯)。在这两种例子中,这些技术都重塑了物理层面生活在城市里 – 一个人能走多远,或者一个建筑物能爬多高。但是城市如何运作的基本原理保持不变。这些信息有什么不同?个人电脑,手机和互联网迎来的时代,是它的能力重塑城市的社会组织,赋予日常公民知识以及积极参与城市政策,规划和管理的工具。 – Christian Madera,2010 [66]

今天发达的城市,是历史上社会和技术复杂系统前所未有的多样性水平、时间与功能的整合。这种日益增长的个人专业化和相互依存性使得大城市变得非常重多样性,关键依赖于精细的时空一体化和更快捷更可靠的信息流,这些过程是城市发展的核心所有人类社会的经济和文化引擎。

像现在的东京这样拥有3500万人口的城市,急需非常高效的交通、可靠的能源和供水,良好的社会服务,包括非常低的冲突事件。当今世界上许多发展中的城市地区将不得不复制和改进这些指标,如果他们履行承诺成为世界城市,使数百万人的共同生活和发展成为可能。

至此已经表明,信息日益丰富,通信技术与人类的行为同步节奏,从根本上说是新的工程解决方案,可以解决重要的古老城市问题。因此,新的传感、通信和计算技术将发挥作用在实现新的城市规模效率和城市社会经济增长方面发挥重要作用。在这个意义上,我们应该期待城市发展,服务和基础设施应该变得日益工程化,从不可见成为可预测和自动化。怎样在这种情况下保持对基础设施和服务故障的适应能力是一个重要的公开问题。重要的是,这样的解决方案应该总是理解为短期的、范围有限的,因为从长远来看它们必须继续成为促进社会经济发展的可能。

世界上最有活力和最有吸引力的城市并不是公交车无可挑剔准时运行,尽管它们不是社会发展或经济增长根本来源,改善基础设施和城市服务对城市来说是也是绝对必要的。城市更基本的功能,依靠社会自我组织的过程和一般条件的实现使城市能够有效运作,成为多层次的开放式演进网络,是更基本的城市特征,在这个范围内发挥着个体作用到整个城市,从几秒到几个世纪,创造和解决了计划者的问题。有鉴于此,通过信息和通讯的新用途,使城市变得更加智能化的关键通信技术,与以往没有太大的不同。大数据为城市居民创造更多的机会而不是更少:那么大城市大数据的主要用途就是继续创造更多人知识,而不是取代它。

致谢

在圣达菲研究所2013年9月19日至21日,我十分荣幸参与探讨“究竟大数据能带领我们理解城市到哪个地步”这个论题工作组,依此提出了本文。这项研究部分由洛克菲勒支持基金会、詹姆斯·S·麦克多奈尔基金会(批准号:220020195)、约翰邓普顿基金(批准号:15705)、陆军研究办公室(项目批准号。W911NF1210097)、比尔和梅琳达·盖茨基金会(赠款OPP1076282)和由布莱恩J.和B.六月基金会Zwan所提供。

References

1    J. Rodin in the foreword to B. Katz, J. Bradley, The Metropolitan Revolution: How Cities and Metros Are Fixing Our Broken Politics and Fragile Economy. (Brookings Institution Press, Washington DC, 2013).

2    M. Hilbert, P. López, The World’s Technological Capacity to Store, Communicate, and Compute Information, Science 332: 60–65 (2011).

3    V. Mayer-Schonberger, K. Cukier, Big Data: A Revolution That Will Transform How We Live, Work, and Think (Eamon Dolan/Houghton Mifflin Harcourt, New York NY, 2013)

4    UN-Habitat, Planning Sustainable Cities — Global Report on Human Settlements 2009. Available http://www.unhabitat.org/conte … D5607

5    L. Wirth, Urbanism as a Way of Life, The American Journal of Sociology, 44: 1-24(1938).

6    L.M.A. Bettencourt, The Kind of Problem a City is, in D. Offenhuber and C. Ratti.(eds) Die Stadt Entschlusseln: Wie Echtzeitdaten Den Urbanismus Verandern: Wie Echtzeitdaten den Urbanismus verändern. (Birkhauser, Heidelberg, 2013). Available (in english) http://www.santafe.edu/media/w … 8.pdf

7    UN-HABITAT, The Challenge of Slums: Global Report on Human Settlements (2003).

8    J. Polonetsky, O. Tene, Privacy and Big Data: Making Ends Meet, 66 Stanford Law Review 2. Available http://www.stanfordlawreview.o … -data

9    d. boyd, K. Crawford, Critical Questions for Big Data, Information, Communication and Society 15: 662-679 (2012).

10    McKensey Global Institute, Big data: The next frontier for innovation, competition,and productivity (2011). Available http://www.mckinsey.com/insigh … ation

11    J. Riis, How the Other Half Lives: Studies among the Tenements of New York(Kessinger Publishing, 2004). Originally published in 1890. Available http://www.authentichistory.co … .html

12    P. L. Szanton, Analysis and Urban Government: Experience of the New York CityRand Institute, Policy Sciences 3: 153-161 (1972).

13    J. Flood, The Fires: How a Computer Formula, Big Ideas, and the Best of Intentions Burned Down New York City and Determined the Future of Cities (Riverhead Books,New York, NY, 2011)

14    D.V. Gibson, G. Kozmetsky, R. W. Smilor (eds.), The Technopolis Phenomenon: Smart Cities, Fast Systems, Global Networks. (Rowman & Littlefield, New York NY,1992).

15    M. Castells, The Informational City: Information Technology, Economic Restructuring, and the Urban-Regional Process (Blackwell, Oxford, UK, 1989).

16    M. Batty, The Computable City. In: Fourth International Conference on Computers in Urban Planning and Urban Management, Melbourne,Australia, July 11-14 (1995).Available http://www.acturban.org/bienni … y.htm

17    S. Graham (ed.), The Cybercities Reader. (Routlege, London, 2004).

18    W. J. Mitchell, Me++: the cyborg self and the networked city, (The MIT Press,Cambridge MA, 2004)

19    H. Partridge, Developing a human perspective to the digital divide in the Smart City(2004). Available http://eprints.qut.edu.au/1299 … r.pdf

20    R. Giffinger, et al., Smart Cities Ranking of European Medium-Sized Cities.Centre of Regional Science, Vienna University of Technology, Vienna, Austria (2007). Available http://www.smart-cities.eu/

21    J. M. Shapiro, Smart cities: quality of life, productivity, and the growth effects of human capital, The Review of Economics and Statistics 88: 324-335 (2008).

22    S. H. Lee, J. H. Han, Y.T. Leem, T. Yigitcanlar, Towards ubiquitous city: concept,planning, and experiences in the Republic of Korea. In: T. Yigitcanlar, K. Velibeyoglu, S.Baum (eds.) Knowledge-Based Urban Development: Planning and Applications in the Information Era, pp. 148–170. (Information Science Reference, Hershey, 2008).

23    A. Caragliu, C. Del Bo, P. Nijkamp, Smart Cities in Europe. VU University Amsterdam, Faculty of Economics, Business Administration and Econometrics (Research Memoranda 0048, Amsterdam, The Netherlands, 2009).

24    C. Harrison, B. Eckman, R. Hamilton, P. Hartswick, J. Kalagnanam, J. Paraszczak, P. Williams, Foundations for Smarter Cities, IBM J. Res. Develop. 54: 1-16 (2010).

25    N. Taewoo, T. Pardo, Conceptualizing Smart City with Dimensions of Technology,People, and Institutions, The Proceedings of the 12th Annual International Conference on Digital Government Research (2011). Available http://dl.acm.org/citation.cfm?id=2037602

26    M. Batty, K.W. Axhausen, F. Giannotti, A. Pozdnoukhov, A. Bazzani, M.Wachowicz, G. Ouzounis, and Y. Portugali, Smart cities of the future, The European Physical Journal Special Topics 214: 481–518. (2012).

27    S. Roche, N. Nabian, K. Kloeckl, C. Ratti, Are ‘Smart Cities’ Smart Enough? In: Global Geospatial Conference. Global Spatial Data Infrastructure Association (2012). Available http://www.gsdi.org/gsdiconf/gsdi13/papers/182.pdf

28    R. Papa, C. Gargiulo, A. Galderisi, Towards an Urban Planner’s Perspective on Smart City, TeMA 1: 5-17 (2013).

29    K. J. Åström, R. M. Murray, Feedback Systems: An Introduction for Scientists and Engineers (Princeton University Press, Princeton NJ, 2008). Available http://www.cds.caltech.edu/~mu … _Page

30    H.W.J. Rittel, M. M. Webber, Dilemmas in a General Theory of Planning, Policy Sciences 4: 155-169 (1973).

31    C. More and S. Mertens, The Nature of Computation (Oxford University Press, New York NY, 2011)

32    P. W. Anderson, More is Different, Science 177: 393-396 (1972).

33    Alfred N. Whitehead An Introduction to Mathematics (Williams & Norgate, London, 1911).

34    Team Caltech at the DARPA Grand Challenges: http://archive.darpa.mil/grand … h.pdf

35    Google driverless car: http://en.wikipedia.org/wiki/Googledriverlesscar

36    M. M. Moore, B. Lu, Autonomous Vehicles for Personal Transport: A Technology Assessment (June 2, 2011). Available http://ssrn.com/abstract=1865047 or http://dx.doi.org/10.2139/ssrn.1865047

37    C. Anderson, The End of Theory: The Data Deluge Makes the Scientific Method Obsolete, Wired 06.23.08 http://www.wired.com/science/d … heory

38    J.S.J. Ren , W. Wang , S. S. Liao, Optimal Control Theory in Intelligent Transportation Systems Research – A Review, arXiv:1304.3778 [cs.SY]

39    C. Harrison, Roads to Smarter Cities (2013). Available upon request from the author.

40    MASDAR City. http://www.masdarcity.ae/en/

41    M.B. Short, M.R. D’Orsogna, P.J. Brantingham, and G.E. Tita, Measuring and modeling repeat and near-repeat burglary effects, Journal Quantitative Criminology 25: 325-339 (2009).

42    J. Rubin, Stopping crime before it starts, Los Angeles Times August 21, 2010. Available http://articles.latimes.com/20 … 427-1

43    IBM Global Business Services, A Vision of Smarter Cities: How Cities Can Lead the Way into a Prosperous and Sustainable Future, (IBM Institute for Business Value,Somers, NY, 2009)

44    Cisco’s smart city framework (2012):http://www.cisco.com/web/about … k.pdf

45    Siemens’ Smart City in Vienna: Model Project Aspern (2013). http://www.siemens.com/innovat … 1.htm

46    Smart Cities Council: http://smartcitiescouncil.com

47    European Union’s Report of the Meeting of Advisory group ICT Infrastructure for energy-efficient buildings and neighborhoods for carbon-neutral cities (2011) http://ec.europa.eu/informatio … t.pdf

48    D. J. Dwyer (Ed.), Asian Urbanization, a Hong Kong Casebook. (Hong Kong University Press, Hong Kong, 1971).

49    W. Fernandez, Our Homes: 50 Years Of Housing A Nation (Housing and Development Board, Singapore, 2011).

50    S. B. Johnson, The Ghost Map: The Story of London’s Most Terrifying Epidemic – and How it Changed Science, Cities and the Modern World (Riverhead Books, New York NY, 2007)

51    N. Johnson, G. Zhao, E. Hunsader, H. Qi, N. Johnson, J. Meng, B. Tivnan, Abrupt rise of new machine ecology beyond human response time, Nature Scientific Reports 3, Article number: 2627 (2013).

52    Historical Internet Traffic Rates: http://en.wikipedia.org/wiki/Internet_traffic 17 53 Y. Portugali, Complexity, Cognition and the City (Springer, Heidelberg, 2011)

53    J. Jacobs, The economy of cities (Vintage, New York, NY, 1970).

54    F. Hayek, The Use of Knowledge in Society, American Economic Review. 35: 519- 530 (1945).

55    P. Krugman, Development, Geography, and Economic Theory (Ohlin Lectures) (MIT Press, Cambridge MA, 1997).

56    P. Hall, Cities in Civilization (Pantheon Books, New York NY, 1998)

57    L. M. A. Bettencourt, The Origin of Scaling in Cities, Science 340: 1438-1441 (2013).

58    C. Andris, L.M.A. Bettencourt, Development, Information and Social Connectivity in Côte d’Ivoire, Santa Fe institute Working Paper Paper #: 13-06-023. Available http://www.santafe.edu/media/w … 3.pdf

59    S. Mehta, Maximum City: Bombay Lost and Found (Vintage, New York NY, 2005).

60    L. M. A Bettencourt, J. Lobo, D. Helbing, C. Kühnert, G. B. West, Growth, Innovation, Scaling, and the Pace of Life in Cities. Proc. Natl. Acad. Sci. U.S.A. 104, 7301-7306 (2007).

61    L.M.A. Bettencourt, J. Lobo, D. Strumsky, G.B. West, Urban Scaling and Its Deviations: Revealing the Structure of Wealth, Innovation and Crime across Cities. PLoS ONE 5(11): e13541 (2010). 63 J. Jacobs, The Death and Life of Great American Cities (Random House, New York, 1961).

62    R. J. Sampson, J. D. Morenoff, T. Gannon-Rowley, Assessing “Neighborhood Effects”: Social Processes and New Directions in Research, Annual Review Sociology 28:443–478 (2002).

63    E. L. Glaeser, H. D. Kallal, J. A. Scheinkman and A. Shleifer, Growth in Cities, Journal of Political Economy 100: 1126-1152 (1992).

64    C. Madera “The Future of Cities in the Internet Era” , Next City (2010). Available http://nextcity.org/daily/entr … t-era

65    J. M. Harris, J. L. Hirst, M. J. Mossinghoff, Combinatorics and Graph Theory (Springer, New York NY, 2008). 18

66    M. Schläpfer, et al. The Scaling of Human Interactions with City Size. Available http://arxiv.org/abs/1210.5215

K. J. Arrow, A Difficulty in the Concept of Social Welfare, Journal of Political Economy 58: 328–346 (1950).

  • 十二 06 / 2017
  • 0
Ideas

锐眼发现 | 交互设计师必备的9种能力

作者:杨杰

原发于:微信公众号「网易UEDC」

转载于:优设

 

有好多交互新人或尚未跨进交互设计大门的同学,会经常问的一个问题:交互设计师需要具备怎样的技能和能力?

本文将以「小饼」一个交互新人的成长过程以及工作中遇到的问题,来跟大家分享交互设计师必备的9种能力。

1. 产品意识

设计师有时候会收到用户的反馈,如:哎?你们易信的颜色是不是太亮了,能不能调整一下?

这时候作为交互新人的小饼,他的第一反应是:哦,好吧,既然用户有这样的反馈,那么我们就去调整方案。

首先,要思考一下用户的这些反馈或需求,是「真需求」还是「伪需求」?

福特曾经说过:如果我最初问消费者他们想要什么,他们会告诉我:要一匹更快的马!

每位设计师应该都知道,当用户表示需要「要一匹更快的马」时,他真实的想法其实要一个更快的交通工具。所以当我们面对用户的反馈时,要去思考需求的真伪。我们不可能一味满足用户的需求而不顾产品目标,所以需要在用户需求和产品目标中找到平衡点。最近在设计某个产品支付系统的退款功能,从产品角度来说不希望过多用户选择退款。那么最终的设计方案是,将退款的入口做的很隐蔽,而且流程比较繁琐(没错,就是故意的)。这样就满足双方需求了,达到产品目标和用户需求的平衡。所以交互设计师要有产品意识,不能只去满足用户,也要顾虑到产品和商业目标。

2. 以用户为中心

小饼同学的设计方案常常会受到用户的一些质疑:

  • 哎?这个APP到底怎么来用啊?怎么我完全看不懂该如何去操作?
  • 这个提示为什么会在这里?
  • 为啥分享结束后,不能自动返回到之前的页面?还傻傻地留在原来的页面?

这些是交互设计师经常遇到的问题,没有以用户为中心去思考和设计。

什么叫以用户为中心的设计方法?具体讲,就是我们从需求产出,到整个需求的细分,以及我们方案的产出和验证都是围绕着以用户为中心的。如果需要分析用户,我们就会走到用户的生活场景里去看他们怎么使用产品的。

比如,站在用户的身后,从他们的视角去观察如何使用。同样我们也会对用户进行一些细分,对人群进行组合或抽离出某个具体概念,这叫「用户画像」。

当设计师以用户为中心的方法进行设计时,往往会要考虑三件事情:

  • 用户是谁?
  • 他是在什么场景下去使用产品?
  • 他希望通过产品去解决什么问题?

3. 逻辑思维能力

随着小饼的不断成长,他开始接受更多更复杂的任务。有一天,老大给他了一个大活:哎?小饼啊,我们云阅读的支付成功率很低,你研究下如何优化?

那怎么去优化呢?小饼一头雾水。

作为一名交互设计师,当我们的老板向我们提出「最近的支付率很低」或者「我们的用户量很低」,怎样去优化它?

这里就涉及到我们的逻辑分析能力。网易云阅读支付环节的整个流程,我们称之为「交互流程图」,会把用户在使用产品的每个接触点都列举出来,然后再去分析用户在每个接触点都会遇到怎样的问题。

在这个案例我们进行了如下三种处理:

  • 删除:删除「web结算页面」,之前的页面已经有了,再次出现属于重复信息。
  • 合并:「购买结算页面」,将统一操作流程的页面合并在一起,去除不必要的页面。再看余额充值的环节,「确认充值」、「选择充值方式」、「充值金额」这三个流程都可以放到一个页面里,以减少用户在页面间的跳转,避免在此流程中造成用户流失。
  • 修改:「购买成功」页面提供更好的反馈体验通过砍掉不必要、合并相同和修改体验不好的页面,这样整个流程的优化完,支付比例有了非常显著的提升。

关于逻辑分析能力,不仅体现在我们对于交互流程和业务流程上的梳理,同时也体现在我们对数据的解读和分析上。上面的例子中,我们通过「数据漏斗模型」来分析每个环节用户的流失情况,然后针对性地提出解决方案。

4. 页面排版能力

作为交互新人难免会收到同事的反馈建议,比如:

  • 产品同学会说: 哎?小饼同学,你这块的逻辑不太对啊,这些信息明明是一起的,为什么你设计方案里看起来不像是一起的呢?
  • 视觉同学会说:哎呀,交互设计师,为什么你们的交互一定要做得这么丑,难道就不能做得漂亮一点么?

所以交互设计师需要怎样的排版设计能力呢?线框图是交互设计师的主要产出物,它包含了所有页面流程和单页面的信息布局。

就像如下图所示,如果欠缺思考的随意布局可能给下游的同学造成很大的困扰。比如,没有认真对待信息间距而造成的误导,错误的提示色也会给视觉同学造成干扰。所以建议交互设计师通过简单的黑白灰样式来表达页面优先级以及重要程度的区分。如果觉得某个信息很重要,可以颜色重一点,也可区域更大一些。这些格式塔心理学的知识对我们页面排版能力的提升很重要。

设计师常用排版的原则:

  • 隐藏:如果有很多信息,但是用户又不太常见,那么可以把它隐藏起来,就「众筹红包」右上角这里的问号,这里是关于众筹红包的解释说明,对于用户而言是不需要经常去关注的,所以把它隐藏起来。
  • 删除:一些额外的信息对整个页面是不太重要的,就可以把它删除掉。
  • 合并&组织:如果很多信息的逻辑关系是在一起的,我们可以把它们合并或者进行重新组织,把它们放得近一点,也可以把它们打乱再重新去整合。

5. 细节处理能力

小饼同学又遇到了问题。

boss:哎?你这个阅后即焚的方案,为什么细节漏掉那么多!

小饼一头雾水:哎?我并没有觉得我遗漏任何细节啊,那不就是我单独的一个发送方把页面发给另一方,对方看完之后就消失掉了。就这么简单的一个方案。

上图是小饼同学做的交互方案。上面是发起方,有一个「阅后即焚」的功能,点击之后发给另外一方,这时接受方就会看到这条信息,并点击进行去查看。仔细看一下,他到底遗漏了那些信息?

  • 发送方如何选择图片,单张还是多张?
  • 发送方发送后,自己是否能够查看,可以看几次?
  • 接收方查看消息时,是否有时间和次数限制?
  • 接收方查看消息中,是否有防止截屏的机制?

6. 用户研究能力

有一天突然被老大问到: 你的方案到底靠不靠谱,你有没有验证过?

小饼突然间就蒙圈了:哎?没有验证过。我觉得挺好的。

老板暴跳如雷:你觉得就可以了吗?拿出证据来!

这里说的的验证或证据,就是通过用户研究来验证设计方案。那么用户研究有什么好处呢?

  • 低成本:在线上前的快速验证,避免提升开发成本和对用户体验的伤害。
  • 高效:不需要上线版本,有时候几张纸面原型就能让用户体验,发现设计的问题。
  • 设计能力提升:通过用户的反馈来验证设计思路,培养和提升设计师的设计能力和自信心。
  • 简单高效的用户验证,往往能够把我们从设计困惑中解救出来。

举个例子,当初易信2.0改版时希望把主tab页面改成「发现」,但是碍于「过于同质」的压力,迟迟不肯做决定。后来当我们进行用户测试时,用户未觉得有什么不妥。有时候,设计师过于从自身角度去思考问题,而忽略真实用户的体验,设计师纠结的「设计洁癖」,对于真实用户而言也许并不重要,甚至都不会注意到。 初级设计师都会在纠结在抄袭与创新之间,都会经历三个阶段:

  • 为了借鉴而借鉴。
  • 为了避免借鉴而差异化设计。
  • 为了用户习惯而设计。

当我们不再关心是不是抄袭或者借鉴,而是关注产品能不能满足用户的使用场景时,才是回到设计师的「初心」了。

7. 沟通能力

随着设计师的一个不断成长,常会去跟产品沟通需求和方案,小饼又遇到了哪些难题呢:你这个方案太伤害用户体验了,可不可以不要这样做?

产品说:不可以的。这个方案是销售提出来的,我完全没有办法改变他们。

此时小饼作为设计师,就暴跳如雷地说:这么蛋疼的需求!我不做了!

我不做了,真的就能解决问题吗?设计师在工作中会遇到一些不太靠谱或不太善于合作的需求方,那该怎么办呢?我们需要学会如何沟通。

在产品设计中,产品和交互设计师是绑在一起的,应该共同为整个产品的体验和产品的将来去负责。我们应该怎样帮助小饼去呢?首先,与产品经理明确当前不是最优方案,但是最为简单高效;其次,如果有机会方案会进行优化;最后,明确产品和交互应该共同去推动产品前进而非相互摔锅。最终目的是让产品理解到产品和交互是并肩作战的。

所以看来沟通对交互设计师是非常重要的能力,它不仅局限于和产品的沟通,也牵涉到视觉,开发,测试甚至销售去沟通,与大家共同实现产品方案,并最终落地。

8. 执行力

我们有多少次,因为跟进不到位而导致需求搁浅?就像上面的故事一样,缺乏执行力,对设计师是很致命的问题。为什么说执行力对于交互设计师特别重要?

下图非常好地展示了我们的需求功能不断被「干掉」的过程,真正能实现并上线的却很少。在开发过程中,开发也会因为周期问题不能完成,测试也会说没时间测,导致功能精简。在每个环节,我们的功能都会被砍掉部分,最终到用户能使用的,永远都是一小部分。纵观整个方案,从交互到视觉,到开发、测试,然后上线,最终到市场,每一步都要执行下去。

作为交互设计师,设计的功能只有最终上线才能体现价值。所以我们关注的不仅仅是我们做方案阶段,我们还要关注这个方案能不能去执行,能不能去落实,能不能让用户去体验。

9. 学习能力和好奇心

设计是关于解决问题的方法论,这套方法论可以适用在不同的产品或者领域里。为了解决各种复杂问题,我们要保持一个好奇心,去学习新东西,去体验新东西。跨界的经验背景,跨界的思维方式,对于交互设计师的发展非常重要。跨界的经验和思维方式,可以给我们带来全新的视角去看待问题,所以好奇心和学习能力是很重要的。

题外话,我在面试时偶尔会问个问题:能不能看一下你的手机啊?或者你最近都在玩什么好玩的App?

这个问题看似轻描淡写,但实际上我能通过面试者手机里都装了什么样的App知道他平时都关注些什么。

怎么做永远怎么说的更真实。我们看一个人的时候,如果只看他怎么说,往往会有很多修饰性。但是如果看他的习惯的时候,就很难去掩饰。我们每个设计师也都是这样,你不仅要很好奇的去涉猎其他产品,也要关注自己的产品,要保持好奇心,去体验不同的产品,去发现不同的领域和商机。

总结

交互设计师必备的9种能力已经梳理完毕,其实这9种能力并非科班教育的要求,而是多年工作经验积累总结的结果。再来回顾一下这几点:

  • 产品意识:交互设计师要懂挖掘需求,衡量产品目标和理解用户。以用户为中心去思考我们的需求,进行逻辑分析,去绘制流程图,去关注用户在产品中的每个接触点,并将落实到整个页面布局和流程设计上。
  • 细节决定成败:在设计的整个过程中我们应该注意到哪些细节,哪些是设计师必须要考虑的问题。
  • 用户研究能力:设计师要有很好的用户研究意识。

好的沟通能力和执行能力是确保我们设计方案能够落地执行,最终交付到用户手上。保持好奇心和跨界的思维,能够让我们在设计领域保持长青。

曾经的新人小饼经过多年各种「打怪升级」现在已成一名光荣的设计老司机。但是他不会忘记那激情燃烧的岁月和踩过的坑。Everybody fighting~

  • 十一 27 / 2017
  • 0
Ideas

锐眼洞察 | 2018年的5大数字营销趋势(翻译)

作者:Charlie Sammonds

原文:Top 5 Digital Marketing Trends For 2018

译者:TalkingData解决方案架构师 韩铭扬

本译文禁止商用,转载请注明来源与译者!

随着2017年逐步步入尾声,我们可以就此回顾一下这一年。虽然它可能不如2016年那样动荡和难以预测,但对于数字化营销来说,它仍是令人激动的一年。对UX的重视已经改善了不同渠道的用户体验,本土广告已经从其笨重的开端走了很远,直播内容也在不断增加和改进,更好的数据使用意味着定向广告的进一步提升。

展望2018,我们应该考虑那些一段时间以来一直在形成势头的趋势,以便更好地了解2018年将带来什么。评论家们有一些共识:例如,在前几年奠定的基础之上,意见领袖营销在未来12个月将迎来巨大增长。视频仍将会是营销人员的最爱,聊天机器人可能会发展到真正有用的阶段,AR也将最终在营销活动中得到应用。随着2018年的临近,我们对每个数字化营销人员需要密切关注的趋势做了观察。

意见领袖将会变得更加重要

智能洞察(Smart Insights)的数据显示,在2017年,84%的市场营销人员至少策划过一次意见领袖营销活动(influencer marketing campaign),而这一数字在2018年还会有所上升,因为这一技术将越来越多地成为应对程序化广告和横幅广告减少的解药。意见领袖为品牌提供了一种与目标受众进行大规模沟通的方式,这源自于受众早已建立起联系的“真实可信”的声音。即为数字时代的名人(和小明星)代言。正如内容营销已经成为品牌在比展示型广告更深的层次上与受众沟通的一种方式一样,意见领袖营销也将走上类似的轨道。

然而,随着意见领袖营销的普及,出现了许多需要克服的问题。这些问题中最重要的在于它威胁到了意见领袖营销的关键利益——只有当意见领袖本人是真实可信的时候,他们所发出的声音才有分量。越来越多买粉丝的“假”意见领袖正从不那么正规的机构获得代言交易,这是一些品牌必须警惕的事情。此外,联邦贸易委员会(FTC)正在打击社交频道上没有公开披露的品牌内容,这也是品牌在未来的选择中需要更加谨慎的另一个原因。

注重质量而非数量

随着数字营销的发展以及内容营销在其中的主导地位,世界上很不幸的充斥着二流的内容。如今,任何一个精通数字技术的品牌都知道,它应该发布内容,让其受众参与进来。但许多人忘记了,这些内容同时也应该为观看者提供正当合理的价值。任何人都可以不停地发表500字的文章来重复其竞争对手所说的一切,仅仅是为了参与到这场对话中。如果问任何一名营销人员,他们是否计划在来年生产更多的内容,答案很可能是肯定的。

在2018年,内容营销人员的心态将会发生改变。的确,品牌应该创造吸引并激励受众的内容,但“多即是好”的观念需要改变。相反,组织应该把重点放在发布优质、相关的内容上,即使这是以牺牲数量为代价。这可能是评论者过于理想主义的呼喊,以试图减缓无用内容的大潮。但是,由于糟糕的内容无疑会带来糟糕的表现,2018年应该是品牌认识到“少即是多”力量的一年。

视频将持续占领主导地位

有时,某些因素能否在一年中占据主导地位并不一定需要其有激进的改变。市场对于视频营销内容的需求并没有减缓的迹象,而它也将在2018年继续作为营销人员最喜爱的媒介占据主导地位。有52%的营销专业人士认为视频是投资回报率最高的媒介,而43%的消费者表示希望看到更多来自营销人员的视频内容。

今年,Facebook推出了“6秒广告”,鼓励品牌在极短的时间内讲故事,以便更快地向用户传达信息。移动视频消费的增长意味着,当用户浏览一条推送时,他们的注意力范围较小。YouTube一直在推广自己的“6秒故事”,以展示可在这6秒内取得的成果,并期待在2018年看到品牌尝试有趣的讲故事的方式。视频的无处不在正如它所带来的效果一样——2018年应该会看到品牌努力在杂音中脱颖而出。

聊天机器人将最终变得有用

一段时间以来,聊天机器人一直被吹捧为规则改变者,但对于他们的潜在影响,人们意见不一。一些人认为:在不久的将来,我们将主要通过聊天机器人来与品牌沟通以及执行任务,而另一些人则质疑消费者与因缺乏灵活性而常常使人抓狂的机器交流时是否会感到舒适。这就是先进的人工智能正在改变对话的地方。2018年,聊天机器人将发展成为对品牌和消费者都非常有用的地步。事实上,到2025年,全球聊天机器人的市场预计将达到12.3亿美元。

聊天机器人的兴起是利用“黑暗”社交平台的一部分努力,在这个平台上,你的互动及信息是不公开的。人们在即时通讯应用(Facebook Messenger、iMessage、WhatsApp等)上花费的时间越来越多,实际上超过了在社交媒体应用上花费的时间,这使得通讯应用成为品牌试图参与进来的一个巨大领域。“追随你的用户”(“go where your customers are”)这句陈词滥调也延伸到了数字领域,如果用户在通讯平台上,那么聊天机器人可能是触达他们的最佳方式。2018年期间,聊天机器人领域内的人工智能技术将会发展到真正可以使用的节点。到2020年,80%的企业将已应用(或计划使用)聊天机器人,而明年,我们将朝着这一方向迈出一大步。

增强现实技术(AR)

经过多年对AR营销效果的思索及推测,AR的潜力将在2018年真正成形。虽然大多数人仍将只通过Pokemon Go或者Snapchat上的跳舞热狗(dancing hot dogs)等游戏才能适当的使用AR,但它的应用将变得更加普遍和多样化。

AR的应用案例可能会是惊人的。用户可以在购买之前将虚拟家具放置在家中,看它是否适合实际空间(宜家已经在这么做了)。当逛超市时,增强型眼镜将可以为顾客突出标记无麸质的食品,从而节省人们挑选合适产品的时间。并且,更广泛的来说,当顾客在实体店中走动或在公共场所查看商品时,覆盖以更多有关产品的信息可能会被证实为一种强大的转换工具。AR未来对普通品牌的影响有多大还有待观察,但到2018年年底,我们应该会有一个更好的答案。

 

  • 十一 24 / 2017
  • 0
Ideas

锐眼发现 | Andrej Karpathy发文谈神经网络后,引发的对硬件、软件和学件的思考

作者:Uri Yerushalmi

编译:雷锋网

本文转自雷锋网,如需转载请至雷锋网官网申请授权。

雷锋网按:近日,Tesla AI总监Andrej Karpathy发表了一篇关于“Software 2.0”的文章,该文章引发了对未来神经网络的编程方式的更深入探讨,本文就是其中之一。在Software 2.0的基础上,本文作者Uri Yerushalmi还借用了南京大学周志华教授在2016年提出的“学件”(Learnware)的概念,并更详细地讲述了他眼中的“学件”和软件的区别。他山之石,可以攻玉,本着传递更多信息的想法,雷锋网特此编译该文章,供读者讨论。

本文作者Uri Yerushalmi为AI社区Dopamind的创始人, 2008年于以色列Bar-llan University获得计算机和神经科学博士学位。以下是雷锋网编译的文章全文:

本周,我阅读了Andrej Karpathy的“Software 2.0”,他分析了新软件“Software 2.0”与旧软件“Software 1.0”之间的区别。 我和Karpathy有一个非常类似的结论,我们来看看这种新型软件的兴起如何影响软件行业和市场。

软件vs学件

以下是旧软件和Karpathy的帖子中描述的新的适应性软件之间的一些主要区别,我将其称为“学件”(雷锋网注:“学件”(Learnware)的概念最早由南京大学教授周志华2016年提出,是一种包含模型和模型描述模型规约的机器学习应用模型,这些模型可以以共享或定价的方式放在某一个地方,当有新的用户想做自己的应用的时候,可以先去市场上看看有没有可以使用的模型,从而可以部分重用别人的结果而不需要重新开始)。 

软件与学件的差异

“学件”将给软件市场带来什么变化?

您可能已经注意到软件市场开始发生变化,尽管这些变化并不明显。

协作处理和服务导向

在软件中,我们习惯通过库和API(应用程序编程接口)进行相互协作。每个接口的任务都需要定义好,用户通常很清楚在调用接口时做了什么、以及如何做。

举个例子,想象两个没有菜单、按顾客指示烹饪的餐馆:

第一家餐厅叫“旧软件类型”:客人需要准确地给予指示他们想要的餐点该如何烹饪。他们必须出示详细的食谱,以确保他们获得正确的食物。

第二家餐厅叫“学件”,客人会提出更多的抽象要求,比如“我很伤心,给我一些能让我开心的东西”,厨师能够当场创造出最佳的餐点。

很显然,第一家餐厅的一些顾客宁愿避免编写食谱的麻烦而改为在家做饭,对不对?但在第二家餐厅,顾客就算想自己编食谱,臣妾也做不到啊啊啊。

这样的底线通常会导致API用户采取“我最了解我所需要的,所以我会自己编程”的方法(这通常是错误的事情,但这又是另一个故事了)。在学件中,“我会自己做”的方法更加不合理,因为通过简单地定义用户需要什么(例如“在图片中找到一只猫”),开发人员仍然没有接近最终的解决方案。

由于这种巨大差异的客观存在,我认为在不久的将来会有越来越多的协作处理工具和平台出现。

主要影响因素见上表中的F、G、H项

“学件”的应用领域

我们可以将大多数使用软件2.0的方法的商业应用归入“学件”的范畴。这些新应用包括基于视觉和语音识别,视觉生成,语音合成,机器人技术,游戏,翻译,决策等。

主要影响因素见上表中的A项

人才市场

显然,“学件”将大大改变就业的市场格局。无论企业如何设计将知识或数据“喂”给“学件”的工作岗位(如程序员,数据科学家,定量分析),“学件”的培训会越来越普遍和越来越简单,使用这一新软件所需的技能将会发生进化。我预计未来对于开发人员角色的需求将与旧软件程序员完全不同。

主要影响因素见上表中的B、C、D项

“喂知识/数据”的技巧

作为一名软件开发人员,您可以使用C ++、Java或Python等语言将知识编程到软件中。目前,编写和训练“学件”使用相同的技术,然而,常规的软件编程语言视为了能够最好地描述,管理和维护各种指令集而设计的,但在“学件”中,编程知识的关键在于准确地描述最佳的数据流图。因此,我不确定使用旧的编程语言是开发“学件”的最佳方法。

主要影响因素见上表中的C、D项

用于构建学习软件的软件库

近几年来,我们已经看到了这些新的软件库:Tensorflow,Pytorch,Keras,Theano,MXNet …

主要影响因素见上表中的B、C、D项

专用硬件

在具有大型指令集的旧式软件中,引入新硬件需要对编译和代码级别进行调整。相反,在“学件”中,新硬件的使用更加透明。 对“学件”适用的专用硬件的竞赛已经打响,目前NVidia处于领先地位。

主要影响因素见上表中的B、E项

查看黑盒的工具

为了更好地进行开发,我们需要用于查看“学件”的黑盒的工具。如果我们了解每个“学件”如何做出决策,我们可能会更好地训练它。此外,从社会的角度看也更容易获得认可(例如,欧盟成员国预计通过新的立法,规定如果AI的决定出现不公平或随意性,AI的决定可能会被推翻,而在“通用数据保护条例”(GDPR)的早期草案也从法律上规定了所谓的“解释权”)。

主要影响因素见上表中的H项

Dopamine.ai正在对这方面的协作处理解决方案进行努力。如果您有兴趣阅读更多内容或接收我们项目的更新,请点击此处进行订阅

  • 十一 23 / 2017
  • 0
Ideas

锐眼洞察 | iOS的未来是AI(翻译)

作者:Svilen Kostadinov

原文:Why Artificial Intelligence Is the Future of iPhone’s iOS

译者:TalkingData首席架构师 黄洋成(YC)

本译文禁止商用,转载请注明来源与译者!

 

自十年前首次亮相以来,iPhone已经发生了翻天覆地的变化:运行速度有了指数级的提升,屏幕和相机在各种指标上都有了很大的提升(初代iPhone甚至无法录制视频),而外形也已经完善, 还不断增加新的传感器。 虽然苹果的工业设计在制造业不断开创新领域,但其软件多年来一直处于低谷。

智能手机,傻操作系统

当然,功能和美学都有了明显的改善,但除了(被史蒂夫·乔布斯强烈反对的)App Store之外,iOS 1和iOS 11之间的体验差异并不是很大:

无论是白天还是夜晚,在家或在国外使用iPhone,你每天收到哪些朋友的信息,你在午休时玩的是什么游戏,或者你家中有什么智能设备 – 只要你解锁手机,就会被置于相同的静态多屏应用图标网格中。

更过分的是,应用程序的管理和分组的负担也要留给用户,让他们依靠肌肉记忆来找到App的位置。

 

“数字化体验应该动态适应用户需求”的想法其实并不新鲜:

  1. Netflix推荐你可能感兴趣的电影、你会继续观看的节目、最新播出的节目、节目的流派/分类等
  2. 亚马逊向你推荐你最近搜索的商品、搭配购买的商品、打折促销的商品等
  3. Spotify根据你的口味组织个性化的播放列表

对于苹果来说,他们也已经开始在往这个方向走,比如Siri的联系人和应用程序建议,在锁屏上基于地理位置的应用程序建议(不知道它是否仍然存在于iOS 11):

但哪怕只是在正确的地点和时间推荐正确的应用程序的能力现在似乎都还没有。 根据帕累托原则,80%的时间里我们只使用应用程序20%的功能。

Facebook就是一个很好的例子:它包含了从信息流和视频,到故事、市场、群组、趋势新闻、天气、游戏和城市指南等所有内容。 但是,所有这些功能中,我敢打赌,超过80%的时间用户只是使用信息流。

所以,相对于推荐Facebook这个App,为什么不直接推荐信息流?你可能在想,单个功能如何模块化? 其实苹果也有一个潜在的解决方案——部件化。

   

 

不幸的是,组件化屏幕与主屏幕出现相同的问题:它只是一个静态库存列表。

具有讽刺意味是,新的iPhone有一个专用的A.I.处理器,但iOS的使用体验并没有从你的使用模式或偏好中学到什么。 但如果iPhone做到了呢?

如果你的手机了解你在何时何地、出于何种原因、使用何种功能,会怎样?

在2015年初,我在几个常见的场景中探索了一个以部件化为中心的iOS概念:

机器学习有可能使iPhone真正智能化、能够学习我们使用手机的上下文和环境。 更进一步,通过将地理位置、邻近的朋友、环境光线、噪音水平和Apple Watch采集的生命体征等因素关联起来,将带来全新的体验和服务。

下一代移动操作系统

Google似乎验证了这种动态交互的范式。在2017年,Google披露了他们实验性移动操作系统FUCHSIA的一瞥; 虽然迄今为止我们仍对它知之甚少,但它主要的前提似乎是围绕类似于部件化的模块,围绕用户的需求进行智能化安排:https://youtu.be/dziInGrVHac

无论部件化是否是正确的解决方案,有一点是明确的:随着世界动态性不断增强,我们需要更流畅、更无缝的手机和智能手表体验。 是时候重新思考我们与设备互动的基本方式了,因为静态应用范例的可用性已经在不断增长的苹果生态系统中达到了极限。

  • 十一 20 / 2017
  • 0
Ideas

锐眼洞察 | 前Uber产品负责人:企业若想繁荣发展,产品团队需要多样化人才(翻译)

作者:Alexander Volkov

原文:To thrive, product teams need diverse talent – a former Uber product leader explains why

译者:TalkingData副总裁 皮山杉 

本译文禁止商用,转载请注明来源与译者!

 译者注:

这篇文章对于我们打造优秀团队有很多借鉴。文中主人公Mina曾是一个在明星创业企业的产品负责人,她分享关于多元化产品经理团队组建的切身体会和一些具体实操经验。其主要观点包括:

  • 构建多元化人员组成的产品团队才能回避回音室效应,真正能打造一款满足需要的产品;
  • 打造多元化产品团队需要团队管理者需要做到招募多元化人才(不局限于自身经验类似或既有网络,招聘时提出更好的问题,了解候选人的创新思维),更重要的是能包容团队中的多元化人才,让每个人都能发挥价值;最后是要有培养这种意识,能坚持招募多元化人才和包容他们

其实,不单单是产品团队,任何团队,无论是销售,咨询,数据工程和研发,数据科学,产品,以及中后台职能团队,在一定基础原则上的多元化是让团队能不断提升的一个加速力,而身为团队管理者就需要有意识的这样训练,并且能找到他们,给他们空间,发挥每个人的作用。

 

Mina Radhakrishnan不希望构建一个产品,其被打上是“解决富人问题”的标签。 在湾区科技企业八年之后(曾在Google担任产品经理,后来在Uber领导产品管理),Mina开始关注创业,这些创业企业借助融资可以让更多用户能够负担得起体验产品的便利。

这一趋势并未让她感到惊讶。 而事实上,这直观上是有道理的。 Mina说:“大多数产品经理都是为自己制造产品。 “而大多数VC都被大量的公司所困扰,他们只关注那些他们能立即明白的,且是由已经与他们的建立联系的人所创立的公司。”

这些创始人和他们背后支持他们的VC可能都会存在认知偏见,当我们没有足够的信息时,我们大多数人会陷入被动的状态:我们把我们熟悉的或者喜欢的事情想象的更好。

在像硅谷这样的地方,年轻人,白人,男人和精英学院的毕业生严重超额——这种偏见极大地限制了可行的创业公司的数量、范围和潜在客户群基数。

然而,有可能利用我们所熟悉的倾向来创造好的方面。 “解决我们眼前的问题是没有错的 – 那些问题往往是我们最擅长解决的问题。 但是只有当某些人得到同一块馅饼时,同样的产品才能被建立起来。 而反过来,如果创始人和产品经理所代表的身份,背景和经验更多,解决的问题就越多,从用户的视角出发的就越多,能把握世界接受程度的团队所能掌控的产品也就越多。

在一些最受欢迎的技术公司工作近十年之后,Mina深入了解建立多样化产品团队所需要的因素,以及如何通过多样性来推动产品持久的成功。 她还看到了同质化的丑陋之处:当同一类人为同一类用户构建相同类型的产品时会发生什么。 (严肃地说,看看那些在旧金山提供的顶级餐厅订阅服务的创始人——这真是令人毛骨悚然)。

为了阻止这个循环,将新鲜的想法带回到所谓的创新领域,产品领导者必须开始寻找和保留不同的人才。 在这篇独家文章中,Mina解释了为什么企业应该优先考虑多样性,以及我们每个人能做些什么来实现。

Mina3CTT_-_01.png

回声室效应不会产生好的产品 – 并阻碍伟大产品的产生

没有一个单一的产品经理能够理解他们用户群中的每一个细节,或者准确地预测每一个新功能如何被接收,没有人会期望这些功能。 事实上,根据Mina的说法,产品经理常常发现自己处于水深火热之中,并不是因为他们不知道什么,而是因为他们认为他们知道他们实际上不知道的东西。

“包括我自己在内的产品经理常常陷入这样一个陷阱:我们自己对于产品体验与每个人如何体验相匹配。 这种思维方式使我们无法构建能够新的各种功能,以让我们接触和服务于新用户。”

发展从用户考虑的同理心可以帮助打破这种习惯,但是当PM们不得不迅速行动以实现他们的路线迭代时,再不断进行观察则是不可能的。而且,无论人们多么努力,总会有一些他们无法预料或理解的观点。

“为了抓住错误,填补空白,并建立一个与用户产生共鸣的产品,产品经理必须学会与身份、背景以及与我们有不同的经验的人员在一起。如果我们只和我们相同的人分享我们的想法,没有人会注意到我们疏漏的方面。同质性是产品团队的‘氪石’。”

不幸的是,即使是那些认为重视多样性的产品领导者,也往往会对其降低优先顺序,并最终打造一个完全来自自己网络的团队。这也设定未来潜在的破坏性后果。 “如果你问自己,’我怎么没有注意到这个致命的缺陷?’ 此时可能已经太迟了。”根据Mina的说法,创始人和产品经理需要从构思阶段就寻求多样化的输入,否则产品将是或者迅速失去打动他人的特点。

Mina举了一个名为Bodega的例子:Bodega是由两位前Google员工创立的一家闪亮的自动售货机创业公司,在《Fast Company》杂志收录之后立即引发了反弹。 “显然,那些家伙不像那样拥有相同的语言、生活方式或文化特色的听众。但还有多少人听了那个演讲呢?有多少顾问、投资者、家人和朋友,他们向其分享了想法?可能有几十个。事实上,由于在硅谷地区缺乏种族、文化和社会经济多样性,他们在谈论了多次后仍认为这是一个好主意。”

Bodega的问题可以从更大的层面来看,考虑到大多数VC选择不投资的可行产品种类时,如:仅为黑人妇女或以母亲为目标的产品 “我们是谁塑造了我们认为有价值的东西。我朋友的公司选择投资一家向黑人女性销售头发拉长器的公司。但由于VC未能看到市场的适应性,所以他们花费了大量的对话沟通才得到资金。不是因为没有市场,而是因为VC他们团队或其生活中没有足够的黑人女性,使得他们认识到这是一个巨大的,尚未开发的市场。”

这不仅仅是由于我们的种族,性别和社会经济背景影响了我们如何构思有价值的产品或特征。 “我曾经在许多拥有各种不同能力的产品队伍中工作过。很多次,我把按钮放在一个具有相同颜色的应用上,团队中有色盲的人告诉我,从而让我意识到这样设计会让许多我们的用户无法区分yes和no按钮。

即使像Mina这样的产品领导者,不断地提醒自己注重不同用户的体验,自己仍然不能完全避免犯错误。 “假设我们能看到一切,甚至假设我们能看到准确的东西,这种观点是非常愚蠢的。我们只注意到我们所关注的,因为我们认为重要。这就是为什么我们必须把注意力集中在我们不知道的人身上。我们最终都会搞砸,但是当我们这样做的时候,不同的团队可以让对方重新回到正确的轨道上。

多元化的产品团队可以对用户体验拥有360度视角

Mina_CTT_02.png

播种和培养多样化团队所需的部分工作正在考虑其他技能,背景和经验对于构建手头产品有何贡献。

“这看起来很明显,但值得一提的是,产品管理工作所需要的情况因产品而异。 成功的产品经理没有一种所谓的通用技能。 如果一个团队需要设计一个非常复杂的调度系统,那么招聘经理可能会想要寻找一个技术背景而不是设计背景的候选人。 但是,如果团队需要建立一个用户交互的消费产品,则设计背景人选更重要。”

Mina在Uber时领导的团队需要产品经理包括技术背景人员以及运营经验的人员。 “我们建立了一些我们的用户从不直接与之互动的产品。那些真正漂亮的司机和用户的App只解决了20%的难题。另外80%是我们用户没有看到的东西 :一切都运行在后台,只需按下一个按钮就可以得到一辆车。这感觉很简单,因为所有的操作都要在后台进行。”

跨界的新型驾驶员App团队是多样化产品团队能够完成而其他人是无法完成的光辉事例。 “我们在建立最初的驾驶员App时犯的一个错误是,我们只看到了驾驶员的人口统计学数据,但我们并没有考虑到是否是否有工作的基本事实:这是一个压力。尤其是当你开车的时候人们对压力的反应方式完全不同。有些人觉得这很令人兴奋,而另一些人却觉得很压抑。”

我们团队的PM在建立了一个新的驾驶员使用的App时,首先确保组建一个广泛的团队。因为团队中同事在面对压力有着不同的回应和经验,所以他们可以评估驾驶员在行驶中的感受,如果突然间车内发出巨大的哔哔声。虽然对某些人有帮助,但这种警报可能会让其他驾驶者完全不知所措。幸运的是,这个团队有足够的同理心去关注这个问题,设想驾驶员是一个已经工作了几个小时,只想回家的司机。

出于这个原因,Mina找到了具有运营背景的产品经理,最终证明他们对于团队在Uber的成功非常重要。“我们需要一个能够回答这样一个问题的人:‘我们怎样才能使这个产品为一个每天使用上百次的用户工作?’不仅仅是回答这个问题,而且更要有问这些问题的感觉。 ”

对于Mina的团队,那个人是Emily。 “如果我们坚持按照传统的产品经理要求,我们就不会雇用她,但是如果没有她,我们也就不会创造出那些令人着迷的产品。她在芝加哥有司机运营的经验,我从来没有见过任何人像Emily一样忙碌的工作,或者如此迅速地掌握她需要的技术技能。最重要的是,她对我们的驾驶员有了大量you价值的知识:他们想什么、他们想要什么、他们为什么奋斗。所以她可以为他们设计出正确的产品。”

随着时间的推移,Mina看到团队中的所有产品经理相互学习,拥有更全面的视角。 “与不同群体的团队一起工作,迫使每个人都变得更有同理心,因为他们不能假设他们知道其他团队成员想要什么或他们的想法。你会有意识地在日常工作中思考这个问题。当你这样做和思考时,它会强迫你使用同理心和有意识的沟通,这就成为你设计的产品一部分。”

在产品团队中优先考虑多样性的基本原则

在某种程度上,大多数产品领导者都会犯错误,阻止他们建立起自己设定的多样化成员的产品团队。Mina表示她已准备好。 “我有多次尝试多样化和包容实践的失败经验。在一个团队中,我曾设定了一个性别比例目标。现在回想起来,这是一个全面的交叉性禁忌,因为它不仅是关于性别,而是通常其所代表的群体不足。如果一个产品团队只是招聘白人女性,他们在多元化方面并没有削弱。只是她们刚建立了一个不同类型的回音室。”

Mina从失败中学到了大量的教训。她与我们分享了以下四个。

切断技术程度的要求

作为一名具有工程背景的产品经理,Mina不得不摆脱这样一个想法:来自知名学校技术学科的人可能会成为更好的PM。 “大多数符合这个标准的人都是白人。招聘经理如果拥有从其的母校或以前的雇主的“谱系”中挑选候选人的潜在意识的话,那么很多合格的候选人进行第一轮面试前淘汰。这些候选人往往来自技术上代表性不足的群体。“

Mina领导产品团队的经验告诉她,不是每个PM都需要特殊的技术才能在产品团队中茁壮成长。 “应该有一个健康的组合,鼓励人们相互学习,填补其他人不能的空白。并不是每个PM都需要在产品所需的每一项任务中都有出色表现 – 这就是为什么有一个团队。”

提出更好的问题

为了聘请具有丰富经验的产品经理,Mina准备了一些问题,促使候选人在工作场所以外谈论他们的生活。 Mina在PM中最重要的素质之一就是对于产品的好奇心,这是产品经理们最有效的一个重要特性,这往往会渗透到他们的日常生活中。

“在面试中,我问了一个非常简单的问题:你最喜欢的实体产品是什么?我认为它是人们品味和创造力的核心。“Mina寻找那些在科技泡沫之外思考的人,因为为了创新,产品经理必须能超越已经完成的事情。

“任何人说iPhone或Macbook后,谈话都会很快结束。因为我真正想要的是他们对“为什么”的回答,没有任何人可以告诉我这些产品还有什么功能没有被包含在大量的思考设计中的。当人们谈论他们个人的东西时,这会更有趣。人们谈到了令人惊异的直发器和兔子开瓶器 – 这并不重要。我想在答案中听到的是一个关于他们发现的产品独特价值的想法。”

对于Mina来说,它已经成为一个创造性思维的伟大代表。 “在司机App新的应用团队中的每一位产品经理都对这个问题做出了很好的回答。”

制定包容性领导战略

希望聘用和留住多样化人才的产品领导者需要围绕这一努力构建领导力战略,而不仅仅是一次次尝试。Mina建议从委员会的招聘开始,建立跨职能团队,并扩大更安静的团队成员的声音。

“也许我是天真的,但我不认为有任何产品负责人是在积极尝试建立独特的,同质化的团队。然而,实时上这其中有很多。为了缩小这个差距,产品经理应该确保他们有一个多元化的面试小组,如同他们想要建立的团队那样。跨职能团队可以帮助实现。通常情况下,工程团队没有太多的多样性,但是有设计师和客户支持人员、撰稿人和财务分析师,则产品团队的多样性可能会更大。”

为了让团队保持多样化,产品领导者相比于投资于多元化,则至少要投资于包容性 。 “作为管理者,确保没有人被轻易地打发掉或关闭下想法是至关重要的。在会议结束时,我会回顾谈话,以确保每个人都有足够的表达时间。这看起来似乎很简单,但是在一个领导人不知所措的小公司里,很多人都不理会。例如问自己:“我放过这个机会是因为我的盘子里有太多东西吗?”大部分情况下都是这个原因,所以我们必须腾出时间和创造空间来做出改变。

培养意识

为了确保他们在日常工作中优先考虑多样性和包容性,产品负责人需要实践自我意识。 这听起来很简单,但从Mina的角度来看,真正的工作是花时间和精力进行自我教育、研究和反思。 “理解你的偏见,以便你能先于他们,同时也意识到你最终会搞砸。 只要确定这个搞砸了不会成为你放弃的时刻。”

从Mina的角度来看,这种粗心大意(而不是恶意)妨碍了多元化的努力。 “作为产品经理,我们战略性地思考我们的产品路线图,但是战术性地考虑其他事情。 现在是时候从战略上思考聘用和留住多元化人才和建设包容性团队的问题了。 如果你在做清单上的另一项任务,它将不会发生。”

当你像Mina这样的领导者把这作为自己的使命的时候,你就能建立多元化团队。

Mina2_MP_-03.png

与众不同的方式构建Different.com.au 

几年前,Mina把她从硅谷学到的东西运用在了其他地方。在看到短视对创新构成威胁之后,Mina决定在远离湾区的其他地方创办她的公司。

Mina说:“我知道我想要建立一些与众不同的产品,这个产品可以解决那些没有从技术中获益的人的问题。

她尽可能地去做。在涉及她和丈夫多年来思考的一系列创业想法之后,他们终于选择了一个有坚实基础的方向。如果他们做得好,这个产品将会在一个几十年来一直没有改变的产业中取得重大进展:澳大利亚的物业管理。

在电话中,Mina详细描述了这个问题。 “在澳大利亚,所有人中有10%拥有投资性房地产。与美国不同的是,这些业主很大一部分并不富裕。他们中的许多人是中产阶级,他们的财产是他们退休的唯一途径。但是由于他们大多数仍然全职工作,他们不得不花费他们一大部分的储蓄来雇佣一个专业的房地产经理,让房地产经理可以和房客进行沟通并处理维护工作。”

Mina在审视岳父的财务状况并为其退休做准备方案时,他们发现物业管理公司在过去二十年收取的费用继续增加,且没有任何理由。当她问起这件事的时候,她的岳父说他们并没有真正和他们的物业经理有任何关系,也没有确切地知道他们做了什么。这家公司每九个月就发一次新的账单。

“这个对话是我的’哈哈’时刻。我看到有人喜欢把他们的退休收入用在糟糕的服务上,我觉得我们可以提供一个很好的服务。“在和更多的业主,房客和物业经理交谈之后,Mina和她的丈夫看到了明确的需求,最终可能具有全球潜力。

因此,有了Different.com.au,Mina和丈夫的愿望解决了他们所爱的人的直接问题。他们的决策过程与硅谷创始人和风投公司的决策过程之间的相似之处并未在Mina身上所迷失。事实上,这些相似之处是让她分享这个故事的核心。

 

  • 十一 20 / 2017
  • 0
Ideas

锐眼发现 | 四大趋势,九大方向:14位UC Berkeley人工智能专家眼中的未来人工智能系统

作者:Ion Stoica, Dawn Song, Raluca Ada Popa, David A. Patterson, Michael W. Mahoney, Randy H. Katz, Anthony D. Joseph, Michael Jordan, Joseph M. Hellerstein, Joseph Gonzalez, Ken Goldberg, Ali Ghodsi, David E. Culler and Pieter Abbeel.

原文:A Berkeley View of Systems Challenges for AI

转载自:雷锋网(本文转自雷锋网,如需转载请至雷锋网官网申请授权)

雷锋网按:近日,UC Berkeley电气工程与计算机科学系(EECS)14位专家联合发布了一份名为《A Berkeley View of Systems Challenges for AI》的报告。这是继去年斯坦福的“AI 100”项目发布《Artificial Intelligence and life in 2030》(2030年的人工智能与生活)报告后,又一家殿堂级的大学对于人工智能未来的思考。

雷锋网发现,相比起斯坦福的报告,伯克利的报告更偏重可执行性,在报告中伯克利从自己的优势学科出发(伯克利计算机系统全美排行第一)明确提出,下一代人工智能系统的问题需要通过体系结构、软件和算法的协同创新来实现,而伯克利也将在从所面临的四大趋势和九大挑战/机会出发,来解决这些问题。

以下是雷锋网的摘录,完整报告可通过下面的地址进行阅读:http://www2.eecs.berkeley.edu/Pubs/TechRpts/2017/EECS-2017-159.pdf

 

前言

随着计算机视觉,语音识别和机器翻译系统日益商品化,以及数字广告和智能基础设施等基于学习的后端技术的广泛部署,AI(人工智能)已经从研究实验室转向生产。前所未有的数据和计算水平,机器学习方法的进步,系统软件和体系结构的创新,以及这些技术的广泛可用性使这些变化成为可能。

下一代AI系统有望加速这些发展,并通过频繁的交互和代表我们(通常是任务关键型)的决定(通常在高度个性化的环境中)来加速这些发展并对我们的生活产生越来越大的影响。然而,实现这一承诺会带来令人生畏的挑战。特别是,我们需要人工智能系统,能够在不可预测的环境中做出及时、安全的决策,这对复杂的对手来说是强大的,并且可以在不影响机密性的情况下处理越来越多的组织和个人的数据。这些挑战将因摩尔定律的结束而加剧,这将限制这些技术可以存储和处理的数据量。在本文中,我们提出了几个开放的系统,架构和安全研究方向,可以解决这些挑战,并有助于解开AI改善生活和社会的潜力。

关键词:AI,Machine Learning,Systems,Security

四大趋势,九大方向:14位UC Berkeley人工智能专家眼中的未来人工智能系统

引言

自从上个世纪60年代,模拟人类智能的构想被提出以来,人工智能已经演化成为一种被广泛应用的工程技术,它利用算法和数据,解决包括模式识别、学习、决策等广泛的问题,人工智能越来越多地与其他工程和科学相交叉,成为跨计算领域的一门技术。

尤其在计算机系统这一近年来推动了人工智能技术的发展的领域,并行硬件和高扩展性软件系统促进了机器学习框架和算法的发展,使人工智能可以处理大规模的真实世界问题。存储设备成本的降低、众包技术、移动APP、物联网以及竞争性数据的优势促进了数据处理系统和人工智能技术的进一步发展。这带来的影响是:基于人工智能的解决方案已经接近甚至超过了人类,成熟的人工智能技术不仅为网络搜索、高速交易和电子商务等现有行业提供支持,还大大促进了物联网、增强现实、生物技术、自动驾驶等新兴产业的发展。

这些应用,如无人机、机器人手术、医疗诊断和治疗、虚拟助手等,都需要人工智能系统与真实世界进行交互来决策。由于现实世界在不断变化,有时后这种变化出人意料,这些应用需要支持持续学习或终身学习、以及永动学习。终身学习系统旨在通过高效地转移和利用已有知识来解决多种任务,同时最大程度降低突发性遗忘问题,而永动学习每次迭代关注一组任务,这个任务的边界不断变大,并在不断迭代中逐步提高处理问题的质量。

为了满足以上这些需求,我们面临着诸多艰巨的挑战,例如:如何积极探索动态变化的环境、如何在存在噪音和未预见的输入情况下做出安全和鲁棒性的决策、如何使得决策可解释、如何设计新的简化应用系统构建得模块化架构,等等。此外,由于摩尔定律的终结,人们不能再寄希望于计算和存储能力的倍增来解决下一代人工智能系统的问题。

解决这些难题需要架构、软件和算法的协同创新。本文并不讨论特定的人工智能算法和技术,而是分析系统方面的研究对人工智能技术发展的重要性,提出若干有意义的系统方面的研究方向。

人工智能成功的背后因素

在过去的二十年中,人工智能的进步可用“完美风暴”来形容。有三个原因导致了人工智能的进步:1)大数据,2)高扩展性的计算机和软件系统,3)上述技术的广泛应用。这些趋势使得人工智能的核心算法和体系结构,如深度学习、贝叶斯推理得以在空前的规模和领域进行问题的探索。

趋势与挑战

人工智能已经开始改变了许多应用领域。展望未来,我们预计人工智能将更广泛地推动更多领域的发展,包括:医疗保健、交通、制造、国防、娱乐、能源、农业、销售等。大规模系统和机器学习框架已经帮助在人工智能的发展中取得了举足轻重的作用,我们预计计算机系统将可以更进一步地广泛促进人工智能的发展,为实现这一目标,我们需要考虑如下几个人工智能发展的趋势:

  • 关键性任务的人工智能。挑战:设计一个通过动态环境交互来持续学习、同时做出及时决策的、稳定、安全的人工智能系统。
  • 个性化人工智能。挑战:设计一个可以实现个性化应用程序和服务、但不会影响用户的隐私和安全的人工智能系统。
  • 跨组织结构的人工智能。挑战:设计一个可以训练不同组织拥有的数据集、而不会影响其保密性,在这个过程中提供跨越组织结构界线的人工智能系统。
  • 满足后摩尔定律需求的人工智能。挑战:开发以满足摩尔定律时代后期AI应用的性能需求的特定领域架构和软件系统,包括:用于AI工作负载的定制芯片、在边界有效处理数据的边界云系统、以及抽象和抽样数据的对应技术。

九大研究方向

上述四大趋势和挑战又可以细分为在研究领域的九个挑战或机会,也标明了在我们眼中未来人工智能的九大研究方向。下图表示了这四大趋势和九大研究方向的对应关系。

四大趋势,九大方向:14位UC Berkeley人工智能专家眼中的未来人工智能系统

这九个研究方向包括:

持续学习(Continual learning)

鲁棒决策(Robust decisions)

可解读的决策(Explainable decisions)

安全飞地(Secure enclaves)

对抗学习(Adversarial learning)

在保密数据上共享学习(Shared learning on confidential data)

为特定领域定制的硬件(Domain specific hardware)

组件化的AI系统(Composable AI systems)

跨云端和边界的系统(Cloud-edge systems)

结论

人工智能在过去十年中取得了惊人的进步,并从实验室研究成功转化可以取代之前的大量人力和监督的商业应用。人工智能系统和机器人不仅取代了部分人类工作,而且有望挖掘人类潜力、促进新形式合作。

为了让人工智能更好地服务我们,要克服许多艰巨的挑战,当中不少挑战与系统和基础设施有关。这些挑战源于让人工智能更快、更安全、更易于解读的决策、确保这些决策在对抗多种攻击类型的学习过程中得到准确的结果,在摩尔定律终结的前提下不断提高计算能力,以及构建易于集成到现有应用程序中的系统,并且具有跨越云端和边界的处理能力。

本文总结了几个开放性的系统、架构和安全方面的研究课题。我们希望这些问题能够启发新的研究来推动人工智能的发展,使其计算能力更强,具有可解释性、安全性和可靠性。

  • 十一 17 / 2017
  • 0
Data, Ideas

锐眼洞察 | 大数据平台的思考

作者:TalkingData首席数据科学家 张夏天

本文为TalkingData原创,未经授权禁止转载。申请授权请在评论中留言联系!

 

目前我们正在规划我们新一代的智能数据平台;这几年以来,我们也一直在尝试做一个足够强大的数据平台来高效支持内外部的应用;我们也在不断调研全球最新的数据技术和产品。最近一年来,我也对到底要什么样的数据平台、到底需要什么样的功能、我们要根据什么原则去设计,有一些不太成熟的、碎片化的思考。上周五跟老阎、松柏、老何和学波一起沟通规划时,讨论了很多问题,也使得我对这些问题的思考更加深入了一些。这里做一下简要总结。

在大数据行业干了这么些年,我相信大家都有一种在泥潭中挣扎的感觉。要搞清楚到底有哪些数据、数据的结构、数据的来源、数据的意义、数据的上下文、数据的质量、数据可能有哪些局限性等等,都是非常麻烦的事情。在大多数情况下我们会发现数据的元数据缺失,数据的说明文档不存在或者文档有用的内容很少。为了某一个新任务要把数据搞清楚,我们可能需要咨询很多不同的人,每个人对数据的说法都不完全一致,当所有相关方都沟通了几次后,我们才大致把数据的概貌搞清楚。而这仅仅是完成了第一步,后面的数据处理、数据探索、特征工程、分析建模、生产应用还有无数的迷宫的需要探索。

自然,面对这些问题,我们会想能不能有一个平台把数据以及数据利用的各个环节都有效管起来,让我们可以很轻松的把数据的来龙去脉搞清楚,借助各种强大的功能非常方便的让我们把数据处理、数据探索、特征工程、分析建模乃至生产应用都轻松的解决。总之,我们希望这个平台能把一切都管起来,把一切关于数据、项目和工程的信息都管起来。使用者只需要在这个平台上就能获得关于数据的一切信息,并能够获得各种运用数据的能力。这可以说是数据平台的终极理想。

但是最近半年来,我对这个终极理想产生了比较大的疑惑,感觉追求这一目标可能是“理性的自负”。

复杂与失控的现实

复杂的大数据

首先,大数据本身就是极其复杂的,不仅在于规模、维度、类型,也在于其各种变化和各种不完美。而且大数据还在日复一日的变得更大、更复杂、更快,要把所有数据以及所有数据的所有方面全部都搞清楚,恐怕是非常困难的,很可能已经是人力不可及的事情。

可能必须得承认,我们对大数据的控制能力是有限的,大数据很大程度上对于人类来说就是失控的。很直接的一个例子就是“数据湖”,显然“数据湖”失去了传统数据库和数据仓库那种井井有条的规范美。“数据湖”基本上就是把所有可以收集到的数据堆放在一起,并没有非常规范的管理。并不是人们不想管理,而是事实上是做不到的,只能向现实妥协。当然,这种妥协很大程度上是可能是自发的而不是自觉的。

可能很多人也认为“数据湖”只是一种过渡,我们还在等待更强大的数据管理和数据治理的技术、工具、平台和方法论的出现。但是,人的智力和精力终归是有限的,如果我们期望能为所有数据都建立非常良好的文档和谱系来进行管理,并且能够得到及时的维护更新,需要投入的人力可能是无法承受的。而且如何保证这些管理的质量?只做形式审查是比较容易的,但是无法正真保证管理文档的内容质量,但是实质审查实际上又是不可能做到的。因此,很可能我们根本没有办法对大数据建立起传统意义中的管理体系。

复杂的技术

其次,技术上的问题也是非常复杂的。技术问题的复杂性主要来自于各种技术本身的不完备性,任何技术都只能解决某一类型的问题。但是一个通用的数据平台,至少需要考虑能解决大部分的常见需求,这就意味着必须要将不同的技术整合到一起。多种技术的整合是非常考验系统工程能力的,这是要过的第一关。

但更大困难在于技术的快速发展,新技术、新开源项目不断涌现,既有技术和项目有些持续发展、不断更新,有的逐步衰退。这种情况下,如何能够保证平台本身在技术上能跟上时代是个非常困难的问题。一个系统的结构一旦确定,就会形成路径依赖,随着时间的推移,会变得越来越难以变动,越来越难以将新技术整合进来。

另外,即使技术本身不变化、功能不变化,但是处理的数据规模不同、质量不同、具体的资源规模和配置都会有很大的不同。处理大数据难点在于如何用有限的资源和能力来处理规模巨大的问题。同样的处理逻辑,但是数据规模的不同,有效的处理方法可能就有很不同。而这是预设功能难以全面考虑清楚的。

综上,大数据平台面对的技术问题也是开放性的,或者说也是失控的,我们执着于技术和功能层面的大一统也很可能是“理性的自负”。

大数据平台设计哲学的重构

面对大数据,在数据和技术都失控的情况下,考虑如何强加对数据的控制和提高驾驭数据的能力都很可能是徒劳的。我们需要重新思考大数据平台的设计哲学,而不是在传统大型软件设计的哲学下做加强和修补。对于此,我有一些思考。

拥抱不完美

首先,我们必须承认我们的无知和无能,放弃去构建一个全知全能的平台的理想。我们需要思考大数据平台要管什么,更重要的是不管什么。我们需要在该放手的地方就放手,我们需要接受甚至是拥抱某种程度的失控。我们很可能就没有办法把所有数据都非常好的管起来,只需要通过平台,新手就很容易把数据情况搞清楚。我们很可能也无法提供完全统一设计风格、交互逻辑的功能界面。我们必须容忍一定的混乱,从而拥抱无限的可能和变化。

经验与价值的沉淀

还是先从数据来看,了解数据最便捷的途径就是找到最了解这个数据的人进行直接沟通。最了解数据的人可能是数据的生产者,也可能是数据的处理者,甚至是消费者。很多情况下完全搞清楚,可能需要与所有相关方都进行沟通后才比较清楚。平台的设计到底是要消除这种直接沟通,还是让这种沟通更有效率呢?

因为全面文档化是不现实的,那么我们能够考虑的是让目前的方式效率更高。数据平台能够承担的一个功能是更有效的把数据的需求方和了解数据的人连接起来。原来我想找一个了解某个数据的人,都可能需要问好几个人,而要了解清楚一个数据又可能需要找到好几个人,这就需要不断在线下反复的沟通。如果平台能够告诉我哪些人对这些数据最了解,这就可以提升相当多的效率。

当一个人一位对某个数据最了解,而被人问了很多次问到很烦的时候,他可以把自己对这个数据的总结的文档和FQA放到平台上。对这个数据关心的人也可以写评论谈自己对数据的理解和遇到的坑。当一个数据被使用的越多,那么平台上就可以沉淀出越多关于这个数据的信息,包括最熟悉的人和各种对数据的描述和解读,后来的使用者就越容易掌握这个数据。

我们可以想象,一个数据平台,经过一段时间的沉淀,有些数据的相关文档会变得十分丰富,而有些数据根本无人问津。当我们不追求全面的控制后,最有价值的信息可能就自动涌现了。当然,当我们要使用一些鲜有人问津的数据时,就需要经历一个比较痛苦的过程。但是只要平台能把这个过程积累到的经验沉淀下来,就是有价值的。

从标准化到社区化

利用大数据是需要探索精神的,大数据平台不应该是一条机械的流水线,把使用者变成一个个没有联系的随时可以替换掉的零部件。因为我们不可能做成真正构建这样有效率的流水线。同时,我们几乎无法用一套客观的量化指标来衡量对数据的利用效率,我们必须寄希望于人的主动精神。大数据平台的设计哲学应该以人为中心,尊重人的价值,激励人的探索和创新精神,让对数据有激情的人能够涌现出来,产生更大的声音,同时鼓励和便利人与人之间的沟通,从而提高总体的效率。总之,平台设计思想应该从标准化转为社区化。

弹性与开放

从技术上来看,我们需要尽可能的适应各种不同的功能和性能需求以及未来可能出现的技术演进。为了解决这个问题,我们需要的不是一个结构复杂包罗万象的技术架构,因为越复杂的系统就越脆弱,就越难以进化。 我们也不能绑定核心计算引擎就是Spark或者某几种特定技术,否则这就不是一个能力全面的数据平台。

很多为自有业务设计的数据平台是可以考虑业务特性来进行特化的。但是我们作为企业服务的提供商,需要考虑的是足够的通用性和灵活性。我们在技术架构的设计哲学上,不应该执着于提供多少强大的功能,而是应该专注于能够提供多少可能性和可扩展性。我们永远无法知道明天客户会有什么新需求,也无法知道会有什么新技术出现。

因此在技术架构上,应该以容器技术为基础,实现弹性的资源管理,和对技术和功能的开放支持能力。在容器技术的支持下,可以做到不同计算资源的即开即用即回收,可以支持资源的动态智能调整。当一个任务需要Spark时就创建Spark集群,需要TensorFlow就创建TensorFlow集群,任务完成就可以把资源及时回收,任务过程中根据资源使用情况和任务完成要求,动态的增加或者减少资源。

这种架构下,我们不是将各种技术能力整合封装成各种固定功能提供给使用者将他们的工作傻瓜化,而是向使用者赋能为其开放各种技术能力以及资源能力去创造无限的可能性。这种架构下很难提供统一的界面设计风格、交互逻辑,很多工作也需要使用者开发完成。因为我们无法做到对所有的技术进行统一风格的封装,而是把所有的技术直接暴露给了使用者,使用者必须自己使用这些技术来解决问题。当然这并不是说我们不需要做产品设计,只是产品设计的出发点不是创造一套独立完美的体系,而是应该着力于让使用者更容易的将不同的技术方便的组织起来,同时减少在不同技术之间切换的麻烦。

同时,技术架构也需要考虑不同模块之间如何组织的问题,这个问题遵循服务化的思路应该是已经形成共识,这里就不再过多展开。只是个人觉得在推行服务化之前,我们需要把服务接口的标准、服务总线的技术定下来。有好的服务基础架构,新增、替换、升级不同的模块就变得相对容易。从需求角度确定的功能和模块不可能是百分之百正确的,后续一定会面临着重构和调整的问题。只有做好面对一切变化的准备,才能更好的面对各种不确定性。

适应而不是约束

最后,我想谈谈关于方法论的问题。产品设计方法论先行是对的,但是我们要深入思考什么才是有效的方法论。关于数据挖掘的方法论已经存在十几年了(CRISP-DM),老实说我们在思考的数据科学的方法论并不会有本质性的改变。但我对这些方法论的感觉就是“如何把大象放进冰箱”,或者5步画马法。原则上都对,但是对实际工作的指导意义非常有限,因为魔鬼都在细节中。

其实面对大数据,不仅我们对数据和技术是失控的,实际上我们如何处理、应用数据的过程在很大程度上也是失控的。整个过程就像在走迷宫,工作步骤分形似的不断展开。任何大的指导原则对于具体工作的指导意义就变得极为有限。

正因为如此,产品设计应该考虑的是如何适应这种Ad-hoc的工作状态,而不是用一套流程把使用者束缚起来。我们可以提供一些机制便于使用者来梳理手头的工作,但是尽可能不要去强制使用者遵守某种约束性很强的标准或者规范。为什么像NoteBook这样设计如此简单的工具能够流行起来,很重要的一点就是给使用者足够自由的工作界面来做任何想做的事情,而且即写即得,便于随时修改策略,同时文档可以根据需要随时插在代码之中。正是这种无结构的扁平性,使得用户可以按照最合适的路径去完成自己的工作,而不是在被设计好的过程中挣扎。

总结

写了这么多,其实核心想说的就是我们必须警惕“理性的自负”。我们首先必须承认理性的力量是有限的,我们不是无所不能的。面对着数据失控、技术失控和需求失控的问题,我们到底是要想尽一切办法去控制,还是顺应、包容甚至是欣赏这些失控。这是在我们智能数据平台研发道路的起点上需要思考的问题。

页面:1234567...17
随时欢迎您 联系我们