阿里鲁班智能设计平台[转]

出处:阿里技术 - 微信公众号

鹿班:luban.aliyun.com

1. 鲁班智能设计平台简介

原文:阿里发布鲁班智能设计平台,将大规模赋能新商业 - 2017.04.08

2017 年 4月27日,UCAN2017 用户体验设计论坛 在杭州阿里巴巴西溪园区举行. 大会开场,阿里巴巴集团UED委员会委员长杨光发布了智能设计平台——鲁班. 此平台原理是通过人工智能算法和大量数据训练机器学习设计. 通过一段时间的学习,鲁班从 2016 年“双十一”前就已经在阿里内部大规模投入使用,目前其设计水平已经非常接近专业设计师设计的效果.

据阿里智能设计实验室负责人吴春松表示,基于阿里商业生态上中蕴含的真正大数据,强大的算法能力和计算能力,早在 2016 年 7 月份就已经开始组建阿里智能设计实验室,致力于开发人工智能设计平台——鲁班. 通过一段时间的积累,鲁班设计平台已经具备了可大规模设计、可自我学习成长、可开放接入三大特性.

2016年双11期间,鲁班把双11站内投放广告形式呈现为千人千面. 以前的“双十一”每个分会场只需根据主题投放1张图片素材,2016年的“双十一”分会场需要根据主题和消费者特征进行个性化呈现,平均每个分会场需要投放3万张图片素材,整个双11期间累计生产了1.7亿素材,满打满算需要100个设计师不吃不喝连续做300年. 这在1年前是很难想象的,但是鲁班系统除了个别模板还需人工设计以外,基本承接了此项目全部的工作量. 从商业效果来看这种模式让资源位点击率翻了一倍多. 设计效能得到大幅提升.

鲁班平台是一套可以通过自学习达到设计认知层面的机器,它与人类学习设计的过程非常相似. 开发人员为他设计了一套可以快速学习设计风格并且不断成长的闭环系统,包括“风格学习-行动器-评估网络”三大核心模块. 机器从大量设计文件中学到设计风格后,由行动器根据设计需求生成设计结果,生成结果好不好由“评估网络”来给予反馈. 评估器的工作原理是输入大量的设计图片和评分数据,经过训练最终让机器学会判断设计的好坏.

此系统于 2017 年双十一前开放给阿里生态上百万的设计师使用,届时广大中小商家企业就可以使用鲁班智能设计能力,低成本生成高质量的设计. 而部分有自主品牌设计风格的品牌大商家,将设计风格输入给机器,由机器协助生成大批量统一风格的设计结果. 从而让商家享受阿里平台的设计和技术能力,做到设计赋能全网商家.

智能设计时代已经到来,设计师将何去何从. 杨光认为,“以后美工的工作将会被人工智能所取代,但设计不会被取代,内容创意设计和全链路设计会成为设计师未来发展的方向. ”

image

在新的商业模式和背景下,杨光表示,对于设计行业要通过以下三点提前布局:

一. 从产品设计到设计产品

目前消费者的购买模式已经从需求升级到现在的消费升级. 在此情况下消费者对于审美、创意、个性化的需求与日俱增. 因此设计的范围已经不能局限于狭义的产品设计,而是需要洞察消费者内心设计出其喜爱的产品. 这一点在淘宝造物节当中有充分的体现,在此活动中很多设计师品牌大放异彩,设计师的价值也随之被放大. 这个现象不仅仅会出现在互联网行业,而是方方面面.

二. 从体验设计到设计体验

消费者在互联网上购买的不仅仅是一件商品,还有整套购物体验. 现在随着技术的发展,消费者通过指尖和屏幕的交互已经可以无限延伸,达到虚拟设定场景(AR、VR)的使用. 这就要求设计师掌握更多的技能,考虑更多形式和维度的交互. 以达到人机交互的过程更加自然亲近,无限趋近于人人交互.

三. 从技术升级到设计升级

大数据的积累和鲁班系统的全面应用,使我们可以了解每一位消费者,并对他们进行个性化的产品呈现. 这种能力开放出去不仅可以赋能给全平台的商家,还将赋能整个设计生态.

阿里的鲁班系统通过大数据和智能学习,产出设计投放到市场,服务于用户. 用户使用的过程中产生了更多的数据反馈到大数据库中,更多更精准的数据使鲁班不断学习并应继续应用于设计当中,从而使新技术赋能新设计,新设计赋能新商业,最终进入良性的工作循环.

2. 鲁班海报设计技术简介

原文:AI设计师“鲁班”进化史:每秒制作8000张双11海报,没有一张雷同! - 2017.11.08

在过去,每年双11,设计师们都会开启狂加班模式:做海报、改文字、换商品、调设计、换 banner,每个设计师对接几个运营人员,富士康流水线一样的重复性工作. 一年双 11 下来,完成上亿张海报.

然而,这一切正在成为过去.

AI 改变了围棋,现在也在改变海报设计. 这是一个名为 " 鲁班 " 的 AI 设计师,它将担纲今年双 11 的 banner 海报设计,数量高达 4 亿张.

但考虑到鲁班平均 1 秒钟就能完成 8000 张海报设计,一天可以制作 4000 万张,4 亿只能算一个小小小小目标.

这个海报设计 AI" 鲁班 ",诞生也与双 11 有关.

每年双 11,都是阿里设计师的大考:海量的设计需求,需要保证所有人都统一规范,遇到紧急设计需求,还要快速出稿,对每一个设计师都是脑力、体力双重考验.

千人千面需求的 banner 设计

于是,2015 年双 11 后,阿里内部开始萌生想法,当年阿里正式在商品推荐上实现 " 千人千面 ",所以希望强营销导向的广告资源位的设计也能实现 " 千人千面 ".

因此 " 鲁班 " 项目正式成立,并不断发展至现今的 " 阿里智能设计实验室 ":让鲁班学习人类设计师的成果和经验,不断进化,到今年双 11,鲁班的水平已经达到了阿里内部 P6 水准.

鲁班的学习进化,主要有三大技术原理:风格学习(规划 + 元素)、行动器,以及评估网络.

2.1. 风格学习模块

首先是风格学习模块.

鲁班风格学习

鲁班先将大量设计素材的设计数据进行结构化标注,最后经过一系列的神经网络学习,输出空间 + 视觉的设计框架.

框架设计中,首先通过人工标注的方式,让机器理解该幅设计有哪些元素组成,比如它的商品主体,花的背景,蒙版. 往上一层,还需要通过设计的经验知识,定义一些设计的手法和风格. 手法指的是这些元素为什么可以这么构成. 最上面这一层是风格,当这些元素构成之后,它从美学或者视觉角度看是一个什么感受,让机器知道它是用什么组成.

下一步是准备设计的原始文件,比如一系列花朵和设计方法,输入到深度学习网络中. 该网络具备一定记忆功能,可以记住设计步骤中复杂的过程.

经过这层神经网络学习之后,会得到一个设计框架. 从技术上理解,它是一堆空间特征和视觉特征构成的模型. 从设计师的视角来看,它相当于设计师脑里在做一组设计之前那个大概的框架印象.

在设计框架的同时,元素中心也在批量输入元素(如底图,主产品图、修饰元素等),由元素分类器进行学习,按照视觉特征和类型分类.

具体来说,鲁班团队会提前收集一些版权图库,以及自己造设计元素的方式,输入到元素分类器中. 这个分类器会把这些元素分布到各个类型里,比如背景、主体、修饰,也会完成图片库的提取.

2.2. 行动器

其次是行动器.

鲁班行动器元素分类

行动器的主要作用,是根据需求从风格学习模块中选择设计原型,并从元素中心中选取元素,规划出多个最优生成路径,完成图片设计.

这与设计师实际工作过程非常相似,如设计师要设计一朵花,也会在软件里会不断去调每个位置、每个像素、每个角度. 同时,整个过程也是一个强化学习的过程,行动器会在不断试错中更聪明、更智能.

此过程完成后,将输出多个设计图,并最终交给 " 评估网络 " 对输出产品进行评分.

2.3. 评估网络

最后是评估网络.

鲁班评估网络

评估网络的工作原理是输入大量的设计图片和评分数据,经过训练后,让机器学会判断设计的好坏.

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.

2.4. 技术挑战

这背后,阿里的设计师和算法工程师做了三大功课.

第一,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".

第二,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.

第三,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,也不是没有挑战. 整个鲁班打造过程中,遭遇了三方面技术挑战.

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. 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.

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.

而 2017 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.

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?

当然不会!

" 鲁班今年花了半个月时间学会双 11 设计风格,目前已经开始产出一部分人类没教过它的设计了. 但是最具创新意义的创造类设计,目前只能通过人机协同的方式完成. " 鲁班负责人乐剩介绍说.

机器智能只是社会新生产力的一部分. 机器人与人合作,既提升了效率和质量,又让天猫双11超级工程变得如此“轻松”.

Last modification:January 14th, 2019 at 02:44 pm

Leave a Comment