 -Yeeeees,我们是你的设计生涯加油站！- YES一直走在、产品、交互技术前沿 始终关注人工智能等领域 并于本次重磅推出全球最新交互类课程 AI人工智能、ML机器学习、DL深度学习课程！ 带你一次搞定ml5.js和Runway ML！  对自动化正在取代实际设计技能的担忧已被广泛揭穿。当然，人工智能仍在发展——只是不会取代我们的工作。相反，它将为设计师提供21世纪的技能，允许他们将机器学习等人工智能的应用集成到他们当前的实践中。 但是，为了真正探索数据驱动的设计流程的可能性和局限性，设计师不仅要理解这些新兴技术，还要积极参与这些技术的发展，这一点对于设计师来说是至关重要的。 那么，下一代是如何准备的，更重要的是，他们的四年制大学是如何准备的？如果设计学术界经常是最后一批适应行业变化的，而设计学校将如何把人工智能融入他们的课程的呢？  类似谷歌的Teachable Machine（Teachable Machine是一个基于网络的工具，它使创建机器学习模型变得快速、简单，并且每个人都可以使用。）这样的实验性网络项目在网络上进行免费提供，设计师们不需要工程背景来训练他们的神经网络。然而，那些在学校获得人工智能实践经验的人将更好地理解它的创造性可能性以及它对文化和社会的伦理影响。卡耐基梅隆大学的艺术教授兼弗兰克-拉奇创意调查工作室、CMU艺术学院表示，已经开始将机器学习整合到课程中，同时也将编码作为艺术和设计专业学生的基本要求。该大学提供计算机科学和艺术的混合本科学位课程，学生主修美术和机器学习，允许他们探索如何将这些技术用于艺术探索。  谷歌的可教机器：一旦模型从大量例子中学习，它就可以评估新数据。在这里，模型根据之前学习的橙子的照片来评估一只猕猴桃的照片。 在过去的20年里，Levin一直积极参与开源社区，并与开放框架、处理和p5.js等艺术编程工具包的创始人合作。  （值得一提的是，YES也有推出p5.js的课程哟） Levin的校园实验室还支持几个开源艺术和工程计划以及艺术软件开发工具包。“我们认为，艺术家、设计师和其他有创造力的人有必要坐在桌子旁边，弄清楚人工智能系统能做什么，它们会带来什么风险，并愿意表达它们提供的可能性，并通过尽早开始使用它们来预测未来。”CMU艺术学院的跨学科性质意味着艺术和设计学生可以沉浸在大学强大的计算机科学和机器学习部门以及机器人和人机交互研究所的研究和资源中。 然而，对于一所独立的艺术学校来说，将编码和机器学习课程整合到艺术或设计课程中并不像CMU这样的研究型大学那样容易。罗德岛设计学院的助理教授阿纳斯塔西娅·刘冰发现，为艺术家和设计师实施机器学习课程将面临独特的挑战。 “探索机器学习在艺术中的应用一直非常有限，因为这是一个非常耗时的过程，”她解释道。“使用Adobe软件，我们习惯于立即看到结果，而使用机器学习，这个过程可能需要几周时间，并且经常需要不断地排除故障。然后，在所有的努力之后，可能美学结果会达不到艺术家们所期望的。”  《深云》(2018)。建筑学博士生Ardavan Bidgoli开发了DeepCloud，这是一个数据驱动的点云生成式设计工具。该项目使用机器学习来帮助人类设计师。它是在NeurIPS2018上展示的。 机器学习是处理器密集型的，依赖于能够从由1000-10000张图像组成的数据集训练模型的定制硬件。随着硬件迅速过时，机器也需要频繁的GPU升级，以及需要Python知识的环境设置。“这就是为什么我们正在寻求与提供基于云的人工智能解决方案的公司建立教育合作伙伴关系，让学生能够只使用最少的Python代码来试验机器学习。然后，学生可以发明在艺术和设计中实现机器学习的新方法，更重要的是，通过与该技术的实际交互，允许对该技术在设计上的影响进行批判性思考。” 迄今为止，RISD一直在与Serre实验室在邻近的布朗大学创建机器学习工作室。项目包括训练神经网络通过混合600多种字体来创建新的字体，共同创作文本作为一种实验出版形式，以及揭示ImageNet数据集中固有的性别偏见。刘冰希望继续促进机器学习，将其作为设计师和机器之间的合作，以及灵感、创造性增强、生成性设计和陌生化的来源。
“鸟干：我们称之为鸟的愚蠢生物的梦&噩梦般的表现。” 而刘冰的梦想是拥有一个专用的空间人工智能设计校园研究仍然遥不可及，其他设计学校已经开始将机器学习纳入他们的课程。艾伦·希尔是帕森斯设计学院的数据可视化助理教授，也是艺术、媒体和技术学院数据可视化硕士项目的负责人。“我来自一个非常注重数量和分析的背景，”他说，“我的职业是统计学家，所以对于一所艺术和设计学校来说，聘用我来当教员在常人看来一个奇怪的行为。”但是考虑到希尔的工作经常处于艺术和科学的交叉点，他在帮助建立数据可视化研究生项目方面处于有利地位。“当该计划启动时，我们开始考虑选修课，不仅为数据可视化计划服务，而且为帕森斯的所有研究生服务，”希尔解释道，“机器学习显然是我们需要提供的第一门选修课，因为它已经成为我们如何获取信息、如何过滤信息以及如何与世界互动的一个重要工具。” 由于Hill班上90%的学生都是设计师，而不是数据科学家，所以先前的编程知识更多的是一个松散的先决条件。Hill解释说:“我们在课程中主要使用Python，这是一种简单易学的语言，即使你以前从未使用过。我们有很多只在Javascript或处理方面有经验的人，他们很快就学会了Python。”虽然设计人员在学习一门课程后可能不会成为机器学习工程师，但这让他们有机会熟悉使用数据，学习如何设置和改进算法，并充分理解输出，以便能够评估任何性能问题。“它真的会带你经历这个过程的每一步，我认为这让设计师们在设计时更好地考虑技术，并认识到它对世界真的有好处，也可能对世界真的有危险。”  Teenie Harris档案调查(2016年至今)。这个项目使用机器学习来帮助分析和标记Teenie Harris档案，这是一个由卡内基艺术博物馆维护的20世纪非裔美国人生活的非常大的收藏。 理解机器学习的数据从来都不是中性的，也让设计者更清楚如何学习种族和性别偏见继续出现在AI系统中。在这一学期的课程中，Hill说他在三个主要项目中的每一个项目中都引入了偏见，这让学生有机会批判性地思考机器学习，思考什么是好的数据，以及如何减少偏见。“一路上提出了很多棘手的问题，我们并不羞于去那里。” 对于希尔来说，教授机器学习的最大挑战是将所有课程安排在一个学期内。他希望看到它持续一整年，或者最终创建一条机器学习路径，有效地作为设计师或data vis来计划学生的非正式研究生辅修课程。他认为，越多的设计师拥有强大的机器学习基础知识，并能认识到其潜在的偏差，我们的设计行业就会变得越好。 至于对机器学习将如何改变设计本质的担忧？“我认为这是一个非常合理的问题。”希尔说，“每个真正接触过这些底层技术和方法的人都将最有能力成为回答这个问题的一部分，而不是带着这个问题的答案生活。” |
|
|
