Как мы провели быстрый эксперимент, чтобы вдохновить дизайнеров.

Изучая, что делают другие с машинным обучением, я обнаружил изображение, созданное исследователем Андреем Карпати, который использовал ИИ для организации тысяч фотографий на одной карте с помощью визуального распознавания более высокого порядка. Визуализация не только показала, насколько эффективен ИИ в организации визуальной информации, но и заставила меня задуматься, как его можно применить к повседневным задачам, с которыми мы сталкиваемся как дизайнеры.

Изучение шрифтов

Выбор шрифта - одно из самых распространенных визуальных решений, которые принимает дизайнер. Часто дизайнеры прибегают к шрифтам, которые они использовали раньше, или выполняют поиск по таким категориям, как serif, san-serif или гротеск. Эти категории являются полезной отправной точкой, но даже внутри категории шрифтов существует широкий спектр эстетических различий. Кроме того, даже если дизайнер найдет идеальный шрифт, он может не подойти для макета или веб-сайта. Дизайнерам нужен более простой способ находить альтернативные шрифты с той же эстетикой, поэтому я решил посмотреть, может ли алгоритм машинного обучения сортировать шрифты по визуальным характеристикам и позволять дизайнерам исследовать шрифт по-новому.

Мой эксперимент с ИИ

Сначала я создал обучающий набор изображений, по одному для каждого шрифта. Используя собственный опыт IDEO, я обнаружил, что дизайнеры шрифтов часто используют термин «перчатки» для изучения шрифтов, поэтому я также использовал этот термин при создании изображений для алгоритма. Это позволяло каждому изображению содержать достаточно символов для представления различных характеристик каждого шрифта.

Когда у меня была куча изображений шрифтов, я использовал сверточную нейронную сеть под названием VGG16, чтобы сгенерировать для каждого шрифта список чисел, который представляет то, что, по мнению сети, является заметными визуальными особенностями изображения. Наконец, чтобы получить точки x, y, я запустил эти вложения через T-SNE, популярный алгоритм для взятия больших векторов и их сжатия в меньшее пространство - в данном случае в 2-мерную плоскость.

В конце процесса я разместил около 800 шрифтов в двухмерном пространстве. Я был очень удивлен тем, насколько хороши результаты: были очень четкие кластеры шрифтов, такие как группа без засечек и группа курсивных шрифтов. Алгоритм также мог кластеризовать выбросы или шрифты, которые были более уникальными и имели меньше связей с другими.

Когда у меня появилась эта карта, следующей задачей было превратить ее в цифровой инструмент, который был бы интересен и полезен для дизайнеров. К счастью, нам удалось собрать отзывы дизайнеров из IDEO в процессе!

Представляем карту шрифтов

Конечным результатом этого исследования стала Карта шрифтов, интерактивная карта из более чем 750 шрифтов, организованная с помощью машинного обучения.

Это быстрое погружение в машинное обучение заставило меня еще больше взволновать возможность создания новых интеллектуальных систем, которые могут помочь в процессе проектирования. Предполагая, что данные доступны, сопоставление тысяч шрифтов можно масштабировать с помощью этого подхода. Мне также интересно узнать, как популярные сочетания будут отображаться на карте шрифтов. Есть ли скрытый паттерн, выявленный посредством визуализации, который может помочь нам понять, что составляет хорошее сочетание? Дизайнерское сообщество здесь, в IDEO, задавало эти и многие другие вопросы, создавая обширные дискуссии о роли ИИ и машинного обучения.

Я надеюсь, что это вдохновит коллег-дизайнеров поиграть с машинным обучением и искусственным интеллектом и использовать эти новые возможности проницательными, вдохновляющими и ценными способами.

Спасибо Йохену Веберу, Кэти Кирш и Лили Шен.