数据驱动型的设计01

本系列从数据结构相关的计算机知识出发，从数据的角度提出一些数据驱动的设计思维模式。第01期总体介绍数据结构与设计的关系，用数据结构的方式来思考设计，并通过几个案例介绍一些大的思路。

1 数据结构与设计

数据结构是在计算机中组织和存储数据的一种方式，它可以高效地访问和修改数据。数据结构由数据值与它们之间的关系组成的集合，可以表示为：

Data_Structure = ( D , R )

其中D是数据元素的集合，R是该集合中所有元素之间的关系的有限集合。注意R是有限的，可以枚举完的，这点非常重要。

我们可以定义一个设计，以平面设计的图文排版方式为例，图跟文的排版方式是可以被枚举完整的。假定单张图片，一段文字之间的排版方式，图示：

图片跟文字的关系是有限的集合，设计作品转变成结构化的数据，使得计算机读懂设计具备了基础条件。

把设计变成数据，这个过程在城市规划领域里是一个探索的比较清晰的领域：大数据与城市规划。一个典型应用：通过地图数据，分析人口分布、人的日常活动路线，城市道路，地标状态等关系，并做相应等模拟，从而指导城市设计。人工智能建筑师XKool也是基于地图数据来指导设计。

结合以上举的例子，站在数据结构的角度来思考设计，设计可以被描述为：

设计的对象 + 对象之间的关系 = 设计

各设计领域中的对象及关系都可以套用此进行理解，并数据化。例如：

1）在平面设计中对象指的是图片、文字、符号、色彩等实体，对象之间的关系主要是指布局、间距等2维的平面空间关系；

2）在建筑／景观设计里对象指的是铺装、墙体、顶、柱子、植物等实体，对象之间的关系指的是各实体之间的3维空间关系；

3）用户体验设计中的对象应该是指可点击的内容、各个页面等实体，对象之间的关系则是之间的跳转关系。

还有更多，欢迎留言补充～

2 数据驱动设计

数据驱动型的设计的方法有哪些呢？我们通过一些案例，可以得到一些思路。

2.1 基于视觉设计数据的自动排版

曾经在《智能设计应用于视频广告，从鲁班的视觉引擎谈起》总结过一个基本的数据驱动的思路：从半结构化的设计图，例如 psd 文件、sketch 文件等，提取设计数据，包括图片、文案、布局、色彩，形成设计大数据，然后通过搜索等技术，枚举各种组合，并评分，最后得出最优结果。

这方面的例子有Flipboard的自动排版，Flipboard主要要解决的是多种屏幕尺寸的排版方案选择，系统预先内置一些模版库，通过输入内容的决策树判断，组合出大量的排版方案（一般达到2000+以上），然后通过评估（打分，通过预先制定评分规则），选取分数最高的方案，然后进行再进一步的精细化排版。

2.2 基于传感器数据，增强城市设计

随着城市传感器基础设施建设不断兴起，人们通过城市传感器获得城市特定区域空间要素或人群的详细数据，为规划设计的提供了动态评估修正方案的可能。

2.3 基于传感器的汽车工业设计

Hack Rod的第一辆用人工智能构建并在虚拟现实环境中设计的汽车。他们制作了一个具有几何结构的汽车底盘，并将数百个传感器安装到汽车和司机身上，在测试过程中传感器所捕获到2000万个关于汽车结构和作用力的数据点，利用这些数据重新设计生成新的底盘。

2.4 基于网络社交数据的音乐创作与封面设计

2017年，一首“心碎”主题的《Not Easy》冲上了 Spotify 全球榜 Top 2，这首歌利于IBM Watson的相关技术完成对“心碎”主题的演绎。

2.4.1 流行主题的挖掘

通过对过去 5 年的文本、文化和音乐数据进行分析，从中捕捉热点及流行的音乐主题，帮助创作者锁定了“心碎”的主题；

2.4.2 歌词创作

Watson分析了过去 5 年内26000首歌的歌词，了解每首歌曲背后的语言风格、社交流行趋势和情感表达，同时分析了社交媒体上的UGC内容，了解大众对“心碎”这个主题的感受；

2.4.3 乐曲创作

Watson分析26000歌曲中的节奏、音高、乐器、流派，建立模型发现不同声音所反映出的不同情感，探索出“心碎”的音乐表达方式

2.4.4 专辑封面设计

设计师要如何表现“心碎”？利用色彩分析海量专辑的封面设计，找出“心碎”情感对应的图像及色彩，完成了专辑封面制作。

2.5 基于大数据的服装设计

这个在《人工智能服装设计师》文章里提到过，是2016年由英国设计工作室玛切萨（Marchesa）与IBM Watson 合作设计的LED礼服。Watson 通过阅读海量科学报告，精确选择合适的材质面料；分析海量图库，推荐最佳的配色方案及设计师所需要的流行趋势，帮助设计师快速的做出决策。LED的礼服还可以根据实时捕捉的全球社交媒体上相关话题的评论情绪，随之变换颜色。

推荐2本大数据相关的书籍：

3 数据驱动 VS 算法驱动

读者们是否还记得之前mixlab更新过《算法驱动型的设计》，那与本文的数据驱动是什么关系？或者说：

数据与算法，谁更重要？

数据驱动的最明显特征就是基于大数据，而算法驱动不一定是基于大数据，更多的是基于规则。

以上第2部分的案例是基于数据的设计各领域的应用案例，我们可以发现，基于大量的数据，我们可以为设计提供某种参考，以驱动设计。一般有2种策略，面向物理世界的设计我们更多的会采用传感器来帮助我们采集真实的数据，而面向虚拟世界的设计，我们会更多的从社交媒体，各大内容平台去获取我们需要的大数据。大数据更多的是为设计提供某种依据：

数据的价值体现在设计本身

那么，算法对于设计的价值呢？建筑领域里的参数化设计就是典型的算法驱动型设计，通过设定规则来达到生成某种形式形体的目的：

算法直接决定了设计的形态

再举个UI界面的例子，著名的Cassowary布局算法，就是典型的算法驱动。将布局问题抽象成线性等式和不等式约束来进行求解。指定一系列的约束，比如视图的高度、宽度等等。而每一个约束其实都是一个简单的线性等式或不等式，整个界面上的所有约束在一起就明确地定义了整个界面的布局。用此算法生成的布局，特征明显，形态也是被算法所直接决定的。

采用数据驱动还是算法驱动，各有优劣，往往效果比较好的应用都是两者结合，通过数据为设计提供决策支持，然后选择合适的算法产生设计的具体形态。

4 其他： 采集人流动向数据的方法

补充个上周五mixlab线下聚会其中一个IDEA：

@小琛

采集商场里的人流动向数据，应用到商业业态动态更新。

小型的聚会里，我们探讨了接近10个IDEA～

同时 mixlab 群里对采集人流动向数据做了一次小规模讨论：

@vertusd @ligang

有没可能通过设备探测周围手机客户端数量做人流统计？目前看到几个人流识别方案：1）机器视觉到方法；2）运营商基站上做统计；3）基于手机wifi的识别；4）基于低功耗蓝牙(BLE)的室内定位。

这个问题取决于想要做到什么精度。机器视觉，看摄像头部署的密度；wifi连接，没有接wifi的情况如何估算；通过手机运营商的基站获取人流，精度很粗。我们再把问题聚焦下：如果在商场里，如果低成本的统计各层人流的分布，精确尽量到1米范围。

经过N轮讨论，结论是：目前最好的方式是机器视觉的解决方案。