هوش مصنوعی برای طراحان؛ فراتر از سرعت و ایده‌یابی
هوش مصنوعی می‌تواند به روشن‌شدن بریف، نقد دقیق‌تر طرح و هماهنگی متن، تصویر و صدا کمک کند. با یک پروژه فرضی و سه پرامپت عملی، استفاده از آن را فراتر از سرعت و ایده‌یابی تجربه کنید.
ساختن چند اتود، حذف یک عنصر اضافی از عکس، پیشنهاد ترکیب رنگ یا نوشتن متن یک پست؛ این‌ها شروع‌های خوبی برای استفاده از هوش مصنوعی هستند. اما اگر تمام ارتباط ما با این ابزارها به چنین درخواست‌هایی محدود شود، بخش مهمی از فرصت را نمی‌بینیم: کمک به فهم مسئله، انتخاب مسیر و تجربه‌کردن روش‌هایی که در کار روزمره کمتر سراغشان می‌رویم.
وقتی درباره هوش مصنوعی برای طراحان حرف می‌زنیم، معمولاً خروجی جلوی چشم ماست؛ یک تصویر، یک ویدیو یا چند ایده. سؤال این مقاله کمی عقب‌تر می‌رود: پیش از ساختن آن خروجی، چه چیزی را باید بفهمیم؟ و بعد از ساختن، چطور تشخیص بدهیم که کارمان مؤثر بوده است؟
نقطه شروع: چارچوبی از یکی از مدیران مهندسی انتروپیک
فلیکس ریزبرگ، مدیر مهندسی در انتروپیک، در مقاله «چطور بلندپروازتر باشیم؟» چهار بُعد برای استفاده از مدل‌ها پیشنهاد می‌کند: سرعت، ارتفاع، عمق و گستره. سرعت یعنی انجام سریع‌تر کار؛ ارتفاع یعنی توجه به نتیجه نهایی؛ عمق به روش و دقت کار مربوط است؛ و گستره یعنی کمک‌گرفتن از رشته‌های مختلف. او همچنین بر فراهم‌کردن داده و ابزار مناسب و ارزیابی مستقل نتیجه تأکید دارد.
این نوشته ترجمه کامل مقاله او نیست. در ادامه، از این چارچوب برای بررسی موقعیت‌های آشنای طراحی استفاده می‌کنیم. مثال‌ها و پرامپت‌های زیر برای مخاطبان بیت‌گرف تدوین شده‌اند و گزارش یک پروژه یا آزمایش واقعی نیستند.
یک پروژه فرضی: معرفی دوره با یک ویدیوی کوتاه
فرض کنید قرار است برای معرفی یک دوره آموزشی، یک ویدیوی کوتاه و چند بنر طراحی کنید. سفارش اولیه روشن به نظر می‌رسد: «یک کار جذاب بساز که مخاطب ثبت‌نام کند.»
می‌توانید بلافاصله از مدل چند ایده بصری بخواهید. اما هنوز نمی‌دانید مخاطب درباره چه چیزی تردید دارد: سطح دوره؟ پیش‌نیازها؟ کیفیت آموزش؟ زمانی که باید برای تمرین صرف کند؟ شاید طرحی چشم‌نواز بسازید که هیچ‌کدام از این سؤال‌ها را جواب ندهد.
در این پروژه فرضی، کاربرد هوش مصنوعی در طراحی گرافیک می‌تواند از تولید اتود شروع شود و تا روشن‌کردن همین ابهام‌ها ادامه پیدا کند. برای هر مرحله، باید ورودی و معیار ارزیابی متناسبی داشته باشیم.
۱. سرعت؛ زمان آزادشده را کجا خرج می‌کنیم؟
سرعت ارزشمند است. وقتی آماده‌سازی نسخه‌ها و کارهای تکراری زمان کمتری بگیرد، فرصت بیشتری برای بازبینی داریم. مسئله زمانی پیش می‌آید که تمام زمان آزادشده را صرف تولید گزینه‌های بیشتر کنیم و هیچ فرصتی برای انتخاب دقیق‌تر باقی نگذاریم.
در پروژه فرضی ما، می‌توان ابتدا پیام تأییدشده را به چند نسخه کوتاه برای بنر و ویدیو تبدیل کرد. سپس به‌جای درخواست ده‌ها نسخه دیگر، سه گزینه را با بریف مقایسه کرد: کدام روشن‌تر است؟ کدام وعده‌ای فراتر از محتوای دوره می‌دهد؟ کدام برای خواندن روی موبایل زیادی طولانی است؟
سرعت زمانی به کیفیت کمک می‌کند که برای مرحله بعد برنامه داشته باشیم. پیش از تولید انبوه، مشخص کنید خروجی‌ها را بر اساس چه معیاری انتخاب خواهید کرد.
۲. هدف بزرگ‌تر؛ پیش از طراحی، سؤال مخاطب را پیدا کنیم
برای طراح، فکرکردن در سطح هدف به معنی برعهده‌گرفتن تمام تصمیم‌های کسب‌وکار نیست. کافی است بتواند ارتباط میان سفارش و نیاز مخاطب را روشن کند.
در مثال معرفی دوره، ورودی مناسب می‌تواند شامل توضیحات تأییدشده دوره، پرسش‌های متداول و نمونه پیام‌های مخاطبان باشد. اطلاعات شخصی را حذف کنید و از مدل بخواهید بین چیزی که در پیام‌ها دیده می‌شود و چیزی که فقط حدس می‌زند، تفاوت بگذارد.
بعد از این مرحله، ممکن است متوجه شوید یکی از بنرها باید پیش‌نیاز دوره را توضیح دهد و ویدیو بهتر است روند یک تمرین را نشان بدهد. این‌ها فرضیه‌های قابل بررسی‌اند؛ تصمیم نهایی باید با شناخت شما از محصول و مخاطب هماهنگ شود.
معیار موفقیت این مرحله، تعداد ایده‌ها نیست. باید بتوانید در یک جمله توضیح بدهید هر خروجی برای چه کسی ساخته می‌شود و قرار است چه ابهامی را برطرف کند.
۳. عمق؛ از «قشنگ‌ترش کن» به بازبینی قابل اجرا برسیم
درخواست «این طرح را حرفه‌ای‌تر کن» معمولاً مشخص نمی‌کند چه چیزی باید بررسی شود. برای رسیدن به بازخورد مفید، نسخه طرح را همراه با بریف، اندازه نمایش و محدودیت‌های پروژه ارائه کنید.
برای مثال، بنری که روی مانیتور خوب دیده می‌شود ممکن است در صفحه کوچک موبایل خوانا نباشد. یا در ویدیوی معرفی دوره، متن مهم آن‌قدر کوتاه نمایش داده شود که بیننده فرصت خواندنش را پیدا نکند. این‌ها مسئله‌های مشخصی هستند که می‌توان برایشان اصلاح و آزمون تعریف کرد.
پاسخ مدل را به فهرست اصلاحات قطعی تبدیل نکنید. پیشنهادها را در اندازه واقعی نمایش بررسی کنید. برای نمونه، طرح را به چند نفر از مخاطبان هدف نشان بدهید و بپرسید: «این دوره درباره چیست؟» و «قدم بعدی چیست؟» اگر پاسخ‌ها با پیام موردنظر شما فاصله دارند، نقطه‌ای برای بررسی پیدا کرده‌اید.
در این نوع استفاده از هوش مصنوعی برای طراحان، ارزش اصلی در دقیق‌ترشدن بازبینی است. قضاوت بصری و شناخت زمینه همچنان بخشی از کار شماست.
۴. گستره؛ از تخصص‌های کنار طراحی کمک بگیریم
یک ویدیوی معرفی فقط مجموعه‌ای از فریم‌های زیبا نیست. متن، ترتیب اطلاعات، زمان‌بندی و صدا هم در فهم آن نقش دارند. استفاده از نگاه چند رشته می‌تواند کمک کند این اجزا جدا از هم تصمیم‌گیری نشوند.
فرض کنید شروع ویدیو یک جمله پرهیجان دارد، اما تصویر هم‌زمان جزئیات پیچیده‌ای نشان می‌دهد. ممکن است بیننده نداند باید متن را بخواند یا حرکت‌ها را دنبال کند. اینجا بررسی رابطه متن و زمان‌بندی به‌اندازه انتخاب رنگ اهمیت دارد.
خروجی این مرحله می‌تواند یک نقشه ساده برای ساخت انیماتیک باشد. سپس با پخش نسخه اولیه، ریتم، خوانایی و هماهنگی صدا را بررسی می‌کنید. تا زمانی که چیزی اجرا و دیده نشده، جدول زمان‌بندی فقط پیشنهاد است.
گسترده‌تر فکرکردن به معنی پیچیده‌ترکردن هر پروژه نیست. برای یک بنر ساده شاید بررسی متن کافی باشد؛ یک ویدیوی توضیحی ممکن است به توجه بیشتری به روایت و صدا نیاز داشته باشد.
چه ورودی‌هایی آماده کنیم؟
برای شروع لازم نیست پوشه‌ای بزرگ از تمام اسناد پروژه بسازید. یک بسته کوچک و مرتبط آماده کنید: بریف، مشخصات مخاطب، متن تأییدشده، محدودیت زمان و بودجه و نمونه خروجی فعلی. اگر داده‌ای ندارید، نبود آن را روشن بگویید.
در پروژه‌های گرافیکی، تصویر واضح با اندازه نمایش موردنظر مفید است. در پروژه ویدیویی، سناریو و زمان‌بندی تقریبی را کنار نسخه قابل مشاهده قرار بدهید. اگر ابزار امکان دیدن ویدیو یا بررسی فایل را ندارد، از پاسخ آن درباره جزئیات دیده‌نشده نتیجه‌گیری نکنید.
همچنین مشخص کنید مدل تا کجا اجازه تغییر دارد. برای مثال، می‌تواند جمله‌ها را کوتاه کند، اما نباید وعده آموزشی جدید بسازد یا نام محصول را تغییر بدهد.
یک تمرین برای پروژه بعدی شما
یک کار واقعی و کوچک انتخاب کنید؛ بنر، کاور، استوری یا ویدیویی که همین هفته باید آماده شود. پیش از شروع، این چهار جمله را کامل کنید:
- بخش تکراری این پروژه که می‌توانم سریع‌تر انجام بدهم، ... است.
- مخاطب بعد از دیدن خروجی باید ... را بفهمد.
- بخشی که لازم است دقیق‌تر بررسی کنم، ... است.
- دانشی بیرون از تخصص اصلی من که به این پروژه کمک می‌کند، ... است.
فقط یکی از سه مورد آخر را با کمک مدل جلو ببرید. نتیجه را ثبت کنید: آیا بریف روشن‌تر شد؟ آیا یک ایراد مشخص پیدا شد؟ آیا پیشنهادی گرفتید که توانستید اجرا و ارزیابی کنید؟ ممکن است پاسخ بعضی سؤال‌ها منفی باشد؛ همین هم به شما کمک می‌کند جای مناسب ابزار را در کارتان پیدا کنید.
جمع‌بندی: برای هر خروجی، یک دلیل روشن داشته باشیم
کاربرد هوش مصنوعی در طراحی گرافیک می‌تواند به تمام مسیر پروژه مربوط باشد؛ از فهم سفارش تا بازبینی نسخه نهایی. لازم نیست همه پروژه‌ها را به تحلیل مفصل تبدیل کنیم. کافی است در کنار درخواست تولید، یک سؤال دقیق درباره هدف، کیفیت یا ارتباط اجزای کار مطرح کنیم.
در پروژه بعدی، قبل از درخواست چند اتود تازه، بنویسید: «این خروجی قرار است چه چیزی را برای مخاطب روشن کند و چطور آن را بررسی می‌کنم؟» پاسخ این سؤال می‌تواند مسیر طراحی را از همان ابتدا مشخص‌تر کند.
منبع و توضیح اقتباس
چارچوب چهارگانه ابتدای مقاله از نوشته فلیکس ریزبرگ با عنوان How to be more ambitious: A tutorial for humans with models، منتشرشده در ۱۳ اکتبر ۲۰۲۶، گرفته شده است. مثال کمپین آموزشی، پرامپت‌ها و تمرین‌های طراحی در این مطلب، بسط تحریریه بیت‌گرف بر آن چارچوب هستند.
کارشناس ارشد مهندسی مواد از دانشگاه تبریز. از ۱۳۹۰ در حوزه عکاسی و گرافیک‌ام؛ آنچه دلبستگی بود، حرفه شد. بیت گرف را ساختم، از دستش دادم و دوباره ( این‌بار استوارتر) از نو بنا کردم. مقصد روشن است: مرجعی جامع برای آموزش گرافیک، هوش مصنوعی و کد.
گفتگو و سوالات شما
۰در این قسمت می‌توانید سوال یا نظر خود در مورد مقاله را مطرح کنید.
برای ثبت دیدگاه ابتدا وارد شوید
ورود به حسابهنوز دیدگاهی ثبت نشده. اولین نفر باشید!