[设计思维][人工智能]
本文转载自：Tezign
“鲁班”是商业和技术两方面的比较好的结合产物。首先在技术深度方面，它有门槛很高的一套系统，另外在商业方面，它的确能通过“智能化”和“个性化”，实现商业价值最大化，颠覆传统方式。以下是Tezign对阿里“鲁班”负责人进行的采访摘要，来一起探究1.7亿个banner 背后的故事。
在2015 年之前的淘宝“双11”，商品推荐都是人来控制的，由运营决定给用户推荐什么产品，而 2015 年的“双11”，是阿里第一次基于算法和大数据，为用户做大规模的、个性化的商品推荐，叫做“千人千面”，是阿里流量分发模式很大的升级和转型。“双11”结束后，设计、工程和算法团队聚在一起，商量下一年要做些什么。我们当时想，我们已经做到的个性化推荐，但都是基于白底图商品推荐，能不能往前迈一步，让强营销导向的广告资源位的设计也“千人千面”呢？从纯商品个性化跨到广告资源位个性化，中间几个关键的技术点打通之后，我们就着手做了。
关键技术点
第一点：图像算法“抠图”。因为高质量的广告设计需要把商品图片抠出来，放到精美的设计主题里。以前都是设计师给商品抠图后再做设计，现在我们用机器做海量设计，就得让机器来做这个事情。我们跟阿里搜索部门做图像切割的算法团队合作，处理海量的商品自动抠图。
第二点：把设计变成“数据”。一张广告设计图片是像素组成的“信息”，不是“数据”。我们利用机器把商品、文字和设计主题进行在线合成，这样每张广告图片就带上了商品信息，可以根据消费者偏好进行个性化投放。所以鲁班产品上线初期，我们请设计师根据活动主题做了大批量风格确定的模板，证明了这种模式投放效果可以大幅提升点击率。
第三点：让机器学习设计。靠“人肉设计模板”度过了第一个阶段，但长远发展角度我们必须让机器来做设计。大概是 16 年 8 月份开始的，有一位之前负责淘宝“拍立淘”（在淘宝内通过图片搜索找同款，随拍随找）产品开发的图像算法专家加入进来，主导整个智能设计的算法框架。
因为我们在做一件很新的事情，行业里没有什么参考对象，只能不断试错。刚开始的时候，我们的数据不太够，就制定了很强的设计规则去控制，结果就是机器要么跑不出设计结果，要么设计出来的结果很失控。设计是有无穷可能性的，靠弱数据强规则必然走不通。意识到这一点以后，我们就集中精力去解决数据问题，把内部设计师电脑里的设计图和供应商的设计图都收集过来。我们有自己开发的设计协同工具“设计板”，有点类似Slack（一款协作办公应用），但是是专门用于设计协同的。这样才能方便我们大批量、规模化的找到这些数据。因为收集过来的数据是很杂乱的。比如“双11”期间“魔性”的设计风格跟无印良品这种“性冷淡”风格差异很大，这是完全不一样的品牌调性和设计需求。我们花了很大的力气去整理和建立了一套数据体系去管理设计数据，让机器生产出更匹配的结果。
生成过程的4个核心步骤
第一步：让机器理解设计是什么构成的。我们通过人工数据标注，对设计的原始文件中的图层做分类，对元素做标注。设计专家团队也会提炼设计手法和风格。通过数据的方式告诉机器这些元素为什么可以放在一起，我们把专家的经验和知识通过数据输入。这部分核心是深度序列学习的算法模型。
第二步：建立元素中心。当机器学习到设计框架后，需要大量的生产资料。我们会建立元素库，通过机器做图像特征提取，然后分类，再通过人工控制图像质量以及版权问题，我们买了有版权的图库，也是希望从一开始就避免版权方面的纠纷。
第三步：生成的系统。原理有点像 Alpha Go 下围棋。我们在设计框架上构建起虚拟画布，类似棋盘，生成的系统把元素中心的元素往棋盘放，在这里我们采用了“强化学习”，就好像你在家里放一台扫地机器人，让它自己跑，跑个几圈，它自己会知道哪里有障碍要避开。在强化学习的过程中，机器参考原始样本，通过不断尝试，得到一些反馈，然后从中学习到什么样的设计是对的、好的。
第四步：评估的系统。我们会抓取大量设计的成品，从“美学”和“商业”两个方面进行评估。美学上的评估由人来进行，这方面有专业众包公司；商业上的评估就是看投放出去的点击率浏览量等等。
“双11”的风格是比较确定而且需要严格执行，所以设计师制作了很多“双11”特定风格的固定模板。机器在这个基础上，把调整尺寸这些行为进行优化，节省了尺寸拓版的人力。用机器生成亿级设计从而带来商业效果提升，总体来说也是一次非常成功的应用实践。我想未来的“双11”仍然会是设计师带着机器做设计的模式，重大活动中设计机器是提升效率的助理角色。
引用阿里 CEO 的话——“鲁班是数据业务化的代表”，之前我们有很多数据，但都是闲置的或者利用效率不高的，比如海量的商品图，而“鲁班”把数据变成了业务，通过大规模设计加精准投放，提高每个广告位的资源效率，带动了流量的效率和业务价值，点击率是翻倍的，收益也接近翻倍。人员倒没有出现缩减，只是做的事情有调整了，要学习这套系统，学习如何训练机器，同时在美学方面做把控。
下个阶段要攻克的挑战
一是要让智能设计去影响阿里设计生态，让“鲁班”能服务百万量级的商家和设计师。一开始在内部推进“鲁班”的时候，我们也面临过阻力。传统的方式就是，设计一个 banner，放很多商品，显得很热闹，而“鲁班”做出来的 banner 上就是单件商品，但与消费者是相关的，因为是基于算法精准推荐的，是你会感兴趣的，只是这样就要把商品放大、显眼，可能在设计上就不够美。但最后，我们让数据说话，确实后者给业务带来了很好的增长。这个教育过程是比较长的，在内部我们可以做，但面对百万商家和设计师如何去做？这是我们的挑战。
二是数据算法本身的持续升级。AI 行业每年都会有很大的变化，新的技术不断涌现出来，如何跟上最新的技术？这也是我们始终不能松懈的点。
