Datenvisualisierung & AI

Gestalter:innen müssen lernen mit diesen Mengen zu arbeiten.

Nebst den klassischen Diagrammen müssen Gestalter:innen fähig sein, interaktive Datenmengen in verständlicherweise darzustellen.

Designer:innen müssen nicht die Schnittstellen oder Programme dazu schreiben, aber ein Verständnis darüber, hilft besser damit umzugehen und sich allfällig zu spezialisieren.

Zudem werden neue Machine Learning (AI) Tools auf den Markt kommen, die unsere Arbeit verändern werden.

Dabei gibt es verschiedene Disziplinen, die wir lernen müssen, um mit diesen Datenbergen umzugehen.

Klar können wir einigermassen akkurate jedoch statische Illustrator Infografiken erstellen, um Infografiken zu gestalten.

Doch sobald die Datensätze aktualisiert werden oder aus unendlich langen Exel-Listen respektive aus Datenbanken kommen, bedingt dies den Einsatz von XML, Javascript oder Datenvisualisierung-Tools.

Die Daten anders nutzen, neu interpretieren. Das sind die Herausforderungen die uns erwarten.

:Das Deep Web ist die Bezeichnung alles digitalen Information die via Internettechnologie existiert. Also auch alle Datenbanken, Intranets, Messwerte, E-Mails, Chatnachrichten und sonstigen Daten ausserhalb der Internetsphäre.

Werkzeuge die selbstständig Gestaltungsarbeiten entwickeln, die viel fundierter sind als wir es je erarbeiten können. 

Wir müssen diese neue Materie und ihre neuen Werkzeuge erlernen.

Wie ein Dirigent müssen Designer:innen diese neuartigen Werkzeuge orchstrieren, um die perfekte Symphonie zu erhalten.

Es gibt drei Typen von künstlicher Intelligenz.

Artificial Narrow Intelligence

Künstliche Intelligenz für eine sehr spezifische Aufgabe, ein sehr spezifisches Dataset. z. B. Gesichtserkennung.

Artificial General Intelligence

Künstliche Intelligenz für ein spezifisches Gebiet mit verschiedenen Aufgaben und Prozessen. z. B. Software für selbstfahrende Autos

Artificial Superintelligence

Künstliche Intelligenz für verschiedene Gebiete mit diversen Aufgaben und Prozessen. z. B. Terminator. 😜

Artificial-Intelligence (AI)

Jegliche Art von künstlicher Intelligenz kann damit gemeint sein. Es ist der Oberbegriff.

Machine Learning (ML)

Software, die spezifische Datenmengen verarbeitet um Aussagen oder Tasks zu machen.

Deep Learning

Weiterentwickelte ML-Software die komplexe strukturierte und unstrukturierte Daten verarbeiten kann.

Neuronal Networks

Spezielle Software für komplexe Daten, die eine technische Analogie zur menschlichen Informationsverarbeitung machen.

Big Data

Alle Datensätze aus dem Internet of Things sowie allen Daten des öffentlichen Internets oder aus dem Deep Web.

Enabling-Technologies

Geräte und Software die Menschen unterstützen Dinge zu tun, die sie nicht machen konnten. (z. B. Echtzeit-Bildtranskription für Blinde)

Strukturierte Daten

Gemeint sind Informationen die als Daten in Datensätzen (z. B. Exel-Listen) aufgelistet werden. Dabei haben diese Daten meist pro Spalte einen Oberbegriff und können einfacher klassifiziert werden.

Unstrukturierte Daten

Diese Daten sind ohne identifizierbare Struktur. Also keine klare Datenbank-Struktur. Es können Bilder, Filme, Töne, Geräusche und Texte sein.

Unstrukturierte Daten sind die neue Spielwiese für Machine Learning Software. z. B. Kann eine Maschine Chihuahua-Köpfe von Blueberry Muffins unterscheiden lernen?

Supervised Learning

Systeme die auf klar geführte Dateninputs, klar definierte Daten-Outputs liefern. Sie sind also von Menschen begleitet und lernen z. B. Gesichter erkennen.

Unsupervised Learning

Systeme, die fähig sind, versteckte Muster von den Input-Daten zu identifizieren. Sie können anhand von Clusters, Muster, Ähnlichkeiten oder Andersartigkeit. z. B. Erkennung von Krebszellen auf Röntgenaufnahmen.

Reinforcement Learning

Systeme, die kein «Training-Input» erhielten, aber durch die Bewertungen eines Trainers lernen. Sie beginnen Muster zu entwickeln und werden bewertet und so optimieren sie ihre Resultate.

Deep Learning Open Source Frameworks

Google Tensorflow, Intel neon, Berkeley Vision caffe, Microsoft Cognitive Tool Kit, Facebook Pytorch, Apache MXNet und Spark, Nishikawa Chainer, Chollet Keras, Nvidia Theano

Programmiersprachen/Techniken

Python, R, C, C++, CUDA, MATLAB

Visuelle Gestaltung

Die Visualisierung des Outputs von Machine Learning Aufgaben. Von Infografiken bis Dialoge und Userflows

Design Support/Enhancements

Software die teile unserer Gestaltungsaufgaben übernehmen, erleichtern oder effizienter machen.

Erweiternd

Software oder Produkte die unser Gestaltungsgebiet erweitern und wir Aufgaben und Interaktionsmöglichkeiten erhalten, die vorher noch nicht möglich gewesen sind.

Khorma sucht anhand einer wachsenden Auswahl deiner Lieblingsfarben, passende Farbpaare aus. Es ist ein Tool zur Inspiration neuer Farbkombinationen.

Die Bildsuche kann man intelligent nach Freiraum-Flächen machen oder nach Farben.

Machine Learning wird nicht nur unsere Tools verändern, sondern unser Arbeitsgebiet erweitern.

Die Gestaltung von digitalen Konversationen ist eine Weiterentwicklung der klassischen Input-Interaktion. Sie ist eine Komplexere Alternative zu Buttons und anderen Trigger-Elementen.

Komplexere Kommunikation erfordert eine bessere Planung dieser Dialoge. Dies können Chatbots sein, oder andere Arten der Konversation von Menschen mit digitalen Produkten und Dienstleistungen.