‏با AI طراحی رو قبل از کدنویسی محک بزن

نویسنده، لوکا ماسود از تیم طراحی Slack، می‌گه بزرگ‌ترین تغییری که AI تو طراحی آورده این نیست که طراح‌ها حالا می‌تونن کد محصول بنویسن؛ اینه که می‌تونن قبل از متعهد شدن به هر تصمیمی، شواهد تولید کنن. به گفتهٔ اون فرصت اصلی حتی زودتر از مرحله تولیده: کاوش فضای طراحی قبل از اینکه چیزی ساخته بشه.

نویسنده توضیح می‌ده که تو حوزه data visualization ساختن ابزارهای پارامتری برای کاوش فضای طراحی کار رایجیه، ولی تو طراحی محصول تقریباً اتفاق نمی‌افته. ماک‌آپ ثابت فقط نشون می‌ده یه چیز چه شکلیه، نه اینکه روی طیف ورودی‌های واقعی چطور رفتار می‌کنه. مهندس‌ها هم معمولاً وقت ساختن پروتوتایپ دورریختنی نمی‌ذارن چون انگیزه‌شون سمت کیفیت تولیده. به گفتهٔ نویسنده، کدنویسی با کمک AI اینو عوض کرده: کاری که قبلاً در تئوری ممکن بود ولی عملاً انجام نمی‌شد، حالا تو چند روز جمع می‌شه.

نویسنده دو نمونه از Slack میاره: یه پروتوتایپ تعاملی که سه الگوریتم چیدمان گالری رو کنار هم با کنترل‌های قابل تنظیم می‌ذاره، و یه ابزار max-width که روی هندسهٔ واقعی پنجره Slack مدل شده و چهار استراتژی مختلفو روی توزیع واقعی اندازهٔ صفحه‌ها محک می‌زنه. این پروتوتایپ‌ها برای عرضه شدن ساخته نشدن؛ ساخته شدن تا نقطه شکست راه‌حلو پیدا کنن. سؤال از «کدوم گزینه تو این یه ماک درست به نظر می‌رسه؟» تبدیل می‌شه به «کدوم گزینه همه‌جا دووم میاره؟».

بخش جالب کار چیزیه که نویسنده بهش می‌گه «تشدید شواهد». برای گالری، اون مرحله‌به‌مرحله جلو رفته: اول دستی عکس واقعی آپلود کرده و چشمی نتیجه رو سنجیده؛ بعد عکس‌هایی متناسب با توزیع واقعی نسبت ابعاد آپلودهای Slack تولید کرده؛ بعد با شبیه‌سازی Monte Carlo هزاران بار اجرا کرده تا معیارهایی مثل نرخ letterbox، فضای مرده و overflow رو اندازه بگیره؛ و آخر یه configuration sweep روی صدها ترکیب پارامتر زده تا نقاط قوت و ضعف هر روشو نقشه کنه.

نویسنده یه نکتهٔ مهمم می‌گه: جمع کردن چند بُعد تو یه نمره واحد از چیزی که به نظر می‌رسه سخت‌تره. برای max-width اون صدها هزار پیکربندی رو نمره داده؛ عددها دقیق بودن ولی فرض‌ها نه. هدف یه جواب واحد نیست، اینه که شکل trade-offها رو نشون بده تا تیم بتونه دربارش فکر کنه. خروجی کار یه اسپک بصری نیست، بلکه مجموعه‌ای از قیدهاست که مهندسی هرجور خواست پیاده‌سازی کنه چون استدلال از قبل بالادست حل شده.

به گفتهٔ نویسنده همین روش فراتر از چیدمان هم جواب می‌ده. برای سیستم نوتیفیکیشن Slack، اون با AI یه card sorting analysis اجرا کرده که نشون می‌ده صدها نوتیفیکیشن چطور خودشون به‌طور طبیعی خوشه می‌شن و بحث رو با ساختار قابل‌مشاهده جایگزین کرده. یه ممیزی رنگ هم با مقایسهٔ پالت‌ها در برابر یه مرجع ادراکی، ناهماهنگی‌هایی رو لو داده که جدا از هم دیده نمی‌شدن. به گفتهٔ نویسنده تو هر دو مورد ارزش کار، خود خروجی نبود؛ این بود که سیستمو مستقیماً قابل‌کاوش کرد.

نویسنده در پایان می‌گه خود فرآیند طراحی عوض نشده؛ چیزی که عوض شده «حالت» کاره. به‌جای دفاع از یه راه‌حل، اول سعی می‌کنی بشکنیش؛ اگه دووم آورد با اطمینان متعهد می‌شی و اگه نه، جایی که اشتباه ارزون درمیاد می‌فهمی، قبل از اینکه کسی کد محصول بنویسه.

نکات کلیدی:

• AI به طراح‌ها اجازه می‌ده قبل از کدنویسی، تصمیم رو با داده واقعی محک بزنن
• پروتوتایپ نه برای نمایش تصمیم، بلکه برای پیدا کردن نقطه شکستش ساخته می‌شه
• شبیه‌سازی Monte Carlo و configuration sweep رفتار راه‌حل رو در مقیاس جمعیت نشون می‌ده
• max-width روی توزیع واقعی اندازهٔ صفحه و میلیون‌ها سشن دسکتاپ تست شده
• خروجی کار یه مجموعه قید برای مهندسیه، نه یه اسپک بصری بسته