- de creatie van Helvetica door Max Miedinger en Eduard Hoffmann.
- hoe Helvetica precies op het juiste moment kwam voor de Modernistische designers.
- op welke manier het schreefloze lettertype binnen enkele decennia graphic design compleet veranderde.
- hoe dat een tegenbeweging uitlokte,
- tot aan de geleidelijke herwaardering van Helvetica.
- Op behavioral design research gebaseerde gebruikersacquisitie- en retentietactieken. Gebruikers maken in steeds mindere mate een bewuste keuze om een product te gaan gebruiken, het binnenhalen en activeren gebeurt nu vooral door
- Dat het succes van het product niet meer overeenkomt met het succesvol gebruik van het product. Succes van digitale producten wordt afgemeten aan het aantal Monthly of Daily Active Users (MAU/DAU) en hoe lang gebruikers actief zijn. Of jij als gebruiker succesvol het product kan gebruiken is alleen van belang als het bijdraagt aan verhoging van de MAU of DAU-cijfers.
- De steeds snellere productoptimalisatie en -uitrolprocessen. Hiermee wordt continu gemeten en A/B-getest of en hoe goed de uitgedachte behavioral design-tactieken (zie oorzaak 1) werken. En worden direct nieuwe, verbeterde versies gericht op het vergroten van het succes van het product (zie oorzaak 2) uitgerold. Continu.
- Versiebeheer met kopieën naast kopieën, identificeerbaar met cryptische toevoegingen aan bestandsnamen, etc. (denk aan BelangrijkDocument v11 - RG 2-3 ED v5 - 26102019 06112019 Kopie Copy.docx)
- Het uitgebreid CC-en en BCC-en om iedereen te informeren. Want stel je voor dat niet alle 25 personen die zijdelings betrokken zijn bij jouw project niet op de hoogte zijn van de kleinste details...
- En de prioritering van individuele mailboxen. Waar team- of projectgerelateerde kanalen vaak logischer zijn.
- Bij het kopiëren van een document de mogelijkheid te bieden in plaats daarvan een nieuwe versie te maken.
- Zodra iemand in een e-mail een derde persoon in de CC toevoegt de inhoud van het 'Nieuw bericht'-scherm automatisch te publiceren naar een besloten kanaal, en alle geadresseerden daar direct lid van te maken.
- Het controleren van individuele mailboxen te beperken tot een bepaalde tijdsperiode per dag. Waar project- en teamkanalen meer of altijd beschikbaar zijn (al is dat vraag of e-mail überhaupt een goed idee is).
- Wat kan het?
- Hoe voelt het?
- Hoe kunnen we het gebruiken?
- En hoe verandert het ons?
- Aanbevelingen. Op basis van eerdere interesses kunnen we deze vergelijkbare zaken aanbevelen. Als jij bijvoorbeeld in de Slack van je organisatie zoekt op 'hiring process' zal Slack naast de zoekresultaten ook aanbevelingen tonen voor collega's en kanalen over gerelateerde onderwerpen.
- Voorspellingen. Op basis wat je eerder deed verwachten we dat je nu dit wil doen. Een heel concreet voorbeeld zijn de QuickType-suggesties bovenaan je iPhone-toetsenbord (vanaf iOS 13 ook in het Nederlands!). Dit zijn zelflerende suggesties die zich continu aanpassen aan jouw woordgebruik.
- Classificaties. Met behulp van door mensen geclassificeerde datasets kan Machine Learning worden getraind om vergelijkbare patronen te herkennen en classificeren. Als je wel eens een enquete hebt gemaakt in Google Forms heb je misschien gezien dat daar real-time suggesties voor antwoordtypes worden gegeven op basis van de vraagstelling. Dit gebeurt op basis van de geclassificeerde keuzes van alle andere Google Forms-gebruikers.
- Clustering. Laat Machine Learning juist in ongeclassificeerde data de voor ons mensen onzichtbare patronen herkennen en groeperen.
- Generation. Machine learning zelf iets laten genereren, zoals een tekening, portretfoto of muziek.
- veel tijd kosten,
- zich steeds herhalen,
- aandacht voor detail vragen,
- foutgevoelig zijn, en
- ons geen werkplezier bieden.
- betere antwoorden,
- nieuwe vragen om te onderzoeken,
- nieuwe data, en
- inzicht in onzichtbare patronen.
- Welk probleem proberen we op te lossen?
- Welke data hebben we daarvoor nodig?
- Wie beschikt over die data?
Documentaire Helvetica van Gary Hustwit
Dat Helvetica een populair lettertype is weet iedereen. Maar hoe bijzonder, en wat dit lettertype allemaal bij mensen heeft losgemaakt, daar had ik geen idee van. Tot Gary Hustwit’s documentaire Helvetica (2007). Daarin neemt hij ons mee langs:
Interessant is de uitgebreide Nederlandse inbreng van Wim Crouwel en Experimental Jetset. Maar het mooist zijn alle shots die nonchalant laten zien hoe vaak Helvetica over de hele wereld in de openbare ruimte wordt gebruikt. Aanrader!
Je kunt Helvetica on-demand bekijken (€) via Vimeo-on-demand. En in deze corona-periode maakt Hustwit elke week een andere documentaire gratis beschikbaar, deze week is dat Objectified.
Ethiek van goed product design
Op Medium schreef Aaron Weyenberg over Dieter Rams en zijn 10 principes voor goed design. Duidelijke principes, die de tand des tijds makkelijk hebben doorstaan, maar waar voor hem toch iets mist.
“Dieter Rams stands for integrity in design,” says design critic Hugh Pearlman, “He stands for true functionalism. He is anti-styling, anti-waste. He is against the throwaway society.”
[caption id=“attachment_623” align=“aligncenter” width=“1024”]
Foto: Brian Mulloy[/caption]
Dat komt ook duidelijk uit Rams' bekende 10 principes naar voren:
1. Good design is innovative. 2. Good design makes a product useful. 3. Good design is aesthetic. 4. Good design makes a product understandable. 5. Good design is unobtrusive. 6. Good design is honest. 7. Good design is long-lasting. 8. Good design is thorough down to the last detail. 9. Good design is environmentally friendly. 10. Good design is as little design as possible.
Maar die zijn geformuleerd in een tijd dat product design puur hardware betrof. Wat Weyenberg constateert is dat de apps en diensten die wij dagelijks gebruiken op het eerste gezicht helemaal voldoen aan Rams' definitie van goed design. Letterlijk genomen. Maar dat deze helemaal niet voldoen aan de geest van zijn principes.
Voor Rams' ging het om functionele, duurzame producten voor gebruikers:
The user was empowered to decide what products to allow into their lives. They decided which products they truly loved. They decided when and to what extent they would use them. They were in control.
En dat is waar het mis gaat bij de huidige veelgebruikte apps. Weyenberg signaleert drie achterliggende oorzaken:
Zijn voorstel is het toevoegen van een 11de principe:
11. Good design is ethical. The product places the user’s interest at the center of its purpose. Any effort to influence the user’s agency or behavior is in the spirit of their own positive wellbeing, and the wellbeing of those around them.
Daar kan het continu stellen van twee vragen bij helpen:
As a user, did what I just do feel 100% like my choice? As a designer, is what I’m about to release to the world good for the user’s wellbeing?
Laten we daarmee beginnen.
Hoe software ons vormt
“We shape our buildings, and afterwards our buildings shape us”, zei Churchill ooit.
Een prachtige quote, die breed bruikbaar is. Bijvoorbeeld voor schoolgebouwen, en hoe deze ontworpen zijn op basis van ideeën en behoeften aan het begin van de 20ste eeuw. Maar de vorm van een school verander je niet elk jaar, terwijl die vorm het gebruik bepaalde en bepaalt.
Hetzelfde geldt voor wijken en steden. Op Twitter haalt stadsplanoloog Brent Toderian regelmatig Amsterdam en Kopenhagen aan als voorbeelden van steden die een compleet ander gebruik kennen dan Noord-Amerikaanse. Met veel mensen op straat, goede fietspaden die intensief gebruikt worden en toegankelijke openbare ruimte. Het positieve is dat hij ook illustreert dat dit geen vaststaand feit is: ook Amsterdam en Kopenhagen (en andere Nederlandse steden) werden ooit ingericht als auto-steden. Maar maakten daarna nieuwe keuzes.
Terug naar software
Net als in scholen, wijken en steden geldt natuurlijk voor software dat het ontwerp ons gebruik bepaalt. Google Maps opent altijd op een kaart met je huidige locatie gemarkeerd en vraagt waar je naartoe wil. Je begint ergens en gaat naar je bestemming. Facebook en Twitter tonen je een eindeloze newsfeed, zonder bestemming. Zodat je hopelijk ook niet stopt. Net als Netflix, waarvan de CEO in 2017 al aangaf dat ‘slaap’ hun grootste concurrent is.
En dat het ontwerp allesbepalend is voor het gebruik geldt niet alleen voor de apps op je smartphone, maar ook professioneel. Juist binnen kantooromgevingen, waar alles al decennia draait om Outlook, mappenstructuren en Office-documenten, zie je dat initiële ontwerpkeuzes en de workarounds die iedereen daarna bedacht heeft, onze huidige communicatie en samenwerking bepalen. Denk aan:
Voor al die problemen zijn ook alweer prachtige oplossingen bedacht. Van Slack tot Teams, en versiebeheer in Google Docs en Office 365. Maar het zijn oplossingen naast je bestaande digitale ‘gebouw’. De mappenstructuren, documenten en CC-mogelijkheden zijn gelijk gebleven.
Als we dat willen veranderen moeten we nieuwe keuzes maken over welke mogelijkheden we gebruikers willen bieden. Door restricties te stellen en daarbij nieuwe mogelijkheden te bieden. Bijvoorbeeld door:
Zodat het gebruik zo verandert dat het beter aansluit op onze daadwerkelijke behoeften.
Gerelateerd: Wegen veroorzaken files. How Time Measurement changed Society
UX Design voor Machine Learning en ArtificiaI Intelligence
Vaak lijkt het erop dat wij mensen werken voor de computers. Terwijl dat natuurlijk omgekeerd zou moeten zijn. De vraag is: hoe kun je als designer nieuwe technologie inzetten om echt waarde toe te voegen voor je gebruikers? Zodat ze hun potentieel kunnen verwezenlijken?
Daarover ging de workshop User Experience Design for ML and AI van Josh Clark (@bigmediumjosh) bij Frozen Rockets Academy. En wat hij als eerste benadrukte is dat machine learning slechts een designmateriaal is, net als HTML of CSS.
Machine Learning als designmateriaal
Als je de beschikking krijgt over een nieuw designmateriaal begin je met het ontdekken van de mogelijkheden en beperkingen.
Daar moeten we nu mee beginnen, want na het desktop- en het mobile-tijdperk bevinden we in de eerste fase van het Machine Learning-tijdperk.
Wat kun je nu met Machine Learning?
Met Machine Learning kunnen we patronen opsporen in data, en daar ‘iets’ mee doen. Josh deelt die mogelijkheden op in vijf categorieën:
Toegevoegde waarde van Machine Learning
Kortom, Machine Learning is gewoon heel goed in het uitvoeren van taken die:
Taken die we graag uitbesteden, waarmee Machine Learning eigenlijk het perfecte stuk gereedschap lijkt te zijn. Een voorbeeld daarvan is het ondersteunen van radiologen door het analyseren van grote hoeveelheden medisch beeldmateriaal. Als M.L. die taken overneemt komt krijgen we:
Daarmee creëren we voor onszelf de ruimte om te doen waar wij mensen goed in zijn: onze aandacht op een onderwerp richten en daarover een beslissing nemen.
Uiteindelijk draait het om de verhouding tussen mens en machine. En dat vraagt van UX designers dat zij Artificial Intelligence inzetten op problemen die het waard zijn om opgelost te worden. Want zoals Kranzberg’s First Law stelt:
Technology is neither good nor bad; nor is it neutral.
Aan de slag
Na het bespreken van de huidige mogelijkheden en toegevoegde waarde van Machine Learning gingen we deze zelf uitproberen. Met speciaal ontworpen kaartsets werkten we ideeën uit in conceptuele prototypes.
Vervolgens onderzochten we de betrouwbaarheid en vooringenomenheid (bias) van de ML image recognition-dienst van Microsoft Azure.
Daaruit leerden we al snel dat Machine Learning wordt getraind op ‘normaal’ tegenover afwijkend, en dat de onderliggende trainingsdata bepalend is voor de kwaliteit en betrouwbaarheid van herkenning en classificatie. Begin dus met te vragen:
(Side note: In 2015 maakte Google hun TensorFlow machine learning software open source. Dat konden ze doen omdat niet de software maar de data van strategisch belang is.)
Dit was deel 1 van mijn notities over UX Design voor Machine Learning en AI. Binnenkort deel 2!
Nieuwsgierig geworden?
Een compactere versie van zijn verhaal vertelde Josh Clark ook op btconf Berlin 2018. Aanrader!
AI Is The New Design Material - Josh Clark.