I inDrive-produktdesignteamet er AI allerede et arbejdsredskab, der anvendes til felt UX-interviews i forskellige lande, til automatisering af rutinemæssige opgaver i Figma og til hurtigt at generere realistiske visualer fra illustrationer. Nedenfor er tre virkelige historier: hvordan designere implementerede AI-løsninger, hvilke udfordringer de stod over for, og hvilke resultater de opnåede. Forskning uden mellemmænd - Erfaringer Polina Gladkova af Polina Gladkova Tidligere blev interviews med chauffører i Egypten og Latinamerika gennemført med hjælp fra lokale kolleger, der fungerede som tolke. Dette var nyttigt, men da de ikke var professionelle forskere, ønskede de ofte at hjælpe chaufførerne - foreslå svar eller vise, hvor man skal klikke i appen. For at gøre undersøgelsen mere præcis besluttede Polina at køre interviewene selv ved hjælp af stemmebaseret ChatGPT. Designeren taler russisk, chaufføren hører oversættelsen til arabisk, chaufføren svarer, og ChatGPT oversætter tilbage. I praksis så det sådan ud: 
 
 
 
 
 
 
 preparing the interview script in ChatGPT beforehand; 
 
 during the ride, enabling voice chat and setting a translator prompt with dialect clarification (e.g., “Egyptian Arabic”) when needed; 
 
 after the interview, asking ChatGPT for: a detailed review of the conversation, a summary table for a series (e.g., 10 interviews), recurring patterns/differences, and hypotheses; 
 
 
 simultaneously recording audio → transcribing it in another AI tool → feeding the text into ChatGPT for more accurate processing. Udfordringerne er: 
 
 
 
 nogle gange ChatGPT "blev fast" og gentog den russiske sætning i stedet for at oversætte den; blandede deltagere (f.eks. svar tildelt den forkerte chauffør) I løbet af en lang række interviews mistede den tidligere kontekst. Hvad hjalp: 
 
 
 
 angivelse af dialekt i prompt; arbejde via tekst (lyd → transkription → ChatGPT); Manual overvågning under interviews. Resultatet af: 
 
 
 
 tidsbesparelser på ca. 3-5x i forhold til den traditionelle tolkeordning ”Renere” eksperiment: mindre indflydelse fra tredjeparter, roligere en-til-en dialog i det daglige arbejde – regelmæssig brug af ChatGPT til oversættelser og tekstfeedback om logik/UX. Automatisering af lokalisering og rutine i Figma Erfaringer Sergej Goltsov Sergej Goltsov Sergey løser gentagne opgaver ved at opbygge Figma-plugins. Tilgangen er enkel: tag et reelt smertepunkt (fra Figma-fora/chats eller personlig praksis), formuler en detaljeret anmodning og opret en plugin ved hjælp af kombinationen af ChatGPT + Figma Plugin API-dokumentation. Ifølge hans estimat genererer ChatGPT op til 80% af koden; resten er manuel gennemgang og raffinering (HTML/CSS/JS, test i editoren og i Figma). Offentligt tilgængelige plugins af Sergey: 
 
 
 
 
 
  — 9,500+ users,   in Figma Weekly. Chat Builder featured 
 
  — ~3,600 users. ChartBG 
 
 
  — ~2,600 users. BorderMockup One internal case was solving a recurring pain point: the monotonous manual work of creating translation keys and linking them to layers in Figma. To address this, Sergei built the   plugin. It scans the entire file (including groups, Frames, and Auto Layout), finds all text layers, and converts them into text variables. The plugin automatically cleans variable names according to API requirements; if the same text is repeated, only one variable is created and all relevant layers are linked to it. Text to Strings Chat bygherre præsenterede ChartBG Bordermockup Tekst til Strings Tidligere var lokalisering af layouter kedeligt rutinemæssigt arbejde: tekster måtte kopieres manuelt, separate versioner af skærme blev skabt, og opdateringer måtte anvendes, hver gang noget ændrede sig. For at fjerne denne monotoni oprettede Sergei en proces baseret på Figma Variables og plug-in Sheet to Variables. Tekster konverteres automatisk til variable taster, oversættere arbejder kun i Google Sheets, og designeren importerer de færdige oversættelser via CSV. Når variablerne er knyttet til layoutlagene, tager det kun et par klik at skifte sprog i Figma - og alle tekster opdateres øjeblikkeligt. Hvad man skal huske på: 
 
 
 
 skabe meget detaljerede opfordringer (selv “spørg alle afklarende spørgsmål før generering”); manuelt validere kode og kryds-check med dokumentation: modellen kan påvirke arbejdslogik eller foreslå forældede API-opkald Populariteten af Chat Builder blev øget af community-indlæg og blev præsenteret i en industri digest. Fra illustrationer til realistiske billeder - Erfaringer Arthur Sitdikov af Arthur Sitdikov I inDrives foodtech-retning har der længe været anvendt flade illustrationer.Arthur ønskede at teste hypotesen: Realistiske billeder af produkter fungerer bedre, fordi folk ser præcis, hvad de køber.Konversionstests er stadig på vej, men den umiddelbare opgave - at hurtigt samle kvalitetsaktiver - er allerede løst. Hvordan det blev gjort: 
 
 
 
 tage eksisterende illustrationer (bananer, brød osv.) og arrangere dem direkte i layoutet; beder ChatGPT om at "give op" kompositionen i en realistisk stil; modtage brugsklare aktiver med gennemsigtige baggrunde og anvende dem i produkt og kampagne. "Uden at ændre sammensætningen, gør dem realistiske, som i magasiner. Hvad der blev observeret: 
 
 
 De første outputs var ofte gode nok; under lange sessioner begyndte fejl at dukke op - normalt to forsøg pr. billede var nok; Nogle gange "glemte" modellen om gennemsigtighed og efterlod et checkerboard mønster - dette måtte skjules. Resultatet af: 
 
 
 
 
 
 first acceptable variants in ~15 minutes; 
 
 a complete set of assets in two evenings instead of lengthy approvals with photoshoots or stock purchases; 
 
 
 the approach is already in use in product/promo; in parallel, 3D images were generated for interfaces, and outputs from photoshoots were mixed with AI generations. Key Takeaways fra de tre sager 
 
 
 
 I interviews muliggjorde voice-based ChatGPT direkte kontakt med respondenter, fremskyndede analysen og reducerede tolkens indflydelse (tidsbesparelser anslået til 3-5×). Layoutforberedelsen til lokalisering blev hurtigere takket være automatisk variabeloprettelse og en CSV-oversættelsescyklus (sprogskifte med et enkelt klik). Visual generation producerede realistiske aktiver på to aftener, med første varianter på minutter - nok til hurtigt at vise ideer til interessenter og flytte dem fremad. Konklusionen Disse er tre konkrete måder, som designere allerede bruger AI i deres daglige arbejde: som oversætter og "sekretær" til interviews, som medforfatter af plugin-kode og som et værktøj til hurtige, realistiske visualer. De samlede fordele er tydelige: hurtigere hastighed, færre manuelle rutiner og renere data til at træffe designbeslutninger.

inDrive.Tech

Denne lyd er produceret på historiens originalsprog!

For langt; At læse

Boost your HackerNoon story @ $159.99! 🚀

AI i produktdesign: Tre praktiske tilfælde fra inDrive

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet Bybit: HackerNoon Company of the Week

Meet Stellar: HackerNoon Company of the Week

Meet MinIO: The HackerNoon Company of the Week

Meet Bybit: HackerNoon Company of the Week

Meet Stellar: HackerNoon Company of the Week

Meet MinIO: The HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps