No equipo de deseño de produtos inDrive, a IA xa é unha ferramenta de traballo. Úsase para entrevistas de UX de campo en diferentes países, para automatizar tarefas de rutina en Figma e para xerar rapidamente imaxes visuais realistas a partir de ilustracións. A continuación, tres historias da vida real: como os deseñadores implementaron solucións de IA, que desafíos enfrontaron e que resultados lograron. Investigación sen intermediarios - experiencia Polina Gladkova Polina Gladkova Anteriormente, realizáronse entrevistas con condutores en Exipto e América Latina coa axuda de colegas locais que actuaban como intérpretes. Isto foi útil, pero como non eran investigadores profesionais, a miúdo querían axudar aos condutores - suxerindo respostas ou mostrando onde facer clic na aplicación. Para que a investigación fose máis precisa, Polina decidiu realizar as entrevistas usando ChatGPT baseado en voz. O deseñador fala ruso, o condutor escoita a tradución ao árabe, o condutor responde e ChatGPT traduce de volta. Na práctica parecía así: 
 
 
 
 
 
 
 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. Os retos: 
 
 
 
 ás veces ChatGPT "guiou" e repetiu a frase rusa en lugar de traducila; mixto dos participantes (por exemplo, asignando respostas ao condutor equivocado); Durante unha longa serie de entrevistas, perdeu o contexto. O que axudou: 
 
 
 
 especificar o dialecto no prompt; traballar a través de texto (audio → transcrición → ChatGPT); Monitorización manual durante as entrevistas. O resultado: 
 
 
 
 aforro de tempo de aproximadamente 3-5x en comparación co esquema tradicional de intérpretes; experimento "máis limpo": menos influencia de terceiros, un diálogo máis tranquilo; no traballo diario - uso regular de ChatGPT para traducións e comentarios textuais sobre lóxica / UX. Automatización de localización e rutina en Figma - experiencia Serguei Goltsov Serguei Goltsov Sergey aborda tarefas repetitivas construíndo plugins de Figma. O enfoque é sinxelo: tome un punto de dor real (a partir de foros / chats de Figma ou práctica persoal), formula unha solicitude detallada e crea un plugin usando a combinación de documentación de ChatGPT + Figma Plugin API. Segundo a súa estimación, ChatGPT xera ata o 80% do código; o resto é revisión manual e refinamento (HTML/CSS/JS, probas no editor e en Figma). Plugins publicamente dispoñibles por 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 construtores Presentacións Xardín BorderMockup Texto en liña Anteriormente, a localización de deseños era un traballo de rutina aburrido: os textos tiñan que ser copiados manualmente, creáronse versións separadas de pantallas e aplicáronse actualizacións cada vez que algo cambiou. Para eliminar esta monotonía, Sergei estableceu un proceso baseado en Figma Variables e o plugin Sheet to Variables. Os textos convertéronse automaticamente en claves variables, os tradutores só funcionan en Google Sheets, e o deseñador importa as traducións completas a través de CSV. Unha vez que as variables están vinculadas ás capas de deseño, o cambio de idioma en Figma leva só un par de clics - e todos os textos se actualizan instantaneamente. O que hai que ter en conta: 
 
 
 
 crear prompts altamente detallados (mesmo "pregunta todas as preguntas de aclaración antes de xerar"); validación manual do código e comprobación cruzada coa documentación: o modelo pode afectar a lóxica de traballo ou suxerir chamadas de API desactualizadas; A popularidade de Chat Builder foi impulsada por publicacións comunitarias e por aparecer nun digest da industria. De ilustracións a fotografías realistas - experiencia Arzúa Sitdikov Arzúa Sitdikov Arthur quería probar a hipótese: as imaxes realistas dos produtos funcionan mellor porque a xente ve exactamente o que está comprando. Como se fixo: 
 
 
 
 tomar ilustracións existentes (bananas, pan, etc.) e arranxalos directamente no deseño; pedir a ChatGPT que "re-render" a composición nun estilo realista; recibir activos listos para o seu uso con fondos transparentes e aplicalos no produto e na promoción. "Sen cambiar a composición, fainos realistas, como nas revistas. O que se observou: 
 
 
 as primeiras saídas eran moitas veces suficientes; durante longas sesións, comezaron a aparecer erros - normalmente dúas tentativas por imaxe eran suficientes; Ás veces o modelo "esqueceu" a transparencia e deixou un patrón de taboleiro - isto tivo que ser oculto. O resultado: 
 
 
 
 
 
 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. Principais tomas dos tres casos 
 
 
 
 Nas entrevistas, o ChatGPT baseado en voz permitiu o contacto directo cos entrevistados, acelerou a análise e reduciu a influencia do intérprete (aforro de tempo estimado en 3-5x). A preparación do deseño para a localización fíxose máis rápida grazas á creación automática de variables e a un ciclo de tradución CSV (intercambio de linguaxe nun só clic). A xeración visual produciu activos realistas en dúas noites, coas primeiras variantes en minutos, o suficiente para amosar rapidamente as ideas ás partes interesadas e movelas adiante. Conclusión Estas son tres formas concretas de que os deseñadores xa usan a IA no seu traballo cotián: como tradutor e "secretario" para entrevistas, como coautor de código de plugin e como ferramenta para visualizacións rápidas e realistas. En cada caso, os deseñadores describiron as limitacións que atoparon e como as superaron.Os beneficios globais son claros: velocidade máis rápida, menos rutina manual e datos máis limpos para tomar decisións de deseño.

inDrive.Tech

Este audio está producido na lingua orixinal da historia!

Demasiado longo; Ler

Boost your HackerNoon story @ $159.99! 🚀

AI no deseño de produtos: tres casos prácticos de inDrive

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Celebrating Our Remote Work Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Celebrating Our Remote Work Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps