Polidata: Modelo de inteligencia artificial para la evaluación del diseño de interfaz de usuario en dispositivos móviles
DOI:
https://doi.org/10.24310/idiseo.18.2023.17687Palabras clave:
Interfaz gráfica de usario, diseño, inteligencia artificial, prototipos, evaluaciónResumen
Dada la proliferación de chats y prompts para el uso de inteligencia artificial, especialmente en el ámbito del diseño y generación de contenidos, aparecen desafíos y oportunidades para el diseño. Este artículo propone la investigación y el desarrollo de un modelo de aprendizaje profundo multiclase, destinado a evaluar el diseño de interfaz de usuario para dispositivos móviles, especialmente como apoyo durante el proceso de prototipado de interfaces en alta fidelidad. También, presenta la creación de un dataset o conjunto de datos destinado a ser la base de conocimiento del modelo. Se han seleccionado los ejemplos que constituyen el dataset, provienen desde aplicaciones para el sistema Android, empleando, como criterio de selección, la consistencia y estándares de ellas, para este propósito, se ha utilizado como guía de estilo el sistema de diseño Material Design de Google. El modelo se ha integrado a una interfaz que permite de manera intuitiva obtener las inferencias o el nivel de confianza frente a una interfaz diseñada que se le presente al modelo.
Descargas
Métricas
Citas
Abid, A., Abdalla, A., Abid, A., Khan, D., Alfozan, A., & Zou, J. (2019). Gradio: Hassle-Free Sharing and Testing of ML Models in the Wild (Número arXiv:1906.02569). arXiv. https://doi.org/10.48550/arXiv.1906.02569
Adobe. (2023). Relleno generativo: Adobe Photoshop. Recuperado el 15 de septiembre de 2023, de https://www.adobe.com/es/products/photoshop/generative-fill.html
Aggarwal, A., Mittal, M., & Battineni, G. (2021). Generative adversarial network: An overview of theory and applications. International Journal of Information Management Data Insights, 1(1), 100004. https://doi.org/10.1016/j.jjimei.2020.100004
Bourke, D. (2023). Learn PyTorch for Deep Learning [Software]. https://github.com/mrdbourke/pytorch-deep-learning/blob/78be136b27f7ee6a95875f4d5869339cbc7b89cf/06_pytorch_transfer_learning.ipynb
Canonical. (2022). Ubuntu 22.04.3 LTS (Jammy Jellyfish). Recuperado el 20 de septiembre de 2023, de https://releases.ubuntu.com/jammy/
Deka, B., Huang, Z., Franzen, C., Hibschman, J., Afergan, D., Li, Y., Nichols, J., & Kumar, R. (2017). Rico: A Mobile App Dataset for Building Data-Driven Design Applications. Proceedings of the 30th Annual ACM Symposium on User Interface Software and Technology, 845-854. https://doi.org/10.1145/3126594.3126651
Deng, L. (2014). Deep Learning: Methods and Applications. Foundations and Trends® in Signal Processing, 7(3-4), 197-387. https://doi.org/10.1561/2000000039
Dodge, S., & Karam, L. (2016). Understanding How Image Quality Affects Deep Neural Networks (arXiv:1604.04004). arXiv. http://arxiv.org/abs/1604.04004
Duman, B., & Süzen, A. A. (2022). A Study on Deep Learning Based Classification of Flower Images. International Journal of Advanced Networking and Applications, 14(2), 5385-5389.https://www.proquest.com/docview/2734719954/abstract/55C16F85DA1545E1PQ/1
Figma Community. (2019). Figma. Recuperado el 10 de julio de 2023, de https://www.figma.com/community
Figma (@sanghita) | Figma Community. (s. f.-a). Figma. Recuperado 17 de septiembre de 2023, de https://www.figma.com/@sanghita
Modern Login UI 2.0 | Figma Community. (s. f.-b). Figma. Recuperado el 17 de septiembre de 2023, de https://www.figma.com/community/file/888461935200285665/Modern-Login-UI--2.0
Hearme—Music Streaming & Podcast App UI Kit | Figma Community. (s. f.-c). Figma. Recuperado el 10 de julio de 2023, de https://www.figma.com/community/file/1216774653609903227/Hearme---Music-Streaming-&-Podcast-App-UI-Kit
Music Player UI KIT
Descargas
Publicado
Versiones
- 2024-01-14 (3)
- 2024-01-04 (2)
- 2023-12-28 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 MA. Lic., DR.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
14.png)
