Figur 4.7: Medelvärdet av tiden det tog att utföra uppgifterna för varje interaktionsmodell. komponenten. Om komponenten placerades långt ner på skärmens mitt aktiverades radera- funktionen, som raderade komponenten mot användarens vilja. Känsligheten hos funktionen och placeringen av raderarytan är därför ett problem. Nere i vänstra hörnet, bredvid rade- rarytan finns en sudd-knapp som raderar det som är ritat på canvasen. Användarna förstod skillnaderna mellan dessa funktioner men förvirrades av de olika sätten att interagera på. Sudd-knappen fungerade som en knapp och aktiverades av ett tryck. Däremot är radera- funktionen en dra-och-släpp funktion där användaren drar komponenten mot raderarytan och släpper komponenten för att radera. Problematiken med detta är att användarna försök- te dra det ritade till raderarytan för att radera det ritade och tvärtom trycka på sudd-knappen för att radera en komponent. Användarna tyckte även att storleken på penseln de ritade med var stor i förhållande till skärmen och på grund av det blev det ont om utrymme att rita.
4.4
Slutgiltigt koncept
Applikationens gränssnitt kan ses i Figur 4.8. Majoriteten av gränssnittets yta består av en ljusgrå canvas, där en användare kan rita med mus eller direkt på en pekskärm. När använ- daren ritar försöker automationen identifiera vad som ritas och ge förslag på de komponenter som det liknar mest. Automationens förslag visas intill det som ritats och beroende på vilken automationsnivå som är vald ges mellan 1 och 22 förslag. Automationsnivån väljs i den ned- fällbara menyn högst upp på sidan. Där går det även att stänga av automationen helt. Om automationen är avstängd visas alla komponenter, utan någon rekommendation. Högst upp i högra hörnet finns en knapp med ett frågetecken på och under den finns beskrivning för hur programmet fungerar samt vilka ikoner som går att rita. Utöver dessa funktioner finns det funktioner för att ta bort, flytta och ändra storlek på komponenterna som skapats. När gränssnittet utformades följdes designrekommendationerna för lämplig tillit som beskrivs i kapitel2.2. Det var av stor vikt att hålla gränssnittet så minimalistiskt som möjligt och endast ha de mest nödvändiga funktionerna synliga. Det ger en tydlig överblick och bidrar till att
4.4. Slutgiltigt koncept
Figur 4.8: Applikationens gränssnitt med en påbörjad prototyp gjord med interaktionsmodell B, som visar tre föreslagna komponenter.
automationen blir enkel att använda. Automationen utrustades även med en text där den gav användaren artig återkoppling till användaren. Det förbättrade kommunikationen mellan applikationen och användaren. Automationen valdes att döpas till Salvador AI eftersom ett namn förmänskligar automationen och bidrar till större tillit.
Utifrån användarstudien konstaterades det att prototyper i början av ett projekt bör vara odetaljerade, eftersom kunder oftast fastnar på detaljerna istället på funktionaliteten. Därför utformades prototypkomponenterna att vara så generella som möjligt. Exempelvis slumpas alla bilder, längre texter består av nånsenstext och texterna i komponenterna är beskrivan- de. Komponenterna har inbyggd funktionalitet för att visa en användare hur det kommer fungera i den slutgiltiga produkten. En svårighet var att få kunder engagerade sig i pro- totypprocessen, vilket försvårer arbetet då det är svårt att veta vad kunden vill. Av den anledningen utformades verktyget att vara så enkelt som möjligt. Tanken är då att en kund tillsammans med en konsult kan göra en prototyp och kundens deltagande kan bidra till ökat engagemang och bättre prototyper.
Kapitel 5
Slutsats och diskussion
För att besvara frågeställningarna användes resultatet från fallstudien. Intervjusvaren gav in- sikt i utmaningarna kring arbetet med prototyper och används för att resonera kring använd- ningsområden för det utvecklade prototypverktyget. Eftersom verktyget innehöll tekniken som beskrevs i den tekniska frågeställningen om hur ett konventionellt neuralt nätverk kan tränas för bildigenkänning av handritade komponenter kunde den tekniska lösningen i sig användas för att besvara den frågeställningen. Hur interaktionsmodellens automationsnivå påverkar användarens förtroende till automationen besvaras genom att se på resultaten från testerna på de olika interaktionsmodellerna med olika automationsnivåer.
5.1
Svar på frågeställning
Frågeställningarna som sattes upp under projektet handlar om tre huvudsakliga områden: framtagandet av ett neuralt nätverk, användares förtroende för automationen samt använd- ningsområden för den skiss-baserade interaktionsmodellen inom prototyputveckling. Fram- tagningen av ett neuralt nätverk gjorde genom att samla in data, utöka datamängden och sedan träna ett nätverk. När det kommer till användares förtroende för automationen ge- nomfördes användartester som gav ett resultat som indikerar att en av de interaktionsmodel- ler som testades gav användare mer förtroende än de andra. Förslag på användningsområ- den för verktyget dök upp under intervjuerna samt användartesterna och genom att anknyta dessa till teorin kring designprocessen och protypteknik besvarades frågeställningen kring användningsområden.
5.1.1
Hur kan ett konvolutionellt neuralt nätverk tränas för bildigenkänning av
handritade webbkomponenter?
För att träna ett konvolutionellt neuralt nätverk för bildigenkänning av handritade webb- komponenter var det första steget att ta fram träningsdata med bilder på handritade webb- komponenter. Det gjordes genom att utveckla ett separat gränssnitt för insamling av trä- ningsdata där användare fick skicka in skisser av de olika komponenterna. För att skapa mer distinkta klasser och på så sätt skapa en enklare klassificeringsuppift utvecklades ikoner för alla webbkomponenter som visade hur de olika komponenterna skulle skissas. På så sätt skapades träningsdata med bilder på handritade webbkomponenter där skisserna av varje komponent är inspirerade av deras respektive ikoner.
Ikonerna skapades med distinkta klasser och på så sätt blev klassifieringsuppgiften enklare. Därmed kunde en relativt enkelt arkitektur på det konvolutionella neurala nätverket an- vändas, inspirerad av en arkitektur som använts för att klassificera handskrivna siffror. Den enklare arkitekturen gjorde modellens filstorlek mindre och det blev möjligt att ladda ner modellen till klienten och använda den direkt i webbläsaren istället för att göra anrop till en
5.1. Svar på frågeställning server. Utöver den mindre filstorleken som förenklade själva applikationens arkitektur gjor- de den enkla arkitekturen att det gick att träna modellen fort och på relativt lite träningsdata. Eftersom träningsdatan som samlades in innehöll vissa luckor när det kommer till varia- tioner i dimensioner och rotation av skisserna av komponenterna användes tekniker för att utöka mängden träningsdata. Det gjordes genom att generera nya bilder genom att genomfö- ra en serie transformationer med slumpmässiga värden på bilder i träningsdatan. Nätverket kunde då tränas med en mer komplett uppsättning träningsdata och på så sätt bli bättre på att klassificera varianter av handritade skisser av komponenterna som inte var representera- de i den ursprungliga träningsdatan, t.ex. något roterade paneler eller breda paragrafer. Uppträningen av det konvolutionella neurala nätverket innebär att ta den framställda trä- ningsdatan och applicera algoritmer för neurala nätverk, som kalibrerar vikterna i nätverket. Med väl kalibrerade vikter kommer nätverket sedan kunna klassificera bilder till de olika klasser som varit representerade i träningsdatan. För att göra detta finns färdiga bibliotek för olika programmeringsspråk som implementerar algoritmerna. Biblioteket Keras till python implementerar upplärningsalgorthmer för neurala nätverk och det har använts för att träna upp nätverket under projektet. Det finns även en variant av Keras i JavaScript som är mer begränsat och endast implementerar algoritmerna för att ta fram förslag utifrån en modell med redan kalibrerade vikter. Varianten av Keras till JavaScript användes för att ta fram förslag då användare ritade i gränssnittet. Förslagen tas då fram direkt i webbläsaren.
5.1.2
Hur påverkas förtroendet för det utvecklade prototypverktyget av
automationsnivån hos interaktionsmodellen?
Automationnivån hos det utvecklade prototypverktyget påverkade under användartesterna de subjektiva bedömningarna av förtroende från testpersonerna så att det gick att upptäcka betydande skillnader mellan de testade automationsnivåerna. Utifrån testresultaten går det att se hur interaktionsmodellen med den mellanliggande automationsnivån skattades betyd- ligt högre i de subjektiva skalorna kring förtroende hos testpersonerna än interaktionsmodel- lerna med lägre respektive högre automationsnivå. I det här fallet verkar det alltså som att förtroendet har nått ett lokalt maximum för vilken automationnivå som skapar högst förtro- ende hos testpersonerna.
5.1.3
Vilka användningsområden har den skiss-baserade interaktionsmodellen
inom prototyputveckling?
Genom att använda skissning som en sökfunktion i ett prototypverktyg för applikationer kan en användare snabbt få förslag på komponenter, som liknar det som skissats. Från an- vändertesterna kunde det ses att en ny användare snabbt förstår att hen kan rita något och få förslag utifrån det som ritats. Det var däremot besvärligare för användaren att få förslag på en specifik komponent. För att lyckas krävdes det att användaren hade kunskap om vilka vanliga komponenter som applikationer är uppbyggda av, hur komponenterna ser ut samt hur de kan skissas. Det kräver att användaren i det här fallet är kompetent inom design av webbutveckling, vilket begränsar användningsområdet.
I processen för prototyputveckling i projekt kan interaktionsmodellen med skissbaserade ritningar appliceras på projektfaserna konceptfas, bearbetningsfas och detaljeringsfas, vilka beskrivs i kapitel 2.3.1. I början av ett projekt, under konceptfasen, ska projektet definieras genom att bestämma vad som ska framställas. När det gjorts ska projektets huvuddrag utformas. Redan här kan interaktionsmodellen användas för att snabbt skapa huvuddragen med prototypverktyget. Vidare i bearbetningsfasen, där de bästa förslagen från konceptfasen ska kombineras, bidrar interaktionsmodellen med att skapa grova prototyper av förslagen.
5.2. Kritisk reflektion