区块链设计原则

区块链已经到来了 - 不仅在技术层面,而且在文化层面。我们知道这个是因为我们六十岁的母亲已经开始向我们询问它了。另外,因为它出现在Dilbert漫画中。


Emerson Stone,我们期待着这个新兴技术带来的挑战和机遇。作为设计行业的从业者,我们需要仔细考虑区块链的设计 - 从视觉到数字到UX。我们的职责是在企业和用户之间进行调和,帮助前者构建被后者采用的产品和平台。


那有哪些真实的区块链的使用例子呢?

很显然例子是多样的。与IBM合作的沃尔玛正在建立一个私人连锁店,它将为零售巨头提供一个从电视到芒果的区块链“生死观”。Everledger,一家创业公司,正在使用区块链跟踪全球各地钻石的出处、透明度、切割和真实性。2016,巴克莱公司执行了第一个基于区块链的交易,仅在四小时内便清算了通常需要七天的一笔交易,另外,根据世界经济论坛,80%的银行现在正在开发自己的区块链技术,以作前台和后台之用。

开发者们已经建议使用区块链来保护数字身份和个人数据,索尼最近申请了一个基于区块链的教育平台的专利。 Follow My Vote正在建立一个安全的网上投票平台,而Ethereum为用户提供书写和发布“智能合约”的方法,在满足规定条件时自动执行。

其他初创公司正在使用区块链分享病人的电子病历,追踪发展中国家的土地所有权,以及拯救Uber的铁腕。


根据你询问对象的不同,区块链是过去十年来最有前景或者最富炒作的技术。根据这一说法,区块链或将从根本上重构全球商业、金融和民主的本质,或最终以像垃圾一样的炒作和高估终结。


当然,事实是介于两者之间的。区块链绝对会破坏传统行业和机构,即使它并未完全预见他们的死亡。

抱歉,那么区块链到底是什么?

简单来讲,区块链就是一个任何人都可以使用的技术,而不是由单一公司拥有的产品。从根本上讲,它就是一个交易的总账——无论是商品、报酬、或者数据——不需要一个中央中介组织。[1]
当一笔交易产生,它由网络上的每个用户见证,即“达成共识”的过程。一旦被验证,就该将其盖戳并添加到一个其他最近交易的“块”中,然后将它“链接”到(非常长并且持续增长的)交易列表之前。通过这种方法,区块链就是透明、分布、不可变、和安全的。

区块链与比特币是一样的吗?

不,但是很容易理解它们为何会被混淆。比特币就是一个区块链技术应用的(非常著名的)例子。区块链是在2008年首次亮相,它是由笔名为Satoshi Nakamoto的某人[2]在一个白皮书中提出的。它为“双重支出问题”提供了一个巧妙的解决方法——简短来说,就是你如何保证一个容易被复制的数字货币只消费一次?比特币,一个由区块链建立的数字加密货币,在第二年就出现在大家眼前。

那么除了比特币以外,区块链还有什么好处?

区块链可以应用在包括房地产、金融、供应链管理、智能合同、医疗记录、枪支所有权、资产跟踪、汽车销售、遗嘱和遗产、公共记录、公共利益、慈善捐赠、知识产权、处方药、音乐流媒体、共享出行、以及能源管理。这个列表每天都在增长。

我们特别关注的区块链的一个方面就是使用“挖矿”来替代令人讨厌的网页广告。

数字加密货币依赖于矿工,他们通过努力解决数学难题来换取少量的金钱报酬——一个需要大量计算能力的过程。技术专家已经提出公司可以在用户浏览网站时使用他们的CPU的一小部分来挖矿,来替代提供给网站用户广告。[3]相对无穷无尽的一连串的数字广告来说,挖矿可能更容易让人接受,而且广告作为网站的一个重要收入来源还在与越来越强大的广告拦截器作斗争。用户只有在选择了为网站“贡献”处理力——比如说,纽约时报——他们所提供的任务,才能享受到无广告的内容。

是否所有的区块链炒作都合理?

不全都是。某些公司,特别是那些充当中间商的公司,绝对会看到他们的商业模式受到挑战。同时,对冲基金、汽车经销商、中央银行和龙头公司会对自己霸权产生动摇。《哈弗商业评论》有一篇文章说到,"区块链将对银行和律师事务所产生的影响,就像互联网对媒体一样"。这种说法有可能是对的——TED上对区块链的讨论基本与文章说的一样——但是我们对此抱有不同看法。

     能够追踪到你的咖啡或羊毛衫的来源只是一把小把戏,并不会成为杀手锏。

今天,我们仍然处于通胀预期的某个较高的峰值。与任何新技术一样,在区块链获得关注和广泛接纳之前,这总会有些失望和一些惊人的失败。正如未来学家Roy Amara所说的那样,“我们倾向于短期内高估技术的作用,并低估其长期的作用。”

对于设计 区块链意味着什么

在许多方面,区块链遇到了与普通数字设计相同的用户体验挑战。简短的说,你如何为用户提供一个他们需要的信息,而不是他们不需要的信息,并且从开始到结尾都能创造一个直观的体验?区块链特殊的挑战来自于完成这个任务的同时引导用户接受新的技术。

当使用一个区块链构建的产品时,大多数用户[4]在浏览网页的时候不像了解HTTP协议一样了解底层协议。

幸运的是,他们不需要了解。相反,他们需要去学会相信“trustless”技术。他们也需要了解基于区块链的应用和平台的运行方式,这些方式与他们熟知的数字产品不同。

1、了解你的用户

随着区块链APP和平台的普及,设计者需要思考他们不断变化的用户群。(感谢之前的比特币热,在去年十二月的一个星期之内超过百万的新用户创建了密码币钱包。)早期的使用者和专业用户想要有更多的控制和功能——本质,外观,甚至是补丁和底层——新手和非专业用户将受益于清晰的辅助,简单的线索和提示,以及很少步入歧途的选项。

2. “为了信任而设计”

IBM的设计团队已经提议多个UX最佳实践,区块链设计师在“为信任而设计”时应该牢记,包括一致性和持续反馈。一致性 - 从清晰的图像到无行话的术语 - 让用户“感到放心”和“使采用和学习成为可能”,而“运动和动画,应谨慎使用,对正在发生的事情要增强支持和理解。”向用户提供的任何数据 应该是可行的,把建立信任或教育。作为一项规则,他们写道,更多的反馈比更好的反馈更好:“用户应该总是知道发生了什么,以及接下来会发生什么。”

3. 对处理事件的解释

由于区块链上的交易比集中式网络花费的时间要长得多 - 目前大约需要10分钟才能确认比特币交易 - 用户在此期间需要有关状态和进度的信息。我们已习惯于仅需几毫秒的确认时间 - 例如,在预订Airbnb时,或者在Venmo的分割账单 - 而点对点交易只需要更长的时间来处理。作为设计师,我们需要在我们如何帮助用户理解这种差异方面发挥创造力。

4. 请注意单向门

区块链交易在通过网络验证之后是不可逆转的 - 不允许出现错误 - 因此设计师需要在通过单向门之前为用户创建锚点。正如一位IBM设计师所说的那样,“在区块链上不存在退回。”

下一步是什么?

这些设计原则只是一个开始。区块链最佳实践清单将随着技术本身的使用而增长。

在Emerson Stone上,我们期待活跃在设计挑战的前沿。我们坚信能创造出能让人引起共鸣的、直观的、以人为本的经验和产品。我们希望开始与其他的开发者、创意者和机构就数字世界的设计进行对话——我们所处于的以及即将到来的世界。

如果对这篇文章有任何疑问或者对你自己的项目有任何的想法,你可以在TwitterEmerson Stone上联系我们。除了客户端项目外,我们还在不断探索新的技术来了解它们对全世界的用户和设计的影响。如果你有兴趣一起工作,请联系我们。

[1]区块链的传播者,我们听见你在大声的抗议这个过于简单的情况。#sorrywerenotsorry

[2]或者某些人。

[3]在没有得到用户的许可或者用户不知情情况下,这种行为被称为“cryptojacking”,一些不太正规的公司正准备试验它。在9月份,Showtime和The Pirate Bay都被发现在访问者的浏览器上运行cryptojacking脚本。

[4]比如,99.99%的用户



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值