阿里自研UED计件平台技术解析

简介:

从天猫到菜鸟,从双11到造物节,在阿里巴巴,除了来自集团的UED团队外,还有一支700余人的外包团队,一起创造着阿里视觉神话。阿里的UED外包同学们每年会收到来自阿里巴巴集团50多个业务方提出的十余万外包需求。如何协调外包设计师与需求方之间的配合,并且给到外包同学合理结算价格,成为阿里UED外包管理的一大难点。

以往,阿里巴巴也会用一些简单的需求分发系统来应对。但由于实际业务场景的复杂性,需求在分配上无法做到合理与精准。加上缺乏评价和追踪体系,外包同学的执行效果得不到监控,最后形成的素材也难以沉淀。最重要的是,外包需求的分发与结算步骤完全隔离,外包素材的审核与结算只能依靠财务同学在线下进行人工方式核算,审核难度与工作量可想而知。

针对上述系列痛点,阿里巴巴设计委员会设计中台项目组联合阿里巴巴信息平台,通过技术手段将原计件系统转化成阿里巴巴集团层面项目,至此阿里巴巴UED计件平台项目正式建立。

f7812b819693f0bfd7619d53c7ca9827c03e6884

UED计件平台

从分发到结算全程可控

如何通过技术解决上述问题,阿里巴巴信息平台的技术人员使用SOLID设计原则搭建起了UED计件平台架构。整个架构的层次设计参考DDD模式,采用DIP的方式,将总体结构分为接口(Interface)层、基础设施(Infrastructure)层、API层以及命令查询职责分离(CQRS)模式。

add5c14a14cfba241a917195db03b495225fda32

UED计件平台基础架构

基础设施层打通了ACL、财务系统、采购平台、工作流、支撑系统等业务系统。这也意味着从需求分发到完成验收到结算全流程实现线上化操作,使得整个UED外包流程变得更加高效可控。比如打通采购系统后,平台获取采购预算值,需求方下单时能进行预算卡控,避免超支。打通财务系统后,财务同学不用再与需求方对接,流程结束后可直接线上点击结算。同时平台还打通阿里巴巴集团素材中心,外包同学在UED计件平台交付的新鲜素材会自动流入素材中心,实现优质内容自动沉淀。

考虑到安全性,开发人员在整体架构中加入API接口。通过开放API接口,让外包同学既能快速接入,又能降低对UED计件平台底层架构与数据的风险。

在与外包对接过程中,还会遇到需求与人员频繁变更,业务线众多、逻辑复杂等情况,如果还是通过数据访问层修改或查询相同实体数据,可能会出现一些性能问题。于是开发人员选择采用CQRS模式,从业务上分离修改(Command)和查询(Query)的行为。在数据查询和更新过程中使用不同的数据模型,隔离读和写的逻辑,增加了数据的可扩展性与安全性。

此外,为了让UED计件平台的使用更符合UED同学的操作习惯,技术开发人员还采用长短时结合的方式拉取工作流的任务数据,减少定时拉取对使用体验的影响,将操作平台常用的任务管理方式,设计成UED同学更熟悉的类PS操作模式,外包同学能够快速上手。

bdfd501690c4993993890c4db48b7a0d74feede4

UED计件平台流程

阿里巴巴国际用户体验事业部研究员Paul认为,通过UED计件平台,一方面设计工作能分发到合适的外包团队中去执行,另一方面工作完成之后还可以有一个评价体系进行反馈与数据积累。正因为平台背后涵盖了如此重要的意义,目前阿里集团所有UED业务已经实现全覆盖。

74e31a5d27e5905567d5fda817b0f366a5b205e2

阿里巴巴国际用户体验事业部研究员Paul

当然,线上化只是UED计件平台迈出的第一步。如何更聪明,更智能进行服务才是UED计件平台的重头戏。

智能图像审核识别原创设计

在设计工作中,原创尤为重要。而在阿里UED外包工作中,如何判断交付素材是否原创,也是件非常严肃重要的事情。在阿里巴巴,UED外包素材会根据原创程度以及素材使用位置、时长分为A、B、C等不同类型,每一类型之间不仅存在数十倍的价格差距,更会牵涉到版权问题。

以往,集团需求方只能凭借自己的经验对外包同学交付的内容进行审核。不仅审核效率偏低,审核难度也可想而知。甚至因为主观因素,对“原创”、“全新设计”的理解上还会存在巨大差异。

UED计件平台上线后,可以通过智能算法,自动并准确地对素材类型进行智能检索与判断。

外包设计师在交付PSD源码后,平台会通过算法,从内容特征、大小、尺寸、纹理、颜色等各个维度对素材与以往数据进行相似度匹配,从而判断该素材是否为原创,解决素材相似度判断问题。

此外,UED计件平台在检测素材源码时还会进行大小、图层、位置等数据解析,进一步了解该素材的复杂程度,以便对素材类型做出合理判断。

比如下图中,外包设计师提交结算时,将四个素材作品全部按照网页类-banner广告C类来提交,但经过智能图像审核系统,从字体、风格、大小、内容特征等维度分析后发现,只有一幅作品含有创意内容,并且依照模版与规范来更换图片和文字,符合C类要求。但其他三幅作品只是在规范型模版banner上进行修改,故其他三幅作品应按照B类结算。

b5393b4ca1768068747dc3787fef71c68d827eea

如果是人工审核,上述素材在类型判断上很难做到准确性划分,但通过搭建的智能图像审核算法模型,可快速检测图片相似性,定位准确类型。

由于UED计件平台在进行图像审核时是从源码进行检测的,像这样基于内容检测,准确率也会更高。目前,智能图像审核的准确率已经达到90%以上。即使图片大小、风格、格式完全不一样,但只要与源文件数据进行对比,都能检索出来是否为全新设计。

智能图像审核在后续素材库的复用中也将发挥重要作用。当业务方提出需求后,智能图像审核系统会自动根据素材库数据对需求进行智能推荐,这样就可以大大节省设计师时间,降低业务方与设计师的沟通成本,同时也能让外包设计师提交的素材内容更符合业务方需求。

平台一体化为设计师赋能

接下来,点满“智能化”属性的UED计件平台最终会走向何处?阿里巴巴设计委员会似乎已经有了全盘规划,那就是用技术赋能设计师,真正发挥出“平台化”价值。

阿里巴巴设计委员会负责人青云曾表示:在未来,阿里设计战略主要将有三层重要支柱。一是随着业务场景拓展的增多,设计师的品种和类型将会增加;二是阿里设计素材中心的积累与复用将会越发重要;三是更多设计师与设计资源对阿里生态的撬动,这就包括UED外包人员。

f0fbc94c29e444841e6ea9cd6afa7206645b6769

阿里巴巴设计委员会负责人青云

青云认为,UED计件平台是阿里设计战略中最至关重要的一环。不仅能衔接外部设计师与需求之间的匹配,同时又能为数据进行沉淀。尤其是在智能化方面,这一创意通道“如同身体的血管一样,往人工智能的大脑中输入素材。”这些素材不仅是AI学习的重要养分,更是帮助设计师进一步提升的重要能量。

据透露,下一步UED计件平台将与供应商管理平台、鲁班系统(阿里智能设计平台)打通。在智能分发方面,通过自我学习能力,根据不同需求,进行自动匹配与需求分发,将设计资源最大化。

未来UED计件平台通过智能化学习,不仅能把低端的、重复性的工作完全交给机器去做,帮助阿里整个生态公司进行设计水平与能力提升,更为设计师进行赋能。


原文发布时间为:2017-12-27

本文来自云栖社区合作伙伴“阿里技术”,了解相关信息可以关注“阿里技术”微信公众号

相关文章
|
7月前
|
传感器 人工智能 物联网
穿戴科技新风尚:智能服装设计与技术全解析
穿戴科技新风尚:智能服装设计与技术全解析
563 85
|
7月前
|
人工智能 API 语音技术
HarmonyOS Next~鸿蒙AI功能开发:Core Speech Kit与Core Vision Kit的技术解析与实践
本文深入解析鸿蒙操作系统(HarmonyOS)中的Core Speech Kit与Core Vision Kit,探讨其在AI功能开发中的核心能力与实践方法。Core Speech Kit聚焦语音交互,提供语音识别、合成等功能,支持多场景应用;Core Vision Kit专注视觉处理,涵盖人脸检测、OCR等技术。文章还分析了两者的协同应用及生态发展趋势,展望未来AI技术与鸿蒙系统结合带来的智能交互新阶段。
420 31
|
7月前
|
编解码 监控 网络协议
RTSP协议规范与SmartMediaKit播放器技术解析
RTSP协议是实时流媒体传输的重要规范,大牛直播SDK的rtsp播放器基于此构建,具备跨平台支持、超低延迟(100-300ms)、多实例播放、高效资源利用、音视频同步等优势。它广泛应用于安防监控、远程教学等领域,提供实时录像、快照等功能,优化网络传输与解码效率,并通过事件回调机制保障稳定性。作为高性能解决方案,它推动了实时流媒体技术的发展。
380 5
|
7月前
|
数据采集 机器学习/深度学习 存储
可穿戴设备如何重塑医疗健康:技术解析与应用实战
可穿戴设备如何重塑医疗健康:技术解析与应用实战
251 4
|
7月前
|
机器学习/深度学习 人工智能 自然语言处理
AI技术如何重塑客服系统?解析合力亿捷AI智能客服系统实践案例
本文探讨了人工智能技术在客服系统中的应用,涵盖技术架构、关键技术和优化策略。通过感知层、认知层、决策层和执行层的协同工作,结合自然语言处理、知识库构建和多模态交互技术,合力亿捷客服系统实现了智能化服务。文章还提出了用户体验优化、服务质量提升和系统性能改进的方法,并展望了未来发展方向,强调其在客户服务领域的核心价值与潜力。
352 6
|
7月前
|
编解码 人工智能 并行计算
基于 Megatron 的多模态大模型训练加速技术解析
Pai-Megatron-Patch 是一款由阿里云人工智能平台PAI 研发的围绕英伟达 Megatron 的大模型训练配套工具,旨在帮助开发者快速上手大模型,打通大模型相关的高效分布式训练、有监督指令微调、下游任务评估等大模型开发链路。本文以 Qwen2-VL 为例,从易用性和训练性能优化两个方面介绍基于 Megatron 构建的 Pai-Megatron-Patch 多模态大模型训练的关键技术
|
7月前
|
监控 负载均衡 安全
静态IP代理与动态IP代理:提升速度与保障隐私的技术解析
本文探讨了静态IP代理和动态IP代理的特性和应用场景。静态IP代理通过高质量服务提供商、网络设置优化、定期更换IP与负载均衡及性能监控提升网络访问速度;动态IP代理则通过隐藏真实IP、增强安全性、绕过封锁和提供独立IP保障用户隐私。结合实际案例与代码示例,展示了两者在不同场景下的优势,帮助用户根据需求选择合适的代理服务以实现高效、安全的网络访问。
226 1
|
7月前
|
机器学习/深度学习 数据采集 自然语言处理
基于Python的情感分析与情绪识别技术深度解析
本文探讨了基于Python的情感分析与情绪识别技术,涵盖基础概念、实现方法及工业应用。文中区分了情感分析与情绪识别的核心差异,阐述了从词典法到深度学习的技术演进,并通过具体代码展示了Transformers架构在细粒度情感分析中的应用,以及多模态情绪识别框架的设计。此外,还介绍了电商评论分析系统的构建与优化策略,包括领域自适应训练和集成学习等方法。未来,随着深度学习和多模态数据的发展,该技术将更加智能与精准。
408 1
|
7月前
|
负载均衡 JavaScript 前端开发
分片上传技术全解析:原理、优势与应用(含简单实现源码)
分片上传通过将大文件分割成多个小的片段或块,然后并行或顺序地上传这些片段,从而提高上传效率和可靠性,特别适用于大文件的上传场景,尤其是在网络环境不佳时,分片上传能有效提高上传体验。 博客不应该只有代码和解决方案,重点应该在于给出解决方案的同时分享思维模式,只有思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~
|
7月前
|
缓存 算法 Oracle
深度干货 | 如何兼顾性能与可靠性?一文解析YashanDB主备高可用技术
数据库高可用(High Availability,HA)是指在系统遇到故障或异常情况时,能够自动快速地恢复并保持服务可用性的能力。如果数据库只有一个实例,该实例所在的服务器一旦发生故障,那就很难在短时间内恢复服务。长时间的服务中断会造成很大的损失,因此数据库高可用一般通过多实例副本冗余实现,如果一个实例发生故障,则可以将业务转移到另一个实例,快速恢复服务。

推荐镜像

更多
  • DNS