Polidata: Modelo de inteligencia artificial para la evaluación del diseño de interfaz de usuario en dispositivos móviles

Author:

Santorcuato-Tapia MA. Lic. José LuisORCID,Lloret Dr. JaimeORCID

Abstract

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.

Publisher

Malaga University

Reference14 articles.

1. 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

2. Adobe. (2023). Relleno generativo: Adobe Photoshop. Recuperado el 15 de septiembre de 2023, de https://www.adobe.com/es/products/photoshop/generative-fill.html

3. 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

4. Bourke, D. (2023). Learn PyTorch for Deep Learning [Software]. https://github.com/mrdbourke/pytorch-deep-learning/blob/78be136b27f7ee6a95875f4d5869339cbc7b89cf/06_pytorch_transfer_learning.ipynb

5. Canonical. (2022). Ubuntu 22.04.3 LTS (Jammy Jellyfish). Recuperado el 20 de septiembre de 2023, de https://releases.ubuntu.com/jammy/

同舟云学术

1.学者识别学者识别

2.学术分析学术分析

3.人才评估人才评估

"同舟云学术"是以全球学者为主线,采集、加工和组织学术论文而形成的新型学术文献查询和分析系统,可以对全球学者进行文献检索和人才价值评估。用户可以通过关注某些学科领域的顶尖人物而持续追踪该领域的学科进展和研究前沿。经过近期的数据扩容,当前同舟云学术共收录了国内外主流学术期刊6万余种,收集的期刊论文及会议论文总量共计约1.5亿篇,并以每天添加12000余篇中外论文的速度递增。我们也可以为用户提供个性化、定制化的学者数据。欢迎来电咨询!咨询电话:010-8811{复制后删除}0370

www.globalauthorid.com

TOP

Copyright © 2019-2024 北京同舟云网络信息技术有限公司
京公网安备11010802033243号  京ICP备18003416号-3