清华建筑专业毕业后做UX设计，现在从事高级开发，她是怎么做到的？

本期 UX Coffee 的嘉宾是消极姐。除了名字，她的经历也很特别，她在清华和 MIT 学了八年的建筑，毕业后，她却放弃了建筑专业，在微软做了近五年的 UX 设计师。而现在，她的职称却是 Uber 高级软件工程师，她的产出物从一张张设计稿变成了一行行代码，从建筑学到 UX 设计师，再到软件工程师，这些转变是怎么发生的呢？

欢迎关注相关专题：UX COFFEE 专访

设计师和码农这两顶帽子，不妨换着戴

UX Coffee：

在加入 Uber 之前，你在微软做了 5 年的 UX 设计师。加入 Uber，你的职称变成了「软件工程师」，能跟我们讲讲这个转变是怎么发生的吗？

消极姐：

其实之前跳槽的时候也拿到了 Google 的设计师 offer，但那时候薪资没谈拢。后来面试 Uber，那个岗位其实是一个设计和代码都做一点的混合的职位，他们最后给我的头衔是「软件工程师」，因为他们说组里其他人都是工程师，没有设计师。我觉得也无所谓头衔，只要工作内容是我感兴趣的就行，更重要的是每天上班做的是自己想做的事。

另外一点，其实我当时也确实是有点不想做设计师了，因为我感觉在科技行业里，很多人对设计师没有那么尊重。我当时想，如果我的头衔是软件工程师，可能会得到更多的尊重，在决策过程中，他们可能会更接受我的意见。最后实际上，我觉得确实是这样（苦笑）。

UX Coffee：

做了五年的设计师，后来做工程师，在设计师和工程师这两种角色之间来回切换，你有什么不一样的感受吗？

消极姐：

写代码的时候，你要亲手把这个东西实现出来，你肯定要想这个东西有没有逻辑，这个代码好不好写，如果不好写的话肯定是哪儿不对了。但你在做设计的时候是不会这么想的。这相当于两个帽子，你摘下一个戴上一个，换一个角度来看问题，对做设计和写代码都是很好的。每天在两个角色之间转换，对于自己来说是一个训练。

数据可视化 ── 无人车黑科技背后的基础设施

在做了近五年的交互设计师之后，消极姐成功转型成了一名软件工程师，在 Uber 她将面临的不仅仅是职业转型所带来的挑战，她还将参与到一个令人兴奋但又充满了技术挑战的工作：无人车项目。

2015 年，Uber 从卡耐基梅隆大学雇佣了一整个研究团队，建立起了它的无人车部门。在这个部门里，有汽车工程师、人工智能专家，也有钻研图像识别的科学家。还有一支团队，他们在做的事情很特别，就是无人车的数据可视化平台，这也是消极姐所在的部门。他们的工作使得 Uber 的工程师可以去理解自己所创造的无人车究竟有多聪明。

消极姐：

我们的最终目标是汽车里面根本就没有方向盘，也没有驾驶座。你上车后，你说要去哪，车就把你带到哪，告诉你车子现在到哪了。我觉得对无人车这个行业来说，大家在奔着这个方向去，但是技术上道路还很漫长。即使技术实现了，还有很多社会限制，比如政策、法律……你这个车怎么上保险？出了事以后谁来负责？要真正产品化，还有很长的路要走。

自动化工程师在研究无人车时，需要了解车子的行驶情况。车看到了什么东西，车是怎么应对的。在这中间会收集大量的数据，这时候就需要一个可视化工具来还原场景。

△ Uber 的自主可视化系统

举个例子，车行驶的时候，前面亮起了红灯，这时候车有没有看到红灯？车看到红灯以后知不知道该停下了？车决定要停下来和实际上停下之间的行为是怎样的？这些都需要人通过车上各种传感器所记录下来的数据来仔细判断。但是车上的摄像头、传感器记录的数据太多了，行驶一小时可能就收集了几百 GB 数据，这时候我们就需要有个可视化工具，来帮助我们的工程师更方便地知道车在行驶过程中发生了什么事情，这就是我的工作内容。

现在法律要求无人车上路一定要有司机，如果出问题司机要及时停车。如果前面有行人在过马路，但车没有停，得靠司机踩刹车。之后你就要去分析为什么无人车在当时那个情况下没有停车。车是在一个三维的环境里面跑，周边有很多东西：限速牌、交通指示灯、其他车辆、行人……如果不去还原当时的场景，我们很难知道当时到底发生了什么。

你要分析车在当时看到了什么东西。摄像头和激光扫描有没有正常识别周边环境？识别周边后，车有没有识别出那是人，成功识别之后有没有判断到这个人五秒钟后会走到车的前面。如果这些都做到了，为什么没停车？我们必须通过重建三维环境来还原场景，这是所有无人车优化的前提。

UX Coffee：

听起来这种数据可视化要比我们平时在新闻网站或者杂志上看到的数据可视化要复杂得多，你可不可以稍微详细介绍一下这背后的原理呢？比如说你们抓的是什么数据？你又怎么把它给还原成一个三维图形？

消极姐：

无人车上有一种做激光扫描的设备，抓到的数据就是一些三维的点，你把它放在一个三维空间里面渲染出来就能知道事物的位置。另外，摄像头会为我们提供一些环境信息，比如颜色和深度。

另外还有些很抽象的东西，比如无人车判断到这一堆点是一辆小车还是一辆公共汽车，它会往哪个方向走，当时的速度和加速度是多少？这些东西都挺抽象的，我们要做的就是把这些信息叠加到 3D 的场景上，这个工作的确跟传统的数据可视化很不一样。

△ Uber 的自主可视化系统

UX Coffee：

既然无人车的摄像头已经把所有行车时候的环境信息都拍下来了，为什么还需要可视化工具呢？

消极姐：

可视化工具跟视频不一样，你可以和它交互，你能自己选择要看什么信息。比如说你对无人车当时旁边的这辆车感兴趣，你点它就能看到这个车的相关的信息。你还可以还原在某个特定时间，无人车是怎么预备做接下来的动作的？比如说当时车是怎么规划接下来 5 秒、10 秒的行动的？它预备以什么速度换道，什么时候打灯？这个工具可以展示车子每一秒的规划，然后我们可以把它跟实际轨迹叠加到一起，看看这车是不是这么行动的。可能它行动到一半的时候，有其他的情况发生，它又改变主意了，这些状态和变化我们都可以通过这个工具看到。

数据可视化的力量

UX Coffee：

你从很早的时候就开始对数据可视化感兴趣了，我们知道在工作之外，你自己还做过一些很有意思的数据可视化项目。你是从什么时候开始对这个领域感兴趣的？为什么会对它产生兴趣呢？

消极姐：

其实读建筑的时候，我就挺喜欢做这些东西的，画流程图、交通图、示意图实际上都是一种可视化，你是在把抽象的概念清楚地展示给别人。

我自己做过一个项目叫「天空颜色」，我找到国内城市每天空气质量报告的数据，给每个城市做了一个天空颜色的色盘，这样你就能很直观地看到每个城市的空气质量历年变化，它看起来很有视觉冲击力。如果你结合这些年每个城市环境政策的部分新闻来看，你可以看到这些政策的变化对每个城市造成的影响。

△ 部分城市空气质量可视化图表

在 Uber，我们会记录 Uber 的车在每个城市的运行的路线和速度，比如，你可以在这个交通数据的可视化图上看到每个星期一的早高峰，从城市中心到机场的时间。我们收集整理这些数据，公开分享给公众和制定交通政策的政府部门。菲律宾首都马尼拉在推出机动车牌号限行政策之后，就用了 Uber 的这个数据可视化工具来给他们的这个交通政策做评估。

△ Uber Movement 界面截图

UX Coffee：

对于在平时生活中接触到可视化数据的普通大众，你有什么建议吗？

消极姐：

我觉得大家要学会去判断一个可视化设计做得好不好。最重要的是要去观察这个可视化有没有准确地、有效地反映它背后的数据和信息。有些数据可视化，因为选用了错误的图形，或者是通过颜色、基准点的选择，传递出误导人的信息，大家要注意识别。

任何视觉上的东西都不可能 100% 准确。比如说世界地图，把一个球形投影到平面上，肯定会有各种各样的变形。我们经常看的世界地图，北欧看起来跟非洲差不多大，但实际上非洲比北欧大多了。俄罗斯和加拿大也是比实际上的面积要大很多。任何一种可视化，你所看到的图形呈现实际上都包含了设计者的「偏见」和个人立场。

△ 投影方法不同的世界地图

消极姐说：

我为什么喜欢做这些可视化？因为从政府信息公开到公众参与之间还有巨大的鸿沟，打破诠释垄断，用多样化的民间视角去呈现他们，是唤起公民意识的第一步，而我们的媒体在这方面做的努力还远远不够。

扫描二维码或微信内搜索「UXCoffee」，关注 UX Coffee 设计咖 微信公众账号：