《人工智能机器学习平台界面设计指南》

T/CAS1.1—2017

人工智能机器学习平台界面设计指南

1范围

1.1背景

提升人工智能机器学习平台的用户体验，包括视觉表现和交互体验，并向行业输出标准型模板参考。

1.2适用范围

考虑到机器学习是目前人工智能技术创新与落地的主要领域，本标准聚焦于机器学习开发平台所面临

的一致性、易用性的设计问题。基于如上考虑，后续除非特别指出，在本标准的语境中，人工智能主

要对应的是机器学习这一领域。

本标准为人工智能机器学习平台产品量身定做，提供核心人工智能底层平台力支撑，充分考虑人工智

能开发者需求的设计原则和基本要素。

2规范性引用文件

GBT5271.31-2006信息技术词汇第31部分人工智能机器学习

GB/T18976-2003《以人为中心的交互系统设计过程》

GB/T21051-2007《人-系统交互工效学支持以人为中心设计的可用性方法》

GB/T20527.1-2006《多媒体用户界面的软件人类工效学第1部分：设计原则和框架》

GB/T32632.2-2016《信息无障碍第2部分：通信终端设备无障碍设计原则》

GBT25000.51-2016系统与软件工程系统与软件质量要求和评价(SQuaRE)第51部分：就绪可用团建

产品（RUSP）的质量要求和测试细则

3术语

下列术语和定义适用于本文件。

3.1机器学习Machinelearning

机器学习是一种人工智能（ArtificialIntelligence,简称AI）的分支领域，它涉及开发和研究算法模型，

使计算机能够通过从数据中学习经验做出预测，而不是通过明确的编程来执行任务或改进性能。

1

T/CAS1.1—2017

3.2模型Model

模型是机器学习算法的数学表示，它用于学习从输入数据到输出标签的映射。

3.3监督学习SupervisedLearning

监督学习是一种机器学习任务，其中模型从带有标签的数据中学习，然后用于预测新数据的标签。常

见的监督学习任务包括分类和回归。

3.4无监督学习UnsupervisedLearning

无监督学习是一种机器学习任务，其中模型从没有标签的数据中学习，并试图发现数据中的结构或模

式。常见的无监督学习任务包括聚类和降维。

3.5DAG

DAG是有向无环图（DirectedAcyclicGraph）的缩写，简称DAG图，指的是无回路有向图，是一种

数据结构，在计算机科学领域广泛应用。

4人工智能开发平台设计原则

4.1一致性

保持视觉一致性、行为一致性和感知一致性，从而减少用户认知和记忆负担，以极低的学习与理解成

本培养用户认知，在系统的产品体系中快速使用产品。

4.2人性化

用户所接触到的现有概念符合其认知，用户可以时刻明确当前界面的任务。在产品设计中，汲取人对

自然以及行为习惯的认知，让用户在操作过程中具有主动权，操作过程保持愉悦、自由、幸福的体验，

让人机交互行为更自然。

4.3实用性

使用该产品或者产品功能时可以使用户完成产品使用目标。以实际情景场景为立足点，满足用户核心

需求，简化和优化工作流程，上手即用。帮助用户更简单，更智能，更快捷的完成工作目标，提升工

作效率。

4.4前瞻性

追求规范使用的周期长久可用性，随着科学技术的发展，始终保持骨架与核心概念长久不变，依托于

规范不断发展，有理可用，有据可依。

5基础设计指南

5.1布局

2

T/CAS1.1—2017

应用窗口的基本构成，包含窗口标题栏、内容区。

5.2导航

用户在同一窗口内层叠组织不同维度的信息或子功能，常见有顶导和侧导两种形式。

5.3全局菜单

承载应用窗口的核心操作或全部操作，菜单项与应用当前状态可由联动关系，例如文件、编辑等。

5.4栅格

用于布局的容器组件，方便快速搭建页面的基本结构。

5.5色彩

基于产品色彩进一步定义符合产品调性以及功能诉求的颜色。

主色是体现产品特性和传播理念最直观的视觉元素之一。考虑组件库的通用性，设置主色为组件变量，

可以针对不同业务使用想赌赢基础色板中的色彩。

功能色用于展示界面中的错误、成功、警告等各类状态。

辅助色主要被大量的应用在界面的文字部分，此外背景、边框、分割线等场景中也非常常见。

5.6字体

我们基于电脑显示器阅读距离（50cm）以及最佳阅读角度（0.3），主字体使用14字体大小以保证在

多数常用显示器上的用于阅读效率最佳，始终保持良好的易读性和可读性。

字号和行间距决定一套字体系统的动态和秩序，使用不同字号需调整对应的行间距。

5.7图标

图标为界面汇总的重要视觉识别，帮助用户更好的理解及区分功能与模块，图标分为展示图标与可点

击图标。相比其他平台，增加了一部分人工智能机器学习平台特有的图标，比如数据治理、建模、模

型管理、知识谱图、NLP、CV、OCR等，如图所示，仅供参考。

3

T/CAS1.1—2017

5.8建模可视化

建模可视化是通过图标、图形、图像或其他可视化工具来呈现数据分析和建模过程的一种方法。

机器学习的建模可视化一般是以DAG的方式来呈现，用户通过拖拉拽和拼接算子的方式，形成建模

流程，当用户配置算子参数后，即可训练模型。

在人工智能开发平台上，开发人员和业务人员可根据场景和业务需求在交互式画布上直观地连接数据

处理、特征工程、算子、模型预测、模型评估等组件，基于无代码方式实现人工智能模型开发，提升

建模效率，同时增强了系统的透明度。

5.8.1建模可视化界面布局

机器学习平台常见的可视化建模的布局一般包括工具区、算子列表区、画布区、参数配置区，如下图

所示。

4

T/CAS1.1—2017

5.8.2建模可视化界面的主要设计要素

a)画布：可视化建模模式下开发的所有算法均在画布上组件完成，用户可自由的在画布上搭建

自己的建模流程。

b)算子：可视化建模模式为用户提供了一系列的算法的算子组件，包含数据处理、特征工程、

模型预测、模型评估等不同用途的算子，用户通过拖拉拽的方式，将相关的算子拖到画布上，

并用有向的线联系起来。

c)边关系：边关系代表着两端算子的逻辑顺序及数据流向关系，用户需要将各个组件通过箭头

连接起来，才能完成一个完整的任务配置。

d)信息展示面板：用于配置和展示DAG、算子的参数或内容。

5

T/CAS1.1—2017

5.8.3可视化建模界面参考，如图所示。

5.8.4算子组件

包含算子、算子状态、输入点、输出点、边关系等，如下图所示。

5.9规则集可视化

规则集规则集也叫决策集，它是知识表示和推理的一组规则的集合，是专家系统和规则引擎中一个核

心的组成部分，几乎总是与某种通常需要人为判断的复杂决策任务有关，是使用频率最高的一种业务

规则实现方式。

5.9.1规则集类型

6

T/CAS1.1—2017

向导式规则集，利用产品提供的设计器，一步一步通过鼠标点击完成规则的配置，配合高度可视化的

向导式规则设计器，可最大限度将业务可视化，降低规则配置的复杂度。

脚本式规则集，通过在规则集文件当中脚本语法规范来书写。向导式规则集经常会搭配脚本式规则集，

两者相互配合，灵活性、落地性更好。

5.9.2规则集界面布局

规则集的主要布局，一般包含规则集的基础信息区、配置工具区以及规则集配置区。

5.9.3规则集构成的常见元素

规则集通常由多个元素组成，这些元素协同工作以定义规则和其行为。规则集构成的主要元素，如下

图所示。

7

T/CAS1.1—2017

a)基本信息（information）：包含规则名称、规则描述等基本信息。

b)规则状态（Status）：规则可以处于不同的状态，例如启用或禁用。这允许管理员或用户控

制规则的行为。

c)规则优先级（Priority）：某些规则引擎允许为规则分配优先级，以指定规则的执行顺序。较

高优先级的规则可能会在较低优先级的规则之前执行。

d)规则条件（Conditions）：规则条件是规则集中最重要的元素之一，它定义了在何种情况下规

则应该触发或生效。

5.9.4规则条件

规则条件需要涵盖以下三个因素：

1.规则触发条件（TriggerCondition）：有时候，规则需要一个特殊的条件来确定何时启用或禁用。

这个条件通常称为触发条件。如果触发条件满足，规则可以被启用或禁用。

2.规则生效范围（Scope）：规则可能具有生效范围，指定了规则应用的上下文或对象。这有助于规

定规则的适用性，以便在特定情况下生效。

3.规则操作（Actions）:规则操作定义了规则在满足条件时应该执行的操作或行为。这些操作可以是

数据修改、通知、触发其他规则、执行特定函数或方法等。规则操作指定了规则的具体响应。

规则条件由一个或多个条件构成，通常使用逻辑运算符（例如AND、OR）来组合多个不同条件，以

便更精确地描述规则触发的条件。例如，“IF(条件1)AND（条件2）xOR(条件3)THEN…”，如下图

所示。

8

T/CAS1.1—2017

在规则集编辑器中，可以为父规则定义一个多个子规则，子规则将继承父规则的条件，如图所示。

有些业务仅“大于、小于、等于”的简单规则即可满足所需场景，如下图所示。

根据业务可需求扩增规则，通过点击外层“添加规则”即可扩展为多层结构，如下图所示。

9

T/CAS1.1—2017

5.9.5脚本式规则集

因向导式规则集成的条件模板毕竟是有限的，不能覆盖到全部业务场景，经常会搭配脚本式编辑器。

脚本编辑器虽然使用门槛较高，但优点在于脚本可以更灵活、更精确地编辑规则。

脚本编辑器示意图如下，会提供基本的算法、表达式符号及相关变量。

10

ICS01.120

A00T/

团体标准

T/CIDADS—

人工智能机器学习平台界面设计指南

GuidelinesofArtificialIntelligenceMachineLearningPlatformInterfaceDesign

（征求意见稿）

（本稿完成日期：2024-03-07）

2024-××-××发布2024-××-××实施

中国工业设计协会发布

T/CAS1.1—2017

人工智能机器学习平台界面设计指南

1范围

1.1背景

提升人工智能机器学习平台的用户体验，包括视觉表现和交互体验，并向行业输出标准型模板参考。

1.2适用范围

考虑到机器学习是目前人工智能技术创新与落地的主要领域，本标准聚焦于机器学习开发平台所面临

的一致性、易用性的设计问题。基于如上考虑，后续除非特别指出，在本标准的语境中，人工智能主

要对应的是机器学习这一领域。

本标准为人工智能机器学习平台产品量身定做，提供核心人工智能底层平台力支撑，充分考虑人工智

能开发者需求的设计原则和基本要素。

2规范性引用文件

GBT5271.31-2006信息技术词汇第31部分人工智能机器学习

GB/T18976-2003《以人为中心的交互系统设计过程》

GB/T21051-2007《人-系统交互工效学支持以人为中心设计的可用性方法》

GB/T20527.1-2006《多媒体用户界面的软件人类工效学第1部分：设计原则和框架》

GB/T32632.2-2016《信息无障碍第2部分：通信终端设备无障碍设计原则》

GBT25000.51-2016系统与软件工程系统与软件质量要求和评价(SQuaRE)第51部分：就绪可用团建

产品（RUSP）的质量要求和测试细则

3术语

下列术语和定义适用于本文件。

3.1机器学习Machinelearning

机器学习是一种人工智能（ArtificialIntelligence,简称AI）的分支领域，它涉及开发和研究算法模型，

使计算机能够通过从数据中学习经验做出预测，而不是通过明确的编程来执行任务或改进性能。

1

T/CAS1.1—2017

3.2模型Model

模型是机器学习算法的数学表示，它用于学习从输入数据到输出标签的映射。

3.3监督学习SupervisedLearning

监督学习是一种机器