micomia

Blog

技術記事

Artlが目指すのは、芸術がもっと光を浴びる世界

Artlが目指すのは、芸術がもっと光を浴びる世界

はじめに

Artl は、作品ファーストの思想をかなり明確に形にしたアプリです。
一方で、現バージョンにはまだまだ改善ポイントもあります。
それは、作品の露出や回遊性に関する部分です。



難しかったのは、普通のSNSに寄ってしまうこと

開発で特に難しかったのは、芸術専門のSNSでありながら、中身が普通のSNSになりがちな点でした。
作品重視であり続けるには、用語や導線、反応の仕方まで細かく考え直す必要があります。
「世界観を出すための用語」が難所だったというのも、その象徴です。


次に必要なのは、作品がもっと前に出る仕組み

現バージョンを通して見えた改善ポイントとして、作品がもっと露出できる仕組みが挙げられています。
作品中心であることは守りつつ、より多くの作品に出会いやすくすることが課題です。

今回は作品が新着順に並んでいますが、これでは大量投稿によるタイムラインの独占など将来的に行うべき施作がまだまだ残っていると感じています。


回遊性を上げるUIが次の優先課題

今後アップデートするなら、最も優先したいのは回遊性を高めるUIです。
作品を壊さず、世界観も守りながら、より多くの作品へ自然に触れられるようにする。
そのバランスは簡単ではありませんが、Artl の成長には重要なテーマです。


まとめ

Artl が最終的に目指しているのは、芸術がもっと光を浴びる世界です。
SNSの文脈に合わせるのではなく、芸術に合わせてSNSの形を考える。
その姿勢は現バージョンにもはっきり表れています。
次のアップデートでは、その思想を保ったまま、もっと出会いが広がる場へ進化していくはずです。

畑井駿佑

畑井駿佑

micomia株式会社の代表取締役です。 エンジニア、プロジェクトマネージャーを経験し、2024年にUI/UXにこだわった使いやすいシステム/アプリを開発するmicomia株式会社を設立しました。

関連記事

既存SNSはなぜアートと相性が悪いのか Artlが解こうとした情報過多の問題

既存SNSはなぜアートと相性が悪いのか Artlが解こうとした情報過多の問題

既存SNSではなぜ作品そのものに集中しづらいのか。Artlが向き合った、情報過多とアート鑑賞体験のズレについて解説します。

「“いいね”ではなく“鑑賞しました” 」Artlが反応の仕方を変えた理由

「“いいね”ではなく“鑑賞しました” 」Artlが反応の仕方を変えた理由

Artlは「いいね」機能を外し、「鑑賞しました」を採用しました。作品制作の本質を守るために反応の形を変えた理由を紹介します。

なぜArtlはトリミングしないのか 作品をそのまま展示する設計の意味

なぜArtlはトリミングしないのか 作品をそのまま展示する設計の意味

Artlは作品のトリミングや角丸加工を行わず、そのまま展示できるSNSです。表現を制約しない投稿設計の意味を解説します。

作家が安心して発信できるSNSとは何か Artlの投稿体験を支える考え方

作家が安心して発信できるSNSとは何か Artlの投稿体験を支える考え方

Artlは、作家が安心して作品を発信できるSNSを目指しています。タグ付けや不要な入力を減らした投稿体験の考え方を紹介します。

アート専門SNS「Artl」を作った理由 作品そのものが評価される場所を目指して

アート専門SNS「Artl」を作った理由 作品そのものが評価される場所を目指して

Artlは、映えや拡散ではなく作品そのものに向き合えるアート専用SNSです。作品が正しく届く場所を目指した開発背景を紹介します。

シンプルで主張しすぎない 「Artlが目指した鑑賞体験のUI/UX」

シンプルで主張しすぎない 「Artlが目指した鑑賞体験のUI/UX」

Artlは、作品のみが自然と流れてくるシンプルなUI/UXを目指しました。アートの世界観を損なわないデザイン思想を紹介します。

作品ファーストとは何か? Artlが設計した“作品を邪魔しないUI”

作品ファーストとは何か? Artlが設計した“作品を邪魔しないUI”

Artlが目指したのは、作品を邪魔しないUIです。トリミングしない設計、過度な世界観を持たないUI、投稿しやすさを両立した思想を紹介します。

今後は、もっと学習が続くアプリへ ゲンゴーの次の改善テーマ

今後は、もっと学習が続くアプリへ ゲンゴーの次の改善テーマ

ゲーミフィケーションやAIによる個別最適化を通じて、より続けやすい学習体験へ。ゲンゴーの次の改善テーマを紹介します。

翻訳とAIは“今”を支え、学習機能は“将来”を支える ゲンゴーの機能分担

翻訳とAIは“今”を支え、学習機能は“将来”を支える ゲンゴーの機能分担

翻訳とAIは現場の今の困ったを助け、学習機能は将来の日本語習得を支える。ゲンゴーにおける機能ごとの役割設計を紹介します。

建設現場の定着課題に向き合う 外国人技能実習生向け日本語学習アプリ「ゲンゴー」を開発した理由

建設現場の定着課題に向き合う 外国人技能実習生向け日本語学習アプリ「ゲンゴー」を開発した理由

建設現場で働く外国人技能実習生の定着課題に向き合い、日本語学習と現場コミュニケーションを支援するアプリ「ゲンゴー」の開発背景を紹介します。

AI OCRとは?紙の書類をデジタル化する仕組み・従来OCRとの違い・活用事例を解説

AI OCRとは?紙の書類をデジタル化する仕組み・従来OCRとの違い・活用事例を解説

請求書や契約書、申込書など、紙の書類を手作業でデータ入力している業務はありませんか?こうした手入力作業は時間がかかるだけでなく、入力ミスの原因にもなります。この課題を解決する技術として注目されているのが「AI OCR」です。この記事では、AI OCRとは何か、従来のOCRとの違い、仕組みやビジネスでの活用事例について、初心者の方にもわかりやすく解説します。

Transformerとは?仕組み・GPTやBERTとの関係・AI開発での重要性をわかりやすく解説

Transformerとは?仕組み・GPTやBERTとの関係・AI開発での重要性をわかりやすく解説

Transformer(トランスフォーマー)とは、2017年にGoogleが発表した深層学習のモデルアーキテクチャで、現在のAI技術の基盤となっている革新的な技術です。ChatGPTのGPT、GoogleのBERT、画像生成AIなど、現代のほぼすべての主要AIモデルがTransformerを基盤としています。

自然言語処理(NLP)とは?仕組み・活用事例・AI開発での重要性をわかりやすく解説

自然言語処理(NLP)とは?仕組み・活用事例・AI開発での重要性をわかりやすく解説

自然言語処理(NLP:Natural Language Processing)とは、人間が日常的に使う言葉(自然言語)をコンピューターに理解・生成させるためのAI技術です。チャットボット、翻訳、文章要約、感情分析など、現代のAIサービスの多くがこの技術を基盤としています。

拡散モデル(Diffusion Model)とは?仕組み・画像生成AIとの関係をわかりやすく解説

拡散モデル(Diffusion Model)とは?仕組み・画像生成AIとの関係をわかりやすく解説

拡散モデル(Diffusion Model)とは、画像にノイズを徐々に加えていくプロセスを逆転させることで、ノイズから高品質な画像を生成するAIモデルです。Stable Diffusion、DALL-E、Midjourneyなど、現在の画像生成AIの多くがこの技術を基盤としています。

AIパイプラインとは?構成要素・構築方法・効率的な運用をわかりやすく解説

AIパイプラインとは?構成要素・構築方法・効率的な運用をわかりやすく解説

AIパイプラインとは、AI開発の一連の処理工程を自動化する仕組みです。データ収集からモデル運用までの流れやMLOpsとの関係をわかりやすく解説します。

AIの学習データとは?種類・収集方法・品質管理のポイントをわかりやすく解説

AIの学習データとは?種類・収集方法・品質管理のポイントをわかりやすく解説

AIの学習データとは、AIモデルがパターンを学ぶために使用するデータセットのことです。学習データの種類や仕組み、ビジネスでの活用方法をわかりやすく解説します。

機械学習とは?仕組み・種類・ビジネス活用をわかりやすく解説

機械学習とは?仕組み・種類・ビジネス活用をわかりやすく解説

機械学習(Machine Learning)とは、コンピューターがデータからパターンやルールを自動的に学習し、予測や判断を行う技術です。AIの中核技術であり、画像認識、レコメンドシステム、不正検知など、さまざまな分野で活用されています。

音声認識AIとは?仕組み・活用事例・ビジネス導入のポイントをわかりやすく解説

音声認識AIとは?仕組み・活用事例・ビジネス導入のポイントをわかりやすく解説

音声認識AIとは、人間の話す言葉をコンピューターが自動的にテキストに変換する技術です。スマートスピーカーや議事録の自動作成、コールセンターの応対分析など、私たちの身の回りで幅広く活用されています。

AIの推論(インファレンス)とは?仕組み・学習との違い・高速化の方法をわかりやすく解説

AIの推論(インファレンス)とは?仕組み・学習との違い・高速化の方法をわかりやすく解説

AIの推論(インファレンス)とは、学習済みモデルが新しいデータに対して予測や判断を行うプロセスです。推論の仕組みやビジネスでの活用方法をわかりやすく解説します。