Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Design: Maquettes et prototypage rapide

Oppitunti 8 / 12 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Design: Maquettes et prototypage rapide
  2. Käyttöliittymämaquetit
  3. Useiden visuaalisten suuntien tutkiminen
  4. Pakkausten prototypointi
  5. Automatisoidut tunnelmatablut (Moodboards)
  6. Johdonmukaiset kuvakesarjat
  7. Maquetin hienosäätö muokkaamalla
  8. Missä tekoälyprototypointi päättyy

Päivitetty 2. marraskuuta 2026 — Kuvamallit. gpt-image-1, malli, jota varten tämä kurssi alun perin kirjoitettiin, lopetettiin 23. lokakuuta 2026. gpt-image-1.5, gpt-image-1-mini ja chatgpt-image-latest poistuvat käytöstä 1. joulukuuta 2026. Esimerkit käyttävät nyt mallia gpt-image-2.5-sunburst, joka tarjoaa korkeimman tarkkuuden muokkaamiseen; gpt-image-2.5-flare on nopeampi tavanomaiseen generointiin. Molemmat mallit tukevat myös laatuasetuksia xhigh ja max. GPT Image -mallit palauttavat kuvat aina base64-muodossa: vanhempien DALL·E-mallien response_format-parametria ei enää hyväksytä, ja se on poistettu koodista. Lähde: Image generation (OpenAI).

Design: Maquettes et prototypage rapide

GPT Image muuttaa suunnitteluvaihetta vähemmän tuotoksensa laadun kuin sen hävittämisen alhaisen kustannuksen kautta. Kolmen visuaalisen suunnan tutkiminen etusivulle vei aiassa päivän suunnittelutyökalussa; nyt se vie vain muutaman minuutin. Tämä antaa sinulle vapauden tutkia kuutta suuntaa ja hylätä viisi epäröimättä. Tämä oppitunti näyttää, miten käytät tätä vapautta sekoittamatta tutkimusta tuotantoon.

Käyttöliittymämaquetit

Generoitu maqueti toimii suunnan valitsemiseen, ei komponenteiksi pilkkomiseen. Kehotteesi on siksi pyrittävä visuaaliseen uskottavuuteen: realistiset käyttöliittymäkomponentit, selkeä typografia, ammattimainen sommittelu, johdonmukainen väripaletti ja määritelmä odotetusta tarkkuustasosta – tässä tapauksessa “korkean tarkkuuden renderöinti Figma/Sketch-tyylissä”. Huomaa, miten funktio valitsee resoluution: 1024×1536 pysty muodossa mobiilille, 1536×1024 vaakasuunnassa työpöydälle. Mobiilinäytön generointi vaakakehykseen tuottaisi maquetin, joka ei näyttäisi lainkaan todelliselta laitteelta.

from openai import OpenAI
import base64

client = OpenAI()

def ui_mockup(description: str, platform: str, output: str):
    """Generate a user interface mockup."""
    prompt = (
        f"UI/UX mockup for {platform}: {description}, "
        "modern and clean design, realistic UI components, "
        "clear typography, professional spacing, "
        "consistent color palette, "
        "high-fidelity render in the style of Figma/Sketch"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536" if platform == "mobile" else "1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"{platform} mockup: {output}")


ui_mockup(
    "analytics dashboard with charts, KPI cards, and navigation sidebar",
    "desktop",
    "dashboard_mockup.png"
)

ui_mockup(
    "fitness tracking app with home screen, statistics, and history",
    "mobile",
    "fitness_app_mockup.png"
)

Useiden visuaalisten suuntien tutkiminen

Projektin alussa kysymys ei ole “mikä maqueti on oikea?”, vaan “mitkä esteettiset perheet ansaitsevat tulla esitellyksi asiakkaalle?” Funktio explore_directions vastaa juuri tähän tarpeeseen pitämällä konseptin vakiona – verkkopohjaisen oppimisalustan etusivu – ja vaihtelemalla vain kahta akselia: taidesuuntausta ja väripalettia. Ehdotetut kolme polkua eivät ole hienovaraisia variaatioita: valkoinen ja laivastonsininen yritysmallisto, violetti ja oranssi moderni värikylläisyys sekä musta ja sähkönsininen premium-tumma tyyli kohdistuvat kolmeen eri brändiasemaan. Juuri tämä kirjo tekee esittelystä hyödyllisen.

from openai import OpenAI
import base64

client = OpenAI()

def explore_directions(concept: str, directions: list[dict], prefix: str):
    """Generate multiple visual directions for the same concept."""
    for i, direction in enumerate(directions):
        prompt = (
            f"{concept}, "
            f"art direction: {direction['style']}, "
            f"palette: {direction['palette']}, "
            "professional high-quality render"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        path = f"{prefix}_direction_{i+1}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Direction {i+1} ({direction['style'][:30]}) → {path}")


explore_directions(
    "Homepage for an online learning platform",
    [
        {
            "style": "corporate minimal, lots of white space",
            "palette": "white, navy blue, light gray"
        },
        {
            "style": "modern and colorful, flat design illustrations",
            "palette": "purple, orange, white"
        },
        {
            "style": "dark and premium, subtle gradients",
            "palette": "black, electric blue, gold"
        },
    ],
    "landing_page"
)

Pakkausten prototypointi

Pakkaussuunnittelu on todennäköisesti ala, jossa hyöty on dramaattisin, koska fyysinen prototyyppi on kallis ja saapuu myöhässä. Tässä kehotteessa erotetaan tahallaan kolme syötettä – tuote, tyyli ja vaaditut elementit – ja määrätään sitten vakioitu lavastus: 3/4-näkymä pinnalla lepäävänä, fotorealistinen renderöinti pehmeillä varjoilla. Kaksi esimerkkiä havainnollistavat sitä kirjoa, jota tämä rakenne hallitsee häikäilemättä: luomuteelle tarkoitettu kraftpaperipussi, jossa on käsinkirjoitettu typografia ja läpinäkyvä ikkuna toisella puolella, sekä valkoinen ja kultainen voidepurkki kultaisin kirjaimin toisella puolella.

from openai import OpenAI
import base64

client = OpenAI()

def packaging_prototype(product: str, style: str, elements: str, output: str):
    """Generate a product packaging prototype."""
    prompt = (
        f"Packaging design for {product}, "
        f"style: {style}, "
        f"elements: {elements}, "
        "3/4 view of packaging resting on a surface, "
        "photorealistic render with soft shadows, "
        "professional design ready for client presentation"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Packaging prototype: {output}")


packaging_prototype(
    "premium organic tea in a kraft bag",
    "natural and artisanal, handwritten typography",
    "tea leaf logo, product name, organic label, transparent window",
    "packaging_tea.png"
)

packaging_prototype(
    "high-end moisturizing cream in a jar",
    "minimalist luxury, white and gold",
    "centered logo, brand name in gold lettering, 50ml capacity",
    "packaging_cream.png"
)

Automatisoidut tunnelmatablut (Moodboards)

Tunnelmataulu välittää intention ennen ratkaisun näyttämistä. Sen sijaan, että rakentaisit taulun käsin kokoamalla referenssejä, kuvailet teeman ja visuaaliset ainesosat ja pyydät sitten epäsymmetristä ruudukkomaisia sommittelua Pinterest-tyylissä. Esimerkki modernista yhteistyötilasta osoittaa hyödyllisen yksityiskohtaisuustason: et vain nimeä paikkaa, vaan luettelet kirkkaan sisustuksen kasveineen, skandinaaviset huonekalut, puu- ja betonitekstuurit, rennon ihmisläsnäolon sekä terrakotan, salviavihreän ja luonnonvalkoisen paletin. Nämä viisi syötettä antavat tulokselle sen yhtenäisyyden.

from openai import OpenAI
import base64

client = OpenAI()

def generate_moodboard(theme: str, elements: list[str], output: str):
    """Generate a visual moodboard for a given theme."""
    elements_str = ", ".join(elements)
    prompt = (
        f"Professional moodboard for the theme \"{theme}\", "
        f"including: {elements_str}, "
        "asymmetric grid composition in the style of Pinterest, "
        "varied photos and textures, consistent palette, "
        "art direction style for agency presentation"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Moodboard: {output}")


generate_moodboard(
    "Modern coworking space",
    [
        "bright interior with plants",
        "Scandinavian design furniture",
        "wood and concrete textures",
        "people working in a relaxed manner",
        "terracotta, sage green, off-white palette"
    ],
    "moodboard_coworking.png"
)

Johdonmukaiset kuvakesarjat

Yksi kuvake on helppo; johdonmukainen sarja on vaikea, koska johdonmukaisuus perustuu yksityiskohtiin, jotka ovat näkymättömiä naiiville kehotteelle. Funktio icon_set tekee niistä eksplisiittisiä: se syöttää teeman ja tyylin uudelleen jokaiselle kuvakkeelle, vaatii läpinäkyvän tai valkoisen taustan, keskitetyn kehyksen, yhtenäisen viivan paksuuden ja neliömäiset mittasuhteet sekä muistuttaa mallia, että kuva kuuluu sarjaan. B2B SaaS -sovelluksen viidelle kuvakkeelle – kojelauta, käyttäjät, asetukset, ilmoitukset, analytiikka – juuri tämä muistutus estää saamasta viittä eri graafista tyyliä. Slug-nimen käyttö varmistaa siistit tiedostonimet käsitellen heittomerkkejä ja välilyöntejä.

from openai import OpenAI
import base64

client = OpenAI()

def icon_set(theme: str, icons: list[str], style: str, output_prefix: str):
    """Generate a consistent set of icons."""
    for icon in icons:
        prompt = (
            f"Single icon representing \"{icon}\", "
            f"theme: {theme}, "
            f"style: {style}, "
            "transparent or white background, centered, "
            "consistent design within an icon set, "
            "uniform stroke weight, square proportions"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        slug = icon.lower().replace(" ", "_").replace("'", "")
        path = f"{output_prefix}_{slug}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Icon {icon} → {path}")


icon_set(
    theme="B2B SaaS application",
    icons=["dashboard", "users", "settings", "notifications", "analytics"],
    style="line art, 2px stroke, navy blue, rounded corners",
    output_prefix="icon"
)

Maquetin hienosäätö muokkaamalla

Koko maquetin uudelleengenerointi yhden alueen korjaamiseksi saa sinut menettämään kaiken, mikä oli jo muualla tyydyttävää. Alla oleva työnkulku etenee eri tavalla: se generoi ensin kokonaisen etusivun projektinhallintasovellukselle ja avaa sitten ikkunan maskiin korkeuden 8 % ja 45 % välille – eli otsikon alapuolelle ja ominaisuuslohkojen yläpuolelle – toistaakseen vain hero-osion. Otsikko, navigointi ja kolme lohkoa pysyvät ehdottomasti identtisinä versioiden v1 ja v2 välillä, mikä tekee vertailusta rehellistä: näet muutoksesi vaikutuksen, etkä mitään muuta.

from openai import OpenAI
from PIL import Image, ImageDraw
import base64

client = OpenAI()

# Step 1: Generate the initial mockup
response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=(
        "Homepage mockup for a project management application, "
        "modern design, header with navigation, hero section with illustration, "
        "3 feature blocks, white background"
    ),
    size="1024x1536",
    quality="high",
)

data = base64.b64decode(response.data[0].b64_json)
with open("mockup_v1.png", "wb") as f:
    f.write(data)
print("Mockup v1 generated")

# Step 2: Modify the hero section via editing
source = Image.open("mockup_v1.png")
w, h = source.size
mask = Image.new("RGBA", (w, h), (0, 0, 0, 255))
draw = ImageDraw.Draw(mask)
# Hero area: upper part (below the header)
draw.rectangle([0, int(h * 0.08), w, int(h * 0.45)], fill=(0, 0, 0, 0))
mask.save("mask_hero.png")

response = client.images.edit(
    model="gpt-image-2.5-sunburst",
    image=open("mockup_v1.png", "rb"),
    mask=open("mask_hero.png", "rb"),
    prompt=(
        "Hero section with a 3D isometric illustration of a kanban board, "
        "title 'Manage Your Projects Simply', blue CTA button, subtle gradient background"
    )
)

with open("mockup_v2.png", "wb") as f:
    f.write(base64.b64decode(response.data[0].b64_json))
print("Mockup v2 with modified hero")

Missä tekoälyprototypointi päättyy

Sinun on oltava selkeä siitä, mikä on tuottamiesi asioiden status. Generoidut maquetit ovat visuaalisia tutkimuksia, eivät tuotantotiedostoja: teksti on hyvin renderöity, mutta voi sisältää pieniä virheitä, komponentit eivät ole vuorovaikutteisia eikä niitä voi viedä Figmaan, ja johdonmukaisuus useiden näyttöjen välillä samassa käyttäjävirrassa ei ole taattu. Suunnittelija, joka vastaanottaa nämä kuvat lopullisena tuotoksena, olisi oikeutettu vastustamaan.

Niiden arvo on muualla, ja se on huomattava: ne palvelevat suunnan validointia ennen lopulliseen suunnitteluun sijoittamista. Kolmen polun valitseminen tunnissa kolmen päivän sijaan, asiakastapaamiseen saapuminen kuvien eikä adjektiivien kanssa, väärän hyvän idean eliminoiminen ennen kuin se kuluttaa viikon tuotantoa – sitä tekoälyprototypointi todella tarjoaa sinulle.

Vakuuttuaksesi tästä, rakenna oma projektin käynnistystyökalusi: skripti, joka generoi briefin pohjalta kolme visuaalista suuntaa etusivulle, niihin liittyvän tunnelmataulun kullekin ja vertailevan HTML-luettelon, jonka avulla voit esitellä ne vierekkäin.