На пути к искусственному интеллекту в архитектуре: как машинное обучение может изменить наш подход к дизайну

Достижения в области искусственного интеллекта и машинного обучения часто воспринимаются как угроза творческому процессу. Но в Foster + Partners группа прикладных исследований и разработок переосмысливает этот образ мышления и использует машинное обучение не для того, чтобы копировать или заменить дизайнеров, а для того, чтобы расширить наши знания, инстинкты и чувствительность, освободить нас от рутинных задач, а также оптимизировать и подтолкнуть границы наших проектов.

Достижения в области искусственного интеллекта и машинного обучения часто воспринимаются как угроза творческому процессу. Но в Foster + Partners группа прикладных исследований и разработок переосмысливает этот образ мышления и использует машинное обучение не для того, чтобы копировать или заменить дизайнеров, а для того, чтобы расширить наши знания, инстинкты и чувствительность, освободить нас от рутинных задач, а также оптимизировать и подтолкнуть границы наших проектов.

Архитектура сегодня — это профессия, требующая разносторонних навыков, требующая различных дисциплин, от структурной инженерии и экологической инженерии до социальных наук и наук о материалах. Компания Foster + Partners имеет долгую историю изучения, адаптации и использования доступных технологий для расширения и улучшения наших возможностей проектирования. В авангарде этого стоит команда прикладных исследований и разработок (ARD), которая недавно исследовала потенциал использования искусственного интеллекта (AI) в творческом процессе.

Как область академических исследований ИИ был основан в 1950-х годах и в широком смысле может быть определен как разработка машин, которые демонстрируют человеческий интеллект и поведение. С момента своего возникновения он стал плодотворной темой для дискуссий, неоднократно попадая в заголовки — как хороших, так и плохих — и закрепляясь в популярной культуре и научной фантастике. К счастью, ИИ продолжил эволюцию, в основном за счет альтруистических инноваций: он может помочь нам понимать человеческую речь и реагировать на нее, выявлять рак груди, разрабатывать роботов и беспилотные автомобили или просто рекомендовать нам фильмы, которые мы хотели бы посмотреть.

В передовой области исследований ARD изучается потенциал этих систем для оказания подлинной помощи при проектировании.

Есть много систем и процессов, которые необходимо усовершенствовать, чтобы точно имитировать человеческий интеллект; Примером может служить подмножество ИИ, известное как машинное обучение, которое ученый-компьютерщик Том Митчелл резюмировал как «исследование компьютерных алгоритмов, которые позволяют компьютерным программам автоматически улучшаться на основе опыта».

В контексте архитектуры и дизайна машинное обучение имеет большой потенциал для более быстрого анализа наших проектов с меньшими затратами. Команда ARD изучает два способа включения его в процесс проектирования, а также некоторые потенциально более революционные приложения.

Английский математик и пионер информатики Алан Тьюринг за компьютером Ferranti Mark 1 в Манчестерском университете в 1951 году. Самая ранняя успешная программа искусственного интеллекта была написана Кристофером Стрэчи для игры в шашки или шашки и работала на Ferranti Mark I. . Предоставлено библиотекой изображений «Наука и общество» / Getty Images.

Первый известен как суррогатное моделирование; прямая замена аналитическому инженерному моделированию (например, деформация конструкций, солнечное излучение, движение пешеходов), для выполнения которых требуются драгоценные часы или даже дни.

Сегодня многие архитектурные проекты обладают огромным масштабом и сложностью, типичными для которых является широкий спектр пересекающихся знаний и технологий. Чтобы помочь в этой диверсифицированной области, машинное обучение может позволить нам решать проблемы и обнаруживать закономерности, исторически зависящие от сложных аналитических симуляций и программ. Оптимизация дизайна на основе их выводов была практически невозможна из-за затрат времени и усилий, что подрывает преимущества, которые могут дать эти инструменты.

Демонстрируя сложность и передовой характер профессии архитектора, сотрудники Foster + Partners специализируются в необычайно широком спектре дисциплин. Наши сотрудники обладают более чем 200 квалификациями и включают в себя аэрокосмических инженеров, компьютерных ученых, художников-геймеров, социологов, геологов и художников. © Найджел Янг / Foster + Partners

Чтобы решить эту проблему, нам нужно предоставить дизайнерам результаты почти в реальном времени. По этой причине команда ARD исследовала суррогатные модели, в которых «более дешевая» прогнозная модель строится на основе ряда разумно выбранных результатов моделирования. Затем разработчик может получить результаты аппроксимации имитационной модели суррогатной моделью в реальном времени, что достаточно для того, чтобы он мог быстро принять решение.

Вторую — и более передовую — область исследований машинного обучения ARD мы называем моделированием «помощь при проектировании», и потенциал этих систем заключается в том, чтобы работать вместе с интуицией дизайнеров в творческом процессе.

Мы называем это моделированием при помощи проектирования, потому что оно помогает упростить архитектурные процессы, для которых у нас не обязательно есть аналитический ответ — ответ, который может быть получен из моделирования. Это может быть, например, оптимальная пространственная компоновка мебели в пространстве или предоставление дизайнерам помощи в управлении документами в режиме реального времени во время работы.

Машинное обучение: искусственные нейронные сети

Как и в большинстве научных исследований, существует множество подходов к задаче программирования машины для обучения. Одно из самых популярных направлений — использование искусственных нейронных сетей. Эти сети слабо основаны на нейронах и синапсах нашего мозга и на том, как они взаимодействуют. Они содержат от миллионов до миллиардов искусственных нейронов, которые работают и развиваются — в очень общих чертах — как человеческий разум: принимают данные в качестве входных данных, обрабатывают их через сеть нейронов и выдают ответ. Обработка данных вначале бесполезна, и результаты далеки от желаемых, но через процесс обратной связи устанавливается цикл обучения и начинаются улучшения.

Пути нервных волокон — длинные тонкие выступы нервных клеток, также известные как нейроны, соединяются в головном мозге молодого человека. Это трактографическое изображение было создано с помощью магнитно-резонансной томографии (МРТ) в Институте когнитивных исследований человека и мозга им. Макса Планка. 
© Альфред Авандер. 
CC-BY

Представьте, например, что ребенок учится балансировать ручкой на пальце, чувствуя, как распределяется вес ручки, когда он пытается уравновесить ее. Неудивительно, что вначале она будет падать — много, — но каждый раз, когда ручка падает, ребенок приближается к определению идеальной точки равновесия. 

Однако, когда ребенку дают новую ручку другой формы, точные правила, установленные для предыдущей ручки, скорее всего, больше не будут применяться. Итак, чтобы научиться балансировать любое перо (и стать экспертом в области балансировки перьев), следующий логический шаг — попытаться использовать сотни, если не тысячи, больше. Полученный опыт позволяет человеку сделать вывод — подсознательно анализируя такие факторы, как форма, профиль и поперечное сечение, — как распределяется вес новой ручки и ее идеальная точка балансировки. Качество наших предположений будет во многом зависеть от количества и качества наших данных и обучения. В случае с нашим примером с ребенком, такого рода обучение происходит естественным образом в течение детства, когда мы подбираем и взаимодействуем со всеми видами предметов. Соответственно, в терминах машинного обучения это называется фазой «обучения».

А теперь представьте, что мы хотим, чтобы робот выполнял за нас ту же задачу. Нам нужно будет собрать данные о разных ручках — их длине, поперечном сечении и распределении веса — а затем проверить оптимальную точку балансировки. Далее мы напишем процедуру, которая дает явные условные инструкции роботу, вручную кодируя информацию о перьях, которые мы исследовали. Программа будет долгой, но в конце, имея ручку из тех, что мы собрали, наш робот потенциально может сбалансировать ее на пальце.

Но что произойдет, если мы захотим использовать ручку из-за пределов нашего первоначального исследования или, может быть, кисть? Поскольку нам пришлось явно определить точку балансировки (вывод) для каждого возможного пера в нашем обзоре (ввод), нам пришлось бы переписывать или расширять код для каждого нового объекта. Это не всегда возможно и, конечно, неэффективно.

Искусственная нейронная сеть избегает этой ситуации, проходя собственный этап обучения — процесс обучения методом проб и ошибок. После обучения робот должен уметь выполнять задачу самостоятельно, без необходимости давать четкие и исчерпывающие инструкции. Более того, если обучение будет успешным, сеть даже будет обобщать, и робот сможет сбалансировать любой объект со свойствами, аналогичными свойствам пера. Он научится делать выводы — как ребенок — как это делать; это называется фазой вывода.

Машинное обучение в архитектуре

В архитектуре есть множество задач, для которых искусственные нейронные сети могут оказаться полезными. На самом базовом уровне это может быть классификация дизайна на основе его типологии.

Допустим, мы хотели распознать и классифицировать палладианские виллы на основе набора изображений. С помощью машинного обучения мы могли быстро определить, удовлетворяет ли каждое изображение всем критериям для данной типологии здания. Для этого мы скармливаем сети тысячи изображений вилл, рассказывая, какие из них представляют архитектуру Палладио. После обучения на этих данных система может с высокой точностью «сделать вывод», является ли какое-либо изображение здания, представленное ей, подлинным дизайном в палладианском стиле.

Что делает машинное обучение особенно эффективным в этом случае, так это то, что мы не определили явно, каковы характеристики палладианской виллы; система во время обучения самостоятельно определяет эти черты.

Вилла Ла Ротонда в стиле ренессанс, построенная итальянским архитектором Андреа Палладио после его смерти в 1580 году, находилась на вершине холма за пределами Виченцы на севере Италии. Дизайн Палладио явно вдохновлен римской архитектурой, но уникально отличим благодаря его выбору классических архитектурных элементов и их новаторской сборке. © Zairon CC BY-SA 4.0

Однако, несмотря на заметные преимущества, пример виллы Палладио может лишь продемонстрировать потенциал машинного обучения для помощи в творческом процессе. Что делает машинное обучение интересным, так это его способность эффективно отвечать на «творческий» вопрос, на который нет объективно правильного ответа. Типология палладианских вилл, основанная на конечном числе построенных примеров, может быть определена с помощью описания фиксированных архитектурных правил. Мы задавали системе вопрос, на который уже могли найти точный ответ (правда, за счет затрат времени и труда).

Что, если бы мы хотели, чтобы наша система отражала более субъективные, неуловимые или непредсказуемые качества архитектуры? Мы можем знать, каковы определяющие характеристики палладианской виллы, но можем ли мы универсально определить все характеристики, например, успешной общественной площади? Если мы обучим систему машинного обучения с набором тысяч общественных пространств и укажем на успешные из них (гораздо проще определить уже успешное общественное пространство, чем всесторонне определить, что именно делает его таковым), эта система Затем можно было бы поручить создание других пространств со схожими чертами.

Наборы архитектурных данных богаты, сложны и часто производятся в большом количестве. Они могут предоставить огромное количество бесценной информации и идеально подходят для обучения систем искусственного интеллекта.

Во многих случаях этот процесс обучения дает неоценимые результаты: в новые пространства будут встроены характеристики и корреляции, которые могут быть слишком неясными или сложными для пользователя, чтобы сделать вывод, сформулировать и закодировать самостоятельно. Стоит отметить, что одним из недостатков этих систем является то, что мы не можем опросить машину об указанных характеристиках, несмотря на то, что они обычно включены, мы можем только просмотреть ее результаты.

Данные: исходные и синтезированные

В машинном обучении входные данные являются ключом: успех системы зависит только от объема и качества данных, которые мы можем предоставить. В нашем примере с общественным пространством очевидно, что чем больше примеров хорошего общественного пространства мы предоставим, тем более полезными будут результаты.

К счастью, наборы архитектурных данных богаты, сложны и часто производятся в больших количествах; они могут предоставить огромное количество бесценной информации и идеально подходят для обучения систем искусственного интеллекта.

В архиве Foster + Partners хранятся все многие тысячи ценных рисунков, моделей, слайдов и фотографий студии, публикации, награды и другие связанные с практикой эфемеры. Один только наш сервер оцифрованных изображений содержит более 600 000 файлов — это показатель масштабов проблемы данных, стоящей перед командой ARD. © Найджел Янг / Foster + Partners

Данные необходимы как для суррогатных моделей, так и для моделей помощи при проектировании. Как правило, мы можем работать с двумя типами данных: исходными или синтезированными. В Foster + Partners исходные данные существуют в виде нашего архива чертежей, моделей, эскизов, деталей и т. Д., Созданных за более чем пятидесятилетний период существования практики. С другой стороны, синтезированные данные автоматически генерируются с помощью системы генеративного дизайна. Примеры таких наборов данных, которые мы использовали во время нашего исследования, обсуждаются ниже.

В настоящее время каждый тип данных представляет свои проблемы. Например, для исходных данных может потребоваться время, чтобы просеять десятилетия работы в цифровом архиве в различных форматах файлов, созданной тысячами сотрудников для тысяч различных проектов, чтобы определить данные, которые будут применимы к нашей задаче. Хотя синтезированные данные также не всегда могут быть вариантом, поскольку создание генеративных моделей с большим объемом необходимой информации может оказаться практически невыполнимой задачей.

Самодеформирующиеся фасады: имитация термоактивных ламинатов.

В 2017 году команда ARD сотрудничала с программной компанией Autodesk в рамках исследовательского проекта, основанного на последних достижениях в области материаловедения. Умные, пассивно активируемые материалы — материалы, которые могут изменять свою форму без какой-либо помощи внешних механических сил — реагируют как живые организмы, приспосабливаясь к изменениям в своей физической среде, таким как температура, свет или даже влажность. Команда считает, что в будущем у них может быть большой архитектурный потенциал.

Адаптивный фасад с пассивным управлением, например, может не иметь каких-либо механических устройств затенения, таких как жалюзи с электроприводом, а скорее самодеформируется в условиях внешнего освещения — например, расширяющаяся радужная оболочка глаза — для обеспечения затенения, предотвращения перегрева или увеличения Конфиденциальность.

Это может быть достигнуто путем смешивания рисунков термоактивных материалов вокруг пассивных ламинатов (многослойных материалов), где возникает разница в скоростях расширения и сжатия. Эта разница, если ее тщательно продумать, может привести к определенным деформациям, которые архитекторы и дизайнеры могут контролировать и использовать.

Кадры из видео, демонстрирующего начальные физические эксперименты с термоактивными ламинатами; образцы с разным рисунком наслоения деформируются при прямом нагревании. © Foster + Partners / Autodesk

Команду интересовала морфологическая деформация материала: контролируемый переход из начального состояния в конечное и обратно. Однако существует нелинейная зависимость между внутренними силами ламината и их перемещениями. Это противоположно более распространенному линейному анализу, в котором влияние настройки входных параметров на выходные данные предсказуемо. Например, консольная балка известных размеров и материала всегда будет деформироваться одинаково под действием определенной постоянной силы. Но во время землетрясения он будет деформироваться нелинейным образом. В результате нелинейный анализ требует сложной и трудоемкой стратегии моделирования.

В нашем исследовании каждый ламинат имел начальное недеформированное состояние («полностью открытый» фасад в примере с адаптивным затенением) и целевую деформацию («полностью закрытый» фасад). Однако, столкнувшись с нелинейной проблемой, трудно предсказать, как различные параметры, такие как рисунок термоактивного материала на ламинатах, повлияют на результирующую деформацию при заданной температуре.

Адаптивный, пассивно активируемый фасад… будет самодеформироваться в условиях внешнего освещения — например, расширяющаяся радужная оболочка глаза — для обеспечения затемнения, предотвращения перегрева или повышения конфиденциальности

Один из способов решения этой проблемы — многократное изменение слоев ламината и анализ результатов в надежде, что эти изменения будут стабильно давать результаты, близкие к целевой деформации. Однако, учитывая сложность нелинейного моделирования, этот метод проб и ошибок может занять очень много времени. Итак, мы решили использовать машинное обучение для построения суррогатной модели.

Прежде чем система могла начать свое «обучение», Foster + Partners и Autodesk должны были произвести достаточно синтезированных данных, на которых можно было бы учиться. Мы разработали параметрическую модель, которая позволила создать сотни ламинатов и смоделировать их деформацию. Этот процесс выполнялся параллельно и распределялся (с использованием нашего собственного программного обеспечения под названием Hydra , которое создает и анализирует данные в десятки раз быстрее, чем коммерческое программное обеспечение для моделирования) на нашем компьютерном кластере. Впоследствии мы взяли этот набор данных (деформации, полученные из начальных состояний) и передали его в две искусственные нейронные сети, конкурирующие друг с другом.

Левая пара изображений показывает 
 ламинат в исходном состоянии (вверху), который затем кодируется в полутоновое изображение (внизу). 
Правая пара показывает тот же ламинат в деформированном состоянии (после выполнения нелинейного структурного анализа) и его кодирование на карту глубины. 
Разные цвета показывают, насколько деформировалась каждая часть ламината. 
© Foster + Partners / Autodesk
Эти изображения показывают, как система научилась предсказывать правильную структуру слоев материала, которая будет создавать каждую желаемую карту глубины (или материал в его деформированном состоянии). Левый столбец показывает необходимые карты глубины, которые были представлены системе, а крайний правый столбец — требуемое целевое разбиение на слои. В промежутках мы видим, как система движется к цели. © Foster + Partners / Autodesk

В этом случае вместо того, чтобы предоставлять одной нейронной сети данные, такие как ручки, и обучать их балансировать, мы просим две сети учиться и улучшать друг друга. В нашем примере одна сеть будет учителем — «балансиром пера», у которого есть данные как о перьях, так и о точках балансировки, и «обучает» другую сеть разрабатывать новые перья, которые балансируют с определенной точки по своему выбору. По мере того, как обучение последней сети прогрессирует, она все лучше умеет создавать ручки, которые могут балансировать, где бы они ни были. В то же время сеть учителей также улучшается и лучше понимает физику, лежащую в основе балансировки ручек. Этот процесс называется состязательным обучением, и в конечном итоге пара достигает равновесия, при котором обе сети больше не могут улучшаться.

[Наш] рабочий процесс не только полностью бросает вызов способу создания этих ламинатов, но и предлагает методологию, которая сокращает дорогостоящую и трудоемкую фазу прототипирования материала.

В нашем исследовании мы обучили эту систему, известную как генеративная состязательная сеть (GAN), на деформированных ламинатах («входах») и структуре этих ламинатов, необходимых для того, чтобы вызвать определенную деформацию («выходы»). После обучения система машинного обучения смогла создать точное наслоение ламината для известного результата деформации за миллисекунды.

Сравнение между произвольно спроектированным ламинатом в заданном деформированном состоянии (ниже) и результатом первоначального нелинейного анализа начального состояния ламината (вверху), как было предсказано на основе заданной деформации. 
Эти две деформации не идентичны, но достаточно близки, чтобы доказать эффективность этого подхода и способность системы к обобщениям. 
© Foster + Partners / Autodesk

Результат позволил исследовательской группе создать прототип простого, но нового приложения, в котором дизайнер мог бы спроектировать ламинат в целевом деформированном состоянии — например, полностью затененный фасад — и получить необходимые образцы вырезов, которые позволили бы получить такой результат.

Это решило обратную проблему, с которой мы начали: вместо того, чтобы дизайнер неоднократно настраивал ламинаты для получения приемлемого деформированного состояния, система позволяет дизайнеру сначала представить выходное деформированное состояние, а затем представить требуемый образец материала. Мы эффективно используем исходную суррогатную модель машинного обучения в качестве вспомогательной для проектирования.

Материал с желаемым деформированным состоянием (слева) вводится в обученную нейронную сеть (в центре), и система обеспечивает необходимый шаблон вырезки материала (справа). 
Это противоположно тому, как изначально задумывалась задача, где диаграмма показывает, как решается обратная задача после завершения обучения. 
© Foster + Partners / Autodesk

Этот рабочий процесс не только полностью бросает вызов способу проектирования этих ламинатов, но и предлагает методологию, которая сокращает дорогостоящую и трудоемкую фазу прототипирования материала, открывая потенциал для его практического включения в передовую и устойчивую книгу образцов материалов архитекторов.

Анализ плана этажа в реальном времени: пространственная и визуальная связь

Пространственная и визуальная связь (или анализ визуального графа) — это два различных показателя, которые мы используем для оценки эффективности плана этажа. В офисе, например, они полезны для понимания того, насколько хорошо панель пола работает с точки зрения визуальной навигации, доступности для пешеходов, баланса личных офисов и общих пространств, а также поощрения случайного сотрудничества. Однако выполнение этих двух анализов для крупномасштабных планов этажей может занять много времени.

Команда ARD хотела значительно сократить этот рабочий процесс до работы в режиме, близком к реальному времени , чтобы сделать анализ доступным и интуитивно понятным для дизайнеров во время — а не после — процесса проектирования.

Раньше мы использовали самые современные алгоритмы и методы распараллеливания, чтобы сократить время анализа до нескольких минут, но это было далеко не в реальном времени. Итак, мы исследовали использование машинного обучения и обучения суррогатной модели для имитации результатов анализа.

Подобно исследованию ламината, команда разработала параметрическую модель, способную генерировать базовые планы этажей офиса, которые включают открытые и разделенные на секции рабочие пространства, а также стены, двери и мебель. Эта генеративная параметрическая модель создала синтетический набор данных из тысяч планов этажей. Затем, используя Hydra, мы провели пространственный и визуальный анализ этих синтетических планов.

Результатом стал набор из тысяч случайных планов этажей (наши входные данные), каждый с соответствующим набором результатов визуального и пространственного анализа (выходы). Эти данные затем можно использовать для обучения системы машинного обучения, чтобы предоставить нам анализ пространственной и визуальной связности любого заданного плана этажа без необходимости запуска моделирования.

Верхний ряд изображений показывает образец выходных данных плана этажа из параметрической модели, показывая три разделенных (слева) и три открытых рабочих пространства (справа). 
В средней строке визуализируются результаты анализа пространственной связи на этих планах этажей, а в нижней строке — визуальный анализ связности. 
© Foster + Partners

В рамках «обучения» системы она постоянно пытается улучшить себя, сравнивая результаты, которые она создает, с теми, которые ей были предоставлены. Его результаты вначале ужасно неточны. Но со временем и по мере того, как искусственная нейронная сеть учится на основе обратной связи, она начинает исправлять свои ошибки, и ее ответы становятся все ближе к правильным. В конце концов, модель находит свой собственный «рецепт» для сопоставления от входа (план этажа) к выходу (план этажа с правильным анализом пространственной и визуальной связности) — и это не рецепт, который мы предоставили. Затем система может анализировать новые планы этажей на основе завершенного анализа тысяч примеров, обучаясь снова и снова методом проб и ошибок.

Серия фотографий, показывающих анализ плана этажа модели. 
В каждом кадре левый план этажа показывает правильные (и заранее известные) результаты анализа связности на этом плане. 
В то время как центральная анимация (показывающая тот же план этажа) — это неуклонно улучшающиеся прогнозы модели этого анализа по мере ее обучения. 
К концу анимации (внизу справа) она соответствует правильному анализу, показанному на левом плане. 
Правый план показывает разницу между ними, темнея по мере приближения прогноза модели к реальности. 
© Foster + Partners

После того, как модель машинного обучения завершит обучение, ее можно использовать для пространственного и визуального анализа любого плана этажа архитектора, что позволит получить результаты менее чем за 0,03 секунды. Обладая таким мощным инструментом, дизайнер теперь может видеть эффективность изменения расположения офиса на экране во время корректировки.

Модели помощи при проектировании: взгляд в будущее

Последние исследования группы ARD в основном нацелены на модели помощи в проектировании. Команда изучает преимущества, которые машинное обучение может мгновенно предложить архитекторам в процессе проектирования. Для этого мы пытаемся выявить интересные проектные проблемы без аналитических решений, для которых у нас достаточно исходных данных, чтобы обучить нашу систему.

Одна из таких проблем — это расстановка мебели. В то время как, как мы видели, план этажа офиса можно анализировать и оценивать на основе результатов его визуальной и пространственной взаимосвязи, заданная конфигурация мебели для жилого или офисного здания — как пример анализа удачных общественных пространств — более субъективна; у него нет набора формальных и объективных условий, по которым о нем можно было бы судить.

Итак, как мы можем обучить систему машинного обучения знать, какой может быть желательная или даже оптимальная компоновка жилой мебели? Это требует, чтобы система имитировала не только технические знания и опыт дизайнера, но и их интуицию.

Подходя к этой задаче как к инициативе машинного обучения, сначала требуется исходный набор данных; тысячи «хороших» расстановок мебели, которые могут помочь в обучении нашей системы. Как именно эти данные собираются, стандартизируются, маркируются и дополняются — сложная задача, над которой сейчас работает команда. Построение этого конвейера машинного обучения в конечном итоге позволит системе вносить предложения по потенциальным макетам в режиме реального времени с учетом начальной конфигурации плиты пола.

Это всего лишь один пример из множества моделей помощи при проектировании, над которыми работает команда ARD. Основная цель состоит не в том, чтобы копировать или заменить дизайнеров, а в том, чтобы использовать возможности машинного обучения, чтобы помочь в творческом процессе, улучшить наши знания, инстинкты и чувствительность, освободить нас от рутинных задач и помочь нам развить нашу интуицию в отношении корреляций. которые не сразу очевидны или измеримы. Новые технологии, когда рассматриваются не как угроза, а как возможность, позволяют нам исследовать новые идеи, повышать творческий потенциал, а также постоянно оптимизировать и расширять границы наших проектов.

Соавторы Autodesk:

Панайотис Михалатос

Амира Абдель-Рахман

Редакторы: Том Райт и Хиба Алобайди

Добавить комментарий

Ваш адрес email не будет опубликован.

Капча загружается...

 

 / 

Войти

Отправить Сообщение

Избранное