Konference Architecs for Innovation – zpráva Pavla Martinka
V listopadu proběhla v Bruselu konference o umělé inteligenci architektuře, která vznikla v rámci pracovní skupiny Practice committee. Podíleli se na ní zejména Pavel Martinek a Diego Zoppi.
Koncept konference se připravoval během uplynulého roku, kdy proběhla řada setkání s experty v oboru. Na konferenci bude navazovat, grantem podpořený, výzkum. Program se skládal ze čtyř základních okruhů – urbanismus, praxe architekta, kreativita a otázky regulace. Konferencí provázela uznávaná německá novinářka Gry Hasselbalch, která má za sebou na téma AI řadu vlastních publikací a její moderování diskuse bylo samo o sobě hodnotným příspěvkem k problematice.
Vlastní téma AI vzniklo ze zájmu podnítit diskuzi o budoucnosti digitalizace v architektuře z jiného pohledu, než představuje BIM. AI technologie je současnou realitou, jsou však na ní architekti připraveni? Výběr nejzajímavějších příspěvků, Julii Angwin, Daniala Bolojana, Mathiase del Campa a Andreewa Van de Moera se na tuhle otázku pokusí nabídnout odpověď.
Podrobněji, včetně přednášky také českých mluvčích – Jiřího Vítka a Josefa Musila, se budeme věnovat v příštím čísle Bulletinu.
Julia Angwin
Úvodem konference vystoupila jako keynote speaker známá americká novinářka Julia Angwin. Na téma AI a dopadu big data na společnost vydala řadu publikací, je reportérkou Wall Street Journal a nositelkou Pulitzerovy ceny. Na počátku kariery byla sama úspěšnou programátorkou. Svůj příspěvek zaměřila na téma predikce a problematiky tendenčně postavených algoritmů pracujících s big data. Jako příklad uvedla svou investigativní práci vycházející z reálného problému v USA, kde se používá software pro predikci zločinnosti a hodnocení formou dotazníku již jednou odsouzených, osob, z čehož vychází neobjektivním hodnocením podstatně hůře občané tmavé pleti. Poukazuje tak na důležitost toho, jak počítače učíme, neboť ze špatně nastavených vstupu nemůžeme dostat správné výstupy. Mimo tzv. „crime software“ uvedla také příklady ze špatně nastaveného „labellingu“ objektů v rámci datasetů, kde programátoři v rámci své přirozenosti naučili rozpoznávat počítače některé věci lépe než jiné (jako příklad, jak takový „labeling“ dnes funguje, uvedla stránku https://huggingface.co)
Závěrem zdůraznila tezi, ke které se následně odvolávala řada dalších mluvčích konference, že počítače pracují s minulostí, kterou různým způsobem reinterpretují. Oproti nim je to právě člověk, který je schopen nové vize.
Daniel Bolojan
Key note speakerem druhé časti konference byl Daniel Bolojan, freelance studia Nonstadard, pracující také na projektu Deep Himmelbau. Ve své přednášce nabídl podrobný vhled do otázky kreativity člověka a stroje, který vycházel z řady odkazů na teoretiky architekty nebo kybernetiky.
Lidská versus strojová kreativita:
Zatímco u lidské kreativity rozpoznáváme tři typy – kombinační, objevující, a transformační (Margaret Boden 2004), u strojů se v pravém smyslu o kreativitě mluvit nedá a spíše rozlišujeme práci s daty na principu interpolace (nacházení vzorců v rámci mapy vložených dat) nebo extrapolace (dnes nejvyšší úroveň schopná nalézat souvztažnost mimo vlastní mapu datasetu). Invenční přístup je zatím mimo schopnosti strojů, pro které je stále nemožné pracovat s pojmy abstrakce, konceptu, analogie a představivosti.
Princip strojového zpracování je možno rozdělit na dva základní typy – expertní a učící (learning). U expertních systémů se pracuje s předprogramovaným zpracováním dat, v současnosti je představují běžné nástroje jako Revit, Blender, Maya, Rhino atd. Vedle toho learning systémy umí generalizovat, tj. nacházet různé scénáře řešení pro jeden problém, který odvozují z hrubých dat. (Stylagan2, Autoencode, Difussion model etc.). Hlavní výhodou generalizace je schopnost najít na počátku zcela netušená, nová řešení a aplikace.
Platí přitom tato souvztažnost:
Expertní systém: vstupy + pravidlo = výsledek
Řízený learning: vstupy + výsledky = pravidlo
Neřízený learning: vstupy odp. pravidlo
Působivé, přitom mělké
V této časti přednášky se Bolojan zaměřuje na extrapolační systémy a jejich schopností s významovým chápáním. Za působivými vizualizacemi domu počítač postrádá informaci co dům vlastně je. Chápání slova, jazyka, obrázku, vztah mezi skicou a AI modelem je stále velmi slabý. Algoritmy pracují například s VIT sítěmi (visual identifier) na základě kterých interpretují původní předlohu. Pokusem multiplikovaně použité VIT se například ukázala určitá náchylnost sítě k interpretaci spíše uměleckého obrázku než architektonického díla. Konkrétně to například znamená, že ze skenovaného půdorysu počítač generuje modely s řadou logických dispozičních chyb, jelikož nerozumí pojmům jako ložnice, chody atd. To je důležité místo spolupráce s člověkem. Bolojan zde připomíná teorii Garyho Kasparova podle kterého „slabý lidský hráč s dobrým počítačem je lepší než skvělý počítač samotný a mnohem lepší než silný hráč se slabým počítačem“
Federated learning
Rozdíl mezi interpolačním a extrapolačním systémem ukazuje na svém projektu projektu Gaudi Neural networks. Zatím co interpolační systém nepřekračuje hranici „historických dat“, extrapolační systém se pokouší využít geometrii načtenou z Gaudího díla někam dál a pomocí tzv federated learning systému, ji rozvíjet. Federated learning je nástroj, kdy jeden hlavní AI model může být využíván nezávisle řadou dalších zařízení a rovněž tak nazávisle „trénován“. Zde vidí Bolojan také budoucnost dalšího vývoje, kdy stejně jako je dnes běžné pracovat v grafice s dostupnými knihovnami obrázků a fontů, bude tak v architektuře možno pracovat s daty AI vzájemně interaktivních modelu a datasetů.
Andrew Van de Moere, Professor, KU Leuven, Belgie
Do roku 2015 nepovažoval strojovou „kreativitu“ za konkurenci architektů. Poslední roky, s rozvojem „trénování modelů“ se situace mění. Každým rokem dochází ke zlepšení, probíhají pravidelné soutěže vývojářů o smysluplnější generování dispozic a dalších elementů architektury. Z pohledu designu vznikají datasety naplněné historickými „vzory“ dovolující volně pracovat s velmi kreativním a ornamentálním designem, který by jinak architekt byl sám stěží schopen vymodelovat. Spolu s 3d tiskem je to trend jdoucí proti současnému minimalismu a nabízí skutečně zásadně jiné možnosti.
Vedle této vyšší úrovně výstupů „trénovaných modelů“ musí architekti počítat s užitím chytrých technologií na běžné komerční úrovni, kdy už dnes je možné na základě fotografie dodat klientovi vygenerovaný interiér či zahradu v požadovaném stylu, a to bez jakékoliv ambice na kvalitu designu.
Do budoucna, podobně jako Bolojan, vidí vývoj v propojení a sdílení datasetů (nebo AI modelů), které jsou jakýmsi genetickým kódem architektury, s kterým bude architekt pracovat.
Mathias El Campo - University of Michigan – SPAN
Autor rakouského pavilonu Shangai EXPO
Moto : Proč používat AI – lepši naučit stroje se učit než je ty věci nechat dělat
Příklad prvních robotických autolinek – spousta robotů na každý úkon, nutná změna stroje při změně modelu. Současný přístup – naučme roboty, jak se svařuje a rozšíříme jejich schopnosti na všechny modely.
Matias prezentoval svou techniku, jak pracuje s datasety vytvořené z reálných předloh. Jedná se o tzv. difuse modely, kterými získává inspirativní podklad pro další práci. Jeho databáze obsahuje miliardy různých architektonických elementu či celých budov, které následně převádí do randomizovaně rozpixelovanéch obrázků. Zpětným procesem potom počítač vygeneruje z rozpixelovaných obrázků design podle daného požadavku. Při velmi konkrétních zadáních (výzvách) jako „navrhni dům jako Mies van der Rohe“, byl počítač velmi věrohodný. Další úkoly jako „opera house“ např. vytvořil inspirativní, avšak nefunkční schémata atd. Pole experimentu je v takovém případě nekonečné. El Campo prezentoval například projekt, kde požadavkem klienta měla být současná vila s historickým designem.
Celá zpráva včetně obrázků ke stažení zde.