Inteligencia Artificial en el Crowdsourcing

por

La Inteligencia Artificial en el Crowdsourcing

Inteligencia Artificial de crowdsourcing

¿Qué es la IA de crowdsourcing? El crowdsourcing es un enfoque de la mano de obra que agrega información o aportaciones a una tarea o proyecto utilizando los servicios de un gran número de personas a través de Internet. La mano de obra de crowdsourcing puede ser remunerada o voluntaria, según el proyecto.

Para saber más

La Inteligencia Artificial en el Diseño por Crowdsourcing

En 1983, el presidente francés François Mitterrand convocó un concurso internacional para la Ópera Bastilla de París como parte de su programa de construcción monumental conocido como Grands Travaux. El concurso recibió 756 propuestas y el jurado evaluó un tramo de 3 km de hojas de dibujo. Aunque cabría preguntarse cómo puede evaluarse de forma justa una suma tan grande de propuestas de diseño, lo cierto es que a lo largo de la historia, los edificios seminales se adquirieron a menudo a través de concursos: desde la Acrópolis de Atenas hasta las catedrales de la Edad Media, pasando por el Duomo del Renacimiento. Sólo en Inglaterra se celebraron 2.500 concursos en el siglo XIX. Hoy en día, la mayoría de los países europeos exigen el uso de concursos para obtener el diseño de edificios públicos. Con la llegada de Internet y la World Wide Web, y las plataformas de crowdsourcing en línea como Arcbazar.com (Arcbazar), incluso los proyectos a menor escala, por ejemplo, cuartos de baño y salas de estar, pueden utilizar el protocolo de los concursos justos para obtener diversas soluciones de diseño. En este capítulo, hablamos brevemente del modelo de «concursos», discutimos su traducción en plataformas de crowdsourcing en línea, exploramos la integración de la inteligencia artificial (IA) en los procesos de crowdsourcing y demostramos cómo la IA -en particular, el aprendizaje profundo- puede utilizarse para producir diseños conceptuales que compitan potencialmente en futuros proyectos de crowdsourcing.

Concursos

Los concursos son una forma popular de adquirir soluciones de diseño, porque la arquitectura se basa en la lógica del razonamiento abductivo (Steinfeld, 2017). Es decir, el espacio de soluciones en el diseño no está tan claramente delineado como en la ingeniería. Los diseñadores no buscan una única respuesta correcta, sino que intentan resolver el problema con una solución única, original e idiosincrásica. Por muy bueno que sea un diseño, siempre hay margen para una solución mejor. En otras palabras, el diseño puede iterarse indefinidamente. Por ello, los concursos se han utilizado a lo largo de la historia para generar opciones de diseño entre las que comparar, contrastar y elegir.

Sin embargo, puede resultar sorprendente que los arquitectos se presenten a concursos, ya que la probabilidad de ganar y convertir una idea en ladrillo mediante este protocolo suele ser inferior al 1%. Así, Louis Kahn sostenía que los concursos son una ofrenda gratuita de los arquitectos a la comunidad en general, porque la mayoría de los proyectos nunca llegan a construirse y los arquitectos no cobran. Y, no sólo en la arquitectura, sino también en otros campos como el desarrollo de software de código abierto, los ingenieros trabajan a menudo de forma gratuita en un determinado conjunto de problemas por el bien del público en general. Obtienen satisfacción si un usuario descarga su software, y obtienen cierta fama en la comunidad si su uso se generaliza. Más recientemente, con la llegada de los big data, un modelo de competición más explícito ha calado en el software, gracias a acontecimientos muy publicitados como el premio Netflix en 2006 y una plétora de concursos Kaggle.

Del mismo modo, para la mayoría de los arquitectos el diseño es una pasión, lo que puede explicarse mediante el concepto de impulsos o pulsiones de la psicología motivacional. Adolf Loos afirmaba que cualquier acto creativo sirve a la sublimación de los impulsos del creador y, por tanto, desempeña funciones más allá de su propuesta de valor aparente (Gleiter, 2008). El argumento de Loos, que originalmente se esgrimió contra el ornamento en la arquitectura modernista, también puede explicar por qué los diseñadores participan en los concursos de diseño: Los concursos ofrecen campos de batalla para que los «actos creativos» destaquen.

De hecho, muchos arquitectos hicieron grandes avances en sus carreras y establecieron su propio nombre gracias a los concursos. Por ejemplo, el arquitecto alemán Gunther Behnisch, que ganó el prestigioso concurso para el Parque Olímpico de Múnich en 1968, participó en más de 800 concursos a lo largo de su carrera. Farshid Moussavi, reconocido arquitecto contemporáneo, participó en más de 200 concursos, y valora los concursos por generar «saltos creativos» (Moussavi, 2013). Sin embargo, también hay arquitectos de renombre que evitaron por completo los concursos, como Frank Lloyd Wright o Louis Kahn. William Robert Ware sostenía en 1899 que:

«Cada concurso… cuesta a la profesión cientos de miles de dólares, la mayor parte de los cuales recae sobre hombres que mal pueden permitirse la pérdida. Es cruel y desgarrador, cuando se someten a juicio cincuenta o cien conjuntos de dibujos, considerar que… todos menos uno… han trabajado en vano, y que de todos los esquemas sólo media docena pueden recibir alguna consideración seria… Así la profesión crece y se afana noche y día, año tras año, bajo la tensión de sacrificios que mal puede permitirse hacer. No es de extrañar que el sistema de concursos haya llegado a considerarse una especie de pesadilla, como un íncubo o un vampiro, que sofoca el aliento de la vida profesional y drena su sangre.»

A pesar de estas críticas, el modelo de concursos está bien aceptado por la comunidad de diseñadores en general y constituye sin duda un importante vehículo para la producción de importantes edificios en todo el mundo. Una nueva encarnación de los concursos -en forma de modelos de crowdsourcing en línea- responde a la demanda de proyectos de diseño incluso a menor escala y abre el protocolo de los concursos justos a los retos cotidianos del diseño.

Crowdsourcing

La práctica arquitectónica atraviesa constantemente una transición de nuevas tecnologías, por ejemplo, novedosas herramientas de comunicación gráfica, nuevo diseño generativo y software de construcción. Constantemente se ponen a prueba nuevos métodos, técnicas e ideas. Este flujo incesante de cambios, unido al talento para el diseño disponible en todo el mundo, hace del crowdsourcing un medio atractivo para la adquisición de diseños. En general, el crowdsourcing hace uso de un enjambre de expertos de todo el mundo para resolver un problema concreto. Esto puede ir desde la agregación y edición de entradas de Wikipedia a la resolución de problemas científicos perversos (innocentive.com), o la generación de nuevos logotipos (99designs.com), y muchos más. Las multitudes son solicitadas para «desarrollar un nuevo producto o servicio, perfeccionar un proyecto, calcular u obtener diferentes algoritmos, o ayudar a proporcionar, organizar o evaluar cantidades significativas de información en datos viables» (Bujor & Avasilcai, 2018). En arquitectura, el crowdsourcing abre nuevas oportunidades para generar opciones de diseño y facilitar la colaboración entre diseñadores.

Una de estas plataformas de crowdsourcing es Arcbazar, un mercado de dos caras, con los clientes en el lado de la demanda y los diseñadores en el de la oferta. Permite a los clientes lanzar concursos y a los diseñadores trabajar en distintos tipos y escalas de retos arquitectónicos. Los clientes pueden embarcar proyectos, es decir, proporcionar una breve descripción, cargar imágenes y dimensiones, y fijar plazos y premios monetarios. Durante el proceso del concurso, interactúan con los diseñadores a través de una interfaz de comunicación anónima. De media, cada concurso recibe entre 12 y 13 propuestas de diseño. Todos los proyectos pueden verse en la plataforma y pueden ser puntuados por otros diseñadores. Las valoraciones se basan en la idea, la estética, la función, la edificabilidad y la sofisticación gráfica. Al igual que en los concursos tradicionales, los proyectos se ejecutan de forma anónima; es decir, el cliente no sabe quiénes son los diseñadores y viceversa, para mantener el proceso de evaluación estrictamente justo y basado en los méritos. Sin embargo, cada proyecto contiene una página de análisis, que muestra datos generales en tiempo real sobre la ubicación de los diseñadores, su formación, sexo, envíos, etc.

Competir frente a colaborar

Tradicionalmente, los concursos ofrecen un terreno de juego nivelado en el que los equipos o los individuos se vencen unos a otros. El proceso es competitivo y se basa en normas y reglamentos prescritos que, idealmente, facilitan un campo de batalla justo. Sin embargo, incluso en el mejor de los casos, sólo hay un ganador claro y todos los demás participantes están, por definición, en el lado perdedor. En otras palabras, todos menos un ganador experimentan algún sentimiento de celos, incredulidad o decepción. Por lo tanto, la pregunta es: ¿Existe la posibilidad de tener múltiples ganadores en los modelos de crowdsourcing? Es más, ¿sería posible que un diseñador tomara un diseño de un competidor y lo iterara aún más? ¿Cuáles son las protecciones intelectuales necesarias?

Los diseñadores suelen formar equipos para participar en concursos. Cada miembro del equipo aporta preferiblemente algo complementario. El equipo trabaja junto, comparte la carga y, finalmente, se beneficia o sufre por igual del éxito o la derrota. ¿Es posible convertir el modelo de competición en uno de colaboración, en el que los participantes no compitan sino que cooperen en los proyectos? En Arcbazar, exploramos el uso de dos modelos prometedores: (a) el modelo de intercambio y (b) el modelo iterativo.

Modelo de intercambio

Este método de creación de equipos se produce a través de contribuciones complementarias directas; es decir, el diseñador A produce un dibujo base, y el diseñador B utiliza el dibujo base y toma al diseñador A para una equidad acordada en el equipo. El trabajo complementario puede abarcar desde dibujos hasta consultoría medioambiental, aportaciones de ingeniería, soluciones parciales de diseño o cualquier otra ayuda relacionada con el proyecto. El diseñador A, de este modo, puede pasar a formar parte de varios equipos que están de acuerdo con los términos planteados. Los diseñadores que no disponen de mucho tiempo, o que carecen de experiencia en ciertas áreas, aún pueden añadir un «ladrillo en la pared» y convertirse potencialmente en parte de un equipo ganador. Esto reduce considerablemente la barrera para que los diseñadores participen en un concurso.

Modelo iterativo

Este método es un protocolo de crowdsourcing en dos fases. En la primera fase, todos los diseñadores presentan sus diseños, y los proyectos son evaluados y clasificados por el cliente. En la segunda fase, todos los diseños están abiertos a la reutilización por parte de otros diseñadores. Los conocimientos producidos en la primera fase no se pierden, sino que se siguen desarrollando.

Estos modelos pueden sonar contraintuitivos, pero en comparación, en el campo de la ciencia, por ejemplo, un artículo escrito suele tener varios autores, y el orden de los autores revela el grado de contribución de cada individuo al trabajo. De forma similar, las entradas en los proyectos de crowdsourcing pueden ser «autoría» de múltiples diseñadores en función de su nivel de contribución. Cuando, y si, la entrada gana un concurso, el premio se reparte según la distribución de equidad establecida. Si el diseño se construye, un equipo de diseñadores recibe el crédito como sus autores. Los modelos de colaboración propuestos pretenden facilitar un mecanismo de acreditación justo para los diseñadores, con el fin de desarrollar un marco objetivo que permita cosechar la inteligencia colectiva de diseño construida sobre el diseño agregado.

Evaluación de las propuestas de diseño

Una de las cuestiones más controvertidas de los concursos es la evaluación de las propuestas de diseño. El proceso de evaluación en los concursos tiene menos que ver con los méritos que con el teatro de imprevisibilidad en el que se desarrollan los concursos. No existe un marco concreto que pueda aplicarse de manera uniforme y objetiva a cada proyecto. Por ello, las evaluaciones en los concursos tradicionales suelen seguir el modelo de torneo; es decir, los diseños se juzgan comparativamente y se eliminan uno a uno hasta que surge un claro ganador. O bien, los proyectos se juzgan sobre una base aditiva, es decir, sumando virtudes, calidad experimental e innovación, y se selecciona el que tenga el mayor valor agregado. En cualquiera de los dos casos, hay un número limitado de resultados posibles para las candidaturas: (a) El diseño gana el concurso, (b) el diseño lo pierde, (c) el diseño se construye mediante su reutilización para otro proyecto, o (d) el diseño pasa a formar parte de una nueva solución de otro arquitecto. Todos los proyectos, salvo uno, acabarán en las tres últimas categorías.

En los proyectos de crowdsourcing, en cambio, las evaluaciones se basan en criterios de diseño cuantitativos y cualitativos. Los criterios cuantitativos implican procedimientos de votación entre diseñadores, familiares y amigos del cliente. En conjunto, proporcionan una puntuación total, que el sistema utiliza para clasificar los proyectos. Este tipo de automatización en la evaluación es esencial, ya que el número de candidaturas a menudo puede resultar abrumador, como en el ejemplo mencionado anteriormente, en el que se presentaron 756 candidaturas al concurso de la Ópera Bastilla de París. Es literalmente imposible realizar una evaluación justa a través de los jurados tradicionales con un número tan elevado de entradas, por muy buenos que sean el jurado, el reglamento, las intenciones y la organización. Los mecanismos de evaluación casi automatizados pueden ofrecer una solución para este tipo de problemas. Los criterios cualitativos, por otro lado, se derivan de la propia crítica del cliente, de las opiniones escritas de expertos y de las opiniones de familiares y amigos. En este contexto, se sanciona al cliente para que tome una decisión informada basándose en estos datos. El proceso de evaluación en general se vuelve transparente, y el resultado del concurso sigue basándose en los méritos.

Seguimiento del rendimiento del diseñador

Rendir bien en proyectos de crowdsourcing no siempre significa ganar un concurso. Puede tener más matices. Por ejemplo, los premios pueden distribuirse de forma más equitativa. Las propuestas de diseño se pueden evaluar, puntuar y clasificar automáticamente, y se puede conceder un premio no sólo a los tres mejores diseñadores, sino distribuirlo entre todos los participantes en función de las puntuaciones relativas. En este escenario, cada entrada cualificada podría obtener una parte del premio. En otras palabras, si hay, digamos, diez propuestas de diseño, cada diseñador recibe un porcentaje proporcional del premio total en función de su puntuación final. Además de las recompensas monetarias, los diseñadores también pueden acumular puntos por diversos actos, por ejemplo, inscribirse en un concurso, presentar su propuesta, realizar evaluaciones por pares, compartir su trabajo y consultar a los propietarios del proyecto. En Arcbazar, estos puntos definen el historial y la clasificación de los diseñadores en gráficos de rendimiento. Representan el historial de los diseñadores y pueden filtrarse por la ubicación de los diseñadores, por ejemplo, gráficos de los mejores diseñadores europeos, estadounidenses y paisajistas. Así, los arquitectos pueden mejorar su posición contribuyendo a la comunidad en general. De hecho, se ha argumentado que «el consumo entre iguales y la retroalimentación son importantes motivadores de la participación en operaciones de crowdsourcing y comunidades en línea en general» (Keslacy, 2018, p. 311).

Estadísticas de Arcbazar

En septiembre de 2020, Arcbazar reunía más de 30.000 proyectos en todo el mundo y había recopilado más de 300.000 renders, dibujos, vídeos y millones de cadenas de comunicación (véase arcbazar.com/map). Los tipos de concursos en la plataforma se distribuyen de la siguiente manera: 40,6% remodelaciones, 16,4% diseño paisajístico, 15,7% diseño de interiores, 13,3% nuevos proyectos residenciales, 12,5% comerciales y 1,5% institucionales. El 41,5% de los proyectos los ganaron diseñadores de Europa, el 27,6% de EE.UU. y el 21,2% de Asia, y el resto se reparte entre diseñadores de África y Oceanía.

Sólo en EE UU se remodelan cada año unos 15 millones de proyectos de menor envergadura. Sin embargo, el 89% de estos proyectos se ejecutan sin arquitecto. Los diseños los elaboran los contratistas o los imaginan los propios propietarios de los proyectos. El crowdsourcing está reduciendo las barreras para que este tipo de proyectos se beneficien de la ayuda de un diseñador profesional. Puede convertirse en un vehículo importante para difundir el diseño competitivo a segmentos más amplios de la sociedad y ampliar la huella potencial de diseño de un arquitecto en todo el mundo.

Inteligencia artificial

Los recientes avances en IA ofrecen interesantes oportunidades para mejorar la experiencia general del crowdsourcing. En concreto, a continuación presentamos tres casos de uso de la IA: primero, en la recomendación de importes de adjudicación; segundo, en el estudio de espacios existentes; y tercero, en la generación de diseños conceptuales novedosos mediante el aprendizaje profundo.

Sistema de recomendación de precios

Una de las cuestiones más habituales de los clientes en Arcbazar ha sido la del importe de adjudicación del concurso. El problema es: ¿Cuál es la cantidad óptima de premio que es lo suficientemente alta como para atraer a los diseñadores a participar en un concurso, y al mismo tiempo lo suficientemente baja como para que los clientes pongan en marcha el proyecto? Hemos desarrollado un sistema de recomendación de precios basado en la IA que examina 53 dimensiones de características de concursos celebrados con anterioridad, como el tipo, el número de propuestas, la cuantía de los premios, las menciones honoríficas otorgadas, las primas concedidas y el nivel de comunicación entre clientes y diseñadores. En pocas palabras, el sistema examina el rendimiento de los proyectos anteriores en tiempo real y sugiere un premio a los próximos nuevos clientes. Sin embargo, la sugerencia de premio es sólo una recomendación y, por lo tanto, el cliente es libre de fijar cualquier cantidad de premio que esté por encima del mínimo establecido. Normalmente, la decisión del cliente sobre la adjudicación se basa en una combinación de objetivos: presupuesto, estado de ánimo, plazos, estimaciones, expectativas, etc. El sistema de recomendación tiene que tener en cuenta estos objetivos y emitir un importe de adjudicación que satisfaga tanto a los clientes como a los diseñadores.

El sistema de recomendación de precios consta de (a) análisis de datos y (b) selección y evolución de aprendizaje automático (ML). Examinamos los datos cuantitativos de los proyectos de alto rendimiento en Arcbazar y descubrimos cómo están interconectados varios aspectos de los concursos. El análisis nos dio una idea del tipo de fuentes de datos que debíamos utilizar para entrenar el sistema ML. Sin embargo, la precisión de las predicciones demostró que el conjunto de datos cuantitativos no era del todo satisfactorio por sí mismo; por lo tanto, también examinamos los datos cualitativos, es decir, los campos de descripción de texto redactados por los clientes que contienen objetivos latentes. En Arcbazar, un cliente describe su proyecto cuantitativamente, por ejemplo, escala, tipo y tamaño, y cualitativamente, por ejemplo, descripciones textuales y comentarios. La descripción cualitativa y cuantitativa completa de un proyecto proporcionó una representación más completa de los resultados del concurso y nos dio más posibilidades de encontrar un rango óptimo de importe de adjudicación. Por lo tanto, aplicamos métodos de procesamiento del lenguaje natural para los campos de texto, lo que aumentó el número de campos de datos utilizados en el entrenamiento del sistema ML y mejoró la precisión de la predicción en general. Pasamos por algunas etapas de ensayo y error. En primer lugar, sólo utilizamos datos numéricos y de tipo numérico y probamos varios algoritmos de ML en diferentes proporciones de división para los conjuntos de datos de entrenamiento y validación, que oscilaban entre 50/50 y 90/10, respectivamente. El regresor de bosque aleatorio nos dio los mejores resultados. En segundo lugar, añadimos valores de texto preprocesados de los campos de texto breve del concurso y repetimos las pruebas de varios algoritmos ML en diferentes proporciones de división. Este enfoque ayuda a reducir el sobreajuste y dio como resultado un sistema de recomendación de premios de concursos óptimo para Arcbazar.

Estudio de las condiciones espaciales existentes

Uno de los cuellos de botella del crowdsourcing es la necesidad de disponer de dimensiones precisas de los espacios en cuestión. Los clientes no sólo redactan las bases de su concurso, suben imágenes y deciden el calendario y la cuantía del premio, sino que también tienen que proporcionar las dimensiones exactas de sus espacios existentes. A veces tienen un plano de su casa, le hacen una foto y la suben. Pero a menudo los clientes no poseen esta pieza de información crítica, lo que les deja dos opciones: O bien esbozan las dimensiones del espacio o espacios en un trozo de papel y se lo facilitan a los diseñadores, o bien tienen que contratar a un topógrafo arquitectónico para que elabore unas dimensiones exactas del espacio. Este obstáculo supone una barrera para muchos clientes a la hora de lanzar un concurso.

Una solución más sencilla es extraer las medidas directamente de las imágenes. Hay empresas muy conocidas que trabajan en soluciones de fotogrametría para convertir imágenes bidimensionales en modelos tridimensionales, como Autodesk ReCap o Rhino PhotoModeler. Hay que proporcionar una serie de imágenes que cubran todo el objeto o espacio y coserlas manualmente. Sin embargo, la fotogrametría se ha visto aumentada con la IA, por ejemplo, en las imágenes aéreas de drones para reconstruir zonas urbanas más grandes o sitios del patrimonio arquitectónico. Iconem, una empresa francesa de fotogrametría, en colaboración con Microsoft AI, está cosiendo automáticamente miles de imágenes de drones y reconstruyendo así modelos digitales 3D precisos de lugares enteros del patrimonio histórico amenazados por la guerra, con el fin de registrar y archivar edificios; por ejemplo, Iconem ha digitalizado la antigua ciudad de Palmira, en Siria, antes de que fuera destruida durante los conflictos actuales en Oriente Próximo.

El mayor reto es, sin embargo, construir un modelo 3D a partir de una sola imagen, o de unas pocas imágenes que han sido cargadas por un cliente y que no describen completamente un espacio u objeto. Es una tarea difícil, porque una imagen es una proyección de un espacio 3D sobre un plano de imagen 2D, y se pierden muchos datos espaciales en dicha compresión. Un sistema de IA puede ayudar potencialmente a completar el modelo 3D con el conocimiento previo de espacios y muebles, accesorios y equipos similares y predecir medidas precisas a partir de una sola imagen. En un escenario ideal, el cliente carga una imagen y el sistema predice, interpola las dimensiones principales y genera un modelo 3D que los diseñadores pueden importar a sus herramientas de software para poner en marcha el proceso de diseño. Experimentamos con varias tecnologías de IA emergentes, que por el momento no dieron como resultado unas dimensiones lo suficientemente precisas como para organizar un concurso en Arcbazar. El objetivo, sin embargo, es rebajar el nivel de precisión a unos +/-2 cm, momento en el que será factible embarcar proyectos; o, alternativamente, desarrollar una nueva interfaz para los clientes en la que puedan cargar un conjunto completo de imágenes para utilizar las tecnologías actuales para coser las imágenes y generar un modelo 3D.

Generar diseños conceptuales

A finales del siglo XIX, la ciudad de Quebec (Canadá) organizó un concurso para el ayuntamiento. Se presentaron seis diseños, ninguno de los cuales satisfizo al jurado. La ciudad decidió elaborar un diseño compuesto a partir de fragmentos de todas las candidaturas. El diseño final de Georges-Émile Tanguay se convirtió en una composición «Frankenstein», que incorporaba rasgos de estilo románico, neoclásico y neogótico. Este proceso era bastante común en los concursos históricos. Hoy en día, coser un nuevo diseño a partir de varias obras presentadas a concurso no se considera, desde luego, aceptable ni ético. Sin embargo, se podría argumentar que descomponer los proyectos y recombinar los mejores aspectos de cada diseño presentado en una nueva composición puede ofrecer la solución más idónea para un determinado problema de diseño.

En 2017, un grupo de investigadores trabajó a través de un proyecto financiado por la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA), para utilizar la IA con el fin de generar composiciones conceptuales de diseño. El objetivo de la investigación era entrenar redes neuronales profundas (DNN) con datos de diseño de Arcbazar, para componer nuevos diseños conceptuales, juntando bloques de construcción de alto rendimiento de proyectos anteriores en la base de datos de diseño existente. En la última década se han producido grandes avances en el campo del aprendizaje profundo. Las redes neuronales profundas se han utilizado con éxito en una amplia gama de aplicaciones del mundo real. A diferencia de los sistemas basados en reglas, las DNN no necesitan ser programadas de antemano, sino que pueden descifrar reglas mediante el examen de grandes cantidades de datos (Steinfeld, 2017). Por ejemplo, se puede entrenar una DNN con millones de imágenes de gatos y utilizarla para etiquetar gatos en nuevas imágenes. Esto es especialmente importante para los coches autoconducidos, en los que la discriminación de objetos, como otros coches, camiones y personas que caminan o andan en bicicleta, en las secuencias de vídeo en tiempo real marcará la diferencia entre que los coches maniobren con seguridad o no a través del tráfico.

Representación gráfica de la arquitectura

Tradicionalmente, la arquitectura se representa mediante dibujos, por ejemplo, planos y secciones, o mediante modelos de información de edificios (BIM) más sofisticados y ricos en información. Sin embargo, para este estudio, representamos el diseño arquitectónico mediante gráficos atribuidos. Nos centramos en la representación de elementos esenciales de la arquitectura, es decir, espacios (o habitaciones) de varios tipos y sus relaciones de adyacencia que suelen darse en el diseño conceptual real. Recopilamos datos de diseño de los BIM y los convertimos en grafos de la siguiente manera: (a) los nodos representan tipos de habitaciones concretos, por ejemplo, dormitorio y baño, con atributos como área, volumen y perímetro; y (b) las aristas entre nodos representan el tipo de conexión entre habitaciones, por ejemplo, una conexión de puerta, una conexión abierta y conexiones verticales, por ejemplo, escaleras, rampas y ascensores. Anotamos el tipo de habitaciones, el tipo de relación entre las habitaciones y las puntuaciones de evaluación basadas en varios criterios de rendimiento funcional, como las puntuaciones proporcionadas por los humanos para la habitabilidad (calificación de lo bien que estaban diseñados los espacios habitables/familiares) o la capacidad de dormir (calificación de lo bien que estaban diseñados los dormitorios). Aunque limitamos nuestras anotaciones a este reducido conjunto de atributos, las representaciones gráficas pueden ampliarse fácilmente con datos adicionales, como el tipo de mobiliario, los accesorios de iluminación y el color. Para representar información más detallada, habría que crear nodos auxiliares que muestren la relación de contención dentro de un subgrafo. En resumen, las representaciones gráficas pueden ampliarse para contener más detalles, si se dispone de ellos. Utilizamos una aplicación novedosa de las DNN basadas en grafos, es decir, una red neuronal convolucional de grafos supervisada, y entrenamos a las DNN para diseccionar diseños domésticos (grafos) en bloques de construcción esenciales (subgrafos) y recomponerlos en nuevos conjuntos. Nuestros primeros resultados revelaron que las DNN son capaces de extraer bloques de construcción funcionales de alto rendimiento a partir de datos de diseño (As, Pal y Basu, 2018).

Entrenamiento de las DNN

Para entrenar la DNN, dividimos los diseños caseros en dos conjuntos de datos, uno para el entrenamiento y otro para las pruebas. Entrenamos la DNN con ambos datos de diseño de viviendas y sus correspondientes puntuaciones de rendimiento en habitabilidad. A continuación, aplicamos una prueba de regresión a las viviendas restantes, con las que la DNN no se había encontrado antes. Por ejemplo, las puntuaciones originales de habitabilidad que dimos de tres viviendas al azar fueron 51, 32 y 67 (en una escala de 1 a 100). La DNN las predijo como 51,2, 24,5 y 67,2 en la prueba. Las puntuaciones originales proporcionadas se basaban en evaluaciones subjetivas dadas por los revisores y, por lo tanto, fue asombroso ver que la DNN era capaz de predecirlas con una precisión tan cercana.

Incrustación de vectores

El proceso de añadir aristas y nodos auxiliares a las nuevas composiciones de una manera basada en principios matemáticos se basa en un método de incrustación de habitaciones en varias muestras de diseño en un espacio vectorial latente, preservando al mismo tiempo tanto la similitud de los tipos de habitaciones entre las muestras de diseño como la proximidad de los distintos tipos de habitaciones que aparecen dentro de cada diseño. Esto se llevó a cabo mediante un método basado en DNN para el aprendizaje de representación en gráficos atribuidos. Todos los grafos de diseño con atributos de habitación anotados («tipo» en este caso) se fusionaron en un único grafo mayor, y este último sirvió de entrada a una DNN. De este modo, la DNN aprendió una representación vectorial multidimensional de cada nodo. Las representaciones vectoriales de los nodos dependen de su tipo, así como de su proximidad relativa a otros tipos de nodos. Los nodos correspondientes a cada tipo de habitación tienden a agruparse, ya que sus tipos son idénticos. Sin embargo, lo más interesante es que ciertos grupos de nodos, por ejemplo, los Dormitorios, tienden a estar más cerca de algunos grupos de nodos, por ejemplo, los Armarios, los Baños, el Balcón y los Pasillos, y no de otros grupos, como la Entrada y el Comedor. Así, los vectores latentes incrustados tienden a reflejar la proximidad media de los distintos tipos de habitaciones en las muestras de diseño. Observe también que los conglomerados correspondientes a Salones, Comedores y Terrazas están muy próximos entre sí y se solapan en ocasiones. Esto se debe a que la mayoría de las muestras de diseño tenían estos tipos de habitaciones adyacentes entre sí. La incrustación vectorial expone esencialmente tales reglas de diseño latentes.

Tenga en cuenta que en caso de que no haya pares de habitaciones candidatas obvias para ser conectadas por una arista auxiliar, puede que necesitemos añadir nuevos nodos, por ejemplo, habitaciones, a la composición. Las habitaciones que hay que añadir pueden determinarse examinando la incrustación vectorial. Por ejemplo, si los bloques de construcción contienen Dormitorios y Salas de estar pero no habitaciones «conectivas» como Pasillos, se necesitará este último tipo de habitación para conectar los primeros tipos. Esto puede verse como un problema de encontrar un camino desde el grupo de Dormitorios hasta el grupo de Salas de estar. Así, se puede añadir una habitación intermedia de tipo «Pasillo» al diseño compuesto de forma algorítmica. O, por ejemplo, como se ve en la composición de H2 con H5, el grafo resultante no tiene cocina; en tal situación, se puede añadir un nodo Cocina mediante la incrustación vectorial, que representa los espacios Cocina cerca de los nodos Comedor, Terraza y Entrada.

Validación de las composiciones

A continuación, inspeccionamos si las nuevas composiciones rompen alguna restricción geométrica. Los subgrafos en sí mismos pueden funcionar bien, pero cuando se juntan, pueden formar conjuntos imposibles. Por ello, aplicamos técnicas para determinar la aptitud de los diseños generados, como las restricciones de planitud (Boyer, 2006). Una vez validada una solución, puede convertirse en dibujos ortográficos bidimensionales o modelos de masa tridimensionales mediante un algoritmo que apila nodos obedeciendo a atributos de área y volumen, proximidades y tipos de conexión. El apilamiento puede producirse dentro de una envolvente del edificio constreñida, por ejemplo, como sería necesario si un nuevo diseño tuviera que encajar en un edificio existente; o puede apilarse de forma más laxa, si no existen tales restricciones espaciales.

La visión a largo plazo de esta investigación es desarrollar un motor de IA que pueda automatizar por completo los diseños conceptuales. Por ejemplo, un cliente define un programa de construcción y proporciona la ubicación del proyecto. El motor de IA infiere los datos climáticos locales, los límites de las parcelas, las normas de zonificación, los códigos de construcción, etc., y genera una serie de opciones de diseño. Si se desea, estos diseños pueden envolverse con un estilo arquitectónico concreto, por ejemplo, clásico, moderno o estilos de arquitectos de renombre, y adaptarse a un modelo de masa único. A continuación, el cliente puede elegir uno de los diseños y contratar a un contratista local para su ejecución. Con el tiempo, los robots de diseño de IA podrán incluso participar en proyectos de crowdsourcing del mundo real y convertirse en competidores incorpóreos de los diseñadores corpóreos.

Futuro

Es posible que surjan nuevos modelos de práctica. Quizás la práctica arquitectónica podría seguir a otros campos creativos, como la industria musical. Por ejemplo, digamos que Frank Gehry desarrolla un «estilo» y quienquiera que utilice su lenguaje a través de un sistema impulsado por la IA le paga un canon. De ese modo, Gehry podría «diseñar» millones de estructuras en todo el mundo…

Los nuevos medios de comunicación, las tecnologías de vanguardia y las formas novedosas de ejecutar la arquitectura no tienen por qué suponer la desaparición de los arquitectos, sino que pueden provocar todo lo contrario y ayudar a magnificar la huella potencial de diseño de los arquitectos en muchos más proyectos de todo el mundo.

Revisor de hechos: Elon

Deja un comentario