AI e machine learning in architettura

Negli ultimi decenni, il calcolo ha dato all’architettura un vantaggio maggiore rispetto alla comprensione della struttura, alla risoluzione facile delle complessità e al migliore utilizzo delle risorse.
L’evoluzione dell’uso del computer o del design computazionale in architettura è divisa in epoche: la prima epoca è quella del disegno 2D, la seconda della modellazione 3D, la terza epoca è quella del BIM, la quarta della progettazione basata su algoritmi e, infine, la quinta epoca del Machine Learning (ML) e dell’Intelligenza Artificiale (AI).

Prima di comprendere l’impatto di ML e AI, è importante comprendere l’evoluzione dell’applicazione del calcolo in termini più semplici. Il disegno 2D (software come AutoCAD, Sketchpad, ecc.) comprende il disegno di linee con l’aiuto del calcolo, nella modellazione 3D (software come Blender, Maya, ecc.) entrano in gioco la superfici, i volumi, NURBS e le mesh. Quando si tratta di BIM (è un flusso di lavoro, ma i software più importanti che aiutano in BIM sono Revit, Tekla, ArchiCAD, ecc.), un oggetto può memorizzare dati che possono essere utilizzati in modo produttivo, ad esempio, un tetto una volta realizzato, i dati come la sua area, il volume, le proprietà fisiche, i materiali, la consistenza, ecc. sono memorizzati al suo interno, possono essere utilizzati in BOQ, analisi strutturale, ecc.
La progettazione basata su algoritmi (software come Grasshopper 3D, Dynamo, ecc.) è entrata in gioco dopo la divulgazione delle opere di Zaha Hadid e del movimento parametrico.
Nella progettazione basata su algoritmi, un progetto viene realizzato con alcuni parametri di input e lascia che il computer fornisca l’output del progetto secondo la direzione codificata dal progettista.
E infine, l’era del machine learning il cui concetto esce dalla fine degli anni ’90, ma la sua applicazione sta avvenendo ora, software come Lunchbox, Finch 3D, Sketch Graphs, ecc. vengono sviluppati sulla base del machine learning.

L’apprendimento automatico (ML), noto anche come apprendimento statistico, è un tipo di intelligenza artificiale che utilizza un set di dati per prevedere il risultato con una certa percentuale di accuratezza. Richiede un set di dati di addestramento (più grande è il set di dati, più accurato è il risultato), in base al quale ML fornisce l’output. Diversi modelli matematici come reti neurali artificiali (ANNs), Support Vector Machines (SVMs), reti bayesiane, RBFs (Radial Basis Function networks), ecc. sono utilizzati in ML per ottenere diversi tipi di risultati.

Ecco l’elenco delle attività con i modelli matematici che genereranno output.

1. Generazione del concept del progetto dalla richiesta del cliente

Il Machine learning potrà generare il concept dell’edificio dalla descrizione fornita dal cliente come input. Il modello ML che aiuta a ottenere tale output è Artificial Neural Networks (ANN) che catturerà i modelli di dati e le correlazioni nascoste nei dati.
ANN fornirà molte idee concettuali basate sulla descrizione e sui diversi contesti relativi al progetto. Ciò consentirà agli architetti di esplorare più concept e trovare il migliore senza spendere molto tempo nella ricerca e nelle informazioni basate sul contesto come gli edifici presenti nel sito. Fra soli pochi anni potremmo trovare modelli di machine learning che genereranno dalle informazioni dei modelli 3D che aumenteranno ulteriormente le esplorazioni e l’esposizione di soluzioni architettoniche.
Quando l’architetto utilizza ML per generare concetti, ML consente anche all’utente di ottenere consigli nel processo di progettazione. ML aiuterà l’architetto a chiarire le sue intenzioni progettuali e consiglierà di scegliere i tipi di struttura, la distribuzione interna e il trattamento della facciata.

2. Personalizzazione di massa e pianificazione urbana

Nel caso della pianificazione urbana e dei sistemi di personalizzazione di massa, la tecnica di trasferimento dello stile che utilizza le reti neurali convoluzionali (CNN) è utile. La CNN viene utilizzata principalmente per analizzare gli immaginari visivi e utilizza collegamenti neurali, come la tecnica di elaborazione delle immagini del nostro cervello dalla corteccia visiva.
Per utilizzare questa tecnica nel campo della progettazione urbana, dobbiamo produrre gli stili di costruzione di cui abbiamo bisogno, un progetto di base su cui verranno eseguite le variazioni e un pannello di reti neurali precedentemente addestrato.
Gli architetti devono avere il controllo sull’output e utilizzare ML solo come strumento, poiché questo sistema può produrre variazioni indesiderate.

3. Sintesi del programma

Gli algoritmi sono necessari per produrre il design nelle varie fasi di un progetto architettonico. L’ordine di creare un programma che risolva un particolare intento di progettazione richiede la conoscenza della programmazione e, in alcuni casi, è difficile trovare esperti API (Application Programming Interface) per eseguire l’idea. In alcuni recenti sviluppi, viene creato un esperto di API che guiderà, consiglierà e prevederà il passaggio del designer che lo utilizza. Questo tipo di sistema può essere visto nel completamento automatico dei testi durante l’utilizzo di G-mail. L’esperto di API realizzato con ML suggerirà all’utente quale API è più adatta per un particolare problema, identificherà i bug e risolverli e infine apprenderà algoritmi che risolvono un particolare problema.

4. Modellazione analitica

La modellazione è oggi parte integrante dei progetti di architettura, ci consente di progettare un edificio in dettaglio, eseguire simulazioni con calcoli, cercare conflitti tra le varie parti e preparare le viste prima che l’edificio venga realizzato.
Questi processi richiedono molto tempo quando la geometria diventa complessa e pesante affinché il file possa elaborare ed eseguire le simulazioni. Per questo motivo, abbiamo bisogno di avere modelli low poly dei modelli pesanti da noi preparati e abbassare la dimensione e il numero di geometrie presenti nel file per simulazioni più veloci. Questi processi potrebbero essere eseguiti con l’intelligenza artificiale e questo sistema isolerà anche diversi compomponenti come travi, colonne, solai, ecc.
Allo stesso modo, l’estrazione delle componenti geometriche potrebbe essere eseguita da immagini satellitari per lavori di modellazione e pianificazione su scala urbana.

5. Modellazione 3D, produzione e classificazione

Quando si tratta di attività di produzione e classificazione, il modello GAN (Generative Adversarial Network) è il modello appropriato per eseguire l’attività. GAN è un modello ML, sviluppato da Ian Goodfellow, in grado di apprendere senza supervisione, semi-supervisione, completamente supervisionato e di rinforzo. Il modello GAN può essere istruito con dati costituiti da nomi di spazi, la loro geometria, ecc. In base ai quali genererà e classificherà spazi appropriati. L’esecuzione di questo modello con trasferimento di stile genererà un modello migliore che sarà facile da capire.

6. Trovare correlazioni nascoste

Durante la valutazione di un progetto, sulla base di determinati parametri utilizzando un modello ML, diventa importante per il modello separare i dati utilizzati per la valutazione dal resto dei dati, il che migliorerà l’efficienza del sistema. Modelli come l’ottimizzazione basata su surrogati (SBO), ANN, SVM, processi gaussiani (GP), funzioni a base radiale (RBF) e alcuni strumenti già pronti come Opossum, Lunchbox vengono utilizzati per approssimazioni, isolamento e valutazione dei dati. Questo permetterà l’esecuzione di simulazioni più veloci e significative e potrà generare delle soluzioni tipo utili alla progettazione.

L’applicazione di machine learning e intelligenza artificiale è ovunque intorno a noi e le applicazioni nel campo dell’architettura possono essere tante. Obiettivi come lo sviluppo di un sistema di controllo adattativo della facciata, la creazione dei materiali desiderati e lo sviluppo di sistemi più intelligenti possono essere raggiunti con il machine learning.
L’introduzione di questi sistemi non sacrificherà la creatività dell’architetto ma consentirà di esplorare molte più soluzioni, trovare le simulazioni migliori e più veloci, l’organizzazione automatica dei file e molto altro. Ormai è solo una questione di tempo, poi avremo solo il bisogno di porre la domanda corretta per ottenere il meglio dal machine learning.

Con tutta questa tecnologia, quali svantaggi?

Il principale svantaggio dell’applicazione del machine learning in architettura è che il set di istruzioni dei sistemi deve essere continuamente aggiornato, altrimenti genererà sempre un risultato simile. Sfortunatamente, non abbiamo un grande set di formazione disponibile in architettura. Un set di dati sbilanciato potrebbe rendere il ML orientato verso decisioni “particolari” e la ricerca per ridurre al minimo questo tipo di decisioni è in corso. Ci sono diverse anomalie relative al ML che dovranno essere risolte e senza questi “aggiustamenti” l’applicazione in architettura può essere disastrosa.

Il documento “Il ruolo dell’intelligenza artificiale nella progettazione architettonica: una conversazione con designer e ricercatori” di Giuseppe Gallo, Giovanni Francesco Tuzzolino e Fulvio Wirz comprende interviste ai leader del settore dell’architettura e tentativi di capire l’impatto dell’IA in architettura. È piuttosto interessante vedere che su 10 leader intervistati, 4 leader del settore hanno messo il Machine Learning e altri metodi computazionali e Digital Manufacturing al primo posto nella loro scelta tra le tecnologie che dimostreranno la loro utilità nel campo dell’architettura nei prossimi 10 anni.
Le altre tecnologie segnalate sono il Building Information Modeling (BIM), Internet of Things (IoT), Augmented Reality (AR) e Virtual Reality (VR). Quindi, è abbastanza chiaro che nel campo dell’architettura l’impatto che avranno il machine learning e l’intelligenza artificiale nei prossimi 10 anni sarà molto forte.

Esistono molti strumenti di architettura che utilizzano in una certa misura la tecnologia ML e AI e sono diventati parte della nostra vita quotidiana. Google Maps, i filtri e-mail di Google, Linked In, Google Search Algorithm, ecc. in architettura, alcuni dei software che utilizzano ML e AI sono Unity 3D (che utilizza l’intelligenza artificiale per trovare la distanza più breve delle uscite di sicurezza), Lunchbox (utilizza ML generale per analisi di regressione, clustering e reti), Opossum (utilizza ML per valutazioni funzionali, soluzioni quasi ottimali e simulazioni), Project Dreamcatcher di Autodesk, ecc.

Essere circondati dalla tecnologia e prevedere le possibilità del futuro, la domanda “qual è il prossimo passo?” rimane sempre la stessa nel corso dei secoli ed è qui la differenza tra i sistemi di intelligenza artificale e gli esseri umani.