Diseño paramétrico, Diseño Generativo y Diseño Asistido por IA

Te presentamos las nuevas tendencias en el mundo de la automatización del diseño aplicada a la industria de la arquitectura.

En una entrada del blog anterior explicamos cómo la Inteligencia Artificial (IA) se diferencia de otros tipos de programación explícita tradicional. En este post explicaremos otras tendencias en la automatización como son el diseño paramétrico o computacional y el diseño generativo y cómo estas tecnologías, diseño paramétrico, generativo y asistido por IA con Machine Learning, se aplican en la industria del diseño arquitectónico y cómo se comporta cada una.

El diseño paramétrico o diseño computacional es la codificación de un diseño mediante la programación de las reglas geométricas que lo generan y la definición de sus parámetros de input, de forma que introduciendo otros parámetros se genera un nuevo diseño. Esta técnica sería la correspondiente a la programación tradicional aplicada al mundo del diseño (programación por reglas). Como comentamos en el post anterior, esta técnica es eficiente en el caso de problemas acotados, los que se encuadren dentro de las reglas que definen su algoritmo, pero es de difícil aplicación para conseguir una solución generalizable que sea capaz de responder a los múltiples parámetros e interdependencias de éstos en el mundo real, lo cual requeriría de un desarrollo altamente complejo y exponencial.

Por otro lado, el Diseño Generativo es una técnica de optimización de los diseños en la que se aplican algoritmos evolutivos de búsqueda u optimización sobre un diseño paramétrico para elegir los parámetros de entrada que mejor cumplen con unos objetivos dados.

Tanto el Diseño Generativo como el Machine Learning conllevan procesos de diseño asistido, es decir, no dibujamos geometría manualmente, sino que le pedimos a un programa que genere esa geometría para nosotros introduciendo parámetros y datos objetivos.

La principal diferencia entre estas dos técnicas es que, en los procesos  de diseño generativo, el diseñador introduce al principio del proceso los parámetros y constricciones del diseño para dejar que el sistema realice el proceso de optimización y devuelva un conjunto de mejores soluciones (cuando trabajamos con múltiples objetivos, las soluciones óptimas son múltiples en función de la combinación de objetivos que optimiza cada resultado, este conjunto de soluciones óptimas es lo que se denomina frente de Pareto). De este modo el proceso de diseño es un proceso con fundamentalmente dos pasos, la introducción de datos en el sistema y la selección del resultado sobre el conjunto de soluciones óptimas que ofrece el sistema. Es por ello que la intervención humana en este proceso está limitada al inicio y al final, siendo un proceso cerrado de diseño con un resultado acotado, ya que el sistema ofrece la solución presente en su código que mejor se adapta una vez introducidos todos los datos.

En el caso del diseño asistido con IA ya no trabajamos en un proceso, sino en un procedimiento donde el resultado es abierto, se va generando a medida que el usuario introduce los datos y se va llegando incrementalmente a la solución adecuada, haciendo cambios de manera dinámica, de una manera colaborativa entre persona y máquina.

Sin embargo, los procesos Generativos están basados en la exploración de un diseño paramétrico en cuyo código se explicitan los procesos de generación de geometría a partir de los inputs del usuario, realizando el proceso de búsqueda posteriormente a la introducción de los parámetros.

El diseño generativo funciona muy bien para sistemas sencillos, pero no para sistemas complejos con muchos inputs e interrelación cruzada entre los mismos donde la combinatoria es prácticamente infinita. Las soluciones generativas sufren cada vez más a medida que aumenta la complejidad hasta volverse tan pesadas que ya no son viables.

En cambio, cuando utilizamos Machine Learning para generar el diseño en tiempo real (milisegundos) el resultado es imprevisible pero acertado (óptimo); para ello sólo hay que introducir dinámicamente el set de datos que deben cumplir los diseños resultantes, si bien en este caso el diseño no está predefinido (codificado). Esto es así porque la IA aprende previamente a su utilización en el diseño, procesando bases de datos enormes (la IA siempre está asociada al Big Data) de las cuales extrae conclusiones propias. En el caso de ARCHITEChTURES son bases de datos abstractas de geometrías y de relaciones entre las mismas. Este proceso permite a la IA brillar en casos complejos, siendo capaz de optimizar o encontrar compromisos ideales entre multitud de variables en tiempo real para multiplicar la capacidad de diseño de las personas.

La IA, y más concretamente, el Machine Learning, abre un nuevo camino con un gran potencial de desarrollo para el futuro de la Arquitectura, impulsando drásticamente tanto la creatividad del diseñador como la objetividad de los resultados.

Post relacionados