Diseño Paramétrico, Diseño Generativo y Diseño Asistido por IA
Creado el 9/27/2023 en Tecnología
Le presentamos las nuevas tendencias en el mundo de la automatización del diseño aplicada a la industria de la arquitectura.
En una publicación de blog anterior explicamos en qué se diferencia la Inteligencia Artificial (IA) de otros tipos de programación explícita tradicional. En este post explicaremos otras tendencias en automatización como 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 programando las reglas geométricas que lo generan y definiendo sus parámetros de entrada, de modo que introduciendo otros parámetros se genera un nuevo diseño. Esta técnica correspondería a la programación tradicional aplicada al mundo del diseño (programación por reglas). Como se dijo en un post anterior, esta técnica es eficiente en el caso de problemas delimitados, aquellos que se ajustan a las reglas que definen su algoritmo, pero es difícil de aplicar para lograr una solución escalable que sea capaz de responder a las múltiples parámetros e interdependencias de éstos en el mundo real, lo que requeriría un desarrollo altamente complejo y exponencial.
Por otro lado, el Diseño Generativo es una técnica de optimización del diseño en la que se aplican algoritmos de optimización o búsqueda evolutiva sobre un diseño paramétrico para elegir los parámetros de entrada que mejor cumplen con un conjunto de objetivos determinado.
Tanto el Diseño Generativo como el Machine Learning implican procesos de diseño asistido , es decir, no dibujamos la geometría manualmente, sino que le pedimos a un programa que nos genere esa geometría introduciendo parámetros y datos objetivos.
La principal diferencia entre estas dos técnicas es que, en los procesos generativos , el diseñador introduce al inicio del proceso los parámetros y restricciones del diseño para permitir 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 dependiendo de la combinación de objetivos que optimice cada resultado, este conjunto de soluciones óptimas es lo que se llama frente de Pareto). Por lo tanto, el proceso de diseño es un proceso con esencialmente dos pasos., la introducción de datos en el sistema y la selección del resultado entre el conjunto de soluciones óptimas que ofrece el sistema. Es por ello que la intervención humana en este proceso se limita al principio y al final, siendo un proceso de diseño cerrado con un resultado limitado, ya que el sistema ofrece presente en su código la solución que mejor se ajusta una vez introducidos todos los datos.
En el caso del diseño asistido por IA , ya no trabajamos en un proceso cerrado, sino en un procedimiento donde el resultado es abierto , se genera a medida que el usuario ingresa los datos y llega incrementalmente a la solución adecuada, realizando cambios de forma dinámica, en una manera colaborativa entre el hombre y la máquina.
Sin embargo, los procesos Generativos se basan en la exploración de un diseño paramétrico en cuyo código se explicitan los procesos de generación de geometría a partir de los ingresos del usuario, realizándose el proceso de búsqueda luego de la introducción de los parámetros.
El diseño generativo funciona muy bien para sistemas simples, pero no para sistemas complejos con muchas entradas e interrelación cruzada entre ellas donde las combinaciones son prácticamente ilimitadas. Las soluciones generativas sufren cada vez más a medida que aumenta la complejidad hasta que se vuelven tan engorrosas que ya no son viables.
En cambio, cuando utilizamos Machine Learning para generar el diseño en tiempo real (milisegundos) el resultado es impredecible pero exitoso (óptimo); para ello sólo tenemos que introducir dinámicamente el conjunto de datos que deben cumplir los diseños resultantes, aunque en este caso el diseño no está predefinido (codificado). Esto se debe a que la IA aprende previamente a su uso en el diseño, procesando enormes bases de datos (la IA siempre va asociada al Big Data ) de las que saca sus propias conclusiones. En el caso de Architechtures se trata de bases de datos abstractas de geometrías y relaciones entre ellas. Este proceso permite que la IA brille en casos complejos, pudiendo optimizar o encontrar compromisos ideales entre una multitud de entradas 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 gran potencial de desarrollo para el futuro de la Arquitectura, potenciando drásticamente tanto la creatividad del diseñador como la objetividad de los resultados.
