Автор: NJ Namju Lee
Директор NJSTUDIO, инженер-программист ESRI
Linkedin
[email protected]
Исходный код »
Корейская версия / Английская версия
Содержание
1. Предисловие
2. Схема проекта
3. Краткое описание процесса
4. Процесс проекта
4.1. Сбор данных о третьих местах и картографирование (визуализация)
4.2. Понимание и очистка данных (предварительная обработка), сокращение категорий (уменьшение измерений)
4.3. Функции веса и расстояния между пространствами (абстрагирование явлений, квантификация)
4.4. Качественная и количественная интерполяция данных, дополнительные измерения, дискретизация, выбор модели
4.5. ИИ, обучение, подгонка, проверка, токарная обработка
4.6. Модель, применение, проверка и анализ
4.7. Направление развития, внимание и возможность
5. Заключение
6. Ссылка
1. Предисловие
Проект анализа третьего места начался с исследования в City Science Lab (2016), Media Lab Массачусетского технологического института (MIT) и был опубликован на 2-й Международной конференции по вычислительному дизайну. и конференция Robotic Fabrication (CDRF). Это исследование методологии, которая анализирует распределение третьего места, которое составляет город, для извлечения, формирования и понимания тенденций городов, применения и сравнения их с другими городами, а также понимания города с точки зрения третьего места.
«Третье место» относится к пространствам, расположенным между домом и работой. Например, библиотеки, кафе, клубы здоровья, банки, больницы, книжные магазины, караоке-залы и парки относятся к третьему месту. При разработке городского планирования, возрождении городов, анализе окружающей среды, анализе взаимосвязи конкретной строительной площадки, оценке стоимости недвижимости, выборе местоположения крупной франшизы, такой как Starbucks, анализ тенденции третьего места и понимание распределения имеют важное значение. Таким образом, знание третьего места стало важным фактором, широко используемым в различных областях. Этот анализ традиционно понимал город с помощью картографирования данных, непосредственно посещая каждое пространство, измеряя расстояние, подсчитывая уличную среду и плавающее население и отслеживая его на карте.
Примерно в 2010 году тенденция больших данных, а затем бум искусственного интеллекта (ИИ) инвертируют и расширяют перспективу и технологию просмотра данных из специализированной области в общедоступные. Точно так же, как универсальное коммерческое программное обеспечение для цифрового дизайна заменяет традиционные инструменты проектирования, открытые данные и широко распространенные аппаратные и программные инструменты, которые могут обрабатывать данные, сегодня находятся перед дизайнерами. В-третьих, анализ и процесс применения, я хотел бы описать материал для дизайна, называемый данными, а также отношение, роль и методологию дизайнера, который обрабатывает материал.
2. Схема проекта
Название проекта: Анализ третьего места
API: Google Place API
Языки программирования: Python, C#, Javascript, HTML, CSS
Библиотеки: NJSCore, Tensorflow , Numpy, Pandas, SKLearn…
Применимые города: Бостон, Лос-Анджелес (Лос-Анджелес), Редлендс
3. Краткое описание процесса
Давайте сначала подведем итог всему процессу. (1) Гипотеза (вопрос, концепция, проблема, цель или описание проблемы) устанавливается, что развитие и распределение третьего места в районе Бостона имеют характеристики города. (2) Собирать информацию из третьих мест с помощью Google Place API. (3) Рассчитайте расстояние до каждого места. (4) Уточните расчетный тренд местоположения. Например, можно представить данные о каждом пространстве через вероятность достижения третьего места на расстоянии 5 минут, 10 минут и 15 минут ходьбы или в соответствии с фактическим расстоянием. Эти более поздние (5) используются в качестве индивидуальных обучающих данных в процессе подбора искусственного интеллекта (машинного обучения).
Этот процесс не является линейным. Но, как показано на диаграмме ниже, (6) информация на третьем месте становится обучаемыми данными посредством итеративного процесса. (7) Изучите, проверьте и внедрите модель, объясняющую третье место в городе, изучив не только Бостон, но и Нью-Йорк, Лос-Анджелес, Лондон или Каннам. (8) С точки зрения приложения можно проанализировать статическую модель или динамическую тенденцию города. Или его можно использовать в качестве процесса, основы или понимания при сравнении разных городов, применении одного и того же или проектировании с персонажем другого города.
Концептуально существуют различные способы реализации искусственного интеллекта, но на самом деле большое количество искусственных интеллектов, с которыми мы сталкиваемся в наши дни, реализованы с помощью машинного обучения. Другими словами, он запрограммирован данными. Глядя на рисунок ниже, традиционное программирование означает проектирование содержания программирования (метод дедукции) для возврата результата путем определения последовательности и условий в соответствии с целью. Но машинное обучение делает обратное. Другими словами, в результате сначала дается много данных, и на основе результата можно сделать вывод о процессе обратного проектирования (индуктивный метод) программного кода. Этот процесс называется обучением, и когда точность обучения хорошая, говорят, что подгонка модели (программы) прошла успешно. Например, традиционный метод (метод дедукции) выгоден при реализации детерминированных явных функций, таких как таблицы умножения.
Однако практически невозможно разработать программу с почти бесконечными логическими ветвями (условными операторами) с помощью традиционного метода в ответ на различные условия вождения, поскольку необходимо учитывать множество переменных, таких как автономное вождение. Поэтому создание стохастической модели на основе многочисленных данных о вождении в данном случае выгодно и реалистично. Другими словами, с помощью обратного проектирования (индуктивный метод) программирование представляет собой процесс с использованием данных; в результате шаблон, содержащийся в данных, запрограммирован (обучение представлению), чтобы он мог с высокой надежностью реагировать на данные (новые условия вождения), которые будут введены заново. В этом проекте мы узнаем о реализации и применении моделей искусственного интеллекта, которые можно применять к различным ситуациям с помощью шаблонов, сигналов и идей, содержащихся в данных, путем обучения на данных третьего места.
4. Процесс проекта
4.1. Сбор данных о третьих местах и сопоставление (визуализация)
«Данные — это представление явления». Это явление может быть эффективно отражено в виде абстракции и сжатого цифрового информационного документа. Обычно понимание данных начинается с проецирования таких данных на визуальный язык, знакомый людям. Например, цифровые карты, такие как Google Maps, помогают отображать/визуализировать пространственную информацию и служат интерфейсом для доступа к записанным городским данным. Другими словами, если вы используете службу API цифровой карты, вы можете загружать различную информацию о городе или получать к ней доступ в режиме реального времени для обработки и использования данных. Например, это тот же принцип, что и при создании разнообразных продуктов путем уточнения вкуса и питательных веществ, подразумеваемых данными.
Явление становится моделью, основанной на содержании и закономерностях пространственной информации. Например, если в данных есть временной ряд, вы можете получить представление об изменяющихся тенденциях. Кроме того, с учетом времени начала и окончания обслуживания, шаблонов посещения клиентов, предпочтений и т. д. более конкретные и специализированные явления могут стать моделью с помощью данных. Согласно установленной выше гипотезе, для этих метрик характерно реализовывать и проверять причинно-следственные связи путем многократной обработки подсказок, прямо или косвенно подразумевающих явление, то есть данных, и итеративный процесс начинается с картирования.
На следующем изображении показан пример отображения каждого местоположения в Бостоне. Например, в районах Бостона и Кембриджа было визуализировано 4250 данных, занимающих третье место в 95 категориях (больницы, парки, библиотеки, магазины…).
4.2. Понимание и очистка данных (предварительная обработка), сокращение категорий (уменьшение измерений)
«Данные — это праздник сжатого понимания явления». Следовательно, процесс уточнения, такой как предварительная обработка данных, необходим для раскрытия знаний, идей и мудрости этих данных. Одним из них является метод уменьшения размерности. Методы уменьшения статистической размерности с высокой производительностью и надежностью могут хорошо сохранять информацию в зависимости от формата и содержания данных. В частности, в этом проекте мы хотим сосредоточиться на уменьшении размерности данных с точки зрения и опыта дизайнера.
Большинство необработанных данных, к которым мы получаем доступ через Интернет, можно смоделировать на более высоком уровне, если данные будут уточнены в соответствии с их назначением или проблемами. Но, как говорится, «мусор на входе, мусор на выходе» (GIGO); процесс понимания данных и повышения их чистоты требует использования материалов (больших данных) и инструментов уточнения (кода, искусственного интеллекта, алгоритмов и т. д.). Кроме того, это также этап, на котором дизайнеры должны напрямую вмешиваться и демонстрировать свои знания в предметной области. Наконец, данные необходимо собирать и уточнять, чтобы создавать и настраивать обучаемые данные, которые могут достигать желаемых целей и объяснять гипотезы. Другими словами, точно так же, как архитектор обрабатывает один исходный материал для проектирования различных частей зданий в зависимости от целей, в социальной парадигме, управляемой данными, «процесс очистки данных» для дизайнеров представляет собой явный логический поток без скачков и становится задачей дизайнера. «процесс проектирования».
Общее количество приведенных данных ничтожно мало, если учесть 95 категорий. Другими словами, он может подумать, что данные содержат много шума и уязвимы для переобучения или недообучения. Следовательно, с помощью уменьшения размеров или выбора признаков возможно обобщенное моделирование явлений, не ориентированное на конкретное явление. Это похоже на изучение типичных ситуаций вождения на автономных транспортных средствах, обобщение их на различные непредсказуемые реальные проблемы и реагирование на них. Например, японские, китайские и корейские рестораны можно классифицировать как рестораны, а такси, автобусные остановки, метро и поезда — как транспорт. В случае положительной корреляции того, что заправочная станция находится в месте, где часто перемещается транспортное средство, при корреляционном анализе связь между наборами данных может быть объединена в одно измерение. Кроме того, он предназначен для извлечения и обработки значимых обучаемых наборов данных, которые могут прямо или косвенно объяснять описанные выше гипотезы с использованием статистических и математических методов или опыта и знаний из области знаний (архитектурный, городской, ландшафтный дизайн…).
Выбор и обработка необработанных данных, полученных в реальном мире, очень сложны; такие вопросы, как какие данные вы будете использовать?; как удалить шум из данных, а также выявить и зафиксировать сигнал или паттерн?; в какое метрическое пространство вы будете проектироваться?; Какие данные сильно повлияют на результаты? Процесс нелинейный. Многократно уточняя данные и шаблоны, которые прямо или косвенно описывают третье место, можно построить данные, которые более явно представляют и подразумевают явление. При необходимости пересмотрите и измените установленные выше гипотезы и соответствующим образом проанализируйте данные. Рассмотрите, объедините и уточните чистоту набора данных.
4.3. Функции веса и расстояния между пространствами (абстракция явлений, количественная оценка)
Преимущество пространственной информации заключается в том, что относительно удобно устанавливать отношения между данными, поскольку можно интегрировать и интерпретировать свойства пространства путем абстрагирования и количественного определения его местоположения. Например, конкретное место становится набором данных путем добавления расстояния от каждого нанесенного на карту третьего места или свойства места в качестве параметра и веса. Можно использовать функцию, которая вычисляет более высокую оценку для короткой дистанции и более низкую оценку для дальней дистанции. Кроме того, можно запрограммировать процесс, который извлекает переменные в соответствии с отчетной средой и точно настраивает их веса. Кроме того, равномерно распределяя места по всему городскому пространству, можно построить модель, которая оценивает общую доступность, интегрально вычисляя весовые коэффициенты расстояния от этих мест до других третьих мест. Другими словами, это можно понимать как процесс уточнения данных, которые объясняют гипотезу или отвечают на нее, в данные, оптимизированные для этой гипотезы.
Есть несколько способов реализовать функцию, которая математически находит расстояние. Существуют определенные проблемы, которые может описать каждая функция расстояния: евклидово расстояние, манхэттенское расстояние, расстояние Чебышева, расстояние Минковского, косинусное расстояние и так далее. Когда мы путешествуем по городу, мы используем дороги и тротуары. Таким образом, расчет сетевого расстояния, которое может отражать фактическое расстояние, является подходящим методом для количественной оценки более точных явлений и реалистичных закономерностей.
При этом могут применяться традиционные методы анализа городских сетей. Например, для анализа центральности существуют модели степени, промежуточности, близости и прямолинейности; методы анализа, такие как модели Reach, Gravity и Huff, также могут использоваться для анализа доступности. Смешивание и модификация этих методов позволяет реализовать и применять функцию расстояния в соответствии с целью или гипотезой. Его можно использовать в качестве значения веса для расчета сети.
Как обсуждалось выше, чистота сигналов и шаблонов, встроенных в данные, может определять полноту моделирования явлений, реализацию искусственного интеллекта и надежность точности. Например, предположим, что модель (или сеть) искусственного интеллекта изучается путем простого преобразования третьего пробела в данные в соответствии с весовым коэффициентом расстояния. В этом случае сигналы или шаблоны из данных могут быть искажены за счет линейного увеличения веса в зависимости от расстояния. Это может подчеркнуть выбросы, которые не нужны и часто не подходят для тренировочного процесса. Кроме того, не интуитивно понятно понять метрики используемых данных.
Поэтому я представлю два метода. Во-первых, рассчитывается вес на основе 5-, 10- и 15-минутной пешеходной доступности. Во-вторых, данные обрабатываются таким образом, что чем больше расстояние и чем хуже внешняя среда, тем меньше вероятность выхода в конкретное пространство (распад). Например, глядя на таблицу ниже, вероятность приблизиться к месту на расстоянии 100 метров составляет около 15 % при значении β 0,02, около 38 % при β: 0,01 и около 70 % при β: 0,004. Это означает, что при наличии 100 человек до места дойдут 15, 38 и 70 человек в зависимости от погоды и условий ходьбы. Например, после определения различных значений β в городе и нахождения конечного значения через каждое определенное значение β для вероятности прибытия людей, оно подсчитывается в зависимости от времени года, погоды и окружающей среды города путем подсчета. В некоторых исследованиях прослеживается значение β, которое может применяться соответствующим образом.
В качестве альтернативы можно использовать среднее расстояние третьих мест в данном месте или можно использовать медианное значение. Как обсуждалось выше, способность и роль дизайнера заключаются в создании методологии, которая обрабатывает обучаемые наборы данных для оптимизации данных для получения желаемого результата. В этом проекте после нахождения наименьшего значения сетевого расстояния от всех доступных третьих мест в пределах 30-минутной ходьбы от точки сосредоточимся на примере, в котором в качестве веса используется вероятность доступа к месту, принимая будет относительно благоприятная для ходьбы среда.
4.4. Качественная и количественная интерполяция данных, дополнительные измерения, дискретизация, выбор модели
До сих пор мы видели, что расстояние от начальной точки до места можно обучить как одно измерение данных с помощью различных функций расстояния для обучения модели искусственного интеллекта. Однако города — это пространства, в которых одновременно взаимодействуют несколько параметров. Следовательно, место можно рассматривать, абстрагируя его как единую точку для удобства. Однако при рассмотрении влияния пространства значения необходимо интерполировать, чтобы оставить след в окружающей области. Например, это как случай, когда преступление произошло и не просто затронуло место. Таким образом, может быть практичным и разумным методом интерполяции данных рассмотрение вероятности подверженности преступлению даже в местах, близких к дороге и ее окрестностям.
Изображение ниже является примером визуализации доступности третьего места в каждой области путем дискретизации городского пространства. Например, в процессе движения от А к Б обязательно будут различные тормозящие или облегчающие факторы. Вычисляя эти переменные на пути движения, можно построить более всеобъемлющий, гибкий и точный процесс путем включения качественных и количественных данных, таких как культура, история и социальность, присущие расстоянию и пространству, в вес функции расстояния. Конечно, это также то место, где должны быть задействованы знания и опыт дизайнера в предметной области, и в зависимости от того, как моделируется явление, из данных могут быть получены надежные важные идеи и открытия.
До сих пор мы рассматривали содержание разработки наборов обучающих данных искусственного интеллекта (машинного обучения) для моделирования явлений. Пока данные хорошо уточнены и подготовлены, надежность результата модели может быть обеспечена. Другими словами, предварительная обработка данных является важным шагом, который требуется разработчикам, и в процессе разработки методологии можно получить много информации. В то же время существуют различные модели реализации искусственного интеллекта. Примерами являются модели регрессии или классификации. Модель обучения может быть выбрана в соответствии с содержанием и типом данных. Однако также необходимо преобразовать его в обучаемые данные, оптимизированные для реализации и развертывания выбранной модели. Другими словами, даже когда одни и те же данные обучаются, иногда необходимо преобразовать их в обучаемые данные в соответствии с выбранной моделью ИИ и сетью. В противном случае желаемая надежность и производительность результатов не могут быть гарантированы.
4.5. Модель ИИ Обучение, примерка, проверка, токарная обработка
В проекте прогнозирования анализа третьего места использовались несколько конкретных гипотез и их наборов данных, традиционные модели машинного обучения и искусственные нейронные сети. В этом проекте мы сосредоточимся на модели искусственного интеллекта, которая делит третье место, расположенное в районе Бостона, на три категории (1: еда, 2: транспорт и 3: удобство) и дает соответствующее распределение вероятностей.
Следующее изображение является результатом предсказания тенденции третьего места для 6 конкретных местоположений. Предположим, вы смотрите на результат в крайнем левом углу таблицы. В этом случае полезность имеет самое высокое распределение вероятностей. Однако, если вы посмотрите на содержание, вы можете прочитать, что еда, транспорт и полезность имеют очень равномерное распределение вероятностей. С другой стороны, если вы посмотрите на крайний правый график, вы увидите, что трафик имеет неглубокое распределение, и в то же время распределение имеет высокую полезность.
Результатом выше может быть персонаж из определенного места в Бостоне. Вы можете принять точку зрения, которая усиливает это, но, обнаружив уязвимые места, вы можете задать направление развития с другими пространственными тенденциями. Например, на карте выше видно, что парк Форест-Хиллз является основным пространством, связанным с дорожным движением. Если по сравнению с историческими данными места, связанные с едой, постоянно отсутствовали, можно предположить, что характеристикой этого парка является парк, ориентированный на прогулки. С точки зрения третьего места вы также можете изменить тенденции персонажей вокруг вас, увеличив плотность ресторанов.
Приведенная выше таблица позволяет интерпретировать распределение вероятностей в заданной точке и итеративно корректировать моделирование с помощью дополнительных данных и соответствующих процессов. Иногда можно пересмотреть гипотезу путем интерпретации результатов. Это типичный процесс повышения надежности за счет усиления модели путем добавления новых наборов данных с помощью знаний предметной области.
4.6. Применение модели, проверка и анализ
Изучив данные о третьем месте из Бостона, Лос-Анджелеса и Редлендса с помощью искусственной нейронной сети (ИНС), модель прогнозирования третьего места была обучена в соответствии с городами. Если вы посмотрите на результаты обучения ниже, то увидите, что уточненные данные были подогнаны на уровне примерно 80–90%, и видно, что количество эпох не заняло много времени. Потому что, конечно, объем данных был небольшим, но важно то, что он был переработан в данные, оптимизированные для обучаемой модели. Сеть настраивается и оптимизируется путем настройки глубины сети, функции активации и гиперпараметров.
Изображение в первой строке ниже визуализирует данные третьего места. Эта визуальная информация хорошо знакома людям, но не компьютерным машинам. Второе строковое изображение — это обучающие данные, которые были предварительно обработаны и уточнены. Доступ к третьему месту на основе идентификатора каждого региона в нормализованном пространстве — это данные. Люди уязвимы для такого распознавания образов данных, которые становятся оптимизированными обучающими данными для машин.
Изображение ниже является результатом изучения и прогнозирования тенденции третьего места в районе Бостона (87,2 км²). И это результат применения и прогнозирования модели, обученной на данных районов Лос-Анджелеса и Редлендса в одном и том же пространстве. Распределение плотности доминирующего третьего места можно увидеть с первого взгляда. Давайте уменьшим масштаб.
Результаты и визуализация ниже предсказывают тенденцию третьего места увеличенной области Бостона (2,2 км²). Видно, что тенденция изменения в третьем месте проявляется с более высоким разрешением, а тенденция областей, где доминирует конкретное пространство, и места, где характеристики изменения пространства более четко выявляются и показывают ту или иную закономерность . Итак, давайте уменьшим масштаб и сосредоточимся на конкретных местах.
На изображении ниже показано значение распределения вероятностей (еда, транспорт, полезность) для предсказания третьего места для 12 мест в Бостоне. Кроме того, вы можете увидеть распределение вероятности того, что модели, обученные на трех городских данных, предсказали одни и те же места.
Есть много идей, которыми можно поделиться в отношении валидации и интерпретации, но давайте сосредоточимся на трех вышеперечисленных. На изображении слева вверху изображен Южный вокзал Бостона. Модели обучения в Бостоне и Лос-Анджелесе предсказывали трафик с высокой вероятностью. Однако модель Редлендса предсказывала удобства. Возможно, в случае столичных районов Бостона и Лос-Анджелеса значительную роль сыграла тенденция занять третье место в центре города и структура транспортной сети. В случае с моделью Редлендс можно понять, что распределение отличается от центра города, потому что в типичном западном пригороде США практически невозможно ходить пешком, и приходится полагаться на машину, а не на общественный транспорт. Это объясняет содержание гипотезы о том, что «развитие и распределение третьего места имеют присущие городу характеристики».
Глядя на предсказанное значение в середине, в модели Лос-Анджелеса места, связанные с едой, кажутся весьма вероятными. Бостон и Лос-Анджелес демонстрируют относительно сходное пространственное распределение. Однако в этом случае мы выдвигаем гипотезу о том, какие окружающие места принесли разные предсказанные результаты для этих мест, и снова проверяем, чтобы объяснить фундаментальную разницу между двумя городами как модель распределения / плотности третьего места. Глядя на окончательный результат справа, бостонская модель показывает очень равномерное распределение вероятностей в третьем пространстве. Другими словами, его можно читать в месте, легко доступном из любого места. В модели Лос-Анджелеса рестораны оказались на высоте. Возможно, как видно из бостонской модели, можно интерпретировать, что места с легким доступом ко всем пространствам демонстрируют сходную картину с местами, плотно расположенными в центре Лос-Анджелеса. В случае модели Redlands, как и предсказывалось, вероятность трафика очень мала. Можно предположить, что на это сильно повлияла схема распределения удобств, время от времени разбросанных по городу.
После оптимизации модели путем обучения на данных района Бостона таким же образом был проведен сравнительный анализ с моделями Лос-Анджелеса и Редлендса. Предоставленные данные соответствуют каждой модели, и интерпретация результатов с точки зрения изученных данных может быть стандартом. Почему они похожи? Какие пространства меняются по пути? Или почему? Почему вы ожидаете, что будет иначе? Какие еще показатели вам нужны? Как это влияет на результат? Продолжайте задавать такие вопросы, как повторение предыдущих шагов и точная настройка модели. В процессе вы можете получить различные точки зрения и неожиданные идеи.
4.7. Направление развития, внимание и возможности
Этот проект посвящен прогностическим моделям, обученным на данных третьего места. Понимание может быть получено при усилении тенденции третьего места, зафиксированной в одном городе, понимании направления развития из прошлого или создании того же или различия путем сравнения и анализа характеристик тенденции других городов. Кроме того, модель разрабатывается путем проецирования качественных данных, таких как историчность улицы, культура, место, событие, ассоциация с прилегающими территориями и пешеходный опыт, в категорию счетной системы счисления, то есть в качестве метрики. Он масштабируется и может привести к высоконадежному процессу, который позволяет выполнять сложную калибровку и реализацию моделей пространственного анализа, которые могут решать метафизические гипотезы, вопросы и проблемы.
В традиционных методологиях программирования ошибка возвращается, когда программа неверна, и дизайнер вынужден исправлять ошибки или ошибки. Поскольку дедуктивный метод обычно требует разработки сложного алгоритма путем создания, объединения и тестирования небольших блоков явных функций, легко исправить ошибки и реализовать каждую функцию на высоком уровне. Другими словами, вы можете быстро исправить результат, напрямую изменив логику функций, содержащих ошибку. Однако в машинном обучении, представленном индуктивным программированием, определенный результат безоговорочно возвращается, даже если в нем есть ошибки. То есть результаты механически производятся параметрами данных и обученной модели. Поэтому при понимании последствий, исправлении ошибок или ошибок, точном понимании гипотез, отборе и очистке данных, а также всего процесса выбранной модели искусственного интеллекта обучение, подгонка и оценка должны быть предметом проверки.
В противном случае, хотя исходная ошибка возвращается и требуется исправление, пользователи часто считают, что неправильное значение является результатом работы искусственного интеллекта, и используют его. В частности, если ИИ применяется к задачам, оценка которых неоднозначна даже для проектировщиков, за исключением этапов, имеющих четкий ответ и цель в процессе проектирования, достоверность результатов можно повысить за счет рационального и логического проектирования стратегий еще больше. осторожно.
Искусственный интеллект, несомненно, скоро достигнет сингулярности, которая превзойдет человеческий интеллект. Однако предположим, что ИИ организован на основе предубеждений и воображения, обусловленных фильмами, средствами массовой информации, популярной культурой и некоторыми предпринимателями или маркетологами. В этом случае я считаю, что современные инструменты и технологии искусственного интеллекта могут быть неправильно поняты. Для дизайнеров искусственный интеллект — это не волшебная коробка для решения проблем проектирования с помощью причудливых предварительно обученных моделей или сетей. Но, как мы видели ранее, ИИ — это процесс разработки описания цели или проблемы проектирования, а также сбора и уточнения данных на основе того, чего они хотят достичь. Точно так же, как у дизайнера есть концепция, он берет на себя управление участком и развивает логическое мышление, чтобы спроектировать здание в деталях, в понимании искусственного интеллекта его следует рассматривать как метод программирования, который соответственно обрабатывает гипотезы (вопросы, цели) и данные. Тогда вы сможете в полной мере использовать технологию и методологию в качестве творческих инструментов для дизайна без страха и непонимания.
Пожалуйста, проверьте приведенную ниже ссылку на исходный код всех процессов, описанных в этом проекте. Часто легче понять и применить исходный код, чем текст. При использовании открытого исходного кода для своего проекта могут быть различия в формальностях процесса, но с точки зрения содержания его можно применять по стандартной схеме, которую я описываю.
5. Заключение
От явлений к пониманию, от интуиции к числам, от неявного к явному, от опыта к модели…
Этот вычислительный подход не нов. Хорошо организовать существующие традиционные неявные методы в инструменты, которые описывают их более точно и явно, а также методологии и системы мышления, которые их используют. Хотя этот проект касался в основном данных третьего места в сфере окружающей среды, ландшафтного дизайна, архитектуры и городского дизайна, требуется много данных, которые потребляются, создаются и модифицируются от этапа планирования до последующего управления после строительства. Неявный метод опирается на интуицию и дополняется как явный процесс проектным материалом данных. Интуиция дизайнера — это взаимная безопасность как инструмент, а не противостояние человека и искусственного интеллекта, взгляд на развитие и сдвиг в мышлении.
Использование дизайнерских материалов (данных) и инструментов (кода, искусственного интеллекта)
Исторически сложилось так, что всякий раз, когда вводятся новые материалы, разрабатываются, представляются новые инструменты для обработки материала, которые со временем становятся все более совершенными. Индустрия дизайна растет благодаря творческому потенциалу новых материалов и окружающей среде. Расширяя традиционную материальную концепцию дизайна, какой новейший дизайнерский материал 21 века? Это данные. Теперь мы можем обрабатывать данные с помощью инструментов, называемых кодом и алгоритмами (или искусственным интеллектом), дополнять существующие методологии проектирования и открывать новые возможности, с которыми мы не сталкивались. Мы надеемся, что творчество новейших материалов и инструментов, представленных нам, затронет больше дизайнеров. Проект по использованию данных в процессе городского анализа, в надежде, что, используя и подготавливая возможности и необходимые способности, которые общество, управляемое данными, дает дизайнерам, волны 4-й промышленной революции могут оседлать новые возможности, а не цунами, которые поражает нас.
6. Ссылка
Ли, Н. (2021). Понимание и анализ характеристик третьего места в городском дизайне: методология дискретных и непрерывных данных в экологическом дизайне. В: Юань, П.Ф., Яо, Дж., Ян, К., Ван, X., Лич, Н. (ред.) Труды DigitalFUTURES 2020. CDRF 2020. Спрингер, Сингапур. https://doi.org/10.1007/978-981-33-4400-6_11
Ольденбург Р., Бриссет (1982). Д.: Третье место. Квал. соц. 5(4), 265–284.
Ли, Намджу. (2022). Вычислительный дизайн, Сеул, Bookk, https://brunch.co.kr/@njnamju/144
Ли, Намджу (2022). Дискретное городское пространство и связь, https://nj-namju.medium.com/discrete-urban-space-and-connectivity-492b3dbd0a81
Ву. Чонхён (2022). Числовой сетевой анализ для пешеходов, https://axuplatform.medium.com/0-numeric-network-analysis-47a2538e636c
Ли, Намджу (2022). Вычислительное дизайн-мышление для дизайнеров, https://nj-namju.medium.com/computational-design-thinking-for-designers-68224bb07f5c
Ли, Намджу. (2016). Третье место по потреблению энергии мобильностью на человека, http://www.njstudio.co.kr/main/project/2016_MobilityEnergyConsummentMITMediaLab
Ли. Намджу (2018). Серия лекций и семинаров по дизайну и вычислениям https://computationaldesign.tistory.com/43
Презентация, видео и плагин (дополнение):
Исходный код: https://github.com/NamjuLee/Third-Place-Prediction-Report-V2022
Анализ третьего места, презентация статьи и панельная дискуссия на DigitalFUTURES 2020 — ссылка
Демонстрация приложения Third Place Mobility, MIT Media Lab — ссылка
Review, Third Place, Media Lab, (корейский) — ссылка
