{"id":7289,"date":"2024-04-17T13:06:44","date_gmt":"2024-04-17T16:06:44","guid":{"rendered":"https:\/\/aadaih.org.ar\/anuario\/?p=7289"},"modified":"2024-04-17T14:18:45","modified_gmt":"2024-04-17T17:18:45","slug":"diseno-generativo-aplicado-a-la-arquitectura-para-la-salud","status":"publish","type":"post","link":"https:\/\/aadaih.org.ar\/anuario\/2024\/04\/17\/diseno-generativo-aplicado-a-la-arquitectura-para-la-salud\/","title":{"rendered":"Dise\u00f1o generativo aplicado a la arquitectura para la salud"},"content":{"rendered":"

 <\/p>\n

La pareidolia es un fen\u00f3meno psicol\u00f3gico en el que las personas perciben patrones o significados reconocibles en est\u00edmulos aleatorios, como ver caras en nubes, rocas o elementos abstractos. <\/em><\/p>\n

El cerebro humano busca activamente patrones familiares o formas reconocibles en datos que pueden carecer de estructura real. Esto puede ser una respuesta a la necesidad del cerebro de encontrar significado en su entorno y tomar decisiones r\u00e1pidas sobre la identidad o la seguridad de un objeto o situaci\u00f3n.<\/em><\/p>\n

ChatGPT<\/em><\/p>\n

 <\/p>\n

Inici\u00e9 esta investigaci\u00f3n personal motivado principalmente por dos aspectos contradictorios entre s\u00ed. Por un lado, mantenerme actualizado sobre la vanguardia en software, pero por otro, me arrebataba una curiosidad morbosa de saber si estas herramientas me desplazar\u00edan en mi actividad profesional como arquitecto.<\/p>\n

Como es habitual en nuestro presente siglo, nada escapa a la polarizaci\u00f3n. Abundan los art\u00edculos sobre la Inteligencia Artificial, desde los que auguran un futuro brillante, promesas excesivas hasta exageradas visiones apocal\u00edpticas (al mejor estilo Terminator<\/em>).<\/p>\n

Para tratar de no caer en ello puse el foco en brindar una visi\u00f3n equilibrada y basada en hechos concretos sobre el rol jugar\u00e1 la Inteligencia Artificial en el dise\u00f1o arquitect\u00f3nico, desafiando mitos y promesas sin fundamento.<\/p>\n

Permitir una comprensi\u00f3n m\u00e1s completa de c\u00f3mo esta tecnolog\u00eda realmente puede ser una herramienta poderosa de innovaci\u00f3n y eficiencia, con ocasionales problemas de errores, predisposici\u00f3n a sesgos y alucinaciones.<\/p>\n

Repasaremos los antecedentes e hitos en la historia de la IA, explicaremos c\u00f3mo funciona una red neuronal artificial y experimentaremos con ellas bajo la premisa de dise\u00f1ar a nivel preliminar un centro quir\u00fargico.<\/p>\n

Breve Historia<\/strong><\/h1>\n

\"\"<\/p>\n

 <\/p>\n

Cualquier salto tecnol\u00f3gico es antecedido por una larga cadena de factores y actores, y conociendo su historia podremos imaginar c\u00f3mo ser\u00eda un nuevo paradigma artificial.<\/p>\n

Turing Test 1940-1960<\/strong><\/p>\n

Investigadores de neurolog\u00eda hab\u00edan teorizado el cerebro como una red el\u00e9ctrica de neuronas que disparaban impulsos binarios, \u201cprendido\u201d y \u201capagado\u201d.<\/p>\n

Norbert Wiener fue uno de los primeros en teorizar que todo comportamiento inteligente era el resultado de mecanismos de retroalimentaci\u00f3n. Mecanismos que posiblemente podr\u00edan ser simulados por m\u00e1quinas. Paralelamente, Claude Shannon demostr\u00f3 en su tesis que la algebra booleana (1 y 0) pod\u00eda construir cualquier l\u00f3gica num\u00e9rica.[1]<\/a><\/p>\n

La estrecha relaci\u00f3n entre estas tres corrientes de investigaci\u00f3n suger\u00eda que se pod\u00eda construir un cerebro electr\u00f3nico.<\/p>\n

Alan Turing public\u00f3 un art\u00edculo en el que especulaba sobre la posibilidad de crear m\u00e1quinas que pensaran. Turing observ\u00f3 que “pensar” es dif\u00edcil de definir y propuso su famoso “Test de Turing”. Si una m\u00e1quina pod\u00eda mantener una conversaci\u00f3n que fuera indistinguible de una conversaci\u00f3n con un ser humano, entonces era razonable decir que la m\u00e1quina estaba “pensando”. [2]<\/a><\/p>\n

 <\/p>\n

\"\"<\/p>\n

ELIZA 1964<\/strong><\/p>\n

Era un programa de procesamiento de lenguaje natural y simulaba conversaciones utilizando una metodolog\u00eda de coincidencia de patrones y sustituci\u00f3n que daba a los usuarios la ilusi\u00f3n de que el programa entend\u00eda, cuando en realidad daba respuestas predeterminadas y repetitivas.<\/p>\n

 <\/p>\n

\"\"<\/p>\n

Paradoja de Moravec 1970-1980<\/strong><\/p>\n

El excesivo optimismo de las d\u00e9cadas pasadas hab\u00eda elevado demasiado las expectativas de lo que realmente se pod\u00eda hacer con la tecnolog\u00eda disponible en ese momento. Cuando prototipos como el perceptr\u00f3n no empezaron a dar resultados esperados el financiamiento vir\u00f3 hacia otro tipo de proyectos.<\/p>\n

El optimismo se deb\u00eda en parte al hecho de que hab\u00edan tenido \u00e9xito en escribir programas que utilizaban l\u00f3gica, resolv\u00edan problemas de \u00e1lgebra y jugaban juegos como el ajedrez, y estos procesos son dif\u00edciles para los seres humanos.<\/p>\n

Muchos investigadores asumieron que, habiendo resuelto los problemas “dif\u00edciles”, los problemas “f\u00e1ciles” como percepci\u00f3n y sentido com\u00fan pronto ser\u00edan resueltos, pero estaban equivocados.<\/p>\n

Habilidades humanas innatas como el reconocimiento de rostros, objetos y comunicaci\u00f3n verbal fueron desarrolladas por la selecci\u00f3n natural en el curso evolutivo.<\/p>\n

 <\/p>\n

\"\"<\/p>\n

2000-actualidad<\/strong><\/p>\n

Para la d\u00e9cada de 2000, de acuerdo con la Ley de Moore, las computadoras eran cientos de millones de veces m\u00e1s r\u00e1pidas que en la d\u00e9cada de 1970, y la potencia adicional de la computadora finalmente era suficiente para comenzar a manejar la percepci\u00f3n y las habilidades sensoriales.<\/p>\n

De esta forma los esfuerzos se enfocaron por generar computadoras m\u00e1s perceptivas. No hab\u00eda que simular el paso a paso de procesos inteligentes para resolver problemas, en su lugar, m\u00e1s eficiente ser\u00edan los procesos r\u00e1pidos e intuitivos, como reconocimientos de patrones y anomal\u00edas.<\/p>\n

Bajo el concepto de \u201cDividir y conquistar\u201d surgen varios proyectos tratando de simular aspectos puntuales de la inteligencia humana. Una IA totalmente abarcativa no era posible lograrla, pero si recrear habilidades separadas.<\/p>\n

Dentro de este nuevo paradigma de la ciencia, surgen otras nuevas t\u00e9cnicas prometedoras como el aprendizaje profundo y las redes neuronales para abordar algunos de los desaf\u00edos se\u00f1alados por la \u201cParadoja de Moravec\u201d[3]<\/a>.<\/p>\n

Al imitar en cierta medida la estructura y funci\u00f3n del cerebro humano, las redes neuronales<\/strong> pueden aprender de la experiencia y mejorar su rendimiento en tareas como el reconocimiento de objetos. Este enfoque se asemeja m\u00e1s a c\u00f3mo desarrollan las habilidades de percepci\u00f3n los humanos.<\/p>\n

<\/h1>\n

\"\"<\/p>\n

 <\/p>\n

Redes Neuronales<\/strong><\/h1>\n

\u00bfC\u00f3mo Funcionan?<\/p>\n

 <\/p>\n

\"\"<\/p>\n

Para entenderlo c\u00f3mo funcionan las Redes Neuronales de forma m\u00e1s sencilla veamos c\u00f3mo resuelve un software \u201ctradicional\u201d<\/strong> una partida de ajedrez:<\/p>\n

* Se basa en un conjunto de\u00a0reglas predefinidas\u00a0y heur\u00edsticas. Estas reglas dictan c\u00f3mo se mueven las piezas, eval\u00faan las posiciones y toman decisiones.<\/p>\n

* El software tradicional utiliza el\u00a0algoritmo para explorar posibles movimientos y evaluar posiciones.<\/p>\n

* Examina el \u00e1rbol de juego considerando todas las jugadas posibles y sus consecuencias.<\/p>\n

* Busca la mejor jugada que maximice las posibilidades de ganar del jugador y minimice las del oponente.<\/p>\n

 <\/p>\n

\"\"<\/p>\n

En cambio, las redes neuronales (GNN<\/strong>) son algoritmos que aprenden patrones a partir de datos para generar nuevo contenido y en el contexto del ajedrez, pueden aprender a generar nuevos movimientos o evaluar posiciones:<\/p>\n

* Se entrenan procesando una gran base de datos.<\/p>\n

* Esta base de datos se puede componer de miles de movimientos y jugadas, posiciones relativas de piezas de ajedrez.<\/p>\n

* Durante el entrenamiento, la GNN minimiza la diferencia entre su movimiento predicho y el movimiento real jugado en los datos de entrenamiento.<\/p>\n

* Considera patrones, caracter\u00edsticas posicionales y conocimiento aprendido y a diferencia de los sistemas basados en reglas, las GNNs pueden descubrir movimientos no convencionales o novedosos.<\/p>\n

Las redes neuronales generativas combinan patrones aprendidos con creatividad. Mientras que el software tradicional se basa en reglas y heur\u00edsticas programadas, las redes aprenden de datos y se adaptan din\u00e1micamente.<\/strong><\/p>\n

Cabe destacar que la inteligencia artificial es un software que no est\u00e1 dise\u00f1ado para una tarea especifica, mientras m\u00e1s vinculado est\u00e9 a una tarea o l\u00f3gica menos se considera una IA.<\/p>\n

Idealmente el objetivo es que defina din\u00e1micamente su proceso de toma de decisiones en funci\u00f3n del entorno, la experiencia previa y los resultados deseados. Esto implica poseer sensores, o canales de entrada, capacidad para reconocer patrones, aprender y evaluar mejoras en el output para optimizar todo el proceso.<\/p>\n

Para resolver este tipo de problemas se emplean las redes neuronales, que son particularmente funcionales en estas tareas, y adem\u00e1s con las siguientes ventajas:<\/p>\n

* El l\u00edmite de procesamiento esta dado por el hardware, lo que significa que se le pueden asignar infinitos recursos al problema a resolver.<\/p>\n

* No es necesario entender el problema de antemano, sino que la misma red teje sus correlaciones entre los patrones que observa.<\/p>\n

* Son muy buenas para administrar grandes espacios de datos de entrada y salida, as\u00ed como im\u00e1genes.<\/p>\n

Como principal desventaja es que la soluci\u00f3n que establecen es imposible de entender para los humanos, una matriz gigante de n\u00fameros que no se puede observar y comprender c\u00f3mo es que funciona. Esto lleva al problema de no entender la soluci\u00f3n que nos presenta una IA. <\/strong><\/p>\n

\u00a0<\/strong><\/p>\n

Dise\u00f1o Artificial en la Arquitectura<\/strong><\/h1>\n

\"\"<\/a><\/p>\n

F\u00b0 4 Difusion de plantas, Stanislas Chaillou<\/p>\n

Habiendo ya expuesto este cambio de paradigma en materia de software, nos toca ver c\u00f3mo podr\u00edamos aplicar esta tecnolog\u00eda al campo de la arquitectura. C\u00f3mo replicar este an\u00e1lisis de base de datos, conceptualizaci\u00f3n de patrones y generaci\u00f3n de contenido dentro de nuestra disciplina.<\/p>\n

Idealmente, se podr\u00eda pensar en un software que genere autom\u00e1ticamente una obra con su correspondiente documentaci\u00f3n gr\u00e1fica, sin errores ni discrepancias, pensada dentro de los par\u00e1metros municipales, tomando en cuenta variables econ\u00f3micas, log\u00edsticas y clim\u00e1ticas, adem\u00e1s de contentar a un cliente exigente e indeciso. Adem\u00e1s de todo esto, cumpliendo en tiempo y forma<\/strong>.<\/p>\n

Esta integraci\u00f3n por ahora ser\u00e1 ciencia ficci\u00f3n.<\/p>\n

Es m\u00e1s factible pensar en cu\u00e1les aspectos del dise\u00f1o podemos automatizar y ser asistidos por la IA, de manera m\u00e1s integral:<\/p>\n

Definici\u00f3n de requisitos y procesos funcionales<\/strong><\/p>\n

Utilizando herramientas de procesamiento de lenguaje natural y an\u00e1lisis de datos se puede recabar informaci\u00f3n y encontrar patrones de relaciones para comprender y organizar los requisitos en un programa de necesidades detallado.<\/p>\n

Se puede usar un compendio de normativas locales, procesarlas por una red neuronal y resumir los puntos conflictivos para luego utilizarlos como instrucci\u00f3n en un software y generar una volumetr\u00eda donde se permita la m\u00e1xima superficie construible.<\/p>\n

1.Dise\u00f1o Conceptual<\/strong><\/p>\n

\u00a0\u00a0\u00a0\u00a0 \"\"\u00a0\u00a0 <\/strong><\/p>\n

F\u00b0 5 Obayashi Proyect Gan Viewer<\/p>\n

Existen herramientas enfocadas en optimizar dise\u00f1os seg\u00fan m\u00e9tricas de rendimiento y generar planos de planta a partir de entradas program\u00e1ticas simples, reorganizar planos de planta din\u00e1micamente a medida que se mueven paredes y particiones.<\/p>\n

Para generar layouts los arquitectos introducen una serie de par\u00e1metros l\u00e9xicos: oraciones simples que especifican elementos del edificio y su ubicaci\u00f3n, y muestran c\u00f3mo se relacionan entre s\u00ed, esto podr\u00eda ser:<\/p>\n

“Las habitaciones deben tener vista al exterior y los servicios deben mantenerse en el centro de la planta.”<\/p>\n

Combina dos aspectos; por un lado, parametriza un dise\u00f1o y por el otro otorga la posibilidad a la IA de alterar dichos par\u00e1metros. El resultado es un modelo que va mutando, dentro de los l\u00edmites preestablecidos.<\/p>\n

Recordemos que el output es resultado de procesos internos de la IA carentes de l\u00f3gica, por ende, el trabajo evaluar, descartar o seleccionar las variantes m\u00e1s viables sigue recayendo sobre el dise\u00f1ador.<\/p>\n

\"\"<\/p>\n

F\u00b0 7 Blueprints-AI, Software de texto a plano<\/p>\n

Traducir los esquemas de layouts generados por IA a una documentaci\u00f3n coherente para poder construir un proyecto en el mundo real, es el sue\u00f1o de muchos: acortar plazos, costos de mano de obra, reducir margen de error y poder realizar cambios en tiempo real.<\/p>\n

Pero un programa integral que pueda resolver hoy todos los aspectos del dise\u00f1o arquitect\u00f3nico con l\u00f3gica y orden, es virtualmente imposible.\u00a0 El poder de hardware necesario implicado para procesar tantas variables tender\u00eda al infinito.<\/p>\n

Es por esto que los esfuerzos de programadores de software CAD y BIM van enfocados a implementar Plug-ins a sus respectivas plataformas, que automaticen de manera parcial ciertas tareas que se vuelven tediosas para los arquitectos.<\/p>\n

Por otro lado, la inteligencia artificial en la arquitectura se ve limitada por sesgos de selecci\u00f3n que afectan la calidad de los datos en los que se basan estas aplicaciones. En arquitectura estos datos son propietarios, es decir, no hay incentivo en compartir documentaci\u00f3n con posibles competidores. Como la IA solo puede sintetizar lo que haya visto de un banco de im\u00e1genes en internet, esto tendr\u00e1 sesgos culturales o regionales, (por ejemplo, una sobre representaci\u00f3n de naciones ricas).<\/p>\n

En resumen, mientras que la IA puede ofrecer beneficios en t\u00e9rminos de automatizaci\u00f3n y optimizaci\u00f3n en el dise\u00f1o arquitect\u00f3nico, tambi\u00e9n plantea desaf\u00edos relacionados con la calidad de los datos, sesgos, creatividad y comprensi\u00f3n contextual, entre otros. La integraci\u00f3n exitosa de la IA en la arquitectura requerir\u00e1 una consideraci\u00f3n cuidadosa de estos problemas y un equilibrio entre la tecnolog\u00eda y la creatividad humana.<\/p>\n

Dise\u00f1o Experimental Asistido por IA<\/strong><\/h1>\n

A continuaci\u00f3n, se mostrar\u00e1n los resultados de la puesta en pr\u00e1ctica de estas redes neuronales generativas, con sus logros y sus fracasos.<\/p>\n

Para comenzar a armar el programa arquitect\u00f3nico se le solicit\u00f3 a ChatGPT 3.5 que describa los procesos m\u00e9dicos llevados a cabo dentro de una planta de cirug\u00eda con 10 quir\u00f3fanos, como condiciones deber\u00eda considerar factores cr\u00edticos para garantizar la eficiencia, la seguridad y la comodidad de los pacientes y el personal m\u00e9dico:<\/p>\n