Enquanto se trabalha com a desentupidora sp, as tarefas podem ser divididas pelo lado rotineiro (manual) do trabalho, que contém algumas análises, desenhos, cálculos e criativos, que contêm conceitos de fazer novas partes de uma área, bairros, cidades. É muito fácil imaginar como escrever um programa para fazer coisas rotineiras, mas é difícil escrever um programa para tarefas que requerem trabalho criativo, como fazer conceitos.

Neste artigo, vou mostrar como implementei a IA para fazer uma tarefa do lado criativo do planejamento urbano que pode permitir que os planejadores urbanos criem conceitos com muito mais facilidade.

Antes de começar, vamos conversar sobre como a desentupidora São Paulo funciona. Como qualquer cérebro, a IA é uma grande rede neural com neurônios conectados uns aos outros. Precisamos ensinar rede neural artificial com alguns dados, como fazemos com nossa rede neural biológica (também conhecido como cérebro) enquanto aprendemos coisas novas.

Normalmente, quando precisamos aprender alguma coisa (como seres humanos), estamos procurando toneladas de dados de diferentes tipos dependendo da tarefa, como textos, imagens, vídeos, áudios, etc. Se estamos prestes a aprender como desenhar um plano de local , temos que pesquisar centenas ou milhares de imagens de plantas de sites como referência.

desentupidora sp, desentupidora São Paulo

Da mesma forma funciona a IA – se precisarmos fazer IA para desenhar plantas do local – precisamos “alimentar” a IA com milhares de imagens para esperar que ele desenhe.

Quanto a este projeto, o objetivo é dar aos planejadores urbanos a oportunidade de desenhar apenas áreas (zonas) com cores diferentes onde alguns tipos de edifícios estão localizados. Os próprios edifícios devem ser desenhados por rede neural.

Depois de pesquisar algumas imagens para os dados de aprendizagem, ficou absolutamente claro que eu estava enfrentando uma tremenda falta de exemplos. Não quero fazer com que a rede neural aprenda em projetos com mais de 50 anos, porque a maioria deles não atende aos requisitos dos padrões de planejamento urbano moderno. Mas as cidades não estão crescendo tão rápido para fornecer milhares de imagens de dados de aprendizagem, mesmo levando em consideração todos eles ao redor do mundo. E não vamos esquecer – os planos do local podem variar dependendo da localização: adequados para um país ou cidade, não são para outro. Além disso, estilos diferentes podem causar uma grande confusão nos dados de aprendizagem.

Isso me deu a ideia de escrever um grande algoritmo em Rhinoceros Grasshopper que gera áreas residenciais contendo habitações, edifícios públicos, escolas e jardins de infância.

Aqui estão alguns princípios-chave implementados no algoritmo: todos os blocos devem ser girados para que seus pátios fiquem abertos para estacionar, exceto para aqueles que não têm um parque próximo a eles. Eles devem ser girados para o sul; todos os quarteirões devem ser fechados nas estradas, exceto os voltados para o sul; os blocos devem estar voltados um para o outro nas estradas, para que a rede neural aprenda como alinhá-los; todos os edifícios devem ter o mesmo deslocamento da estrada também para alinhamento.

Algumas grandes vantagens de criar um algoritmo são a capacidade de definir suas próprias condições com base em sua experiência e visão, capacidade de gerar milhares de imagens, que já estão rotuladas (cores diferentes significam tipos de edifícios diferentes). Lembre-se de que o algoritmo foi escrito com a ideia apenas de “alimentar” a rede neural com dados de aprendizagem. Definitivamente, esses não são absurdos, mas não são aqueles para se viver.

Uma enorme quantidade de tempo economizado na rotulagem de imagens facilmente cobre o tempo gasto na escrita deste algoritmo.

Usando esse algoritmo, exportei 10.000 imagens do Grasshopper para usar no treinamento de rede neural (só posso imaginar quanto tempo é necessário para encontrar tantas imagens, rotulá-las e torná-las igualmente dimensionadas). Em seguida, consegui dividir cada imagem em duas – uma para X sem quaisquer edifícios, mas apenas zonas, e outra para Y, contendo apenas edifícios.

O modelo de rede neural utilizado neste projeto é denominado Pix2pix Generative Adversarial Network (GAN). Permite enviar uma imagem como entrada e receber outra imagem como saída. Lembrando a tarefa, nosso objetivo é enviar uma imagem de diferentes zonas funcionais e receber layouts de edifícios. Com isso dito, Pix2pix é a melhor escolha.

Neste artigo, não vou explicar profundamente o modelo de rede neural, incluindo camadas e funções usadas neste projeto, porque se trata do processo e do resultado em si. Vamos ver como vai o treinamento.

Como podemos ver, ele pega a ideia bem rápido após uma única época (em cada época, todas as imagens do conjunto de treinamento são “alimentadas”). O modelo atual levou cerca de 120 épocas para treinar (o que não é um número grande para GANs de treinamento) com cerca de 14,5 minutos para cada época.

Com o modelo treinado, vamos verificar os resultados que ele pode nos fornecer. A princípio, vamos observar o resultado com base em imagens do conjunto de dados para teste, que também foi gerado a partir do Grasshopper (nem uma única imagem do conjunto de dados para teste foi usada no processo de treinamento).

desentupidora sp, desentupidora São Paulo

A rede neural realiza seu trabalho muito bem. Aposto que se não estivesse escrito qual imagem foi gerada no Grasshopper e qual foi desenhada pela rede neural, você teria que olhar com atenção para distinguir. Podemos ver claramente como ele foi capaz de detectar os princípios-chave que fiz durante a criação do algoritmo no Grasshopper: ele desenha prédios para que o pátio esteja sempre aberto para estacionar ou para o sul, os pátios são quase todos fechados para a estrada, os prédios estão perfeitamente alinhados. Mas esse tipo de área, como mencionei antes, foi criado apenas para “alimentar” a rede neural com dados de treinamento. A qualidade do planejamento é ruim, então vamos ver como ele pode lidar com algo mais provável de fazer parte da área.

E vamos ver como nossa área gerada pela rede neural ficará após o pós-processamento.

A oportunidade de gerar várias opções com facilidade abre muitas portas para experimentar a criação de vários conceitos. E com isso em mente, podemos nos sentir livres para mudar a direção de estradas, parques, zonas funcionais e quase instantaneamente obter um novo conceito.

Por enquanto, a saída não está vinculada a nenhum software e os edifícios devem ser redesenhados manualmente a partir da imagem de saída. Mas vincular uma saída a um software pode nos dar não apenas uma representação 3D, mas também fornecer instantaneamente algumas informações técnicas.

Atualmente estamos vivendo em uma época muito emocionante, quando a IA começa a cobrir diferentes campos e dar oportunidades que antes não eram possíveis pelos seres humanos. Esta é apenas uma tentativa de como a IA pode desenhar áreas residenciais e, embora algumas soluções sejam questionáveis, espero que você tenha entendido. Mais cedo ou mais tarde, a IA se tornará uma ferramenta poderosa para planejadores urbanos criarem não apenas áreas residenciais, mas cidades inteiras ao redor do mundo. E estou absolutamente certo de que a IA em design e engenharia fará com que as pessoas do futuro olhem para nós da mesma forma que olhamos para trás no tempo quando o CAD não existia.