Yapay Zeka, Mimarlığın Geleceğini Nasıl Etkileyecek?

Her sanat dalında olduğu gibi, mimarlıkta da tasarımcının hayal gücü, tecrübesi, hayat tarzı ortaya koyulan ürünleri etkiler. Mimari kültür, ülkeden ülkeye, iklimden iklime, toplumdan topluma çoğu zaman bariz farklılıklar gösterir ve daima dinamik doğasını korur. Mimarlık, metodolojisi gereği bazen çok karmaşık sorulara cevap aradığı gibi, bazen de problemin çözümünü çok basit konseptlerde arar. “Kısıtlı alanı, en verimli şekilde nasıl tasarlayabilirim?” sorusuna cevap ararken, belki de kompütasyonel problemleri hızlıca çözmekte kullandığımız yapay zeka algoritmaları yardımcı olabilir.

Aslında yapay zekayla ilgili internetteki kaynaklarda bulunan onlarca tariften, diyagramdan pek azı tam anlamıyla kapsamlı bir tanım sunar. Eğer daha önce türev bazlı algoritmalar üzerine ayrıntılı bir okuma yapmadıysanız, “yapay zeka” konseptini kullanıldığı alan/sektör içinde öğrenmeye çalışmanız daha sağlam bir fikir verecektir; Çünkü yapay zeka modelleri, video oyunlarından akıllı güvenlik sistemlerine, mühendislik hesaplamalarından kanser teşhisine kadar çeşitli alanlarda kullanılıyor. Son on yılda veri bilimindeki araştırmalar sayesinde bu alanlara önemli bir tanesi daha eklenmiş oldu. Mimarlık; ve hatta şehir & bölge tasarımı…

Career Addict

Yapay Zeka, Kendi Kendine Tasarım Yapabilir mi?

Her ne kadar eş anlamlı değilseler de, “yapay zeka” tabiri çoğu zaman, temelde ona sunulan veriyi çözümleyip, analiz etme kabiliyetine sahip “yapay sinir ağları” yerine kullanılır. Bunlar, beyindeki nöronların işleyişinden esinlenerek inşa edilmiş kompütasyonel birimlerdir. Ona sunulan veriden hızlı bir şekilde öğrenip benzer başka bir veriyi sınıflandırma kabiliyetine sahiptirler. Tıpkı insan beynindeki nöronların, yıllar içerisinde tecrübelerle öğrendiği bilgileri elektriksel iletiler yardımıyla hafızaya alıp, ihtiyaç olduğunda günlük hayatta kullanabilmesi gibi, yapay sinir ağları da, bünyesinde programlanmış fonksiyonel birimleri (yapay nöron veya perseptron) hızlı bir şekilde tertipleyip sınırlı, ama hızlı analizler yapabilir. Yapay Zeka hakkındaki çok daha fazla bilgiyi buradaki yazı dizimizden alabilirsiniz.

Basit bir örnekle açıklayacak olursak: Farz edelim fotoğraflardaki binaları algılayabilen bir ağ geliştirmeye çalışıyorsunuz. Programınızın çalışabilir hale gelmesi için çok sayıda veriyi (bina içeren fotoğraflar), önce bu yapay ağa tanıtmanız gerekir, ki ağ bir binanın şeklinin neye benzediğini öğrensin (Daha reel bir tabirle; ağın sahip olduğu matematiksel parametreler, bir binayı, başka bir cisimden ayırabilecek fonksiyonlar tertipleyebilsin).

Yazar tarafından oluşturulmuştur

Yukarıdaki şema, en basit haliyle, programlanabilir basit bir yapay zeka ağını tarif ediyor. Uygulamaya bağlı olarak bir binanın, veya başka bir cismin neye benzediğini ona öğreterek bu mantıkla akıllı bir sistem oluşturmak mümkün. Elbette eğer elinizdeki (ağı beslediğiniz) veri yeteri kadar kaliteli değilse, programladığınız yapay ağ, besleme işlemi sonrasında şekli binaya benzeyen herhangi bir nesneyi gerçek bir binayla karıştırabilir; mesela bir otobüsü, büyük bir arabayı, veya şekli dikdörtgene benzer bir kutuyu…

Yapay sinir ağlarının matematiksel olarak modellenmeye başlandığı yıllar 1950’lere kadar geri gitse de, mimari tasarımla buluşması günümüzden yalnızca birkaç sene önceye dayanıyor. Bu zamana kadar, yalnızca gerçek veriden öğrenmeye programlı yapay ağlar, 2014’te Google araştırmacılarından Ian J. Goodfellow ve ekibinin ortaya attığı “Çekişmeli Üretken Ağlar” teorisiyle artık birbiri üzerine beslenen çoklu ağ sistemleri sayesinde görsel imajlar da üretmeye başladı. Ona sunulan veriyi çözümlemekle kalmayıp, benzer istatistik ve dağılımda çok boyutlu veriler üretebilen bu devrimsel buluş, yalnızca görsel tasarımı ilgilendiren alanlarla sınırlı kalmayıp, bunun yanında otomatik görüntü-ses onarımı, medikal modelleme, ilaç üretimi gibi birçok alanda yapay zekanın fonksiyonunu da yeniden konumlandırmış oldu.

Çekişmeli Üretken Ağlar, bünyesinde iki farklı yapay sinir ağ grubu barındırıyor: Jeneratör (üreten) ve ayrıştırıcı (sınıflandıran). Bu birbiri üzerinden beslenen iki gruptan Jeneratör, içine aldığı gelişigüzel (random) vektörlerle sentetik veri üretirken, ayrıştırıcı ise, gerçek veriyi, Jeneratör tarafından üretilen sentetik veriden ayırt etmeye programlanıyor. Goodfellow, teoriyi ortaya attığı makalesinde bu iki komponenti bir polis ve kalpazana benzetiyor.

Jeneratör sahte para basmaya çalışırken, ayrıştırıcı ise bir polis gibi sahte parayı gerçeğinden ayırabilecek yollar araştırıyor.

Böylelikle ikisi de aktif olarak durmadan birbirini besleyip fonksiyonlarını geliştiriyorlar.

Yazar tarafından oluşturulmuştur

Buradaki şema Üretken Ağların çalışma prensibinin bir diyagramı. 2018 yılında NVidia araştırmacıları gerçek insan yüzleri içeren çok sayıda fotoğrafla bir Üretken Ağ’ı besleyerek, onu gerçek olmayan insan yüzleri üretmesi için programladı.

NVidia’s Hyperrealistic Face Generator

Bu resim, StyleGAN ismindeki bir Üretken Ağ’ın ona tanıtılan yüzlerce insan portresinden yola çıkarak (öğrenip analiz ederek) tasarladığı, aslında var olmayan bir kadının portresi… Eğer bilmeseydiniz, sahte olduğunu söyleyebilir miydiniz?

Üretken Ağların Mimaride Uygulanması

Elbette bu teknoloji yayınlandığı andan itibaren dünyanın dört bir yanında görsel tasarımla ilgilenen birçok araştırmacının ilgisini çekti. Pennsylvania ve Tsinghua Üniversitesi araştırmacıları Hao Zheng ve Weixin Huang, Üretken Ağları 2018 yılında ilk kez mimari planlar üzerinde deneyip sonuçları rapor ettiler. Zhang, önce, Columbia Üniversitesi’nin veri tabanından aldığı öğrenci ödevleri ve sergi numunelerinden oluşan 800 adet kat planını, siyaha boyanmış sınır kesileriyle birlikte, programladığı Üretken Ağ’ı beslemekte kullandı. Test aşamasında, gelişigüzel çizdiği sınır kesilerini programa verip, ondan gerçek bir plan çizmesini istedi.

Drawing with Bots: Human-computer Collaborative Drawing Experiments by Hao Zheng

Üretken Ağ, her ne kadar sınırları başarılı biçimde algılayabilse de, planların iç kısmı bu ilk denemede ne yazık ki oldukça bulanık. Zheng, sonrasında daha fonksiyonel bir besleme biçimi tasarlayıp bu sefer planları renklendirmeye karar verdi. İç sınırları tekrar siyah, yaşama alanını sarı, mobilya alanını ise maviye boyayıp fonskiyonel şemalar hazırladı. Ayrıca fazladan modülarite kazandırmak için kırmızı çizgilerle mimari eksenler belirledi. Bu sefer sonuçlar ilkinden daha net.

Drawing with Bots: Human-computer Collaborative Drawing Experiments by Hao Zheng

Aynı çalışma, çeşitli şehirlerin siyah ve renkli uydu görüntüleriyle de tekrarlanıp benzer sonuçlar elde edildi.

Drawing with Bots: Human-computer Collaborative Drawing Experiments by Hao Zheng

Yukarıdaki şema, uydu görüntüleriyle beslenmiş Üretken Ağ’a, küçük bir bölgenin planını yapması için verilen basit çizim örneğini ve Ağ’ın çizdiği ürünü gösteriyor.

Aynı sene, Çin’den Dr. Huang, benzer şekilde programladığı Üretken Ağ’ı, odalarını farklı renklere boyadığı ayrıntılı daire şemalarıyla besleyerek, Ağ’ın algılama ve üretme yeteneğini incelemek üzere iki farklı deneme yapıyor. İlk denemede, programa verdiği kat planından, odaları algılayarak renkli bir fonksiyon şeması geri döndürmesini istiyor.

Recognition and Generation through Machine Learning by Weixin Huang

Huang’ın rapor ettiğine göre program yatak odası, tuvalet ve balkon gibi, duvarlarla ayrılı belirli kısımları algılayıp ayırt etmekte gayet başarılı. Fakat koridor gibi geçitler söz konusu olduğunda renklendirmede küçük hatalar yapıldığını rapor ediyor.

Huang’ın ikinci deneyinde ise, programa verilen renkli fonksiyon şemalarından, gerçek birer kat planı geri döndürmesini istiyor. Program, mutfak ve banyo planlamalarında oldukça başarılı geri dönüşler yaparken, oturma odası planlamalarında küçük hatalar gösterebiliyor.

Recognition and Generation through Machine Learning by Weixin Huang

Bu öncü araştırmalar elbette ki mimarlık & bölge planlama gibi fazlasıyla kompleks ve büyük sektörler için yalnızca bir trendin başlangıcı. Fransız genç mimar ve veri bilimci Stanislas Chaillou, Harvard’da derlediği tezinde, programladığı daha kompleks Ağ’larla dinamik bir şekilde akıllıca planlar üreten birçok örnek sundu.

AI & Architecture by Stanislas Chaillou

Yapay zeka, hemen hemen tüm mühendislik dizaynlarının artık vazgeçilmez bir asistanı haline geldi. Her ne kadar bu yeni trendin henüz emekleme aşamalarına tanık olsak da, Üretken Ağ teknolojisinin mimarlık ve bölge planlama açısından sahip olduğu potansiyel tartışılmaz. Unutmamak gerek ki başarılı bir yapay zeka uygulaması, hala daha bilgisayar programlarını eğitmek/beslemek için kullandığımız kaliteli, gerçek veriye bağımlı ve elbette bu sürecin hangi parametrelerce yönetilip sınırlarının nasıl çizileceği tasarımcının yeteneğine ve hayal gücüne kalmış.

Şimdilik öngörülebilen tasarımsal yapay zeka asistanları, tasarımcıları sıfırdan bitim sürecine kadar sarf ettikleri ağır çizim zahmetinden bir nebze de olsa kurtarabilir gibi görünüyor. Fakat büyük olasılıkla yakında, iyi bir tasarımcının yeteneklerinin baştan sona evrim geçireceği bir döneme tanıklık edeceğiz. Kod yazmak, programlama yapmak, kompütasyonel düşünce, şimdilik bu işin kısmen bir parçası olsa da, 10 yıl içinde mimari kültürün büyük yapıtaşları arasına girecek.