INOVATION & TECHNOLOGY
DEVELOPMENT
https://www.mlsjournals.com/Innovation-Technological-Develop
Cómo citar este artículo:
Kotaira, K. (2020). Generative design em projetos de edifícios: o paradoxo da escolha. Innovation & Technological Development, 1(2), 7-20.
GENERATIVE DESIGN EM PROJETOS DE EDIFÍCIOS: O
PARADOXO DA ESCOLHA
Keila Kotaira
ENG DTP & Multimídia Ltda (Brasil)
kotaira@gmail.com · https://orcid.org/0000-0003-3671-5326
Resumo. Avanços no Design Computacional associados ao conceito de modularidade e parametrização,
racionalização da construção e Machine Learning, trouxeram possibilidades advindas do desenvolvimento da Inteligência Artrificial. Com o Generative Design não há uma solução única, mas sim, várias ótimas soluções. Um conjunto de inputs, parâmetros constritivos com os objetivos de projeto, podem ser treinados para gerar um conjunto de outputs de difícil obtenção utilizando-se outros recursos consagrados. Ao profissional basta escolher, dentre as soluções, o design que melhor se adapte às necessidades e objetivos do projeto. Ideais contemporâneos de entregar mais, de modo mais personalizado, com maior desempenho, e com cada vez menos impacto podem ser obtidos de modo facilitado com o auxílio da Inteligência Artificial, suas ferramentas e algoritmos. Entretanto, trazem consigo a necessidade de reconsiderar o processo iterativo de projeto, que busca resultar em um único bom artefato final. A popularização do acesso à informação, acelerou a mudança nos processos aplicados na construção civil e necessidade de novas ferramentas, mas também apresentou o contraponto do paradoxo da escolha. O artigo buscou analisar e trazer paralelos de outros campos de estudo acadêmico, investigando a contribuição do Generative Design no setor de Arquitetura, Engenharia e Construção Civil (AEC), onde o desafio não é apenas tecnológico.
Palavras-chave: Generative Design, Projetos paramétricos, Concepção de projetos, AEC, Design
Computacional.
GENERATIVE DESIGN IN BUILDING PROJECTS: THE
PARADOX OF CHOICE
Abstract. Associated with modularity and parameterization, construction rationalization and Machine
Learning concepts, advances in Computational Design brought several possibilities from Artificial Intelligence development. With Generative Design there is no single solution, but multiple great solutions. A set of inputs, constrictive parameters with the design objectives, can be trained to generate a set of outputs that are difficult to obtain using other established resources. For the professional it is enough to choose, among the solutions, the design that best adapts to the needs and objectives of the
project. Contemporary ideals of delivering more, in a more personalized way, with greater performance, and with less impact can be obtained, in an easier way, with Artificial Intelligence help, its tools and algorithms. However, they bring with them the need to reconsider the iterative design process, which seeks to result in a single good final artifact. The popularization of information access, accelerated the shift in civil construction processes and a need for new tools, but also presented the counterpoint of the paradox of choice. This article sought to analyze and bring parallels from other academic study fields, investigating the Generative Design contribution in Architecture, Engineering and Civil Construction (AEC) sector, where the challenge is not only technological.
Keywords: Generative Design, Parametric Projects, Project Design, AEC, Computational Design.
DISEÑO GENERATIVO EN PROYECTOS DE CONSTRUCCIÓN:
LA PARADOJA DE LA ELECCIÓN
Resumen. Los avances en el diseño computacional asociados con el concepto de modularidad y
parametrización, la racionalización de la construcción y el aprendizaje automático, trajeron posibilidades derivadas del desarrollo de la inteligencia artificial. Con el diseño generativo no hay una solución única, sino varias soluciones excelentes. Un conjunto de entradas, parámetros restrictivos con los objetivos de diseño, puede ser entrenado para generar un conjunto de resultados que son difíciles de obtener utilizando otros recursos establecidos. Para el profesional es suficiente elegir, entre las soluciones, el diseño que mejor se adapte a las necesidades y objetivos del proyecto. Los ideales contemporáneos de entregar más, de una manera más personalizada, con un mayor rendimiento y con un impacto cada vez menor se pueden obtener de una manera más fácil con la ayuda de la Inteligencia Artificial, las herramientas y los algoritmos. Sin embargo, traen consigo la necesidad de reconsiderar el proceso de diseño iterativo, que busca dar como resultado solo un bueno artefacto final. La popularización del acceso a la información, aceleró el cambio en los procesos aplicados en la construcción civil y la necesidad de nuevas herramientas, pero también presentó el contrapunto de la paradoja de la elección. El artículo buscaba analizar y traer paralelos de otros campos de estudio académico, investigando la contribución del Diseño Generativo en el sector de Arquitectura, Ingeniería y Construcción Civil (AEC), donde el desafío no es solo tecnológico.
Palabras clave: Diseño Generativo, Proyectos Paramétricos, Concepción de Proyectos, AEC, Diseño
Computacional.
Introdução e Linha do Tempo
Modularidade, Design Computacional, Parametricismo, Inteligência Artificial e Generative Design não são passos herméticos e independentes. Cada uma das novas facetas do exponencial desenvolvimento tecnológico propagado possui interdependência e toma emprestado aspectos diversos de suas predecessoras. Na arquitetura de novas edificações contemporâneas, as inovações moldam continuamente a prática de projetá-las e construí-las, em contínuo e incessante movimento. E o próprio papel do design está mudando como resposta.
Segundo Hilpert, T. (2015), no início de 1920, na Bauhaus, teorizado por Walter Gropius, o eixo modular (Modular Grid) trouxe a esperança de simplificação e racionalização em projetos de edifícios. Gropius a definiu como “Baukasten”, o "módulo-tipo" a ser agregado através de regras estritas de montagem, e que inspirou, posteriormente, o “Modulor” de Le Corbusier. Ao aplicar o rigor modular à escala humana, Le Corbusier, em 1946, ofereceu uma implementação holística dos princípios modulares em edificações, envolvendo princípios de ergonomia e dando início ao
movimento modernista. A Modularidade definiu o embasamento do pensamento sistemático em projetos de arquitetura na construção civil.
Em 1959, o engenheiro Patrick Hanratty lançou o "PRONTO", o primeiro protótipo de software CAD, Computer Aided Design, segundo Goodacre, C. J., Garbacea, A., Naylor, W. P., Daher, T., Marchack, C. B., & Lowry, J. (2012). Na sequência, Christopher Alexander, arquiteto e professor na U.C. Berkeley, estabeleceu os princípios-chave do Design Computacional. Em suas “Notas sobre a síntese da forma” (Notes on the Synthesis of Form) (1964) e em “Um Padrão de linguagem” (A Pattern Language) (1977), Alexander teorizou sobre o porquê e como os computadores poderiam ser usados para endereçar a questão da forma da construção. Seu entendimento a respeito do potencial do Design Computacional contrastava com o foco centralizado na enganharia de hardware de sua época e, ainda hoje, os princípios defendidos em seus livros são o embasamento da programação de softwares, inserindo conceitos como recursões, programação orientada a objetos e suas aplicações em projetos. Posteriormente arquitetos contemporâneos entusiastas como Frank Gehry adotaram ferramentas CAD-CAM como o CATIA da Dassault Systems, para contornar problemas de geometria complexa, com rigoroso controle, confiabilidade, uso facilitado e melhor fluxo de iterações do que caso fosse realizado à mão na prancheta.
Após a consolidação da era da computação, tarefas repetitivas e ausência de controle em geometrias mais complexas foram contornadas com a racionalização e conjuntos de regras codificadas para automatizar tarefas com o uso de softwares. O advento do Parametricismo, ou Projetos Paramétricos, criados com conjuntos de parâmetros-chave dados a um computador e filtrados pelo seu designer, permitiu variar resultados para diferentes cenários possíveis. Samuel Geisberg, matemático e fundador do Parametric Technology Corporation (PTD), em 1988, resume o ideal paramétrico: “criar um sistema que seja flexível o suficiente para incentivar a engenharia a considerar facilmente uma variedade de modelos, com o custo de fazer mudanças de design o mais próximo possível de zero.”
Os primeiros trabalhos no campo de Generative Design na construção civil são os layouts algorítmicos documentados no livro de Nigel Cross, “O Arquiteto Automatizado” (The Automated Architect) (1977), que analisa o processo de geração computacional de plantas baixas. Cross (1977) deu início à crença de que "os computadores podem produzir desenhos que são de alguma forma melhores do que desenhos produzidos por humanos". Posteriormente, em entrevistas dadas sobre a sua publicação, Cross afirmou que: "Eu não achava que automatizar a arquitetura era uma boa idéia, pois para mim, o valor de fazer a pergunta: 'Uma máquina pode projetar?' É que ela implora a pergunta corolária: 'Como as pessoas projetam?'". Cross induziu o cenário mais provável: em vez de substituir arquitetos, essas ferramentas tornariam o conhecimento arquitetônico mais amplamente disponível. E, mesmo nas situações em que algumas tipologias de edifícios fossem construídas sem envolver o processo criativo de um projetista humano, as ferramentas de automação poderiam reduzir a atuação dos profissionais para onde fossem de fato imprescindíveis, reduzindo o custo do projeto.
A Hypar [website].(https://hypar.io/, recuperado em 02 de abril, 2020), Open Space [website](https://www.openspace.ai/,recuperado em 02 de abril, 2020) e Autodesk Refinery Project [website]. (https://www.autodesk.com/campaigns/refinery-beta/, recuperado em 02 de abril, 2020) com o uso do Dynamo, dentre outras empresas, popularizaram o recente uso do Generative Design como uma mudança definitiva na conceitualização, design e construção. Na era da inteligência artificial (AI, Artificial
Inteligence), computação em nuvem (cloud computing) e colaborações virtuais, os modelos AEC, de Arquitetura, Engenharia e Construção Civil, podem ser adaptados às suas próprias intenções de design. Segundo Heventhal, Christensen, Smith e Vermeulen (2020), da equipe de desenvolvimento Generative Design Experts, da Autodesk [website] (https://www.autodesk.com/solutions/generative-design, recuperado em 02 de abril, 2020), o "Generative Design (GD), ou Design Generativo, é um processo de exploração de design em que responsáveis pela concepção de projeto inserem os objetivos de projeto no software de Generative Design, juntamente com parâmetros de desempenho ou requisitos espaciais, materiais, métodos de fabricação e restrições de custo. (...) Usando inteligência artificial (AI) e o poder computacional em nuvem (cloud computing), o Generative Design permite a criação de milhares de opções de design, bastando definir o seu problema de projeto, e inserir parâmetros constritivos tais como altura, peso, suporte, resistência, conforto térmico-lumínico, dentre outros.”
Kyle Bernhardt (2019), Diretor de Building Design Strategy (Estratégia de Design de Edificações) da Autodesk, afirma que a lógica da Inligência Artificia (AI) pode vir de duas fontes: o Machine Learning (ML) e a definida por seres humanos. “O Machine Learning, aprendizado realizado por máquinas, é uma abordagem tecnológica específica que usa conjuntos de dados em larga escala (input) para treinar um conjunto de algoritmos e produzir uma saída (output) que, de outro modo, seria muito desafiador para se escrever com codificação manual. É essencialmente computação de força bruta (brute force) e especialmente útil no reconhecimento de padrões (pattern recognition). É um subconjunto da AI. Quanto mais dados houver, melhor será”, segundo Bernhardt (2019) apud Martyn (2019).
Bernhardt (2019) expande sobre o tema, considerando que a AI codifica lógica avançada, a experiência da condição humana, de uma maneira tecnológica. E comenta que ideais contemporâneos, como por exemplo, "entregar mais, de uma maneira melhor, com menos impacto" podem ser obtidos de modo facilitado com o auxílio da AI, sendo o Machine Learning (ML) um dos melhores vetores para alcançá-lo. Sistemas generativos oferecem uma metodologia e filosofia que permitem visualizar o mundo em termos de processos dinâmicos e seus resultados.
Segundo Thomas Kuhn (1996), o Genetrative Design oferece uma mudança de paradigma para o processo de design e a expressão desse processo. Para designers, envolve uma reconsideração do artefato estático e as ações que o manipulam. A conceitualização muda da primazia dos objetos para a visualização da interação entre componentes, sistemas e processos, que por sua vez geram novos artefatos, com propriedades especiais. A pesquisa em sistemas generativos toma emprestada conceitos gerais de síntese, da biologia, que podem ser observados na natureza intracelular de seres vivos, sua diversidade e adaptabilidade.
Diferentes técnicas são utilizadas gerar populações de Generative Design: força bruta, estocástica, amostragem estatística, dentre outros. Sistemas generativos são relevantes para o design contemporâneo de diversas maneiras. Sua integração no processo de design permite o desenvolvimento de soluções inovadoras de projeto, difíceis ou impossíveis de alcançar via outros métodos. Técnicas baseadas em gramática exploram o princípio da amplificação de banco de dados, gerando formas e padrões complexos a partir de especificações. Sistemas evolutivos podem ser usados em combinação com a seleção estética para criar soluções de design sob a direção de um profissional responsável. Segundo Innocent (1999), o design da interface e outros sistemas de sinalização podem ser definidos em termos de procedimentos para criar
uma comunicação que se adapte à sua interpretação e uso por um determinado público usuário.
Metodologia, Morfologia e Fundamentação Teórica
Por natureza, as mídias eletrônicas e seus meios de comunicação, são fluidas e mutáveis, com a capacidade de alterar sua estrutura e significado em resposta ao ambiente, interação do usuário, dados recebidos ou outros fatores. Processos generativos podem ser usados para se comunicar através de elementos como imagens dinâmicas, animação, texturas, forma, música e tipografia. Os princípios operacionais desses processos generativos podem inspirar abordagens alternativas para se projetar. Idéias de evolução, criação, fertilização cruzada e adaptação podem ser aplicadas ao processo de design para gerar práticas alternativas de design. Neste cenário, sistemas generativos estimulam novas possibilidades para um único projeto, e podem, até mesmo, transformar a metodologia e a cultura de uma equipe de projeto.
A cultura do design mudou significativamente. Inicialmente houve um interesse crescente da comunidade de design em abordagens interdisciplinares e colaborativas para os problemas de projeto, com uma conexão mais íntima entre conceito, produção e realização no processo de desenho, através da flexibilidade introduzida através de ferramentas de design digital. O processo de design é amplamente visto como uma colaboração, atividade interdisciplinar mais flexível do que algumas das abordagens surgidas nas décadas de 1970 e 1980. A própria popularização do acesso à informação, via internet, trouxe evolução e adaptação acelaradas se comparadas às mídias mais tradicionais, como as impressas, como resposta às demandas de uma audiência global com acesso instantâneo a mídias eletrônicas rápidas e efêmeras.
Através de pesquisa e análise de dados, as propriedades-chave de Sistemas Generativos podem ser resumidos em “Auto-organização e auto-montagem; Sistemas Evolucionários; Capacidade de auto-manutenção e auto-reparo; Capacidade de gerar novas estruturas; resultados e/ou relacionamentos” (McCormack, J., Dorin, A., & Innocent, T. , 2004, com tradução, rearranjo, e a inclusão de exemplos subsequentes do autor).
Auto-organização e auto-montagem
A capacidade de gerar complexidade, com muitas ordens de magnitude maiores do que sua especificação. A amplificação de banco de dados, em que componentes de uma dada complexidade interagem e geram agregados de muito maior complexidade comportamental e/ou estrutural. Esses agregados podem, por sua vez, gerar suas próprias interações, formando novos agregados ainda mais sofisticados e complexos, em hierarquia dinâmica, tal como ocorre com organismos multicelulares complexos, compostos de átomo, molécula, organela, célula, órgão, organismo, ecossistema. Compostos de sistemas de montagem automática, em que um grande número de sistemas relativamente simples e autônomos se combinam para construir artefatos em grande escala ou interagem uns com os outros para resolver problemas coletivamente, imitando comportamentos observados na química, onde elementos simples podem efetuar diferentes ligações, resultando em diferentes estruturas e interações. Este é o embasamento da química supra-molecular e da nanotecnologia. Mas, na prática, ainda é muito difícil para o projetista especificar regras efetivas para automontagem de
elementos virtuais, mesmo "rotulando-os" (tags) e ditando suas regras de constrição (constraints).
Sistemas Evolucionários:
A relação complexa e interconectada entre organismo e meio ambiente. Os organismos não apenas evoluem e se adaptam ao seu ambiente, mas também a sua presença e número podem afetar e alterar o próprio meio. As dependências inter e intraespécies formam uma complexa rede de relações, o ecossistema, no qual muitas vezes existem muitos ciclos de feedback de modo homeostático, ou seja, mantêm ativamente o seu estado para compensar as mudanças ambientais. É embasada na simulação do processo de seleção e reprodução em um computador. Esta técnica encontrou ampla aplicação em design para animação por computador e gráficos, mas também em projeto arquitetônico, industrial e de engenharia, segundo Bentley (1999), apud McCormack, J., Dorin, A., & Innocent, T. (2004). A tecnica depende da especificação de um modelo parametrizado suficientemente geral para permitir uma ampla variedade de possíveis resultados de interesse para o designer. Uma "população" de projetos em potencial é gerada com um conjunto de parâmetros e regras de constrição. Essa população aleatória é visualizada e dentre os designs mais "adequados" exibidos, é criada uma outra população de desenhos que herdam qualidades de sucesso de seus predecessores evolutivos, o que requer a sobrecarga de interação humana constante, um gargalo necessário, por ser difícil codificar qualidades subjetivas, e que acaba por envolver o atual paradigma da escolha, abordado por Barry Schwartz (2005).
Capacidade de auto-manutenção e auto-reparo:
Sistemas generativos podem se adaptar para manter configurações estáveis dentro de um ambiente em mudança. Swarm systems, ou Sistemas de enxame, conseguem superar perturbações significativas e perdas individuais, reformando e adaptando funções comportamentais para sobreviver, com tolerância a falhas e redundâncias internas consideráveis, dando-lhes a capacidade de superar mudanças que limitariam um design “humano” projetado de modo mais convencional e mais frágil. Sendo, por este motivo, largamente mais utilizado em sistemas de segurança digital. Segundo Ferrer, E. C. (2018), o swarm system feito com robôs revolucionará muitas aplicações industriais, da entrega de material à agricultura de precisão. No entanto, há várias características heterogêneas que os tornam ideais para determinadas aplicações futuras, incluindo a autonomia de robôs, controle descentralizado, comportamento emergente coletivo, dentre outros, mas dificultam a evolução da tecnologia, para que transpassem o limite das instituições acadêmicas e interajam com problemas do mundo real.
Capacidade de gerar novas estruturas, resultados e/ou relacionamentos:
Ser novo, original e diferente de qualquer outra coisa anterior, em oposição ao que é mera imitação ou cópia. Novos sistemas geradores têm potencial para dar origem a propriedades genuinamente novas, como sistemas emergentes com funcionalidades ou resultados que não foram previstos. O que, inexoravelmente, aumenta a questão do controle e a necessidade da escolha, um ponto ainda problemático no Generative Design. A gramática generativa, largamente utilizada em corretores automáticos de smartphones, envolve a especificação de um mapeamento de uma série de caracteres e o artefato a ser projetado com indicações instrutivas. Para a construção do artefato a ser executado, inicia-se com uma sequência inicial de caracteres, o axioma. Um conjunto de regras de produção deve ser projetado especificando como cada caracter, e palavras consequentes, devem ser substituídos por outro conjunto. Esse processo de substituição
de sequências, conhecido como strings, ocorre até que uma string seja localizada, representando a estrutura final. Jon McCormack (1996), propôs o Grammar Based Music Composition, a Composição de música baseada em gramáticas de reescrita, onde a representação de afinação, duração e timbre são codificados como símbolos gramaticais, sobre os quais uma série de regras de reescrita são aplicadas. E extensões paramétricas à gramática geram a especificação de dados contínuos para modulação e controle. McCormack (1996) propôs o uso de símbolos gramáticais para representar as relações entre as notas, em vez das notas absolutas, associadas a representação gramatical hierárquica, permitindo o surgimento de composições musicais complexas a partir de sintaxe relativamente simples.
Atores Participantes: o papel do designer projetista no Generative Design
No design tradicional, o papel do projetista é explorar um espaço de solução. As soluções podem ser estéticas, semióticas, culturais, dinâmicas, industriais, corporativas, política ou qualquer combinação desses e de outros determinantes. A relação entre designer e artefato é direta, mesmo que mediada através de terceiros ou mídias. Já o design com o uso de métodos generativos envolve a criação e modificação de regras ou sistemas que interagem para gerar o design final de modo autônomo. Consequentemente, o designer não manipula diretamente o artefato produzido, mas as regras e sistemas envolvidos na produção do artefato. “O processo de criar torna-se um meta-design em que o projeto final é o resultado de propriedades emergentes do sistema em interação” (McCormack & Dorin, 2001).
A arte de projetar neste modo consiste em dominar a relação entre especificação de processo, ambiente e artefato gerado, sem um método formalizado ou baseado em instruções obrigatórias que possa ser usada para orientar esse relacionamento. Entrentanto, o papel do "designer humano" permanece, como acontece com o processo de design convencional. O papel do designer projetista visa restringir o processo dinâmico e seu comportamento, e até mesmo aplicar "individualidade" ao projetar com a mídia generativa. Um aspecto adicional a ser considerado é, também, a coerência do design, independentemente das transformações físicas ou comportamentais. Organismos biológicos freqüentemente permanecem únicos, como entidades identificáveis, apesar do fluxo de seus componentes, da dinâmica de seu comportamento, e processos morfológicos de crescimento e decadência. A vida de um organismo é determinado pela extensão em que pode manter sua organização em face da decadência.
Ao projetar com processos generativos, pode-se ainda desejar deixar uma marca reconhecível em uma criação. Isso pode ser alcançado, de modo estático, com componentes fixos, com um estilo de marca registrada ou de autoria reconhecida. E mesmo sem a intenção de impor um estilo reconhecível o uso de técnicas generativas não excluem esta opção. Nesse sentido, o Generative Design ainda requer a habilidade e a arte que abrangem todo tipo de projeto, bem como o repertório do responsável pela sua concepção, escolha e desenvolvimento.
Resultados: Contraponto e Paradoxo
Observando apenas sua superfície, o Generative Design é uma visão atraente ao possibilitar que um algoritmo crie rapidamente milhares de opções, bastando pedir que um designer editor escolha a melhor resultante, em vez de empregá-lo para criar laboriosamente só um único conceito no mesmo intervalo de tempo. Basta especificar
os objetivos do projeto para o algoritmo produzir uma variedade de opções para, em seguida, o designer retornar e escolher o melhor candidato. E como o algoritmo pode produzir inúmeros conceitos de design, o designer editor pode considerar mais possibilidades do que em um projeto típico, melhorando as chances de se encontrar o protótipo de projeto ideal ou, até mesmo, descobrir uma nova solução com menor esforço.
Segundo o arquiteto Daniel Davis (2019), no vernáculo atual, o termo "Generative Design" possui significado razoavelmente fraco, o que não é incomum pois outros termos técnicos como “Paramétrico” ou “Machine Learning” se tornaram mais vagos à medida que se tornaram mais populares. No caso do Generative Design, o termo “generativo” é frequentemente confundido como algo “gerado” de modo “genérico”. O processo de Generative Design adotado hoje, em projetos da construção civil, adota três etapas:
1.º) designers definem os objetivos do projeto,
2.º) os algoritmos produzem uma variedade de soluções e 3.º) os designers escolhem o melhor resultado.
Chui, M., Manyika, J., Bughin, J., Dobbs, R., Roxburgh, C., Sarrazin, H., ... & Westergren, M. (2012), em artigo publicado no McKinsey Global Institute Report (July 2012), afirmam que o trabalhador médio gasta cerca de 11 horas por semana lendo e respondendo e-mails. Usando, como paralelo, o Generative Design em outro contexto, o de se escrever e-mails, o "e-mail generativo" poderia ser uma opção de vanguarda, bastando-se para isso escolher o assunto, e deixar o algoritmo escrever algumas opções. Depois o trabalhador escolheria enviar a melhor opção, economizando tempo e gerando e-mails melhores. Hoje, tecnicamente, já é possível realizar o "Generative e-mail". Ao testar o protótipo, Davis (2019), constatou que a maioria dos e-mails era incoerente mas, alguns eram inesperadamente eruditos e com imenso potencial, fazendo crer que o sistema estaria quase funcionando. E, embora seja trivial demonstrar que o design generativo é possível, é consideravelmente mais difícil dar o próximo passo e mostrar que é útil.
O autor, através desta pesquisa, diagnosticou que o desafio do Generative Design consiste em migrar do plausível para o prático, na construção civil e também em outros setores que envolvam processos criativos. No exemplo do experimento de e-mail generativo realizado por Davis (2019), o texto foi escrito pelo algoritmo GPT-2 . Este programa, desenvolvido pela OpenAI (2019), foi embasado em décadas de pesquisa em redes neurais e processamento de linguagem natural. O resultado é um algoritmo que pode escrever tudo. Desde manchetes para grandes jornais a, até mesmo, roteiros completos de ficções best sellers. O GPT-2 completo foi tão convincente e eficaz que a OpenAI o conteve, considerando a liberação do software “muito perigosa” por causa de sua capacidade de automatizar a produção convincente e voraz de “fake news”, notícias virais e de conteúdo falso. A explicação do receio dos criadores do GPT-2 pode ser acessada, de modo aberto, na Open AI , https://openai.com/blog/better-language-models/, recuperado em 02 de abril, 2020. O download gratuito da versão aberta do código GPT-2 pode ser realizado no Github, https://github.com/openai/gpt-2, recuperado em 02 de abril, 2020.
Ainda não há um algoritmo GPT-2 para a criação de edificações. Logo, o designer projetista torna-se responsável por criar o sistema, codificá-lo desde o princípio, para obter uma espécie de “fábrica virtual” que produz diferentes concepções de projetos de
edifícios. Ressalta-se que, pelo viés de análise de sistemas e de produção, se a fábrica produzir repetidamente um produto razoavelmente uniforme, ela é relativamente simples de se configurar. Mas, para produzir alta variação e personalização, muito mais tempo e habilidade para configurar a fábrica serão necessários, em comparação a, simplesmente, neste caso, realizar o trabalho manual manufaturado. Para se evitar a alta complexidade, a engenharia de produção tende a limitar o que a fábrica deve produzir. Demonstrações de Generative Design produzem centenas de opções de design diferente mas de aparência muito semelhante. Em vez de explorar toda a gama de resultados de design, acaba-se por explorar só o que o algoritmo conseguir criar.
Outro ponto sustentado por esta pesquisa é a de que a quantidade não substitui a qualidade. Os algoritmos de Generative Design aplicados na construção civil ainda não conseguem distinguir as boas ideias das ruins. Apesar de criarem opções de projeto de maneira massivamente veloz, produzindo rapidamente centenas de opções, o algoritmo só o faz para aumentar as chances de gerar, inadvertidamente, um bom design. A maioria dos resultados não é viável. No exemplo dado de “e-mail generativo”, a conclusão é a de que se o algoritmo for bom, ele será capaz de selecionar e mostrar só 3 a 5 rascunhos mais atraentes, ou até mesmo apenas um, só o melhor. O exemplo ocorrido com a versão final, não liberada publicamente, do GPT-2, sustenta este ponto. Em vez disso, os algoritmos de Generative Design em concepção de projetos de edifícios criam centenas de opções. Cem opções ruins não são iguais a uma única boa. Se a ferramenta de Generative Design for eficaz, produzirá menos designs, não mais.
O psicólogo Barry Schwartz (2004), em seu livro “The paradox of choice: Why more is less” e também na célebre apresentação homônima realizada no TED Talks (2005) observa um dos atuais dogmas centrais da sociedade atual: a liberdade de escolha. Schwartz afirma que a escolha nos tornou menos livres e mais paralisados, mais insatisfeitos em vez de mais felizes. Comparar opções é muito mais difícil do que parece, pois envolve a escolha. Depois de gerar todas essas opções, um responsável ainda precisará selecionar a melhor proposta. Mais opções resultam em mais oportunidades para uma pessoa tomar a decisão errada. Algo que todo ser humano teme. Este receio é denominado por Schwartz, de “excesso de escolha” ou o “paradoxo da escolha”, por vezes também traduzido como o “paradigma da escolha”. O Generative Design gera muitas alternativas semelhantes, sem um vencedor claro, o que torna a tarefa apenas mais extenuante. Bons profissionais se esforçarão para fazer avaliações e comparações significativas embasadas nestas múltiplas opções de escolha, e isso pode não ser tão rápido quanto se espera de um processo automatizado com Inteligência Artificial.
Para se diminuir a quantidade de resultados ruins seria necessário melhorar as métricas, desde que estas possam ser facilmente mensuradas. Ou incorrer em ignorar as métricas e obter muitas opções não filtradas. No campo da arquitetura de construções de edifícios, não há consenso sobre o que constitui uma boa arquitetura e não há nenhuma maneira absoluta de mensurá-la. Nas décadas de 1960 e 70, por exemplo, as pesquisas se concentravam na avaliação de edifícios em termos de tempo de caminhada entre salas. Facilmente calculável, mas não particularmente relevante. Segundo McCormack, J., Dorin, A., & Innocent, T. (2004), somente entre as décadas de 1970 e 1980 o processo de design passou a ser amplamente visto como uma colaboração interdisciplinar mais ampla e flexível que as abordagens anteriores. Hoje, se analisam mais os critérios denominados de sustentáveis, tais como a insolação na implantação, o conforto térmico-lumínico e o acústico. Mas, no futuro, outros aspectos de desempenho poderão ser mais preponderantes. Não há uma métrica soberana.
O Generative Design simplifica o processo de concepção de design em três etapas: briefing, ideação e decisão. Segundo Nigel Cross (2006), designers não seguem um processo linear, e o design é necessariamente confuso e iterativo. O mesmo ocorre na escrita de um e-mail: primeiro o trabalhador escreverá algo, o relerá, perceberá enganos, revisará, relerá, editará e trabalhará iterativamente em direção a um rascunho final. Em escritórios da rede WeWork, Andrew Heumann (2019), em seu estudo sobre humanização na automação da arquitetura, registrou arquitetos enquanto trabalhavam e observou um padrão semelhante ao observá-los alternarem rapidamente entre macro e micro mudanças, entre os objetivos mais amplos do projeto a implementações de detalhes mais específicos, de modo caoticamente alinear.
Nas demonstrações de Generative Design, a natureza iterativa do processo de concepção de design não é aparente porque não há riscos reais tais como revisões de projeto, cortes de orçamento e opiniões de terceiros. Em um projeto real, quase nunca se acerta na primeira vez, por maior que seja o repertório do autor do projeto. E as circunstâncias do projeto mudarão logo depois do primeiro rascunho. No momento em que o autor redige este artigo, o Generative Design ainda não acomoda revisões, pois pressupõe que o processo de design apenas avança, sem retroceder, sem considerar a ação humana na criação como caótica e alinear. Fazer uma revisão com o Generative Design significa “resetar”. Implica reiniciar o processo de Generative Design do zero, re-determinando suas constrições e parâmetros. Ou então, abandonar o seu uso e fazer a alteração manualmente.
A adoção do Generative Design na concepção de projetos de construção civil sofre outra crítica que reside no fato de que os outros campos que envolvem a criatividade ainda não o usam. Serviços de publicidade digital como o Google AdSense e o Facebook Ads, usados para a criação de anúncios para prospectos determinados, usam algoritmos de distribuição embasado em padrões de escolha e engajamento de usuários on-line. Serviços de streaming digital de músicas e podcasts como o Spotify, por exemplo, oferecem listas de reprodução em que o algoritmo recomenda para o usuário, músicas semelhantes às suas favoritas. Estes exemplos operam com um único algoritmo, criado uma única vez, ainda que venha a ser futuramente revisado e aprimorado. O Google AdSense, o Facebook Ads, e o Spotify não possuem um algorítimo para reprojetar, recriar rotinas, para abranger diversas situações atípicas e com variação de padrões. E também ainda não é possível solicitar a eles gerar somente 3 a 5 opções finais, ou só uma, a escolha vencedora. Apesar dos exemplos citados serem da vivência do autor desta pesquisa, não configuram exemplos únicos e nem recomendação de produto ou empresa. Apenas ilustram o uso de inteligência artificial em sistemas generativos automatizados.
Progressos indubitáveis foram feitos, mas ainda perduram desafios colossais. Davis (2019), após a experiência de e-mail generativo com a versão aberta do código GPT-2, afirmou que o Generative Design "parece possível, mas nunca foi muito prático."
Discussão e Conclusões
O prognóstico sustentado por este artigo é que o Paradoxo do Generative Design, seria evitado caso houvesse uma melhor compreensão de como a concepção de design é realmente feita. No atual mundo digital, profissionais profetizam sobre o futuro do design, baseados não no entendimento do processo de concepção de design, mas nas
possibilidades da tecnologia de ferramentas de projeto, com suposições ingênuas sobre o trabalho que designers e projetistas, arquitetos e engenheiros realmente fazem. Neste contexto, sob o ponto de vista de pessoas leigas, o Generative Design e suas várias soluções, como se apresentam no momento, soam como razoáveis e desejáveis. Para aquele que nunca projetou, o Generative Design, encontra a consonância com o seu anseio pessoal, acreditando que vale mais a pena realizar sozinho, e agora com o auxílio de uma ferramenta de inteligência artificial. Completamente sem a interferência do profissional médio estigmatizado, que sonha sem concretude e que apenas encarece a obra. Sendo que, filtrar o resultado do Generative Design, hoje, pelo contrário, exige um super profissional.
Os algoritmos só serão práticos se trabalharem com seres humanos. O verdadeiro desafio não é a tecnologia, é a abordagem. Como os algoritmos se encaixam para o designer em seu processo criativo. O Generative Design solicita aos projetistas que mudem o seu processo iterativo e sigam os estágios de Machine Learning. “Estágios de Machine Learning englobam a Coleta de dados; Preparação dos dados; Escolha do modelo; Treinamento; Avaliação; Aprimoramento dos parâmetros; Predição” (Bishop, C. M., 2006). Estas etapas, transcritas para o Generative Design, segundo Davis (2013), se tornaram as de: Briefing com a definição de objetivos; Ideação com a produção de várias soluções parametrizadas; E a escolha do melhor resultado.
Esta pesquisa conclui que caminho mais frutífero, indicado por tecnologias já implementadas, consiste em adaptar o processo existente e encontrar maneiras de aprimorá-lo com inteligência algorítmica para o setor. Retomando o exemplo do e-mail: o processo de redigir o e-mail é semelhante a digitar uma carta em uma máquina de escrever, porém, ofertando ao profissional a possibilidade tecnológica de se utilizar corretores ortográficos, teclados preditivos, funções inteligentes de composição, bots, filtros de spam e priorizadores de e-mail que funcionam para o usuário, ajudando-o, orientando-o, e melhorando o seu processo de redação. O profissional designer trabalharia, de maneira similar, em seus projetos com a AI trabalhando para o projetista, no caso desta inteligência ser direcionada para facilitar os processos de criação iterativa. A computação já está, gradativamente, ajudando a acelerar tarefas repetitivas, guiando o usuário em decisões desafiadoras. Um exemplo são as ferramentas BIM na compatibilização de projetos interdisciplinares na indústria da construção. E, em uma escala macro, ao conectar fontes de dados pontuais do projeto da edificação, com grandes fontes de dados (Big Data), usuários podem ter acesso a informações relevantes para realizar decisões de design. Bases de dados GIS, se associadas à captura de dados em tempo real, e cruzadas com a fonte de dados do empreendimento em si, oferecem informações para realizar a melhor decisão de planejamento, de modo incontestável.
O Generative Design é sedutor e cativante, para profissionais e para leigos, mesmo que por motivações diferentes. Mas ainda carrega consigo a ausência de funcionalidades essenciais, resultando em sobrecarga de opções, métricas pouco determinísticas e a falta de integração com o processo de design. Seu efetivo funcionamento não será resolvido meramente com a proposta usual de melhores algoritmos, interface aprimorada e computadores mais rápidos. A pesquisa realizada pelo autor apontou que o Generative Design, como está sendo utilizado atualmente na construção civil, pode se tornar uma distração, a não ser que o seu desenvolvimento seja guiado pelo processo e não somente pela tecnologia. No caso de se direcionar para o processo, o Generative Design poderia embasar ferramentas auxiliadoras e efetivas no processo criativo.
Referências
Alexander, C. (1964). Notes on the Synthesis of Form (Vol. 5). Harvard University Press.
Alexander, C. (1977). A pattern language: towns, buildings, construction. Oxford: Oxford university press.
Autodesk (2018). Revit Blog [website]. Project Refinery [webpage] Retrieved from https://blogs.autodesk.com/revit/tag/project-refinery/
Autodesk (2020). Generative Design [webpage]. Retrieved from https://www.autodesk.com/solutions/generative-design
Bentley, P.J. (1999), Evolutionary Design by Computers. San Francisco, California: Morgan Kaufmann Publishers.
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. Chui, M., Manyika, J., Bughin, J., Dobbs, R., Roxburgh, C., Sarrazin, H., &
Westergren, M. (2012). The social economy: Unlocking value and productivity through social technologies. McKinsey Global Institute, 4, 35-58.
Cross, N. (1977). The automated architect. Viking Penguin.
Cross, N. (2006). Understanding design cognition. Designerly Ways of Knowing, 77-93. Davis, D. (2013). Modelled on software engineering: Flexible parametric models in the
practice of architecture.
Day, M. (2019). AEC Magazine [website]. Augmented thinking - how AI is coming to AEC [webpage]. Retrieved from
https://aecmag.com/component/content/article/59-features/1904-augmented-thinking-how-ai-is-coming-to-aec/
Eltaweel, A., & Yuehong, S. U. (2017). Parametric design and daylighting: A literature review. Renewable and Sustainable Energy Reviews, 73, 1086-1103.
Ferrer, E. C. (2018, November). The blockchain: a new framework for robotic swarm systems. In Proceedings of the future technologies conference (pp. 1037-1058). Springer, Cham.
Goodacre, C. J., Garbacea, A., Naylor, W. P., Daher, T., Marchack, C. B., & Lowry, J. (2012). CAD/CAM fabricated complete dentures: concepts and clinical methods of obtaining required morphological data. The Journal of prosthetic dentistry,
107(1), 34-46.
Heumann, A., & Davis, D. (2019, September). Humanizing architectural automation: a case study in office layouts. In Design Modelling Symposium Berlin (pp. 662-670). Springer, Cham. doi: 10.1007/978-3-030-29829-6_51.
Hilpert, T. (2015). Century of Modernity: Architektur und Städtebau Essays und Texte. Springer-Verlag.
Innocent, T. (1999), The Language of Iconica. In Dorin, A. & J. McCormack (eds),
First Iteration: A Conference on Generative Systems in the Electronic Arts.
Kuhn, T.S. (1996), The Structure of Scientific Revolutions, (Third Edition), University of Chicago Press, Chicago, Ill.
McCormack, J. & A. Dorin (2001). Art, Emergence and the Computational Sublime' in Dorin, A. (ed). In Second Iteration: a conference on generative systems in the
electronic arts. CEMA, Melbourne, Australia, pp. 67-81.
McCormack, J. (1996). Grammar based music composition. Complex systems, 96, 321-336.
McCormack, J., Dorin, A., & Innocent, T. (2004). Generative design: a paradigm for design research. In Proceedings of Futureground, Design Research Society. Melbourne.
Pilipiszyn, A. (2019). Open AI [website]. Better Language Models and Their Implications [webpage]. Retrieved from https://openai.com/blog/better-language-models/
Schwartz, B. (2004). The paradox of choice: Why more is less. New York: Ecco.
Schwartz, B. (2005). Barry Schwartz on the paradox of choice. TED Talks video. Retrieved from https://www.youtube.com/watch?v=VO6XEQIsCoM
Data de recepção: 03/04/2020 Data de revisão: 08/06/2020 Data de aceitação: 13/08/2020
