Тема: Применение алгоритмов машинного обучения в промышленном дизайне

Современные достижения в компьютерной технике позволяют обрабатывать немыслимое количество собранных данных. Ранее были предложены методы для обработки информации, позволяющие в упрощенном виде моделировать работу человеческого мозга. Такие модели получили название Искусственные Нейронные Сети(ИНС).
Преимуществами данного подхода являются обширность решаемых задач, устойчивость к шумам входных данных, адаптация к изменениям, отказоустойчивость, сверхбыстрое взаимодействие.[1]
Несмотря на все перечисленные преимущества, даже спустя более 15 лет истории использования ИНС, в этой области до сих пор не разрешены многие вопросы, начиная от причин получения таких результатов, до способов применения ИНС к различным задачам.
В последнее время ИНС широко применяется в промышленных системах, выполняя задачи, на которые ранее тратили десятки часов инженеры и дизайнеры. Правильное применение алгоритмов машинного обучения помогают не только облегчить работу, но и зачастую полностью переложить ее на компьютер.
Постановка задачи
В настоящий момент существуют публикации и системы, задачей которых является оптимизация конструкций в промышленности используя ИНС. Проблема заключается в том, что все они предполагают наличие заранее определенной эстетической формы, а оптимизация ведется только по внутренней структуре или поверхности этой формы [2,3]. Для использования полного потенциала ИНС на них также следует возложить задачу генерации и эстетических форм, что приводит нас к логически полному процессу создания объекта в промышленном дизайне: генерации полностью нового, оптимизированного объекта. В идеальном представлении должен существовать такой программный инструмент, позволяющий генерировать некие эстетические формы или объекты, которые в дальнейшем могут быть использованы для оптимизации уже готовыми решениями в области генеративного дизайна.
Проблемы подхода, связанного с созданием новых объектов заключается в их правильной оценке с точки зрения дизайна, так как субъективное ощущение чего-то красивого не всегда возможно описать математическими уравнениями. Но появление работ, связанных с оценками эстетичности картинок[4], красоты лиц[5,6] и качества фотографий[7] на основе алгоритмов машинного обучения позволяют задуматься о появлении систем, позволяющих не только оценивать, но и создавать объекты, основываясь на оценках эстетичности исходных данных.
Для начала работы над такими системами, необходимо:
• исследовать решения из смежных областей;
• подобрать наиболее подходящий метод машинного обучения;
• подобрать наборы данных, позволяющие легко провести анализ после исследования;
• провести эксперименты, которые позволят наглядно определить, возможно ли перенести ту же степень красоты с объекта одного набора данных на сгенерированный объект из другого набора.
 

Купить

В данной работы были рассмотрены основные подходы к индустриальному дизайну, начиная от простейших методов, заканчивая алгоритмами, использующими машинное обучение. Так же был проведен анализ литературы, основной целью которых было оценивание эстетической составляющих объектов на изображении при заранее известных оценках на тренировочных данных.
В результате обзора области, было выявлено, что современные подходы к индустриальному дизайну не включают в себя генерацию красивых объектов какой-либо природы, либо опираются на заранее известные, составленные экспертами правила. Исходя из этого факта был подобран метод машинного обучения, наборы данных и проведено исследование, позволяющее понять, возможно ли переносить понятие красивого с одного объекта на другой в рамках подобранного алгоритма.

Купить