تا اینجا با افراد مطرح و تاثیر گذار در حوزه‌های طراحی و هوش مصنوعی و فرضیه‌های این دو در کنار تاثیر گذاری این 2 حوزه مطالبی ارائه شد. در ادامه با کارهای انجام شده در طراحی به وسیله هوش مصنوعی همانند حل مسئله، ایده پردازی و خلاقیت و نتیجه‌گیری این مقاله را به پایان می‌رسانیم! پس با ما همراه باشید!
اما همانطور که پیش از این نیز گفته شد جان جرو در روند بررسی تاریخی کاربرد هوش مصنوعی در طراحی دو دسته بندی طراحی به مثابه حل مسئله و طراحی به مثابه طراحی را ارائه می‌دهد.
عملیات جستجو در طراحی به مثابه حل مسئله نقشی اساسی را دارا بود. در سال1987 الگوی غالب مقالات هوش مصنوعی در طراحی، طراحی به عنوان یک سلسله عملیات جستجو فرض گرفته می‌شد. طراحی به عنوان عملیات جستجو بیشتر بر پایه تحقیقات قبلی منطبق با تحقیق در عملیات و بهینه سازی بود، اما هوش مصنوعی نمادین تغییرات مثبتی را ایجاد کرد. هوش مصنوعی با گسترده کردن دامنه جستجو از محاسباتی(numeric) به نمادین(symbolic) اجازه ظهور طیف وسیع‌تری از بازنمایی ها(representation) را می‌داد و همین امر باعث شد تا دامنه بیشتری از مسائل طراحی مورد توجه قرار گیرد. در آن برهه استفاده از مفاهیم و فناوری های در حال توسعه هوش مصنوعی مانند سیستم های خبره(expert systems)، سیستم‌های مبتنی بر محدودیت(constraint-based systems)، پارادایم برنامه نویسی منطقی(logic programming)، واستدلال مبتنی بر مورد(case-based reasoning) کمک شایانی به طراحی به مثابه حل مسئله کرد . از همین رو و با استفاده از بازنمایی های نمادین و همچنین پردازش(محاسبات) نمادین، دیگر عملیات جستجو برای تعدای از روندهای طراحی به خوبی قابل اجرا بود.[1]
طراحی به مثابه حل مسئله به عنوان تفکر غالب در بین محققان عرصه طراحی وجود داشت، اما با این حال این نگرانی وجود داشت که این پارادایم به خوبی وجوه مختلف و متمایز حوزه طراحی را پوشش نمی‌دهد. از طرفی از نتایج مطالعات شناختی در این پارادایم(طراحی به مثابه حل مسئله) این بود که طراحی نه فقط عمل جستجو بلکه شامل فرموله بندی فضای جستجو نیز می‌شود. البته اینها به معنای کنار گذاشتن طراحی به مثابه حل مسئله نیست و صرفا بیانگر نقاط ضعف این دیدگاه بود. به تدریج محققان به سوی دیدگاهی که جان جرو آن را طراحی به مثابه طراحی می‌نامد حرکت کردند. دیدگاهی که نگاه طراحی به مثابه حل مسئله را تکمیل می‌کرد. با این حال کاربرد هوش مصنوعی در طراحی دچار ضعف نشد و با همان قوت پیشین و حتی بیشتر به پیش رفت. تکنیک های هوش مصنوعی در این دیدگاه نیز همچنان نقش مهم و تاثیرگذاری را ایفا می‌کردند.با این حال طراحی به مثابه طراحی چالش‌هایی داشت که الگوی سنتی حل مسئله در هوش مصنوعی(traditional AI) که به نوعی می‌توان آن را وام گرفته هوش مصنوعی نمادین دانست جوابگوی آن مشکلات نبود. با این حال هوش محاسباتی که امروزه پارادایم غالب است میتواند در این چالش‌ها نقش آفرین باشد اما کمتر به آن در طراحی توجه شده است.
همچنین باتوجه به مقالات متاخر جان جرو امروزه هوش مصنوعی بیشتر به عنوان ابزار تحلیل داده ها و دستیاری برای ایده پردازی برای طراحان عمل می‌کند. می‌دانیم که هرچقدر ایده های بیشتری تولید شود ایده های خلاقانه تری خواهیم داشت که این نتایج از طریق انجام آزمایش از طریق ShapeStorm به دست آمده است. همانطور که در مقاله بیان شده استدلال دیورژانس(یک روش تفکر است که دنبال گسترش احتمالات و راه حل های مناسب) در پروسه تولید گزینه‌های متفاوت به عنوان اصلی ترین اجزا پروسه دیزاین(design process) است و استدلال دیداری(Visual reasoning) نیز به عنوان یکی از عمکردهای مهم خلاقیت طراحی شناخته شده‌است و باید گفته شود که استدلال‌های دیورژانس معمولا در قالب های زبانی به جای بصری ارزیابی می شود و استدلال دیداری بیشتر مواقع در ارتباط با ساخته‌ی شناختی مانند ادراک، رمزگشایی و تکه تکه کردن آن، حافظه بلند و کاری، دگرگونی و بازنمایی ذهنی است[9]. با توجه به نتایج بدست آمده خلاقیت محاسباتی(Computational creativity) به طراحی و اجرا سیستم هایی که یاد می‌گیرند تا رفتار مصنوعی خلاق و یا پشتیان استدلال در رابطه با رفتار خلاق انسان را نشان دهند اشاره دارد. برای مطالعه خلاقیت طراحی نیاز به ماموری اتوماتیک(autonomous agents) دارد که پاسخ تولید کند و در تولید نتیجه کمک کند.کارهای طراحی که در این مقاله آمده سعی بر مشارکت دیورژانس انسانی و رایانه را دارد[9]. در آخر با توجه به یافته هایی که از این مقاله بدست آمده می‌توان گفت که از هوش مصنوعی برای کمک به تولید ایده و خلاقیت در طراحی (sketching) استفاده می‌شود.
جان جرو در مقاله‌ای دیگر با این موضوع شروع می‌کند که طراحی به عنوان یکی از مهارت‌های خلاق است ولی این به این معنا نیست که طراحی با خلاقیت یکی است. در ادامه اشاره می‌کند تحقیقات خلاقیت یک مبحث جدید است، تحقیقات قبل تر بر این موضوع تمرکز داشتند که بتوانند طراحی و خلاقیت طراحی را از هم تشخیص دهند؛معمولا با تعییت کردن این موضوع که چه موقع و چگونه طراح خلاق می‌شد وقتی که مشغول طراحی بود. در طول 30 الی 40 سال یا بر روی مطالعات شناختی یا بر روی ساختن مدل های محاسباتی تمرکز شده است. ابزار هایی که در این راستا استفاده می‌شود به 2 دسته فعال و گذرا تقسیم می‌شود که گذرا باید به طور مستقیم به وسیله طراح فعال شود و در طول انجام بدون تغییر بماند ولی طراح با ابزار های فعال در تعامل می‌ماند و به طرح های او پیشنهاد هایی ارائه می‌دهد. در قسمت فعال دو موضوع جدید مورد بررسی قرار می‌گیرد: هوش مصنوعی که به عنوان هم‌آفرینی، پشتیبانی می‌کند و بهبودکننده خلاقیتی که پایه‌اش تاثیرات برروی اعصاب است. با توجه به گسترش و کار و تحلیل بر روی داده ها و همچنین رشد یادگیری ماشین، هوش مصنوعی در طراحی به عنوان یک هم آفرین(co-creation) نیز جلوه کرده است[11]. با استفاده از تکنیک های یادگیری عمیق می‌توان حجم زیادی از داده ها را به دانشی قابل فهم تبدیل کرد و همچنین شبیه سازی از ایده های مختلف طراحان را به آسانی و با کمترین هزینه برایشان به ارمغان آورد تا بتوانند صحیح ترین انتخاب‌ها را داشته باشند.
در سال 2015 مقاله ای که از طرف جان جرو منتشر شد که این مقاله یک دید چند بعدی (multi-dimensional perspective) برای مطالعه خلاقیت و چارچوبی (framework) را برای خلاقیت محاسباتی (computational creativity) تدوین می کند، که باعث فعال شدن معنا عملکردهای روابط بین مقیاس و تسخیر تاثیرات زمان، ارائه می‌دهد. فواید این روش، دسته بندی مطالعات قبلی خلاقیت محاسباتی و نشان دادن روش چند بعدی در مطالعات محاسبات خلاقیت با نمونه‌هایی از سناریوهای شبیه‌سازی است. بر اساس نوع و سطح موضوع مورد تحقیق، مطالعات محاسباتی چند مقیاسی ممکن است در برخی سطوح فرایندهای از پیش تعیین شده و یکنواختی را تعیین کنند، در حالی که ممکن است فرایند های دیگر هم سطح یا در سطوح مختلف را به صورت آزمایشی تنظیم کنند. به طور مثال، اگر محققان علاقمند به راه هایی احتمالی باشند که طی آن ها فعالسازی عصبی میزان کنار امدن افراد با شکست را تعیین می کند می توان سیستمی را ابداع کرد که در آن طیفی از پدیده های فرهنگی، اجتماعی، گروهی و فردی مرتبط با خلاقیت به عنوان معیاردستکاری می شود، در حالی که تغییرات فعالیت عصبی افرادی که موقعیت های خاص اجتماعی دارند را می توان به منظور کشف علل و اثرات احتمالی در تمامی سیستم ها بررسی کرد. به طور کلی MDC کمک به ایده سازی در حیطه‌های سیستم های محاسباتی عاملی، گروهی، و اجتماعی است و به این مباحث چهارچوب می‌دهد. بر اساس AI nomenclatus مدل‌های MDC ضعیف هستند و این مدل ها میتواند برای یافتن اطلاعات برای رشد تئوری یا فرضیه استفاده شود. در بعضی مراحل از MDC برای جمع آوری اطلاعات برای رشد تئوری استفاده می‌شود و کمک به استدلال و روش قیاسی در مطالعات خلاقیت دیده می‌شود[10].
همچنین در پایان گفتنی است علاقه روز افزونی به سوی هوش مصنوعی مبتنی بر شناخت(هوش مصنوعی و علوم شناختی) شامل مسائلی چون حافظه، تعاملات،یادگیری و نقش محیط در هنگام طراحی وجود دارد و به عقیده جان جرو ممکن است شاهد رشته ایی به نام طراحی عصبی(نورودیزاین) باشیم که مطالعاتی برگرفته از تلاقی علوم اعصاب و طراحی باشد. این مسئله یک مبنای عصب شناختی برای طراحی فراهم می‌کند و در نتیجه میتواند دامنه تحقیقات هوش مصنوعی در طراحی را با ارائه نوع جدیدی از داده ها گسترش دهد[1].
نتیجه گیری
در عصر گذشته همکاری و تعامل دو حوزه هوش مصنوعی و طراحی با سرعت بهتری به پیش رفته است و نتایج بسیار خوبی با توجه به حجم فعلی این همکاری رقم زده است. اما با وجود تمام همکاری های موثر و مفید بین دو حوزه مهم و تاثیر گذار هوش مصنوعی و طراحی همچنان زمینه های زیادی از این دو حوزه مهم هست که مغفول و نادیده انگاشته شده اند. به نظر می‌رسد در تعامل هوش مصنوعی و طراحی بیشتر به کاربرد ابزاری هوش مصنوعی در طراحی توجه شده و زمینه هایی که این دو حوزه می‌توانند برای توسعه مفاهیم همدیگر الهام بخش باشند مورد غفلت قرار گرفته است. از طرفی کاربرد هوش مصنوعی در زیرشاخه های طراحی به صورت متساوی نیست و دارای تفاوت‌های قابل توجه ایی است.
با این حال در همان کاربرد ابزاری هوش مصنوعی نیز مسیر تکاملی اکنون هوش مصنوعی در طراحی صرفا به عنوان هم آفرین(co-creation) و به تعبیری یک دستیار کمک کننده نقش ایفا می‌کند و تا ایفای نقش اساسی در طراحی فاصله دارد. از سوی دیگر به کاربرد طراحی در توسعه بهتر سیستم های هوش مصنوعی نیز کمتر بها داده شده است گرچه که اخیرا بارقه هایی از آن نیز به چشم می‌خورد. نبود یک ادبیات مشترک یا آنچه که جان جرو آن را فقدان آنتولوژی(هستی شناسی) مشترک می‌نامد نیز از موانع و چالش‌هایی اساسی است که بر سر راه پژوهش‌های مشترک این دو حوزه احساس می‌شود. با این وجود آینده بسیار روشنی در پیش روی هوش مصنوعی در طراحی دیده می‌شود، دستاوردهای علوم شناختی نیز سکوی پرتای مناسبی برای جهش این تعاملات فراهم کرده است.
فهرست منابع
1-Gero,john,2007, AI EDAM at 20: Artificial intelligence in designing, Artificial Intelligence for Engineering Design, Analysis and Manufacturing
2-Heskett, John,1980, Industrial Design, Thames & Hudson
https://www.abebooks.com/Industrial-Design-Heskett-John-Thames-Hudson/5557215996/bd
4-خلج،محمدحسین محمدعلی،1393،دریفوس و تاریخ فلسفی هوش مصنوعی،نشریه غرب شناسی بنیادی،ص103 تا128
5-Andy Peart,2020, Homage to John McCarthy, the Father of Artificial Intelligence (AI)
6-کراس،نایجل،مقیمی،مهدی،1398،تفکر طراحی:فهم چگونگی تفکر و کار طراحان،نشر وارش
7-مطلبی،قاسم،1399،طراحی به مثابه حل مسئله:مدلی مبتنی بر سوابق طراحی،نشریه علمی معماری و شهرسازی ایران،ص21-33
8-Gero,john,2017, Whither Design Theory and Methods?, Architectural Science Association,p563-572
9-Gero,john,2016, Visual divergence in humans and computers, Design Studies, p 56-85
10-Gero,john,2015, Multi-dimensional creativity: a computational perspective, International Journal of Design Creativity and Innovation, p 26-50
11-Gero,john,2020, Multi-dimensional creativity: a computational perspective, International Journal of Design Creativity and Innovation, p 144-146
مقالات مرتبط
.jpg)
تأثیر طراحی بسته‌بندی محصولات غذایی بر جلب توجه مشتری با استفاده از تکنولوژی ردیابی حرکات چشم (قسمت دوم)
تاریخ انتشار : ۲۳ شهریور ۱۴۰۱
مطالعه بیشتر
