я сходила на неудачное свидание с архитектором: 2,5 часа меня убеждали, какая это уникальная профессия + ее точно никогда не заменит ai. прониклась, так что пост сегодня про опыт отсутствия данных
мир сошел с ума: произошел сдвиг коллективного сознания в сторону big data. крыша не едет разве что у градостроитей (пока), виной тому удивительная аномалия — в архитектуре и урбанистике данных нет.
масла в огонь подливают дилетанты вроде меня — об этом пишет егор смирнов (он учит нейросети проектировать города): '...обычно это люди с программистским бэкграундом, но без опыта в урбанистике и городском планировании. они привыкли любую проблему решать в духе: 'ща быстренько данных в ml-модельку накидаем и она нам все сделает'. и каждый раз объяснять им, почему в урбанистике у них вряд ли из этого выйдет что‑то практически применимое, поднадоело', — хорошо, что мне не надоедает объяснять феномены взаимодействия ai с креативными индустриями.
вернемся к вопросу о том, почему не получается. представьте себе нейросеточку, чей рацион: завтрак — десяток проектов от крупнейших застройщиков вроде 'самолёта' или пика (включая фильтр по годам, находим 20-30 жк/в год в мск, немногим отличается количество в масштабах страны, а для обучения ai нужны тысячи); на обед — цифровые палимпсесты из pdf-отчетов с сайтов администраций, которые немашиночитаемы (с ними работать только вручную) + рекламные рендеры (тоже 'несъедобные); на ужин — кунсткамера градостроительных провалов (типа: видовое место на набережной отдано под многоэтажный паркинг, — машинки тоже хотят любоваться закатом!).
чему она научится...?... ну ок, допустим, есть реальные города: существующая застройка (бесчисленные квадратные километры) научит ai изгибать мосты впустую (референс: мост бетанкура в спб: делает крюк, чтобы обойти завод — по изначальному проекту — сейчас завод снесли)? воспроизводить дворы-колодцы, порожденные жадностью и отсутствием норм инсоляции в 19 веке?
показательный кейс: сгенеритьь зонирование парков с помощью ml-классификатора не вышло по причине: нет благоустроенных парков + информации о том, как их благоустраивали.
нехватка данных — верхушка айсберга, под ней скрывается фундаментальная проблема: города иррациональны. они — не чистый логический конструкт, а продукт многовекового наслоения
экспертностью снабдили полина и саша из digital-журнала 'эйдос'.
mediãi
мир сошел с ума: произошел сдвиг коллективного сознания в сторону big data. крыша не едет разве что у градостроитей (пока), виной тому удивительная аномалия — в архитектуре и урбанистике данных нет.
масла в огонь подливают дилетанты вроде меня — об этом пишет егор смирнов (он учит нейросети проектировать города): '...обычно это люди с программистским бэкграундом, но без опыта в урбанистике и городском планировании. они привыкли любую проблему решать в духе: 'ща быстренько данных в ml-модельку накидаем и она нам все сделает'. и каждый раз объяснять им, почему в урбанистике у них вряд ли из этого выйдет что‑то практически применимое, поднадоело', — хорошо, что мне не надоедает объяснять феномены взаимодействия ai с креативными индустриями.
вернемся к вопросу о том, почему не получается. представьте себе нейросеточку, чей рацион: завтрак — десяток проектов от крупнейших застройщиков вроде 'самолёта' или пика (включая фильтр по годам, находим 20-30 жк/в год в мск, немногим отличается количество в масштабах страны, а для обучения ai нужны тысячи); на обед — цифровые палимпсесты из pdf-отчетов с сайтов администраций, которые немашиночитаемы (с ними работать только вручную) + рекламные рендеры (тоже 'несъедобные); на ужин — кунсткамера градостроительных провалов (типа: видовое место на набережной отдано под многоэтажный паркинг, — машинки тоже хотят любоваться закатом!).
чему она научится...?... ну ок, допустим, есть реальные города: существующая застройка (бесчисленные квадратные километры) научит ai изгибать мосты впустую (референс: мост бетанкура в спб: делает крюк, чтобы обойти завод — по изначальному проекту — сейчас завод снесли)? воспроизводить дворы-колодцы, порожденные жадностью и отсутствием норм инсоляции в 19 веке?
показательный кейс: сгенеритьь зонирование парков с помощью ml-классификатора не вышло по причине: нет благоустроенных парков + информации о том, как их благоустраивали.
нехватка данных — верхушка айсберга, под ней скрывается фундаментальная проблема: города иррациональны. они — не чистый логический конструкт, а продукт многовекового наслоения
экспертностью снабдили полина и саша из digital-журнала 'эйдос'.
mediãi