每周都是现在流媒体。加入我们HorizonTV

为秘密机器说'你好'

机器学习代表AEC行业的新边疆,这将有助于设计人员创建比以往更有效的建筑物。

2018年8月16日|

珀金斯+的I / O团队将为智能项目提供应用程序持有计划会话。该公司利用机器学习工具和流程来学习当前和过去的项目。礼貌珀金斯+将。礼貌珀金斯+将。

人工智能不仅仅是T-800s和Skynet,或者是最着名的,被称为鬼魂霍金的梦想的梦想。AI和所有包括在那种宽大的雨伞下的一切,都在每天上班,让我们的生活更轻松。机器学习,虽然与其他形式的AI不一样令人兴奋,但是在使用中最有用的和最有用的AI应用之一。

许多人认为人工智能和机器学习彼此相互作用,但不是这种情况。其中AI是一个广泛的术语,其中包括透明机器的整个概念,机器学习是与数据挖掘或统计数据更密切相关的AI的特定应用。它是一个带有数据的AI子集,将其馈送到计算机程序,然后从该数据中学习以创建一个模型而且,最终,一个预测

参见:麦肯锡:在采用人工智能方面,建筑业应该从其他行业汲取经验教训

但在这种背景下,学习究竟是什么意思?根据Carnegie Mellon University计算机科学学院的机器学习部门教授的广泛报价定义,“据说计算机程序”从经验中学习“E"关于某一类任务"T“和绩效衡量”P"如果它在任务中的表现"T'按'衡量'P,'用经验改善'E。“简而言之,据说计算机程序已经了解到,如果它可以根据已经提供的过去的经验提高特定任务的结果。

Perkins +将数据流数据流是机器学习成功的关键。在这里,Perkins+Will创建了空间利用数据可视化,以跟踪和了解建筑使用者如何在建筑或校园中使用空间。

建筑中的机器学习

在Wework,一家专门制作共同工作和办公空间的公司,机器学习被用来更好地确定一个特定的办公楼中的会议室,以避免与太少的会议室相关的员工的压力源,或者与太多有关的空间的效率低下。

Wework使用关于办公室的平面图的数据以及他们在他们工作的过去的办公空间如何实际使用员工火车一台机器学习系统称为神经网络
网络处理它一遍又一遍地显示的数据并开始识别模式,并了解员工如何使用会议室。

网络经过适当的训练后,就形成了一个模型。然后为这个模型提供一个输入例子(例如,员工数量或会议室数量)来创建一个预测。这一预测将告诉WeWork在设计中应包含的最佳会议空间数量以及它们实际使用的频率。

给出了神经网络的数据越多,模型将变得越好,预测就越准确。换句话说,经验“e”(数据)正在提高性能测量“P”(会议室的预测占用的准确性与任务的预测占用)“T”(预测基于需要多少会议室在以前看不见的数据)。

这一过程创造了一个反馈循环:建筑提供的数据用于生成预测,这将为更高效、设计更好的建筑的设计提供信息。然后,这座建筑就会提供更好的数据,从而完善预测,创造出更好的建筑。机器越来越智能,建筑也在不断改进。

WeWork公司计算了机器学习在估计会议室与实际职业的预测占用(称为预测偏差)与人类设计师相比。此百分比仅随着收集更多数据并馈入神经网络,并且循环沿其连续路径进行增加。

以类似的方式,ZGF架构师正在探索机器学习统计技术,以构建模型,以便除了空间使用之外,还要识别特定设计元素如何为整体乘员满意度有助于。ZGF使用它自行收集的数据,但也包含来自空间利用传感器,GPS跟踪,ID徽章和会议室预订的客户端数据。

“随着更多的数据,我们越多的因素越令人责任,为什么某个会议室的特点使其比另一个会议室更成功,”ZGF的工作场所策略师Tim Dak说。“我们还可以说,有一些信心,我们如何在类似的项目环境中预期特定的设计阐述。”

这个过程是高科技机器学习应用和老式侦探直觉的结合。

Perkins+Will图像分类模型Perkins +将对机器学习努力专注于计算机视觉和自然语言处理,以实现它指的是“扩展智能”。礼貌珀金斯+将。

一图胜千言

推动机器学习的重要数据并不仅仅是数字和统计。机器也可以用图像进行训练。

ZGF目前正在开发一个分类工具,将使用机器学习来改善公司如何进行占用研究。在ZGF开始设计项目之前,该公司会评估客户的现有空间,以更好地了解如何使用它们。然后,这种数据用于通知团队优化新项目的最佳方式,因此员工将充分利用他们的空间。

当前完成此任务的过程是直接和非本质的过程;设计团队将在地板上观察和手动整理每个员工的家具和设备设置。

ZGF的设计技术专家戴恩•斯托克斯(Dane Stokes)表示:“对于大型客户办公室来说,这可能需要数天时间,需要很多人参与。”“通过机器学习,我们打算大幅简化流程。”

在新的、简化的流程中,设计师将捕捉员工工作空间的视频,并用它来训练机器自动对显示的物品进行分类。该工具使用谷歌健壮的照片数据集从员工办公桌上显示器的数量到所使用的键盘或椅子的特定品牌,都可以进行分类。

如果员工使用的是不在谷歌图书馆的办公椅,这就是机器学习之美所在。斯托克斯表示:“如果客户喜欢的办公椅品牌不在谷歌的图书馆中,我们将捕捉这种椅子的360度视频,并训练我们的机器识别它。”下次当机器碰到那把椅子时,它会立即被识别和分类。这被称为监督学习。斯托克斯表示,这一过程将有助于节省时间和金钱,因为“大大减少了所需的人力投入,同时帮助我们在未来生产出更好的设计。”

ZGF面部识别软件ZGF职场策略师蒂姆·迪克(左)和设计技术专家戴恩·斯托克斯(右)分享了一张定制面部识别应用程序的截图。同样的技术正在被用于开发机器学习工具,用于进行ZGF的使用情况研究。礼貌ZGF。

从人工智能到扩展智力

P+W高级洞察分析师萨提亚•巴苏表示,珀金斯+目前的人工智能和机器学习工作主要集中在计算机视觉和自然语言处理,以达到所谓的“扩展智能”。

计算机视觉允许图形输出——设计过程中大量关键的交付品——被渲染成功能丰富、机器可读的内容,这是在监督和大规模生成结构化数据的第一步无监督学习

接下来,机器学习过程被用来对具有不同特征的项目进行分类和聚类分析,这些特征可以进一步混合或组合。自然语言处理还利用标签、特性和描述的组合输出来生成智能查询和建议模型。

机器学习词汇表

数据集。一个例子的集合

例子。数据集的一行。一个示例包含一个或多个特性,可能还有一个标签。

特征。用于进行预测的输入变量

标签。在监督学习中,“答案”或“结果”部分的一个例子

模型。表示机器学习系统从训练数据中学到了什么

神经网络。由图层(至少一个隐藏的模型组成的模型,其由简单的连接单元组成,然后是非线性

预测。当提供一个输入示例时,模型的输出

预测偏见。一个值,指示预测的平均值与数据集中标签的平均值有多远

监督学习。从输入数据及其相应的标签培训模型

训练。确定包含模型的理想参数的过程

无人监督的学习。培训模型以在数据集中找到模式,通常是未标记的数据集

覆盖Init

您的卡将收取费用:0

成功!
x