Public Parts

Public Parts é uma plataforma, voltada para vida autônoma e comunal, gerenciada por IA. Para subverter plataformas neoliberais, que atualmente controal a economia-gig, com uma abordagem de socialização da habitação social, a plataforma utiliza automação e inteligência de máquina para produzir edifícios para cooperativas habitacionais capazes de se reconfigurar espacialmente. Nós buscamos discretizare decentralisar o apartamento típico para minimizar a propriedade fixa e maximizar o seu acesso. A IA da plataforma gerencia a construção, baseada em tarefas, de partes discretas, reconfiguração espacial automatizada, manutenção coletiva, e também um banco de tarefas domesticas que opera como uma infraestrutura socio-econômica própria. O resultado é um ambient que se adapta ao comportamento da sua comunidade, enquanto oferece oportunidades de trabalho a partir de tarefas.

A plataforma utiliza um paradigma existente como sua base - a cooperativa habitacional. Através desse modelo de propriedade comunal auto-gerenciada, a plataforma encontra seus habitantes, que gerenciam e operam o projeto habitacional por conta própria. A proposta arquitetônica da plaforma é baseada em um sistema discreto de componentes fixos e configuráveis/móveis. Estes componentes são projetados utilizando peças padrão, fáceis de adiquirir já prontas, que podem ser montadas facilmente manualmente ou com o uso de braços robóticos industriais, planejados para serem fabricados com facilidade pelos futuros habitantes. Os elementos fixos funcionam como base do espaço habitável - sua periferia, núcleo e estrutura. Eles são automaticamente organizados computacionalmente e montados utilizando um sistema de pós-tensão com hastes de aço.

Os componentes reconfiguráveis dividem e definem os espaços habitáveis. Eles são descritos como configuraveis pois, através da ação de robôs, podem ser re-organizados para formar multiplas configurações espaciais. Os robôs propostos são deliberadamente insparados nos robôs Kiva da Amazon, que são utilizados para resolver o problema logístico de elementos móveis que definem os espaços habitados pela comunidade. Os componentes também abrigam 'pacotes' que contém diversos itens domésticos, de objetos pessoais, mobiliário coletivo e camas pessoais.

Os componentes configuráveis são organizados nos pavimentos do edifício, e os habitantes ocupam os espaços que se formam entre eles. A reconfiguração desses componentes, então, resulta na reconfiguração dos espaços de cada pavimento, incluindo suas dimensões e conectividade com outros espaços. Como componente fundamental de gerenciamento da organização desses espaços, um algoritmo de inteligência artificial é proposto para conduzir as reconfigurações necessárias para manter a adequação do interior do edifício para os seus habitantes.

Os espaços são ocupados pelos habitantes de duas maneiras. Ou eles entram no espaço e o utilizam, ou utilizam o aplicativo da plataforma para requisitar um espaço. A solicitação é processada pelo Matchmaker, uma das facetas da IA que sugere um espaço de acordo com o tipo de atividade e a quantidade de pessoas que irão participar. Em ambos os métodos, a IA utiliza sensores bluetooth de baixa emissão para detectar a posição do habitante e automaticamente lhe designar o espaço. Depois de ocupar o espaço, o habitante avalia o espaço de acordo com a sua experiência.

A estratégia para alcançar a reconfiguração emergente dos espaços é baseada numa relação continua de aprendizagem entre os habitantes e a IA. Para alcançar isso, um método de aprendizado de máquina é utilizado para participar de um ciclo de feedback com a sua comunidade. Enquantos os habitantes ocupam os espaços do edifício, eles são requisitados a os avaliar, fornencendo dados que informam a IA e direcionam seus comandos de reconfiguração. Esta interação é feita através do aplicativo da plataforma, projetado para ser a interface entre a IA e os habitantes.

Para operar na organização interior dos edifícios da plataforma Public Parts, a IA precisa ser capaz de reconhecer o que define o espaço entre os componentes reconfiguráveis. Foi decidido, então, implementar um algoritmo de aprendizado de máquina para assistir a IA nesta tarefa a uma maneira semelhante como nós faríamos. Especificamente, uma implementação customizada do pix2pix - um algoritmo cGAN (rede generativa adversária condicional) de tradução imagem-para-imagem.

A estratpegia consiste em traduzir a organização de um conjunto de componentes configuráveis de um pavimento em uma imagem, e então utilizar o modelo pix2pix para gerar uma imagem que inclui as linhas de separação dos espaços. Finalmente, esta imagem é utilizada para definir os diferentes espaços. O primeiro passo neste processo foi criar o conjunto de imagens de treinamento, composto de pares de iamgens: uma representando a informação de entrada (os componentes), e outra representando o resultado esperados (os componentes + as linhas de separação entre os espaços).

Para alcançar a reconfiguração dos espaços, outra estratégia de inteligência artificial é adicionada ao projeto. Os componentes reconfiguráveis são definidos como agentes de aprendizado de máquina, ou seja, entidades virtuais que podem exercer ações e coletar as observações/dados necessários para realizar tais operações. Estes agentes representam os componentes virtualemnte, existindo e operando no gride de voxels da IA - uma imagem paralela ao edifício. Neste ambiente, os agentes exercem ações discretas, se movendo ou rotacionando, enquanto também observam sua posição e orientação, os espaços que eles definem, sua proximidade a outros componentes do edifício, e a solicitação de reconfiguração que eles devem atender. Adicionamente, estes agentes compartilham um único "cérebro de comportamento" para fazer as correlações entre as observações e as ações apropriadas que devem ser tomadas.

O cérebro representa o modelo de aprendizagem de máquina que dirige a reconfiguração. Seu treinamento se dá a partir da aprendizagem por reforço, ou seja, através da recompensa do modelo quando ações corretas são tomadas ou objetivos são cumpridos, e da aplicação de penalidades quando os resultados ou ações são indesejados. O modelo é treinado sendo exposto a diversos cenários, nos quais ações devem modificar a configuração dos espaços e satisfazer uma solicitação de reconfiguração aleatória. Depois de treinado, o modelo é capaz de responder às diferentes solicitações de reconfiguração que a comunidade pode requisitar. Como resultado do processo de aprendizagem e reconfiguração proposto, toda e qualquer configuração espacial é possível, dado que as limitações geométricas do projeto sejam satisfeitas.

Durante a pesquisa procurou-se manter uma perspectiva crítica à aplicação de inteligência artificial nos campos da disciplina. Através da investigação de suas definições e potenciais tecnológicos, procurou-se desmistificar o paradigma e vislumbrar como sua combinação com o ambiente construído poderia influenciar a arquitetura e seus habitantes.

Vídeos

Links

Bartlett b-pro show 2020
Bartlett b-pro show 2020 booklet

Detalhes do projeto: Tese projetual desenvolvida para o mestrado MArch Architectural Design, do programa b-pro, na The Bartlett School of Architecture [2019-2020].
Grupo: Keshav Ramaswami, Kiko Zhang
Orientadores: Mollie Claypool, Gilles Retsin, Manuel Jimenez Garcia, Kevin Saey, Sonia Magdziarz, Alessandro Bava