Gelişen Tasarım: Yapay Zeka ile Mekan Yerleşimi Üretimi

EN

Arqgen'in kurucusu, mimar Thomas Takeuchi ile yapay zekanın mimari tasarımda kullanımı hakkında Gözdenur Demir'in gerçekleştirdiği bu söyleşide, Takeuchi mimari tasarımda yapay zeka tabanlı yöntemlere olan tutkusunu ve bu yöntemler hakkındaki pratik bilgisini aktarıyor. Ayrıca Arqgen adlı startup şirketinin kuruluşundan, faaliyetlerinden ve devam eden projelerinden bahsediyor.

Arqgen, iç yerleşim düzenleri ve bina kütle çalışmaları için Üretken Yapay Zeka (GAI) tabanlı mimari tasarım üretimi konusunda uzmanlaşmış Brezilyalı bir girişim. Ekip, yazılımlarını müşterilerinin özel gereksinimlerine, mimari kılavuzlarına ve kurallarına göre kurmak için kapsamlı bilgi ve deneyimlerinden yararlanıyor. Bu yaklaşım, geleneksel mimari hizmetlerin sınırlamalarını aşan verimli, yüksek kaliteli ve ölçeklenebilir çözümler sağlıyor.

---

Gözdenur Demir: Mesleki geçmişinizi ve deneyimlerinizi kısaca anlatır mısınız? Mimari tasarım süreci için yapay zeka tabanlı yaklaşımların geliştirilmesiyle ne zaman ilgilenmeye başladınız?

Thomas Takeuchi: Lisans diplomamı 2013’te Mackenzie Üniversitesi, São Paulo, Brezilya Mimarlık ve Şehircilik alanında aldım. Akademik yolculuğumun ilk aşamalarından itibaren, kendimi mimari süreci açıklama ve formüle etme umuduyla derinden büyülenmiş buldum. Belki de bu saplantı nedeniyle, doğal olarak Grasshopper’ı ağırlıklı olarak kullanarak, parametrik tasarım alanına yöneldim ve mümkün olduğunda onu uygulamaya çalıştım.

Parametrik bir bağıntıyı formüle etmenin ve onu mimari bir süreç olarak kullanmanın neredeyse imkansız olduğunun farkına varana kadar sayısız aksilikle birlikte hatırı sayılır bir zaman harcadım¹. Yine de bu ilk arzumun peşinde koşmaya devam ettim. Sonunda, 2014 yılında, genel olarak yapay zeka alanı altında sınıflandırılabilecek bir kavram olan genetik algoritmalarla tanıştım. Bu, profesyonel hayatıma yön veren çok önemli bir andı. Daha sonra parametrik tasarımın katı doğasının tam aksine, daha esnek bir yaklaşım benimsemenin mimari süreci otomatikleştirmenin anahtarı olduğunu anladım: Tasarım görevlerini makineye devretmek.

GD: Yapay zeka tabanlı bir tasarım sürecinde parametrik tasarım sürecine benzer veya farklı olan nedir? Yoksa bu iki yaklaşım zaten işbirliği yapıyor mu?

TT: Parametrik tasarım, mimari sürece “katı” bir yaklaşım olarak kabul edilebilirken, yapay zeka tabanlı tasarım ise tersine, daha “yumuşak” bir yaklaşım olarak görülebilir. Parametrik tasarım sürecinde, karmaşık bir denklem, belirli bir girdi grubu (parametreler) için tek bir “doğru” yanıt verir. Tersine, yapay zeka tabanlı tasarım, belirli bir girdi seti için çok sayıda potansiyel çıktı üretme kapasitesine sahiptir. Yapay zeka tabanlı yöntemlerin, kuantum fiziği alanına bir benzetme yaparak mutlak sonuçlar yerine olasılıksal sonuçlar verdiğini vurgulamakta fayda var.

GD: Yapay zeka ile mevcut projelerinizi ve uygulamalarınızı anlatır mısınız?

TT: 2020 yılından beri Arqgen adında bir girişimin kurucu ortağıyım. Farkımız; üretken yapay zekanın potansiyelinden yararlanarak mimari projeleri, özellikle de plan açısından hızlı ve hassas bir şekilde ele almak. Devam eden yazılım geliştirme çabalarımız sayesinde, sistemin çeşitli mimari kısıtlamaları, kriterleri ve değerlendirme ölçütlerini kavraması için güçlendirmeyi ve eğitim aldığı belirli alanlarda mimari projeler tasarlama becerisinde uzmanlaşmasını sağlamayı hedefliyoruz.

Kendi geliştirdiğimiz tekniklerle Brezilya’nın önde gelen finans kurumlarından biriyle çalışıyoruz, buradaki ana hedefimiz, tüm şubeler için tasarım sürecini otomatikleştirmek. Ek olarak, fizibilite projelerini otomatikleştirmelerine yardımcı olmak için birkaç inşaat şirketiyle görüştük.

Yapay zekamızın çeşitli ölçeklerdeki mimari projeleri nasıl etkili bir şekilde çözebileceğini merak ediyor olabilirsiniz. Yazılımımızın dikkat çekici yönü, soyut olacak şekilde tasarlanmış veri yapısında yatıyor. Aslında, yapay zekanın yalnızca bölgeleri ve nesneleri belirli bir alana, ölçeğin temel bir etkisi olmayacak şekilde konumlandırması gerekir, bir bölge içinde bir mobilyayı konumlandırması veya tüm bir binayı belirli bir alana yerleştirmesi fark etmez.

---

---

GD: Geliştirdiğiniz uygulamalar ve araştırmalarınız ağırlıklı olarak Mekan Yerleşim Planlaması (Space Layout Planning - SLP) üzerine mi odaklanıyor? Bu konuda çalışmanın ana zorluğu nedir?

TT: Evet, Arqgen’de geliştirdiğimiz uygulamalar öncelikle SLP odaklı. Ancak mobilya gibi nesnelerin mekan içerisinde konumlandırılmasını da işin içine katarak mimari plan aşamasının ötesine geçiyoruz.

Bence SLP, mimari süreci formüle etmenin en mantıklı olduğu alanı temsil ediyor. Süreç boyunca öznelliği olabildiğince en aza indirerek, farklı mimari kısıtlamaların ve kriterlerin oluşturulmasına izin veriyor.

Bununla birlikte SLP, çözülmesi gereken karmaşık bir problem olmaya devam ediyor. Benim bakış açıma göre, birincil zorluk, etkili bir şekilde bölge komşulukları oluşturmak ve tüm kısıtlamalara ve kriterlere saygı duyarak tüm nesneleri barındırmak için gereken temel alanları belirlemek.

Ek olarak, “Büyük O Gösterimi”nin (Big O Notation) genel kontrolünden ödün vermeden bu süreci yönetmek, hesaplama karmaşıklığının katlanarak artması yerine yönetilebilir kalmasını sağlamak çok önemli. SLP zorluklarını başarılı bir şekilde ele almanın yolu, bu faktörler arasında bir denge kurmaktan geçiyor.

---

---

GD: Tasarım sürecinde yapay zeka kullanmak ne anlama geliyor?

TT: Bu sorunun cevabı oldukça detaylandırılabilir; fakat basit olarak, tasarım sürecinin herhangi bir aşamasında, bir makine, bir sokak görünümündeki öğeleri sınıflandırmasından, mimari bir proje için konsept görseller üretmesine veya bir mekan yerleşimi oluşturulmasına karar vermekle ilgili sorumluysa, tasarım sürecinin yapay zeka içerdiği varsayılabilir.

---

---

GD: Hangi yapay zeka yöntemlerini/tekniklerini kullanıyorsunuz?

TT: SLP, çok istememize rağmen tek bir yapay zeka yöntemi kullanarak çözemediğimiz karmaşık bir problem sunuyor. Şu anda birincil odak noktamız, SLP’nin doğasında var olan zorlukları ele almak için Derin Pekiştirmeli Öğrenme (Deep Reinforcement Learning - DRL), basit doğrusal regresyon ve evrimsel algoritmalar kullanmak etrafında dönüyor.

GD: Yönteminiz hangi tasarım aşamasında uygulanabilir? Bu yöntem tasarım sürecinin diğer aşamalarında da uygulanabilir mi?

TT: Şu anda çözümümüz, SLP’nin yaratıcı çözünürlüğünün çok önemli olduğu şematik ve kavramsal tasarım aşamalarına kadar uzanıyor. İnşaat belgelendirme aşamasının inceliklerinin derinine inildiğinde, yapay zekanın kullanılması gerekli olmayabilir. Bunun yerine, parametrik yaklaşımların bu aşamada daha yerinde ve uygulanabilir olması çok muhtemel.

GD: Bu yöntemi kullanarak tasarımda hangi yönleri ve kriterleri kontrol edebiliriz? Örneğin, bina sınırını, çevresel verileri, odaların boyutlarını vb. kontrol edebilir miyiz?

TT: Mevcut uygulamamızda, içinde SLP’nin oluşturulduğu sahayı veya bina sınırlarını yönetme yeteneğine sahipsiniz. Ayrıca kentsel kısıtlamalar üzerinde kontrol uygulayabilir, bölgeler arasında bir ilişki grafiği oluşturabilir ve erişilebilirlik, yakınlık, bölgeler arasındaki alanların tutarlılığı ve görünürlük gibi çeşitli kalite kriterleri tanımlayabilirsiniz.

Geniş bir perspektiften bakıldığında, nihai vizyonumuz, çevresel veriler gibi çok çeşitli mimari kısıtlamaları ve kriterleri bir araya getirmeyi ve kullanıcılara (mimarlara) bunları istedikleri şekilde birleştirme özgürlüğü vermeyi gerektiriyor. Bu, mimarlara, benzersiz mimariyi neyin oluşturduğuna dair özgün bakış açılarını ve yorumlarını somutlaştırarak, farklı yapay zeka modellerini şekillendirme gücü verir.

---

---

GD: Yaklaşımınız herhangi bir bina işlevine özgü mü? Bu yaklaşımı başka mimari programlarda kullanmak mümkün müdür? Uyarlanabilirliği nedir?

TT: Problem alanını oldukça soyut bir şekilde formüle ederek, yapay zekamızın çeşitli mimari programlara uyum sağlama yeteneğine sahip olmasını sağladık. Tek sınırlama, yapay zekamızın daha önce hiç karşılaşmadığı yeni bir mimari alanla karşı karşıya kaldığında, bu alanı kapsayan yeni kısıtlar ve kriterler oluşturmak ve uygulamak gerekmesi.

Bir dizi mimari alanla aşamalı olarak karşılaştığımızda, yapay zekamızın repertuvarı genişleyerek onu daha kapsamlı ve çok yönlü hale getiriyor.

GD: Arqgen’i kullandıktan sonra tasarımın 3D modelini dışa aktarabilir miyiz?

TT: Şu anda, uygulamamız, AutocadCAD, Rhinoceros ve Revit ile arayüz oluşturuyor. Revit ortamında BIM modellerini kullananlar için uygulamamız, görünüş ve kesit görünümlerini konumlandırma yeteneğinin yanı sıra, malzemelerle birlikte 3D modelleri dışa aktarabilir. Uygulamamızın ek yazılım platformları ile entegrasyonu endüstri talebine bağlı olacaktır.

GD: Yönteminiz/uygulamanız bir araca dönüşecek mi?

TT: Uygulamamız şu anda yalnızca kurumsal müşteriler tarafından kullanılıyor. Bununla birlikte, arzumuz zaman içinde erişilebilirliğini genişletmek. Nihai hedefimiz kullanıcı tarafından birleştirilebilen, kapsamlı bir mimari kısıtlar ve kriterler dizisi geliştirerek, iş akışlarını geliştirmek isteyen mimarlara bu çözümü sunmak. Bu, tasarım süreci boyunca onlara yardımcı olan, çalışmalarını basitleştiren ve artıran bir yardımcıya sahip olmaya benziyor.

GD: Ne tür veriler ve bu verileri elde etmek için ne tür yöntemler kullanıyorsunuz? Verileri sentetik olarak da üretiyor musunuz?

TT: Yaklaşımımız, derin öğrenme yöntemlerinde görüldüğü gibi verilerin geleneksel anlamda kullanılmasına dayanmıyor. Bunun arkasındaki birincil mantık, çok çeşitli mimari projeleri (planları) kapsayan önemli bir veri setinin olmamasında yatıyor. Böyle bir veri seti mevcut olsa bile, büyük dil modellerinde (Large Language Models - LLM) gözlemlenen geniş kapsamın aksine, reel senaryolarda bulunan çeşitli mimari alanları ve ulusları kapsama olasılığı son derece zayıf.

Sonuç olarak, verilerimizin, mimari alanda veri mevcudiyetinin sınırlarında gezinmemize izin veren bir DRL yaklaşımı kullanarak sentetik olarak üretildiği iddia edilebilir.

GD: Yapay zekayı mimari alanda kullanmanın en büyük zorluğu nedir?

TT: Öncelikle, mimari planları içeren sağlam bir veri setinin azlığı, elimizdeki yöntem ve teknikleri önemli ölçüde kısıtlıyor. Ayrıca, tüm yapay zeka yöntemleri, evrensel olarak uygulanabilir bir çözümün henüz tasarlanmadığı bir “halüsinasyon” çıkmazıyla boğuşuyor. ChatGPT ve Midjourney tarafından üretilenler gibi, metinler ve görseller oluşturulurken, tekinsiz vadi fenomeninin (uncanny valley phenomenon) varlığına rağmen bu sorun nispeten yönetilebilir, mimari alanda ise mantıksız senaryo üretme veya boyutlarda yanlışlık yapma lüksü yoktur.

Sonuç olarak eğer biri mimari alanda yapay zekadan yararlanmak isteniyorsa üretilen sonuçların titizlikle değerlendirilmesi zorunludur, bu da üstesinden gelinmesi gayret isteyen zor bir görev.

GD: Mimar ağırlıklı mı yoksa yazılımcı ağırlıklı bir ekiple mi çalışıyorsunuz? Yapay zeka odaklı bu süreçte mimarlar ekibe nasıl katkı sağlıyorlar?

TT: Arqgen’de mevcut ekibimiz, ikimiz de mimar olan ben ve ortağım dahil, 17 kişiden oluşuyor. Ekibimizde toplam 6 mimarımız var, geri kalan üyeler yazılımcı ve tasarımcılardan oluşuyor. Arqgen’deki mimarlarımızın yazılımcı olarak ikili bir rolü olduğunu belirtmekte fayda var, aslında şu anda geleneksel mimarlardan çok yazılımcılara daha yakınlar.

Benim açımdan, ekibimizdeki mimar sayısında, ideal olarak %50‘ye yakın dengeli bir oranı korumanın çok önemli olduğuna inanıyorum. Mimarinin inceliklerini anlamanın ve bunları koda çevirmenin, mimari arka planı olmayan bir yazılımcı tarafından tam olarak gerçekleştirilmesinin mümkün olmadığını düşünüyorum.

GD: Profesyonel alanda mimarlar, üretken yapay zekanın ortaya çıkan potansiyelleri arasında kendilerini nasıl konumlandırmalı?

TT: İstisnai, özgün, kaliteli projelerin her zaman önemini koruyacağına yürekten inanıyorum. Aslında üretken yapay zekanın (Generative Artificial Intelligence - GAI) ortaya çıkmasıyla, bu tür projelerin daha da prestij kazanması muhtemel.

Tersine, perakende gibi seri üretilen mimari projelere olan talebin çok yüksek olduğu sektörlerde, GAI sektörü alt üst etme potansiyeline sahip. Bir mimarın hünerinin, yalnızca AutoCAD gibi yazılım araçları konusundaki yeterliliğinde değil, daha çok mimari süreci derinlemesine kavramasında yattığını düşünüyorum. Mimarların yapay zeka modellerine ince ayar yapmak için kısıtları ve kriterleri ustaca birleştirmede yaratıcılık sergilemesi giderek daha önemli hale geldi. Yapay zekanın çıktısını yönlendirme ve iyileştirme yeteneği, çizim hızı veya yazılım uygulamalarına aşina olmaktan çok daha değerli.

GD: ChatGPT, Midjourney ve Dall-E gibi en yeni üretken uygulamalar ve modeller hakkında ne düşünüyorsunuz? Bu uygulamalar mimari tasarım sürecine nasıl katkıda bulunabilir?

TT: Üretken uygulamaların derin yetenekleri, bir yandan tedirginlik uyandırarak beni cezbediyor. Potansiyel uygulamalar sınırsız görünüyor ve iş mimari tasarım sürecine geldiğinde, meslektaşlarımın bunları birçok yenilikçi şekilde kullandıklarına tanık oldum. Bunlar, onları ilham verici moodboardlar olarak kullanmaktan, yalnızca taslak renderlardan hiperrealistik görüntüler üretmeye, yapısal elemanları boyutlandırmaktan, kentsel yasal bilgi edinmeye kadar uzanıyor. Bununla birlikte, teknoloji henüz başlangıç aşamasında olduğu için, bu mevcut uygulamaların, yalnızca yüzeysel olduğuna inanıyorum. Önümüzdeki yıllarda sektörü yeniden şekillendirecek, yeni ufuklara taşıyacak, benzeri görülmemiş ve hayal bile edilemeyecek uygulamalara tanık olacağımıza eminim.

GD: Mimarlar yapay zeka alanında nasıl ilerlemeli? Yapay zeka odaklı süreçlerde daha aktif olmaları için ne önerirsiniz?

TT: Yapay zeka tabanlı uygulamaları benimsemek, diğer tüm teknolojik gelişmeleri benimsemeye benzer bir yaklaşım izlemeli. Bir merak duygusunu ve deney yapma isteğini beslemeyi, belirli zorluklara çözüm aramayı gerektirir. Mimariye bakış açımı ve yaklaşımımı önemli ölçüde değiştiren, görsel programlamayı öğrenmeye ve kullanmaya başladığım ilk adımı canlı bir şekilde hatırlıyorum. Yapay zeka tabanlı uygulamaların entegrasyonu ile karşılaştırılabilir bir dönüşüm bekliyorum. Bu teknolojiyi açık fikirlilikle benimseyerek, mimari uygulamalarımızı yeniden şekillendirme, bir keşif ve yenilik yolculuğuna çıkma fırsatına sahibiz.

GD: Mimarlık okuyanlara özel tavsiyeleriniz olur mu?

TT: Her şeyden önce, tüm alanlardaki öğrencilere sunabileceğim tavsiye şu: Kodlamayı öğrenin. Grasshopper veya Dynamo gibi araçlarla temel bir görsel programlama anlayışı bile mimari bakış açınızı derinden değiştirebilir ve yaratıcı yeteneklerinizi artırabilir. Kodlamayı benimsemek, yeni olasılıkları keşfetmeniz ve ufkunuzu genişletmeniz için sizi güçlendirecektir.

Ek olarak, yapay zekanın bu çağında, geliştirilmesi gereken en hayati becerilerden birinin eleştirel düşünme olduğuna kesinlikle inanıyorum. Bilgiyi eleştirel bir şekilde analiz etme ve değerlendirme yeteneği, doğru soruları sorma yeteneği ile birleştiğinde çok önemli olacaktır. Yapay zeka tarafından üretilen sonuçları yalnızca göründüğü gibi kabul etmek yerine, onlara ayırt edici bir gözle yaklaşmak, tasarım niyetlerinizle uyumlu olmalarını ve projenin gereksinimlerini karşılamalarını sağlamak önemlidir. Eleştirel düşünme becerilerinizi geliştirerek, tasarım sürecinde düşünceli ve proaktif bir duruş sergilerken yapay zekanın potansiyelinden etkin bir şekilde yararlanabilirsiniz.

GD: Teşekkür ederim.

Not:
¹ Bir mimari problem, mekanlar ve nesneler arasındaki tekli ve ikili ilişkiler etrafında döner ve bu varlıklar arasındaki her etkileşim, yeniden değerlendirmeyi gerektiren ilk model durumunu sıfırlar. Bu dinamik ve yinelenen doğa, tipik olarak tek yönlü bir veri hattı izleyen ve bu tür karmaşıkları barındırmak için mücadele eden parametrik yaklaşımlar için önemli bir zorluk teşkil eder.