Yapay Zekanın "Gördüğü" Cephe

Yapay zekanın, yani akıllı davranışın otomasyonu ile ilgili çalışmaların, son süreçte çokça kendini güncelleyerek, üretkenlikleri ile gündem belirlediği bir dönemdeyiz. ChatGPT, DALL-E, LaMDA, Midjourney gibi modellerin şaşırtıcı, tartışmalı ve acı verici sonuçları her geçen gün artmaya devam ediyor. Bu uygulamalarla etkileşimimiz süresince, keşfin ve olasılıkların mimarideki boyutu ve derinliği de tasarıma dair sayısal ve görsel veriyle uğraşan herkesin kaçınılmaz olarak üzerinde düşünmeye başladığı bir konu.

Medium’daki bir makalenin ekran görüntüsü (Kaynak: Not 9, Douglas Rushkoff)

Yapay zeka üretkenliğinin anahtarı olan verinin değeri; elektrik, altın, gümüş, gaz, petrol gibi çağın kritik kaynaklarına benzetilerek vurgulanmaya çalışılıyor. Verinin bulunması yanında, seçilmesi, etiketlenmesi yani proje ve gerekli problem için uygun formata getirilmesi de başlı başına bir problem; zira veriye doğan ihtiyaç artarken, verilerin güvenliğinin sağlanması ve telif ile ilgili önlemler de paralel olarak gelişiyor. Öğrenme, veri girdisi üzerinden şekillendiği için probleme özgü doğru içerikte veri setlerinin bulunması, yoksa hazırlanması ya da üretilmesi gerekiyor. Kamuya inen yapay zeka üretkenliği, bunun yarattığı etki ve tepkiler ve potansiyellerin akışında, bu yazı daha romantik bir eksende, yani mevcut mimari verinin nasıl değerlendirilebileceği ile ilgili bir yerde konumlandırıldı.

Mimari tasarım ve bina kullanım sürecinde görsel ve sayısal verinin çeşitliliği ilgi çekici. Tasarım süreci, doğası gereği planlar, görünüşler, eskizler, kolajlar, silüetler vb. içerikte fotoğraf, baskı, çizim, diyagram vb. ifade ortamlarında çok sayıda veri üretiyor. Bu veri topluluğu içinde bina cephesi içeren fotoğraflar; tarihe, kente, tasarıma dair ve sosyoekonomik göstergelerle tasarımcıya bağlamsal okumaları belli derecelerde yapabileceği bir kaynak sunuyor.

Barcelona’daki bina girişleri fotoğraflarına ait numune veriler (Kaynak: Not 10)

Literatürde tasarım alanında bina cephelerinin analizi ile ilgili türlü konseptler altında manuel ve dijital yöntemlerle yürütülen çalışmalar görülüyor. Yapay zekanın kullanılması ile bina cephesi görsellerinin incelenmesi ise daha çok alan dışı araştırmacılar tarafından çalışılan bir konuyken, son dönemlerde bu konudaki tasarım tabanlı araştırmacıları da içeren disiplinler arası çalışmaların ve buna bağlı mimari analizlerin artmaya başladığını söyleyebiliriz. Mimari ve kent ölçeğinde gerçekleşen bu çalışmalarda kullanılan görsellerdeki bina cepheleri geleneksel veya çağdaş döneme göre ayrıştırılabilir.

Görsel veriler üzerinden gerçek fiziksel objeler ve sahneler hakkında kullanışlı kararlar verilmesini çalışan, yapay zekanın bir alt alanı olan bilgisayarlı görüde de sınıflandırma sıklıkla çalışılan bir konu. Makinenin, sanat tarihini öğrenip, tabloları çeşitli sanat stillerine göre sınıflandırması gibi, geleneksel bina cephelerini de mimarlık tarihindeki Neoklasik, Haussmann, Rönesans, Yeni Sanat, Barok, Gotik, Rönesans ve Romanesk gibi mimari akımlara göre sınıflandırmasında ve bu mimari stillere ait karakteristik özelliklerin belirlenmesinde kullanıldığı ^{1 2} görülüyor. Bu akımların örneklerinin ve özelliklerinin tespitinde makinenin işlevselliği kanıtlanmışken, bunun bina yeniden inşası sürecinde kullanılması gibi pratikteki karşılıklarını beklemek mümkün.

Bina cephelerinde stil sınıflandırma (Kaynak: Not 1)

Bina cephesi görsellerinden, yapı malzemesi, pencere, bina girişi gibi cephe boşlukları ve kat sayısı tespiti gibi daha somut bilgiler de elde edilebiliyor. Görsel kompozisyondaki kapı, pencere, çatı, balkon gibi elemanların kimliksel farklılıklarına göre ayrıştırılması konusunda da, makinenin anlamsal bölütleme ile manalı sonuçlar ürettiği görülüyor. Fonksiyona ve bağlama dayalı tasarım kriterlerinin, cephe elemanlarının yerleşimi ve arasındaki ilişkileri belirlememesi ile ilgili veriler de uygun makine öğrenmesi yöntemleriyle eğitime eklenebilir.

Makine öğrenmesi uygulamalarının iki boyutlu uzayda sıkıştığı algısı oluşmuş olabilir; ancak bu veriler üç boyutlu bina modellerinin üretilmesi için de kullanılıyor³. Diğer taraftan orijinal veri setleriyle, çekişmeli üretici ağlarla (GAN) yeni bina görsellerinin üretilebiliyor olması da alternatifli doğası gereği mimari tasarım süreci için potansiyeli yüksek bir konu⁴. Uygulamalar, bu yöntemlerin tasarım süreci için odağı belli ve kullanışlı tasarım araçlarına dönüşme fikrini güçlendiriyor.

Cephede anlamsal bölütleme (Kaynak: Not 4)

Bina cephelerinin alışılmış formlardan sıyrılması, çağdaş sanat eserlerini andıran tuvallere dönüşerek yeni bir üslup yaratmaları süreci, özellikle modern ve post modern dönemden sonra bilgisayar destekli tasarım ve üretim araçlarının kullanımıyla daha belirgin oldu. Form ve cepheye bağlı olarak görsel estetik kaliteleri, çağdaş binaların kentlerde de ikonik roller benimsemesini sağladı. Buna rağmen, çağdaş bina cephelerine ait, makinenin okuyabileceği tutarlılıkta ve derli verinin eksikliği yapay zeka çalışmalarının hızını etkileyen bir konu. Mimaride sıklıkla rastlanılan yapılandırılmamış malzeme ve verinin makine tarafından okunabilir ve işlenebilir bir düzleme oturtulmasını “datafy unstructured data” ifadesi ile açıklayan Wang⁵ (2019), yapay zeka teknikleri ile mimariden kritik ve esas örüntülerin ve içeriklerin böylece çıkartılabileceğine işaret ediyor.

Araştırmacılar yapay zeka çalışmalarında çoğunlukla, kendi derledikleri veri setleriyle ilerliyorlar. Örneğin Frank Lloyd Wright, Alvaro Siza, Tadao Ando, Frank Gehry ve E. Souto de Moura’nın içinde olduğu 34 mimarın binalarına ait veriler, bu yolla toplanıp derin ağlar kullanılarak sınıflandırılabildi⁶. Bu sınıflandırmada Koolhaas, Holl, Perrault eserleri doğru tahmin edilmeyip diğer mimarların eserleri ile karıştırılırken, Kahn, Siza, van der Rohe ve Gehry eserlerinin çok daha yüksek oranlarla ayırt edilebildiği görüldü. Form ve malzemeye dair özgün uygulamalar içeren, ayrıştırılması daha kolay gibi algılanan mimari eserler birbiriyle karışırken daha net ve basit geometrilere dayanan mimari eserlerin rahatlıkla ayrıştırılabiliyor olması ilginç bir sonuç olabilir. Dolayısıyla, mimariye dair insan algısı, makine sonucuyla çeliştiğinde, mimarideki daha farklı alt ve sezgiden farklı örüntülerin anlaşılması, buna bağlı olarak süregelen yöntemlerin ve bunların sonucuna dair kabullerin sorgulanabilirliği mümkün oluyor. Elbette bunu değerlendirirken, makine öğrenmesi sürecinde verilerin ilk aşamada nasıl etiketlendiğinin ve varsa veri sayılarındaki dengesizliklerin bu sonuçlara olan etkisini devamlı göz önünde bulundurmak gerekir.

Alvaro Siza’nın Porto Üniversitesi Mimarlık Fakültesi görseli için makinenin mimar tahminleri sağda (Kaynak: Not 6)

Yapay zeka, estetiğin anlaşılmasında da kullanılıyor. Görsel estetik, yani güzelliğin yargısı, görsel tasarım elemanlarının uygun kullanım kuralları ve tariflerine karşılık gelen vurgu, denge, ritim, uyum, çeşitlilik gibi tasarım prensiplerinin uygulanması ile ilgili. Bina cephelerinde uygulanan bu tasarım prensiplerinin tıpkı sanat, fotoğraf, endüstriyel tasarım, moda tasarımı gibi diğer görsel tasarım alanlarının sonuç ürünlerinde olduğu gibi, benzer alt örüntülere sahip oldukları görülüyor. Bu biçimsel benzerlikleri sayesinde makine tarafından sınıflandırılmaları ve objektif değerlendirilmeleri mümkün olabiliyor⁷. Bu problemde de, mimari, sanat ve fotoğraf alanlarında, vurgu, denge ve ritme ait alt-prensiplerin açık ve net görsel verilerini içeren, çalışmaya özgü oluşturulmuş özgün veri setleri kritik önemde ve öğrenmenin başarısı ile yakından ilişkili. Makine tarafından sağlanan, çoklu veriye dayalı bu objektif değerlendirmenin, eğitimde ve profesyonel anlamda tasarımcıya sağlayabileceği destek değerli olabilir.

Renk vurgusu, kristalografik denge ve düzenli ritim sınıflandırmasına ait fotoğraf, sanat ve mimarlık alanından numune veriler (Kaynak: Not 7)

Tasarım ve sanat alanları arasındaki iletişim de yapay zeka yoluyla kuvvetlendirilebilir. Sanat, mimari veya fotoğraf alanlarında eğitilmiş modellerin, farklı bir alana ait verileri sınıflandırma performansları üzerinden alan adaptasyonlarının araştırılması bunun bir örneği⁸. Böylece alanlara özgü tasarım bilgisinin ve üretim doğalarından gelen farklılıkların diğer alanlarda açabileceği potansiyeller araştırılabilir.

Makinenin mahalle ve kent ölçeğindeki verilerin değerlendirilmesinde kullanıldığını görüyoruz. Bina cephelerini içeren sokak görünümü verileri; kent kimliğine ait görsel elemanların tespitinde, mahalle çehre değişimleri ve sosyoekonomik durumla ilişkilerini sorgulamada ve bina fonksiyonunu belirlemede kullanılabiliyor. Bu çalışmalarda yapay zeka desteği ile, mimaride kritik önemde olan bina bağlamına ait analizlerde kullanılabilecek derinlemesine bir ilişkilendirme boyutu ortaya koyuluyor ve mimarın binayı ve kenti daha kapsamlı bir şekilde anlamasının önü açılıyor.

Üstteki çalışmalar, iç mekan ile çevre ara katmanında, mimari tasarım için kritik önemde olan bina cephelerinin yapay zeka ile ilgili incelenmesinde çeşitlilik olduğunu ve çalışma kurgularındaki yaratıcılıkla bunun artacağını gösteriyor. Araştırmaların mimari alandaki pratik karşılıkları ve kullanım senaryoları halen tartışmaya açık. Makinenin eğitildiği verileri, sunduğu çıktıları ve yansıttığı önyargıyı göz ardı etmemek gerekir.¹¹. Dolayısıyla, diğer alanlarda olduğu gibi mimaride de makine zekası sonuçlarının verilerin ne olduğu ve nasıl yapılandırıldıkları ile ilgili çarpıcı ilişkisi ortadayken, mimarların bunu daha verimli tasarım çözümleri üretmek için avantaja çevirmeleri mümkün olabilir. Diğer taraftan, mimari değerlendirmelerin ve etkin tasarım süreçlerinin algımızla ve tasarım eğitimiyle sınırlı olmadığını, sürecin, kültürün ve birikimin makine tarafından yeni açılar göstermesi ve ilişki bağlamları kurulmasında kullanılabileceği gerçeği heyecan yaratıyor.

Bu bilgilere bir son yorum eklemek gerekirse, esinlenebileceğimiz ve istediğimiz an ulaşabileceğimiz bu yapay tasarımcı doğdu ve cepheler üzerine çoktan çalışmaya başladı. Mimarın ise bu yapay aktörle ne derece iletişimde olduğu tartışmalı. Mimari tasarım süreci tek kriteri optimize etmek için ya da sınırlı kısıtlar üzerinden kurgulansaydı iletişimimiz muhtemelen daha kolay olurdu. Örneğin Metaverse’den bahsetmeden yazıyı sonlandırmamak adına, herkesin üzerinde hemfikir olduğu dijital sınırsızlığı ve belirsizliği ortadayken, dünyevi kısıtları ve malzemeleri taklit eden yapıları içeren bir ortam sunarak bizi davet etmesi de bambaşka bir çelişki.

Komut ile görsel üreten uygulamalar, cephelerin gerçek ve yapay dengesinde dönüşebileceği boyutları göstermeleriyle vizyonumuzu genişletiyor. Elbette mimarinin önemli bir problemi görsel estetik; fakat görselliğin altında işlevsellik ve konfora dair çok daha derin bir düşünce ve dert ağının yattığını unutmamak lazım. Bu da henüz ilgi çekici görseller üreten yapay zeka seviyesine çıkmaktan uzak durumda. Bu, mimari ve tasarım alanından daha çok araştırmacının ve uzmanın algoritmalarla belli düzeylerde etkileşime girmelerini, probleme uygun yapay zeka yöntemlerini tanımlayıp önerebilmelerini ve disiplinler arası çalışmalarda sonuçlara dair alana özgü, orijinal geri bildirimlerle sürece katılmalarını gerektiriyor.

NOTLAR
¹ Mathias, M., Martinovic, A., Weissenberg, J., Haegler, S., & Van Gool, L. (2011). Automatic architectural style recognition. In Proceedings (38, No. 5W16, pp. 171-176).
² Goel, A., Juneja, M., & Jawahar, C. V. (2012, December). Are buildings only instances? Exploration in architectural style categories. In Proceedings of the Eighth Indian Conference on Computer Vision, Graphics and Image Processing (pp. 1-8).
³ Dick, A. R., Torr, P. H., & Cipolla, R. (2004). Modelling and interpretation of architecture from several images. International journal of computer vision, 60(2), 111-134.
⁴ Sun, C., Zhou, Y., & Han, Y. (2022). Automatic generation of architecture facade for historical urban renovation using generative adversarial network. Building and Environment, 212, 108781.
⁵ Wang, J. Data in architecture: Structure and context. Technology|Architecture + Design 3, 2019, pp. 128–129.
⁶ Yoshimura, Y., Cai, B., Wang, Z., & Ratti, C. (2019, July). Deep learning architect: Classification for architectural design through the eye of artificial intelligence. In International Conference on Computers in Urban Planning and Urban Management (pp. 249-265). Springer, Cham.
⁷ Demir, G., Çekmiş, A., Yeşilkaynak, V. B., & Unal, G. (2021). Detecting visual design principles in art and architecture through deep convolutional neural networks. Automation in Construction, 130, 103826.
⁸ Demir, G. (2022). Analysis of Visual Design Principles in Art and Architecture by Computer Vision and Learning Based Model. PhD Thesis, Istanbul Technical University.
⁹ https://rushkoff.medium.com/how-to-grade-papers-written-by-ai-4277a78a892
¹⁰ https://vasilykorf.com/doors-stylegan/
¹¹ https://mashable.com/article/google-ai-racist-sexist-bias