Målet vårt er å utforske og definere retningslinjer for bruk av kunstig intelligens i designprosessen. Vi begynner med ei innføring i agentar, før vi går vidare til generative modellar og korleis desse skil seg frå tradisjonelle designverktøy.
Sentrale forskingsartiklar
1. "Attention Is All You Need" (2017)
Introduserte Transformer-arkitekturen som la grunnlaget for alle GPT-modellar.
2. "Language Models are Few-Shot Learners" (2020)
Demonstrerte GPT-3 sine eksepsjonelle few-shot læringsevner.
3. "Scaling Laws for Neural Language Models" (2020)
Etablerte at skalering av data, modellstorleik og reknekapasitet gir føreseielege forbetringar i yting.
4. "Scale Is All You Need"
Framheva den transformative effekten av å skalere modellparametrar, data og reknekapasitet.
5. "Chain of Thought Prompting Elicits Reasoning in Large Language Models" (2022)
Introduserte chain-of-thought resonnering, som forbetra fleirstegs resonnering i store språkmodellar.
Grunnleggjande om agentar
Grunnleggjande byggeblokk: Den utvida LLM
Den grunnleggjande byggeblokken i agentsystem er ein LLM forbetra med utvidingar som gjenhenting, verktøy og minne.
Arbeidsflyt: Ruting
Ruting klassifiserer inndata og dirigerer den til spesialiserte oppfølgingsoppgåver.
Arbeidsflyt: Parallellisering
Parallellisering let oss køyre fleire LLM-kall samtidig og aggregere resultata.
Arbeidsflyt: Orkestrator
Ein sentral LLM koordinerer arbeidet til fleire underordna LLM-ar.
Arbeidsflyt: Evaluator-optimalisator
Ein LLM evaluerer og gir tilbakemelding på arbeidet til ein annan LLM.
Autonom agent
Ein autonom agent kan interagere med både menneske og miljø over tid.
Kodeagent
Ein kodeagent jobbar iterativt med å forstå, planlegge og implementere kodeendringar.
No som vi har sett på dei grunnleggjande byggeblokkane og arbeidsflytane for KI-agentar, skal vi gå vidare til å sjå på korleis generative modellar kan brukast i designprosessen.
Generative modellar
Grunnleggjande LLM-operasjonar
Reduksjon >
Går frå stort til lite. Komprimerer eller destillerer informasjon.
Transformasjon ≈
Beheld storleik og/eller tyding. Omformar data medan kjerneinformasjonen blir bevart.
Generering <
Går frå lite til stort. Utvidar eller genererer ny informasjon.
Treningsprosess for KI-modellar
Treningsprosessen involverer systematisk handsaming av parameterdata og ressursar gjennom fleire steg av prosessering, sampling og formattering for å bygge robuste datasett.
KI-trenings feedback loop
Moderne KI-trening nyttar ein iterativ prosess der syntetiske datasett blir generert og evaluert kontinuerleg, med feedback som justerer genereringsprosessen for optimal læring.
Samanlikning med tradisjonelle verktøy
I motsetnad til tradisjonelle verktøy som Autodesk sitt generative design, som ofte er basert på parametriske reglar og optimalisering, arbeider moderne KI-modellar med eit meir fleksibelt og kontekstuelt forståing av designoppgåver.
Oversikt over KI-verktøy
Her er ei oversikt over dei viktigaste verktøya som blir brukt i KI-driven design og utvikling. Verktøya er kategoriserte etter hovudfunksjon og bruksområde.
Bilete & Grafikk
DALL-E 3
Midjourney
Leonardo AI
DreamStudio
Let's Enhance
Remove BG
FaceApp
3D & CAD
nTopology
Rhino
Grasshopper
CSM AI
Spline
KI-Plattformar
Claude
Google AI
Hugging Face
Perplexity
Utvikling
GitHub Copilot
Replit
LangChain
W&B
Skytenester
AWS
Azure
Pinecone
Replicate
Innhaldsproduksjon
Jasper
Grammarly
Descript
ElevenLabs
Speechify
Grensesnitt og interaksjon
For designarar er det avgjerande at KI-verktøya kan integrerast saumlaust i eksisterande arbeidsflytar. La oss utforske dei ulike måtane designarar kan samhandle med KI-system.
Markør-basert
Direkte manipulasjon og kontroll av design gjennom KI-forsterka grensesnitt
Tale-basert
Naturleg språkinteraksjon for å beskrive designintensjonar og endringar
Tekst-basert
Presis tekstbasert kommunikasjon med KI-assistenten
Nye grensesnitt
I tillegg til tradisjonelle grensesnitt ser vi framveksten av nye, meir intuitive måtar å samhandle med KI på. Eit interessant døme er Rabbit R1, som kombinerer fysiske kontrollar med KI-tolking av brukarens intensjonar.
Dette representerer ein ny trend der KI-grensesnitt blir meir taktile og fysiske, og mindre avhengige av skjermar og tastatur. Slike grensesnitt kan gjere KI meir tilgjengeleg og naturleg å bruke i kvardagen.
