МОЖЛИВОСТІ ШТУЧНОГО ІНТЕЛЕКТУ В КОМП’ЮТЕРНОМУ ПРОЕКТУВАННІ ВІТРАЖІВ

Автор(и)

DOI:

https://doi.org/10.32782/2415-8151.2024.31.17

Ключові слова:

вітражне полотно, проєктування, комп’ютерні технології, штучний інтелект.

Анотація

Досліджується можливості штучного інтелекту (ШІ) в комп’ютерному проектуванні вітражів. Мета. Мета статті полягає в дослідженні та розкритті можливостей застосування штучного інтелекту в комп’ютерному проектуванні вітражів. Стаття спря- мована на виявлення потенційних переваг інтелектуальних систем у створенні та оптимізації дизайну вітражів, зокрема, в аналізі та обробці великого обсягу даних, автоматизації процесу проектування, підвищенні точності та швидкості розробки, а також покращенні функціональності та естетичного вигляду готового виробу. Крім того, стаття має на меті висвітлити потенційні виклики та обмеження в застосуванні штучного інтелекту у цій галузі та вказати на напрями подальших досліджень та розвитку технологій. Методологія. У дослідженні використано наступні методи: 1) аналітичний метод, за допомогою якого була проаналізована література; 2) теоретико-концептуальний метод, який дав змогу визначити умови, не- обхідні для впровадження IT-технології в культурно-мистецьку практику; У дослідженні використовувались методи комп’ютерного моделювання та аналізу, що дозволило підвищити точність результатів. Результати. Визначено що застосування штучного інтелекту в комп’ютерному проєктуванні вітражів може значно полегшити та покращити процес роз- робк вітражних полотен. Наукова новизна. Аналіз можливостей штучного інтелекту у вигляді автоматизованих алгоритмів для розробки та оптимізації дизайну вітражів є новим напрямком досліджень. Практична значущість. За допомогою алгоритмів машинного навчання, штучний інтелект може генерувати унікальні та креативні дизайни вітражів, враховуючи сучасні тенденції та індивідуальні побажання замовників.

Посилання

Adlington L. W. (2019). Making a medieval stained glass window: An archaeometric study of technology and production. UCL Institute of Archaeology. P. 364.

Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.

Beltramelli, F. (2017). Generative Adversarial Networks for Creative Text Generation. arhiv preprint arXiv:1706.07736.

Chen, D., Lu, J., & Weng, C. (2018). Deep learning for uncovering visual concepts in art. ACM Transactions on Graphics (TOG), 37(4), 1-17.

Hsu, F., Wu, H. Y., Huang, J. C., & Chen, H. H. (2020). AI as collaborator: How humans and AI can generate creative designs together. Design

Science, 7(3), e17-043.

Elgammal, A. (2023). Art, Creativity, and the Potential of Artificial Intelligence. MDPI, 12(1),26. https:// www.researchgate.net/publication/331258985

Jirattikhachachai, K., & Phanbuthin, S. (2022). Understanding and Creating Art with AI: Review and Outlook. ResearchGate.

Hertmann, A., Zettlitz, M., Geiger, G., & Müller, P. (2020). Art and the science of generative AI. Science, 368(6496), 1096-1100. https://www.science.org/doi/10.1126/science.adh4451

Horton, C. B. Jr, White, M. W., & Iyengar, S. S. (2023). Bias against AI art can enhance perceptions of human creativity. Nature Communications, 14(1), 1- https://www.nature.com/articles/d41586-023-01546-4

Huang, H., & Fu, X. (2022). Will Artificial Intelligence Disrupt the Art Market? International Journal of Arts Management, 24(3), 237-253.

La Russo F. M. (2021). An AI-based DSS for preventive conservation of museum collections in historic buildings. Journal of Archaeological Science: Reports.

Liu, Y., Guan, Z., & Li, H. (2023). Exploring the impact of AI co-creation on human’s creative selfefficacy and problem-solving skills. Computers in Education, 180, 102549.

Maoran Sun, Fan Zhang, Fabio Duarte, Carlo Ratti. (2022). Understanding architecture age and style through deep learning. Cities Volume 128. https://doi.org/10.1016/j.cities.2022.103787

Morra, E., & Ventura, M. (2020). Artificial Agents as Creative Collaborators. ACM Transactions on Interactive Intelligent Systems (TIIS), 10(2), 1-47.

Petrushevskyi A. (2022). Semi-automated modeling of combined stained glasses. Theory and practice of design. Design. 1(25). P. 210-216. doi: 10.18372/2415-8151.25.16798

Raffel, C., Schaul, T., Nichol, A., Le, P., & Whitehead, J. (2016). Looking beyond the bits: Learning deep representations for creative tasks. arXiv preprint arXiv:1606.06569

Whipple K. (1984). Computer-aided crafts design in stained glass. California State University, Long Beach ProQuest Dissertations Publishing.

Gözdenur Demir, Aslı Çekmiş, Vahit Buğra Yeşilkaynak, Gozde Unal. (2021) Detecting visual design principles in art and architecture through deep convolutional neural networks. Automation in Construction.

Ploennigs J, Berger M. (2023). AI art in architecture. AI in Civil Engineering. University of Rostock, Rostock, Germany. (2023) 2:8 https://doi.org/10.1007/s43503-023-00018-y

Haytham H. Artificial Intelligence and Parametric Construction Cost Estimate Modeling: Stateof- the-Art Review. Journal of Construction Engineering and Management. https://doi.org/10.1061/(ASCE) CO.1943-7862.0001678

##submission.downloads##

Опубліковано

2024-03-13

Номер

Розділ

Статті