EN
DE
EN
Ces dernières années, les outils d'intelligence artificielle (IA) et d'apprentissage machine (ML) sont passés du stade de la théorie intéressante à celui de la pratique troublante. Nous nous demandons s'il est possible de demander à l'intelligence artificielle de "concevoir un bâtiment".
Ces dernières années, les outils d'IA et d'apprentissage automatique sont passés de la théorie à la pratique.
Armés d'énormes ensembles de données et d'une puissance de traitement considérable, des développements tels que GPT-3 d'Open AI ont dépassé les prévisions de leurs créateurs et sont apparemment capables de produire de la prose, de la poésie et même des images compétentes, convaincantes et convaincantes sur commande. Nombreux sont ceux qui ont été surpris, impressionnés, voire choqués par certaines des capacités démontrées par le GPT-3 lors de sa présentation à l'été 2020, avec des réactions allant de l'alarmiste "Are you scared yet, human ?" dans The Guardian, à l'inspiration d'une multitude de start-ups pour créer de nouvelles entreprises et de nouveaux services autour de cette technologie.
Alors, à quoi ressembleront les descendants de GPT-3 dans quelques années, étant donné sa capacité apparemment étrange à générer un texte convaincant (et dans d'autres variantes, des images à partir d'une description textuelle) à partir d'une brève invite ? Et quel pourrait être son impact sur l'industrie de l'architecture, de l'ingénierie et de la construction ? Serait-il possible de demander à l'intelligence artificielle de "concevoir un bâtiment" ?
Un partenaire d'apprentissage automatique pour les concepteurs et les ingénieurs ?
Le GPT-3 est capable de discerner des modèles significatifs à partir de milliards d'éléments différents de l'écriture humaine, ce qui lui permet de sembler réussir une sorte de test de Turing. Vous écrivez une phrase ou deux et il est capable de poursuivre votre raisonnement, de le développer en paragraphes ou, s'il utilise son dérivé "DALL-E", de produire des images qui reflètent diversement ce que vous avez demandé. Alors, serait-il possible de demander au GPT-100 de "concevoir un bâtiment" ?
Tout d'abord, nous devrions être plus précis : le bâtiment "qui convient à ce terrain", qui "n'émet pas de carbone, qui a 5 pièces, de grandes fenêtres, etc. Plus important encore, nous sommes plus conscients que jamais que nous vivons dans un monde interconnecté, qui évolue rapidement. Le bâtiment doit donc s'intégrer dans son quartier, utiliser efficacement les matériaux et l'énergie, et présenter un bon rapport qualité-prix par rapport à d'autres utilisations et projets. L'industrie utilise déjà des outils de conception paramétrique pour unifier ces différents objectifs de manière rigoureuse et imaginative, sur la base d'un mélange d'ensembles de données discrètes très pertinentes. Il n'est pas encore certain qu'un outil d'apprentissage machine de type transformateur génératif pré-entraîné (GPT) soit utile pour naviguer dans la réalité et les contraintes multidimensionnelles d'un projet de construction. Pour l'instant, du moins.
En tant qu'IA basée sur un modèle de langage très compétent, le GPT-3 est une réalisation très impressionnante, mais d'autres formes d'intelligence artificielle progressent également. GPT-3 incarne également certaines des faiblesses des technologies actuelles d'intelligence artificielle : l'impénétrabilité. Les données sur lesquelles il s'appuie sont d'une taille phénoménale mais contiendront certainement des biais, ne seront probablement pas accessibles au public à des fins d'inspection ou d'évaluation, et les ensembles de données sur lesquels il s'appuie seront probablement détenus par des entreprises privées ayant leurs propres objectifs commerciaux. Cela conduit à un problème d'éthique imminent à mesure que nous utilisons davantage de données dans l'environnement bâti et que l'action humaine directe est remplacée par les pouvoirs de décision d'outils d'apprentissage automatique de plus en plus compétents.
La science et l'apprentissage automatique unissent leurs forces
En tant qu'architectes, concepteurs, ingénieurs et planificateurs, nous travaillons dans un contexte complexe et dynamique - nous nous préoccupons non seulement de la situation actuelle et passée, mais aussi de ce qu'elle sera à l'avenir. Au-delà de l'impressionnante créativité du GPT-3, ce dont nous avons réellement besoin en tant que communauté, c'est d'un aperçu des contextes réels dans lesquels nos décisions de conception doivent réussir et perdurer. Nous devons savoir quelle sera la force des vents de tempête d'une région ou la quantité de pluie que les tempêtes futures produiront, comment le climat affectera les eaux souterraines ou une myriade d'autres facteurs qui posent de plus en plus de défis à l'environnement bâti et naturel. La capacité de l'apprentissage automatique à discerner des modèles et à faire des prédictions dans des conditions incroyablement complexes pourrait être ce dont nous avons le plus besoin.
Un autre domaine très prometteur est la convergence émergente entre l'apprentissage automatique et la science, qui débouchera sur de nouvelles technologies s'appuyant sur l'immense corpus de connaissances en mathématiques, en physique et dans d'autres sciences. Les méthodes informatiques traditionnelles sont devenues plus puissantes, mais même aujourd'hui, le niveau de puissance informatique requis peut être coûteux et lent à utiliser. Dans l'industrie de l'environnement bâti, la modélisation et la simulation sont des domaines où nous avons besoin d'une amélioration continue de la vitesse, de l'échelle et de la complexité des tâches informatiques. Les outils d'apprentissage automatique dotés d'une capacité de type GPT-3 à prendre en compte des milliards de facteurs simultanément, formés sur des ensembles de données plus importants, devraient nous permettre de faire un bond en avant lorsque nous étudions des alternatives scientifiques, trouvons des solutions optimales et manipulons des modèles plus complexes. Cela serait très utile pour les phénomènes typiques d'écoulement des fluides tels que le vent, l'atmosphère, les écoulements d'eau, les structures, les matériaux, la chimie et d'autres éléments difficiles à calculer. Chez Arup, nous avons déjà expérimenté des simulations d'écoulement d'air accélérées par l'IA (l'interaction du vent avec les bâtiments). Dans le passé, ces simulations ont joué un rôle limité dans la conception et seuls un ou deux cas ont été étudiés (en raison du temps et des coûts de calcul). Cette nouvelle approche (bien que la technologie ne soit pas encore tout à fait au point) promet une plus grande liberté pour explorer les options et parvenir plus rapidement à des solutions optimales.
Dans le cas de la prévision des inondations, nous constatons que les modèles d'IA qui ont appris à partir de données historiques et sont informés par la physique, sont beaucoup mieux à même de généraliser, par exemple, un événement de tempête extrême dans un climat futur, et nous commençons déjà à tester cette approche sur des projets.
L'apprentissage automatique et la planète
Avec l'entrée en vigueur des engagements "net zéro" dans l'ensemble du secteur de l'environnement bâti, notre industrie sera de plus en plus (et à juste titre) appelée à répondre à des questions plus difficiles sur les conceptions que nous proposons et sur l'énergie et les émissions que ces solutions pourraient produire. C'est un autre domaine où l'apprentissage automatique peut nous aider à gérer la complexité.
Compte tenu de la durée de vie des bâtiments et des infrastructures, nous devrons développer des outils d'apprentissage automatique de plus en plus puissants pour répondre aux questions sur le monde que ces projets rejoindront : des effets de la montée des océans, des tempêtes et des inondations plus puissantes, à l'augmentation des températures et aux extrêmes de froid. Les outils de modélisation du climat capables de faire des prédictions de plus en plus précises seront d'une valeur inestimable pour les ingénieurs et les concepteurs qui devront adapter leurs propres décisions à un monde qui se réchauffe rapidement.
À un niveau plus tactique, nous avons déjà commencé à tirer parti de la puissance de l'apprentissage automatique pour évaluer la combinaison la plus efficace de systèmes et de technologies, afin d'aider la chaîne de supermarchés Whole Foods à se conformer à la réglementation "net zéro" en Californie. Cette approche par "algorithme génétique" permet d'évaluer un nombre impressionnant de combinaisons de systèmes de refroidissement, d'éclairage et de climatisation, l'outil étant capable d'imiter les presses évolutives pour éliminer les solutions les plus faibles, jusqu'à ce qu'une gamme d'options à faible émission et à haute performance ait été définie. Il s'agit d'un exemple passionnant de ce qui pourrait bientôt devenir monnaie courante.
Le partenariat machine-homme ne fait que commencer
Bien que nous parlions souvent d'un "langage de conception", les bâtiments ne sont pas des modèles de langage et nous ne devrions pas nous attendre à ce que ce type d'apprentissage automatique remplace le processus de conception normal et hautement multidisciplinaire. Même s'il est peu probable que nous demandions à un logiciel de concevoir notre prochaine salle de concert ou cathédrale, l'apprentissage automatique reste un domaine passionnant et en pleine évolution pour les praticiens de l'environnement bâti. Il s'agit clairement d'un "multiplicateur de force" qui peut augmenter nos propres capacités et notre créativité, d'une manière que nous ne pouvons même pas encore imaginer.
Pour l'instant, des développements tels que GPT-3 offrent un aperçu alléchant de l'ampleur des questions d'ingénierie et de conception auxquelles nous pourrions répondre demain, tout en soulignant l'importance de données éthiques et ouvertes pour l'ensemble de l'industrie.
