Kelahiran Perancang Situasi | oleh Ian Latchmansingh | Des, 2022

Bayangkan Anda terlibat dalam sebuah proyek untuk memastikan pekerja di pabrik perusahaan Anda mengenakan Alat Pelindung Diri (APD) yang benar, tetapi APD yang akan mereka gunakan belum diproduksi — itu ada hanya sebagai desain. Anda ingin dapat mendeteksinya dengan kamera yang terhubung di luar area berbahaya yang mengirimkan gambar ke cloud untuk inferensi (output yang dihasilkan dari model Machine Learning atau “ML”). Ini harus berfungsi pada hari pertama — keselamatan pekerja Anda dipertaruhkan.

Pertanyaan tindak lanjut alami mungkin termasuk:

• Bagaimana kita bisa melatih model untuk mengenali sesuatu di dunia fisik yang saat ini ada murni sebagai desain?
• Bagaimana kita mendefinisikan tanggung jawab, keterampilan, dan pertimbangan yang diperlukan untuk mengeksekusi terhadap masalah ini?
• Bagaimana ini duduk dalam keseluruhan proses desain?

Masalah ini menghadirkan peluang untuk mengusulkan disiplin desain baru — yang merancang situasi untuk artefak sebelumnya agar ada di dalamnya.

Untuk memahami perbedaan disiplin ilmu dan evolusi artefak desain, seseorang dapat melihat Design Thinking. Lebih khusus lagi, makalah Profesor Richard Buchanan tahun 1992 “Wicked Problems in Design Thinking” di mana dia menjelaskan “Four Order of Design”:

1. Tanda & Simbol: biasanya domain Desainer Grafis dalam ruang dua dimensi
2. Objek: artefak berguna yang bersifat tiga dimensi; biasanya dijelaskan oleh Desainer Industri
3. Kegiatan & Layanan Terorganisir: desain pengalaman yang mempertimbangkan ruang dan waktu; umumnya dilayani oleh Desainer Layanan, UX, dan Interaksi
4. Sistem atau Lingkungan Kompleks: desain polidimensi yang mencakup semua tatanan sebelumnya dan mempertimbangkan pengaruh perubahan pada sistem; lebih mungkin untuk melibatkan perencana kota, organisasi, dan perancang sistem lainnya.

Teknologi telah mencapai titik di mana sekarang dimungkinkan untuk mensimulasikan proposal desain Orde Keempat yang rumit dengan artefak yang dihasilkan oleh nenek moyangnya. Seseorang dapat memodelkan sistem atau lingkungan yang kompleks secara virtual untuk lebih memahami fungsinya: baik untuk menyadari kekurangan atau untuk mentransfer pemahaman tersebut ke mesin, yang dapat — pada gilirannya — terus menyempurnakan pemahamannya sendiri. Dua teknologi terbaru memberikan contoh yang bagus dari simulasi desain Orde Keempat:

Kembar Digital

Kembar digital adalah analog virtual dari objek material, sistem, proses, atau lingkungan yang memungkinkan seseorang untuk mensimulasikan, memodifikasi, menguji, atau memantau desain Orde Keempat. Dalam kasus di mana gaya termasuk dalam lingkungan, ini juga dapat disebut sebagai a fisik kembar. Contohnya mungkin representasi virtual dari garis pabrik yang akurat secara mekanis dan merespons simulasi fisika.

Pelatihan Model Pembelajaran Mesin

Model Pembelajaran Mesin (ML) adalah sistem komputasi yang mampu mempelajari dan mengadaptasi pemahaman yang mereka buat sendiri tanpa instruksi khusus. Mereka membuat algoritme matematika yang menganalisis data input dan membuat kesimpulan tentangnya berdasarkan pola yang dapat dideteksi. Desain tervirtualisasi dari Urutan Keempat dapat digunakan untuk menghasilkan data berlabel untuk model ML guna memahami sistem dan lingkungan yang tidak memiliki data nyata yang memadai. Ketidakcukupan data ini dapat muncul dalam beberapa cara, salah satunya karena lingkungan atau sistem tidak memiliki cukup nalar untuk membangun model dengan data yang dapat diamati (misalnya fotogrametri, video, atau data gambar). Mungkin juga tidak cukup jika desainnya sederhana belum ada, seperti yang dijelaskan dalam skenario yang mengawali artikel ini.

Demi singkatnya, artikel ini akan berfokus pada contoh ML, tetapi minat dan properti fundamental dari kedua kasus penggunaan tersebut sangat mirip. Meskipun penyederhanaan berlebihan, orang dapat menganggap desain Orde Keempat dijeda untuk tujuan pelatihan ML dan bermain untuk keperluan Digital Twins.

Mempertimbangkan jalur berenang untuk skenario PPE teoretis ini, kita dapat membuat beberapa asumsi yang masuk akal tentang peran dan tanggung jawab dalam proses ini:

Singkatnya, Peneliti Desain dan Desainer khusus (dalam hal ini, Desainer Industri) berkolaborasi dalam penelitian dan pengembangan prototipe (untuk skenario kami, PPE) hingga perlu disimulasikan atau divisualisasikan sebagai dipengaruhi oleh sistem sebelum pelatihan. Tak satu pun dari peran ini cocok untuk pekerjaan tipe artis studio yang diperlukan untuk menghasilkan data gambar sintetik, artis studio juga tidak cukup akrab dengan Machine Learning untuk menghasilkan data yang dapat digunakan.

Kesenjangan ini menunjukkan perlunya peran transisi: seorang praktisi dengan keahlian yang didedikasikan untuk menjelaskan faktor-faktor yang mempengaruhi representasi virtual desain untuk tujuan pelatihan dan simulasi. Dari sinilah, Situation Designer (SD) lahir.

Desain Situasi, pada intinya, adalah pendekatan visual untuk sintesis data. Semua jenis sintesis data bergantung pada data berkelanjutan — pengukuran yang dapat bervariasi tanpa batas dari waktu ke waktu. Sintesis data untuk ML itu sendiri bukanlah pendekatan baru, tetapi pembuatan data gambar sintetik memerlukan alat desain fotorealistik, parameter, visual, dan spasial untuk membuat data ini — alat yang secara historis kurang dapat diakses. Sebelum lonjakan perkakas baru-baru ini, data gambar sintetik terlihat seperti ini:

Jika Anda terbiasa dengan Adobe Photoshop, bayangkan ini sebagai proses batch yang menerapkan berbagai teknik manipulasi gambar secara acak. Seseorang dapat menggunakan ini untuk mengambil desain produk konseptual (misalnya label botol soda baru) dan memanipulasi gambar dalam berbagai cara untuk melatih model yang dapat menentukan apakah desain tersebut ada di banyak lingkungan dunia nyata. Ini bagus tapi tidak Bagus. Untuk membangun model dengan keyakinan lebih tinggi untuk situasi yang mungkin belum ada, realisme perlu ditingkatkan secara substansial.

Kita dapat membuat beberapa kesimpulan manusia sederhana untuk memahami kemajuan dalam perkakas dengan melihat kembali pada tahun 2017, ketika layanan Amazon SageMaker diluncurkan sebagai bagian dari penawaran cloud AWS. Layanan ini memungkinkan pengembang untuk membuat, melatih, dan menerapkan model di banyak lingkungan komputasi.

Anehnya, Blender — rangkaian desain 3D open source — mulai melonjak popularitasnya pada waktu yang bersamaan setelah serangkaian pembaruan UI yang substansial. Ini benar-benar korelasi dan belum tentu sebab-akibat, tetapi akan sulit untuk tidak berspekulasi terhadap suatu tren. Dan, nyatanya, ada tren.

Alat yang dipesan lebih dahulu mungkin baru lahir, tetapi ada dan cenderung menjadi lebih populer dan terspesialisasi. UnrealGT, plugin data gambar sintetik pihak ketiga untuk Unreal Engine, dirilis pada Oktober 2019. Pada April 2021, raksasa industri komputasi spasial Unity secara diam-diam mulai mempromosikan penggunaan mesin game mereka untuk pembuatan data gambar sintetik. NVIDIA merilis perusahaan mereka Omniverse pada tahun yang sama, memungkinkan kolaborasi spasial jarak jauh untuk tim desain 3D. Ini adalah alat dasar yang dapat digunakan SD untuk menghadirkan desain ‘sempurna’ dari setiap Ordo ke dalam representasi virtual dari keadaan dunia nyata.

Komponen tidak langsung dari suatu Situasi

Keajaiban proses ini diwujudkan dengan parameterisasi faktor lingkungan dan situasional yang sebaliknya sangat membosankan untuk dijelaskan tanpa desain prosedural: sistem berbasis aturan untuk mendeskripsikan pemandangan 3D. Situasi dapat dipengaruhi oleh (namun tidak terbatas pada):

• Objek: objek yang menarik, struktur, orang, benda
• Bahan: bahan eksterior selesai, tekanan alami
• Petir: alami, sintetis, suhu, kecerahan, penempatan
• Kamera: jenis lensa, panjang fokus, apertur, depth-of-field, orientasi
• Halangan: elemen latar depan dan latar belakang yang memengaruhi visibilitas objek yang menarik
• Orientasi: kedekatan, lokasi, rotasi, dan skala objek
• Kesetiaan: dimensi gambar, kompleksitas model
• Fisika: gravitasi, berat, turbulensi, kekakuan, kelembutan, fluiditas

Pertimbangkan petunjuk awal dalam artikel ini: Anda perlu menggunakan teknologi untuk secara cerdas mendeteksi keberadaan APD yang belum digunakan. Untuk melakukannya, Anda perlu menginventarisasi kondisi yang akan memengaruhi gambar yang dihasilkan sehingga Anda dapat membuat pemandangan 3D yang berakar pada kenyataan. Anda harus memiliki pekerja virtual berseragam, dalam berbagai bentuk dan ukuran, di pabrik virtual, dengan benda-benda virtual di sekitarnya. Kemudian, perlu meyakinkan secara optik. Anda sekarang bertindak sebagai tipe seniman studio spasial yang sangat disengaja dan spesifik – Anda adalah merancang situasi.

Keluaran

Saat SD memutuskan untuk merender Situasinya, mereka mungkin akan menghasilkan ribuan gambar yang benar-benar berbeda dari satu bingkai ke bingkai berikutnya, meskipun hal ini bergantung pada frekuensi dan amplitudo parameter. Jika menggunakan alat khusus seperti Unity, SD juga dapat memvisualisasikan kotak pembatas dan data label dalam konteks.

Berbekal serangkaian kejadian teoretis, yang ditangkap dalam kerangka waktu demi kerangka, insinyur pembelajaran mesin dapat menggunakan sebagian besar gambar ini (beberapa mungkin disediakan untuk pengujian) untuk melatih model yang dapat memahami realitas baru. Penerapannya berkisar dari yang biasa, seperti memastikan barang kemasan konsumen dalam contoh di atas ditempatkan sesuai dengan kontrak mereka dengan pengecer, hingga yang kritis, seperti memastikan bahwa inspeksi pesawat dilakukan secara akurat.

Dampak pada Desain

Ini mungkin terdengar sangat mirip dengan alat yang muncul untuk pembuatan gambar seperti Stable Diffusion, Dall-E, atau Midjourney. Namun, data gambar sintetik untuk melatih model ML harus konsisten dan spesifik — dua masalah yang sulit diatasi oleh alat ini.

Artikel ini mengusulkan bahwa Desain Situasi adalah cabang baru dari Teknologi Desain. Seperti dalam skenario desain yang lebih umum, seorang Teknolog Desain (DT, terkadang disebut sebagai Insinyur UI atau UX) dapat menerjemahkan desain menjadi sesuatu yang lebih fungsional. Misalnya, saat membuat produk digital, Desainer UX dapat bekerja dengan DT untuk mewujudkan desain yang diusulkan sebagai prototipe untuk mendapatkan pemahaman yang lebih baik tentang fungsinya sebelum mewujudkannya melalui rekayasa. Proses realisasi ini juga berlaku untuk Perancang Situasi.

Desainer yang tertarik dengan pembuatan data gambar sintetik dapat mempertimbangkan untuk memperluas keterampilan mereka ke dalam desain spasial, pembelajaran mesin, dan desain prosedural. Dengan mempertimbangkan kepentingan bisnis dalam kecerdasan buatan, menjadi Perancang Situasi mungkin merupakan hal yang perlu dipertimbangkan lebih cepat daripada nanti. Mungkin sudah waktunya untuk merancang situasi Anda selanjutnya.

Jalur Pembelajaran Gratis

Deskripsi judul dan peran ini adalah proposal untuk klasifikasi dalam bidang desain, tetapi mungkin ada nuansa dan peran yang tumpang tindih. Jangan ragu untuk menyebutkannya di komentar.

Selain itu, perlu dicatat bahwa pembelajaran tidak selalu membutuhkan volume data yang tinggi. Bergantung pada tujuan model, metode seperti pembelajaran zero-shot, one-shot, dan few-shot dapat mencapai hasil yang baik dan kemungkinan besar tidak memerlukan Perancang Situasi. Perlu diperhatikan juga bahwa model yang dilatih dengan data gambar sintetik penuh mungkin meninggalkan beberapa presisi yang diinginkan dan mungkin tidak menghasilkan skor kepercayaan yang selalu dapat diterima.

Sekali lagi, ini hanya usulan. Saya ingin tahu apakah ini beresonansi, jika saya mengartikulasikan sesuatu yang salah, peran alternatif atau yang berdekatan, dll. Saya terutama ingin mendengar dari pembaca yang mungkin sudah melakukan jenis pekerjaan ini. Terima kasih telah membaca.