تصميم الأثاث المدعوم بالذكاء الإصطناعي : ربط الإبداع بالقدرة على التصنيع في العصر الرقمي.

نوع المستند : Original Article

المؤلفون

1 قسم العمارة الداخلية - كلية الفنون والتصميم - جامعة الملك سلمان الدولية - شرم الشيخ - مصر.

2 قسم التصميم الداخلى والأثاث - كلية الفنون التطبيقية - جامعة دمياط.

3 قسم التصميم الداخلى والأثاث - كليــة الفنــون التطبيقيـــة - جامعة دمياط - دمياط - مصر .

المستخلص

لقد غيرت تقنية الذكاء الإصطناعي العديد من مناهج التصميم فى الوقت الحالى. إن تصميم الأثاث بإستخدام منصات وتطبيقات الذكاء الاصطناعي لمحاكاة أفكار المصممين من خلال تصميم ثلاثي الأبعاد له تأثير حاسم على مستقبل عملية الإبداع والتصميم. حيث تم توفير التكنولوجيا لغير المصممين والهواة لتجربة أفكارهم مما أثار تساؤلات بين المصممين حول التكنولوجيا الجديدة وإمكانياتها. يهدف البحث إلى التحقق من إمكانية الاعتماد على التصميمات التي ينتجها الذكاء الاصطناعي وتقييمها للعمل بها من كونها مجرد أداة لمساعدة المصمم على تقديم مجموعة جديدة من الأفكار التي يمكن أن تعزز مخزونه البصرى وتدفع حدود إبداعه. لتقييم مدى تأثير هذه التكنولوجيا على عملية التصميم والتنفيذ تم عمل استبيان لـ (100) مصمم أثاث إلى جانب إجراء تصميمات تجريبية بإستخدام الذكاء الإصطناعي على منصة تصميم محددة واستخدام الكلمات ذاتها لأكثر من مستخدم فى نفس الوقت وذلك لفهم نهج الذكاء الاصطناعي في تصميم الأثاث حيث تم تحليل هذه التصميمات وقابليتها للتصنيع وما إذا كان بإمكاننا الإعتماد على هذه التصميمات لتحل محل مهارات المصمم أم أنها مجرد أداة للهواة تحتاج إلى إعادة النظر والتقييم لمخرجاتها. وقد أظهرت نتائج الاستبيان أن 70% من العينات اتفقت على أن تصميمات الذكاء الاصطناعي يمكن أن تساعد المصممين في الأفكار الأولية لتوجهات تصميمية جديدة، ويقدم البحث توصيات للمصممين والمؤسسات الأكاديمية حول أهمية تبني تكنولوجيا الذكاء الإصطناعي والعمل بها والاستفادة من قدراتها من أجل الإبداع والإبتكار في التصميم.

الكلمات الرئيسية

المراجع

  1. Al Ka’bi, A. H. (2020). Comparison of energy simulation applications used in green building. Annals of Telecommunications, 75(7), 271–290. https://doi.org/10.1007/s12243-020-00771-6
  2. Claburn, T. (2022). Holz, founder of AI art service Midjourney, on future images. https://www.theregister.com/2022/08/01/david_holz_midjourney/
  3. Curry, D. (2024). Discord Revenue and Usage Statistics (2024). Business of Apps. https://www.businessofapps.com/data/discord-statistics/
  4. Czepiel, M., Bańkosz, M., & Sobczak-Kupiec, A. (2023). Advanced Injection Molding Methods: Review. Materials, 16(17), Article 17. https://doi.org/10.3390/ma16175802
  5. Du, H., Zhang, R., Liu, Y., Wang, J., Lin, Y., Li, Z., Niyato, D., Kang, J., Xiong, Z., Cui, S., Ai, B., Zhou, H., & Kim, D. I. (2024). Enhancing Deep Reinforcement Learning: A Tutorial on Generative Diffusion Models in Network Optimization. IEEE Communications Surveys & Tutorials, 26(4), 2611–2646. IEEE Communications Surveys & Tutorials. https://doi.org/10.1109/COMST.2024.3400011
  6. El-fayoumy, A. H. (2022). The Role of BIM in Achieving Sustainable and Environmental Aspects for Interior Spaces. 2022 Engineering and Technology for Sustainable Architectural and Interior Design Environments (ETSAIDE), 1–7. https://doi.org/10.1109/ETSAIDE53569.2022.9906343
  7. Feng, W., Lin, D., & Cao, D. (2024). Multimodal Causal Relations Enhanced CLIP for Image-to-Text Retrieval. In Q. Liu, H. Wang, Z. Ma, W. Zheng, H. Zha, X. Chen, L. Wang, & R. Ji (Eds.), Pattern Recognition and Computer Vision (pp. 210–221). Springer Nature. https://doi.org/10.1007/978-981-99-8429-9_17
  8. Hao, Z. (2019). Deep learning review and discussion of its future development. MATEC Web of Conferences, 277, 02035. https://doi.org/10.1051/matecconf/201927702035
  9. IKEA. (2022). IKEA launches new AI-powered, digital experience. https://www.ikea.com/us/en/newsroom/corporate-news/ikea-launches-new-ai-powered-digital-experience-empowering-customers-to-create-lifelike-room-designs-pub58c94890/
  10. Javaid, M., Haleem, A., Singh, R. P., & Suman, R. (2022). Artificial Intelligence Applications for Industry 4.0: A Literature-Based Study. Journal of Industrial Integration and Management, 07(01), 83–111. https://doi.org/10.1142/S2424862221300040
  11. Liu, Q., Pinto, J. D., & Paquette, L. (2024). Applications of Explainable AI (XAI) in Education. In D. Kourkoulou, A.-O. (Olnancy) Tzirides, B. Cope, & M. Kalantzis (Eds.), Trust and Inclusion in AI-Mediated Education: Where Human Learning Meets Learning Machines (pp. 93–109). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-64487-0_5
  12. Marcus, G., Davis, E., & Aaronson, S. (2022). A very preliminary analysis of DALL-E 2 (arXiv:2204.13807). arXiv. https://doi.org/10.48550/arXiv.2204.13807
  13. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine, 27(4), Article 4. https://doi.org/10.1609/aimag.v27i4.1904
  14. Mhlanga, D. (2023). The Value of Open AI and Chat GPT for the Current Learning Environments and the Potential Future Uses (SSRN Scholarly Paper 4439267). Social Science Research Network. https://doi.org/10.2139/ssrn.4439267
  15. Mishra, C., & Gupta, D. L. (2017). Deep Machine Learning and Neural Networks: An Overview. IAES International Journal of Artificial Intelligence (IJ-AI), 6(2), Article 2. https://doi.org/10.11591/ijai.v6.i2.pp66-73
  16. Purwono, P., Ma’arif, A., Rahmaniar, W., Fathurrahman, H. I. K., Frisky, A. Z. K., & Haq, Q. M. ul. (2022). Understanding of Convolutional Neural Network (CNN): A Review. International Journal of Robotics and Control Systems, 2(4), Article 4. https://doi.org/10.31763/ijrcs.v2i4.888
  17. Ramzan, S., Iqbal, M. M., & Kalsum, T. (2022). Text-to-Image Generation Using Deep Learning. Engineering Proceedings, 20(1), Article 1. https://doi.org/10.3390/engproc2022020016
  18. Sarker, I. H. (2021a). Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Computer Science, 2(6), 420. https://doi.org/10.1007/s42979-021-00815-1
  19. Sarker, I. H. (2021b). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science, 2(3), 160. https://doi.org/10.1007/s42979-021-00592-x
  20. Schwendener, M. (2007, September 24). Midcentury Moderns in a Cross-Cultural Conversation. The New York Times. https://www.nytimes.com/2007/09/24/arts/design/24nogu.html
  21. Shi, L., Ding, A.-C. (Elisha), & Choi, I. (2024). Investigating Teachers’ Use of an AI-Enabled System and Their Perceptions of AI Integration in Science Classrooms: A Case Study. Education Sciences, 14(11), Article 11. https://doi.org/10.3390/educsci14111187
  22. Singh, S., & Hooda, S. (2023). A Study of Challenges and Limitations to Applying Machine Learning to Highly Unstructured Data. 2023 7th International Conference On Computing, Communication, Control And Automation (ICCUBEA), 1–6. https://doi.org/10.1109/ICCUBEA58933.2023.10392115
  23. Suidan, A. H., El-Harairy, Y. M., & El-fayoumy, A. H. (2022). Integrating Of Building Information Modelling into the Curriculum of Interior Design Students. Journal of Applied Arts and Sciences, 9(2), 129–149. https://doi.org/10.21608/maut.2022.235196
  24. Taherdoost, H. (2023). Deep Learning and Neural Networks: Decision-Making Implications. Symmetry, 15(9), Article 9. https://doi.org/10.3390/sym15091723
  25. The Economist. (2022). Huge “foundation models” are turbo-charging AI progress. The Economist. https://www.economist.com/interactive/briefing/2022/06/11/huge-foundation-models-are-turbo-charging-ai-progress
  26. Udousoro, I. C. (2020). Machine Learning: A Review. Semiconductor Science and Information Devices, 2(2), Article 2. https://doi.org/10.30564/ssid.v2i2.1931
  27. Wang, X., He, Z., & Peng, X. (2024). Artificial-Intelligence-Generated Content with Diffusion Models: A Literature Review. Mathematics, 12(7), Article 7. https://doi.org/10.3390/math12070977
  28. Zhu, Y., & Xiong, Y. (2015). Towards Data Science. Data Science Journal, 14(0). https://doi.org/10.5334/dsj-2015-008

ملفات

شارك

إرسال الاستشهاد إلى

الإحصائيات