Field-to-Field

3/3 Приведённый выше пример хорошо проявляет нелинейные связи между критериями. Критериев может быть много разных, и к тем что упомянуты, можно ещё рассмотреть дистанцию, которую проходят пациенты, которую хорошо бы уменьшать, простой персонала, который тоже не выгоден, выручка клиники и значимость проводимых процедур для сообщества, которые лучше увеличивать. А вот так выглядит сама стратегия использования пространства, когда балансируются пространственные критерии. Каждая строчка это отдельный многофункциональный кабинет в клинке, а цветные прямоугольники обозначают определённую активность в определённое время. Номер внутри это идентификатор персонала. Таким образом это описывает полную привязку места, персонала и активностей.

2/3 Представьте, что мы хотим такую стратегию использования пространства, при которой одновременно снижается время простоя кабинетов и увеличивается общий показатель соответствия пространств и назначенным им активностям, который обобщает на сколько часто каждый кабинет, используется для идеально подходящим ему активностям. Два этих критерия противоречат один другому, так как если минимизировать время простоя, то скорее увеличиться количество случаев, когда в помещение будут проводиться активности, не совсем подходящие его функциональности. На графике как раз выделен этот вариант пиритизации критериев, когда алгоритм улучшает показатели двух пространственных критериев упомянутых выше в равной степени. Так как между ними есть указанная связь, то алгоритм находит такой вариант использования пространства, который балансирует оба критерии примерно посередине. Что интересно, что такая пиритизация ведёт к ухудшению показателей двух операционных критериев (выручка и социальная значимость).

В продолжение рассказа про исследование представленное на #CAADRIA2026. 1/3 Давайте попробуем разобраться о каких варрантах стратегии использования пространства и о каких критериях идёт речь. Представим, что у нас есть клиника, в которой есть многофункциональные пространства в разной степени, подходящие разным активностям. У нас есть персонал, который работает в разное время согласно расписанию, и есть спрос на услуги, где услуга — это какая-то цепочка активностей типа: сначала отметиться у секретаря, затем пойти в зону ожидания, потом пойти на процедуру и затем опять отметиться у секретаря. При этом у нас могут быть разные критерии оценки эффективности этой клинки. Проблема в том, что улучшение одного показателя часто ухудшает другой. ↓

#CAADRIA2026 Все три тома материалов CAADRIA 2026 можно найти тут. Моё исследование попало в Volume 3, в раздел, который не то чтобы хорошо подходит к моей теме, но пути категоризации неисповедимы.

#CAADRIA2026 Что меня мотивирует в исследование этой темы? Расчёт потенциала использования пространства необходим сразу для решения ряда задач: - управлением пространством существующего здания, - проектирования его многослойной адаптации (пространственной и операционной) к меняющимся условиям и потребностям, - а также при проектирование новых зданий, где изначально учитываются программы использования и операционные ограничения, например присутствие персонала. Но при этом эта область с очень низкой концентрацией исследований. А ещё это объединяет мой интерес к коммуникации и взаимной адаптации между людьми, зданиями и компьютерами. Что в общем то двигало мной ещё со времён моей дипломной работы, где я разрабатывал адаптивное к человеческому поведение экспозиционное пространство, которое мобильно переезжало и развёртывалось автономными роботами, адаптируюсь под новое место.

#CAADRIA2026 На CAADRIA 2026 я презентовал предварительные результаты моего исследования о затрагивает то, как искусственный интеллект может помогать управлять пространствами в сложных учреждениях вроде больниц.  Если точнее то, тема звучит как «Оптимизация использования многофункционального пространства в критически важных объектах: многоцелевой подход на основе обучения с подкреплением».   Суть исследования что мы создаем «цифровую песочницу» для тестирования организационных стратегий использования пространства в больнице. Но это песочница не простая, а оптимизирующая. В ней можно не просто заранее посмотреть последствия разных решений, но она ищет оптимальный вариант использования в зависимости от весов целевых критериев. 📃 Статья в открытом доступе по ссылке.

CAADRIA 2026 Недавно вернулся с конференции CAADRIA 2026, где представлял своё исследование по оптимизации использования пространства с помощью обучения с подкреплением.   CAADRIA — международная конференция посвящённая автоматизированному проектированию, которая проходит в разных городах Азиатского-Тихоокеанского региона ещё с 1996. В этот раз она проходила в Тайване в National Yang Ming Chiao Tung University (NYCU)   В этом году конференция проходила под лозунгом «Гуманистические вычисления и интеллект» (Humanistic Computation and Intelligence). «Гуманистический» подход подразумевает, что в центре внимания находятся человеческие ценности, жизненный опыт и этика, особенно в областях, формируемых технологиями и вычислительными средствами. #CAADRIA2026

Статья стала результатом более чем двух лет исследования. Я подключился к проекту ещё до поступления на PhD. Это был этап разработки первых моделей репрезентации цепочек активностей пациентов и персонала в пространстве больницы, сформулированных таким образом, чтобы их можно было закодировать в формате, пригодном для обучения с подкреплением. Сложность задачи заключалась в её многомерности и множественности возможных формулировок. Подход с использованием RL допускает различные уровни дискретизации времени и пространства. При этом мы можем моделировать людей как агентов либо рассматривать задачу как проблему распределения ресурсов. Отдельный вызов — формирование функции вознаграждения, которая направляет обучение к выявлению действительно релевантных стратегий оптимизации. Разработка эволюционировала от базовых методов Q-learning к более сложным подходам Deep RL, в частности к Maskable PPO. В результате модель оптимизировала совокупный показатель, объединяющий три ключевые метрики: пространственную эффективность, пользовательский опыт (пациентов) и операционную производительность — для различных сценариев адаптации. Заключительный этап заключался в преобразовании сгенерированных RL-данных из различных сценариев адаптации в систему поддержки принятия решений — задача, которая в значительной степени была на мне. Для этого был применён автоматизированный кластерный анализ, позволивший структурировать пространство решений. Для визуализации стратегии адаптации и их взаимосвязи я разработал дерево показателей эффективности. Также была предложена процедура выбора наилучшего сценария адаптации внутри выбранного кластера по критерию эффективности с использованием концепции минимальных дополнительных действий.

Мой основной вклад в исследование заключался в разработке методологии анализа и выявления наилучших стратегий адаптации, их тестировании и представлении результатов, а также в создании системы визуализации аллокации ресурсов и активностей. Статья: A deep reinforcement learning framework for multi-dimensional adaptability in building operations

Сегодня в журнале Building Engineering опубликована статья с моим соавторством. В работе представлен фреймворк глубокого обучения с подкреплением (Deep Reinforcement Learning, DRL), предназначенный для изучения и оптимизации многомерных стратегий адаптации в эксплуатации зданий. Рассматриваются различные режимы адаптации — пространственная реконфигурация, корректировка численности персонала и операционные изменения — в контексте множества целей (пространственная эффективность, пользовательский опыт и операционная производительность) и на разных временных горизонтах — от минут до лет. Исследование выполнено под руководством Давиде Шауманна, руководителя Intelligent Place Laboratory, и Йехуды Калая — одного из ключевых исследователей в области CAAD и автора книги Architecture’s New Media. Разработка RL-движка осуществлялась Чжэнсюй Яном. ↓

А бонусом несколько видов снаружи павильонов Арсенала. Вот то, что с бурлящими сосудами это Canal Cafe от Diller Scofidio + Renfro, где очищается вода из венецианского канала. На сколько очищается не могу оценить, не пробовал.

И в конце коллективный интеллект где переплетается взаимодействие между людьми, природными искусственными агентами.

Потом искусственный интеллект с его обработкой данных, памятью, и технологическим развитием укорённым в истории.

Далее идут разные виды интеллекта. Начиная от естественных, природных, биологических. Это включает и вторичное использование используя 3D сканы и цифровые двойники, и переработка, и создание материальных систем на основе альтернативных материалов, например мицелия или золы от сгоревших лисов.