Почему ИИ, который учился на китайских планировках, теряется в американских

Представьте, что вы выучили строительные нормы одной страны наизусть, а потом вас попросили спроектировать дом по нормам совсем другой — примерно то же самое происходит с нейросетями, которые генерируют планировки квартир по заданным условиям (форма участка, число комнат и т. п.). Такие модели обучаются на конкретном наборе реальных планировок — скажем, китайских или американских, — и хорошо запоминают именно те традиции расстановки комнат и те нормы, что были в обучающих данных. Авторы статьи проверили это на трёх открытых базах данных: стоит применить обученную модель к планировкам из другого региона — и качество генерации резко проседает. В индустрии это называют "домен-шифтом" — проще говоря, модель попадает в незнакомую для неё "культурную среду" и теряется.

Чтобы это исправить, авторы предложили обучать модель в два этапа. Сначала — на огромном количестве искусственно сгенерированных "черновых" планировок: архитектурно они не осмысленные и не претендуют на реалистичность, зато строго соблюдают базовую физику пространства (стены не пересекаются, из каждой комнаты можно выйти и т. д.). А уже потом — дообучать на небольшой порции реальных планировок нужного региона. Результат: даже без дообучения качество сразу лучше, а когда реальных данных мало, прирост доходит примерно до 40% по сравнению с обычными методами.

Зачем это архитектору: генеративные инструменты планировок сегодня часто "заточены" под один рынок и плохо переносятся на другой. Предложенный трюк — тренировка на упрощённых "скелетах" планировок — позволяет быстрее адаптировать такие инструменты под местные нормы и традиции, не собирая тысячи новых чертежей вручную.