Quando as pessoas pensam em aprendizado de máquina, as lápides provavelmente não vêm à mente. Mas em uma das aplicações mais profundas da IA generativa, construímos um sistema que usa aprendizado de máquina para projetar produtos memoriais personalizados – sim, incluindo lápides – lacrendo preferências pessoais e sensibilidades culturais.
Este não foi apenas um experimento peculiar de ML. Era uma aplicação de modelos generativos, processamento de linguagem natural e sistemas humanos no loop, tudo para atender a uma necessidade altamente sensível e profundamente humana: comemorando uma vida.
O problema: projetar com dignidade
O design memorial é uma arte e uma tradição. As famílias querem algo pessoal, respeitoso e muitas vezes simbólico. O desafio é que o processo de design é lento, emocionalmente tributado e restrito por materiais, regulamentos do cemitério e tradições religiosas ou culturais.
Pretendemos criar algo que possa ajudar – não substituir – Designers: um gerador de lápide que poderia produzir opções de design realistas e significativas com base em dados anteriores e preferências do cliente.
Você pode experimentar aqui: headstonesdesigner.com/generator (todos os dados de treinamento vêm do site ao vivo –
Etapa 1: Compreendendo o domínio
Antes de tocarmos em Tensorflow ou escreveu uma única linha de código, nos mergulhamos no mundo da arte memorial. Nós estudamos:
- Estilos tradicionais e contemporâneos
- Normas religiosas e culturais
- Restrições materiais (granito, mármore, etc.)
- Regulamentos do cemitério, como a largura do monumento Max por parcela
Isso não era opcional. Projetar IA para um domínio sensível como esse requer um profundo respeito e nuances. Errar errado não foi apenas um bug ux – foi ofensivo.
Etapa 2: Construindo o conjunto de dados
Reunimos um conjunto de dados surpreendentemente diversificado:
- Milhares de imagens de design anotado
- Arquivos CAD de lápides existentes
- Histórico de preferências do cliente
- Texto de inscrições
- Padrões dimensionais do cemitério
Tudo isso precisava ser limpo, normalizado e vetorizado. Os textos foram incorporados usando modelos como Bert. As imagens foram pré -processadas e aumentadas. Não se tratava apenas de lançar dados em um modelo – era sobre como fazê -lo Aprendável.
Etapa 3: Arquitetura e treinamento de modelos
Testamos alguns tipos de modelos em paralelo:
- Stylegan2: Para gerar imagens estilizadas de alta qualidade de desenhos memoriais
- VAES (AutoEncoders Variação): Para interpolar entre estilos de design e permitir variações controladas pelo usuário
- Transformers (GPT): Para gerar inscrições que pareciam pessoais, relevantes e respeitosos
Uma parte particularmente complicada era garantir que o texto e o visual correspondessem. Uma lápide de estilo gótico não deve ter inscrições em quadrinhos.
Nós abordamos isso com:
- Treinamento multimodal: Combinar modelos de visão e linguagem (como clipe) para avaliar o alinhamento
- Gans condicionais: Usando o texto como entrada para orientar a geração visual
Etapa 4: Gerenciando as incógnitas
Tivemos muitos momentos de “Ai se foram estranhos”.
- Algumas saídas iniciais pareciam mais esculturas modernistas do que memoriais.
- A transferência de estilo às vezes cruzava as linhas culturais de maneiras desajeitadas.
- Ocasionalmente, o GPT gerou epitáfios surdos.
Para mitigar isso, construímos feedback humano no loop. Designers e consultores culturais revisaram os resultados e sinalizaram problemas. Esse feedback voltou ao ajuste do modelo.
Também usamos técnicas como discriminadores de estilo em Gans para aplicar restrições e filtros de pós-geração para validar o conteúdo de texto.
Etapa 5: Avaliação e Resultados
Não apenas ocular os resultados. A avaliação foi multifacetada:
- Pontuações FID para realismo de imagem
- Pontuações bleu e avaliação humana para precisão do texto
- Estudos de usuários e Revisões de especialistas para fidelidade estética e cultural
O resultado final? Um sistema que poderia gerar projetos de lápides emocionalmente ressonantes, visualmente precisos e com reconhecimento de contexto.
Você pode interagir com o gerador aqui: headstonesdesigner.com/generator
Lições aprendidas
Algumas sugestões:
- O contexto cultural não é um caso de borda – é o principal requisito em domínios de design sensíveis.
- A IA generativa é poderosa, mas sem restrições, ela se aproxima facilmente em um território estranho ou inadequado.
- O feedback humano não é apenas útil; é obrigatório.
O futuro
Estamos explorando como essa tecnologia pode se estender a outros domínios: design de convite de casamento, prêmios personalizados, arte comemorativa e muito mais. Em qualquer lugar, o design é pessoal e alto, há uma oportunidade de misturar o ML generativo com os cuidados humanos.
