L’IA, ou intelligence artificielle (IA), c’est le mot à la mode de ces dernières années. On le conjugue à toutes les sauces, avec un soupçon de machine learning (ML) et une pincée de réseau neuronal. La vérité, c’est qu’il n’y a pas d’intelligence artificielle dès qu’il y a de la conception algorithmique, pas de machine learning dès qu’il y a de l’optimisation. Comprendre que l’optimisation algorithmique ne dépend pas nécessairement de l’IA permet d’apprécier pleinement la diversité des outils pour répondre aux défis uniques de chaque projet.
💡 En quelques mots : là où l’IA cherche à imiter l’intelligence humaine, la conception algorithmique repose sur des règles mathématiques explicites pour générer des solutions de design.
💡 En pratique, le machine learning (ML) permet aux modèles d’analyser des ensembles de données, d’identifier des modèles, et de prendre des décisions sans intervention humaine. Quant aux réseaux neuronaux, ce sont des modèles spécifiques du ML, inspirés du fonctionnement du cerveau humain. Ces réseaux de neurones artificiels peuvent apprendre des relations complexes dans les données. Bien qu’ils soient puissants pour les tâches complexes, leur fonctionnement est souvent perçu comme une « boîte noire », difficile à expliquer.
Conception algorithmique & jeux de données synthétiques
Pour que les modèles de machine learning soient efficaces, ils ont besoin de grandes quantités de données. Or, dans des domaines comme l’architecture, les données peuvent être insuffisantes ou hétérogènes. La conception algorithmique peut alors générer des jeux de données synthétiques.
Par exemple, un algorithme peut créer des milliers de configurations de formes de bâtiments, qui sont ensuite évaluées pour leurs performances à l’aide de simulations. Ces résultats servent ensuite à former les modèles de ML.
Optimiser l’optimisation par la prédiction de performance
Prenons l’exemple de l’optimisation multicritère avec des algorithmes génétiques. Ces algorithmes explorent efficacement l’espace des solutions, permettant de traiter des objectifs variés, comme minimiser l’utilisation des matériaux tout en maximisant la résistance structurelle. Bien que puissants, ils ne relèvent pas de l’IA au sens strict. Contrairement à l’IA, qui apprend des données, les algorithmes génétiques suivent des règles définies pour atteindre des solutions optimisées.
👉 Cependant, combiner ces algorithmes avec des modèles de ML peut accélérer le processus d’optimisation. Le ML peut prédire les performances de chaque scénario généré, permettant de gagner un temps précieux. Un réseau neuronal, par exemple, pourrait fournir une estimation rapide des performances sans avoir à exécuter des simulations énergétiques coûteuses.
L’IA en mode projet : un défi de taille
L’intégration de l’IA dans la conception de bâtiments reste complexe dans un contexte de projet unique, en raison des délais souvent serrés. Former des modèles, générer des jeux de données, et ajuster les paramètres demandent du temps et des ressources. Cependant, ces méthodologies deviennent extrêmement pertinentes lorsqu’elles sont utilisées pour développer des outils récurrents, capables de résoudre des problèmes fréquents que les méthodes traditionnelles peinent à adresser.
Quels outils pour Grasshopper ?
Pour intégrer ces technologies dans des workflows de conception algorithmique, il existe des plugins spécifiques pour Grasshopper comme LunchBox ML et Owl.
- LunchBox ML : permet l’utilisation de modèles de ML pour des tâches comme la classification et la régression, ou encore le clustering (K-means) utiles pour optimiser des formes architecturales.
- Owl : supporte les réseaux neuronaux avancés, permettant de créer des modèles qui s’adaptent aux données architecturales.
Une alliance complémentaire
Plutôt que d’opposer ou confondre la conception algorithmique et l’IA, il est plus juste de les voir comme des outils complémentaires. La conception algorithmique peut fonctionner sans IA, et l’IA peut résoudre d’autres types de problèmes sans règles explicites. Mais la synergie des deux est où le véritable potentiel émerge : l’IA accélère les processus en fournissant des prédictions rapides, tandis que la conception algorithmique génère des scénarios variés, permettant une exploration plus riche de l’espace des solutions. 🤝