Desafios em Aprender Ferramentas de Design Baseadas em IA
Este estudo investiga como os designers se adaptam a ferramentas de design com inteligência artificial e as dificuldades de aprendizado que enfrentam.
― 7 min ler
Índice
Nos últimos anos, ferramentas de design movidas por inteligência artificial (IA) têm se tornado mais comuns em indústrias como fabricação e engenharia. Essas ferramentas ajudam os designers a criar peças complexas mais facilmente do que os sistemas tradicionais de design assistido por computador (CAD). No entanto, trabalhar com essas ferramentas de IA requer novas habilidades que são diferentes das usadas nos processos de design tradicionais. Este estudo investiga como os designers aprendem a usar ferramentas de design baseadas em IA e os desafios que enfrentam durante esse processo de aprendizado.
Ferramentas de Design Baseadas em IA
As ferramentas de design baseadas em IA podem gerar opções de design com base nos objetivos definidos pelos designers. Elas podem otimizar vários fatores, como uso de material e resistência, tornando a criação de peças mais rápida e eficiente. Por exemplo, um fabricante japonês de veículos elétricos usou uma ferramenta de IA para projetar um componente de cadeira de rodas elétrica que equilibrava resistência e uso sustentável de material. Essas ferramentas oferecem uma oportunidade para os designers criarem peças que seriam muito demoradas ou até impossíveis sem o suporte da IA.
A Curva de Aprendizado
Enquanto as ferramentas de IA podem melhorar o processo de design, elas também apresentam uma curva de aprendizado significativa para os designers. Diferente das ferramentas CAD convencionais, onde os designers manipulam a geometria diretamente, as ferramentas de design em IA exigem que os usuários definam metas para a IA trabalhar. Como resultado, os usuários precisam desenvolver uma nova compreensão de como interagir com esses sistemas de forma eficaz.
O estudo foca nas experiências de designers que são novos no trabalho com ferramentas de design em IA. Ele destaca os desafios que enfrentam e explora como podem ser melhor apoiados em sua jornada de aprendizado.
Visão Geral do Estudo
Os designers foram observados enquanto trabalhavam com duas ferramentas diferentes baseadas em IA em tarefas de design reais. As experiências deles foram analisadas para identificar desafios comuns e estratégias de aprendizado bem-sucedidas. O estudo buscou responder duas perguntas principais:
- Quais desafios os designers enfrentam ao aprender a co-criar com ferramentas de design em IA?
- Como os designers podem ser melhor apoiados nesse processo de aprendizado?
Os designers incluíam profissionais de engenharia e arquitetura que tinham pouca ou nenhuma experiência anterior com ferramentas de IA, mas estavam familiarizados com o software CAD tradicional.
Metodologia
O estudo envolveu sessões de "pensar alto", onde os designers expressavam seus pensamentos enquanto trabalhavam com as ferramentas de IA. Além dessas sessões, entrevistas de acompanhamento foram realizadas para coletar feedback sobre suas experiências. Os dados coletados incluíram gravações em vídeo, transcrições de áudio e os designs criados pelos participantes.
Principais Descobertas
Desafios Enfrentados pelos Designers
Os participantes enfrentaram desafios significativos ao tentar aprender a trabalhar com ferramentas de IA. Esses desafios podem ser agrupados em três temas principais:
Entendendo as Saídas da IA
Muitos designers tiveram dificuldade em entender os resultados produzidos pela IA. Quando a IA gerava designs com características inesperadas ou defeituosas, os participantes achavam difícil determinar as razões por trás desses problemas ou como corrigi-los. Por exemplo, eles expressaram confusão quando elementos do design pareciam ilógicos ou não atendiam aos padrões esperados.
Muitos designers hesitaram em ajustar manualmente as saídas da IA porque estavam preocupados que mudar o design pudesse impactar negativamente sua otimização.
Colaborando com Ferramentas de IA
Os participantes notaram que as ferramentas de IA muitas vezes pareciam dominar o processo de design, deixando-os com a sensação de que tinham pouco controle. Alguns designers relataram que aceitavam resultados imperfeitos em vez de refiná-los. Isso levou à frustração, já que muitos sentiam que o sistema de IA não era realmente colaborativo.
Nos casos em que os designers tentaram contornar as preferências da IA, muitas vezes recorreram a soluções improvisadas. Essa falta de colaboração real fez com que alguns abandonassem as funcionalidades da IA e voltassem para métodos manuais.
Comunicando Objetivos de Design
A comunicação eficaz dos objetivos de design para a IA foi outro desafio comum. Os designers acharam difícil especificar os parâmetros necessários para a IA gerar os resultados desejados. Em muitos casos, eles estavam inseguros sobre as implicações dos parâmetros ou os processos de fabricação envolvidos. Essa falta de clareza significava que frequentemente dependiam de configurações padrão ou faziam suposições ao inserir informações.
Estratégias de Aprendizado Bem-Sucedidas
Apesar desses desafios, alguns designers conseguiram desenvolver estratégias eficazes para trabalhar com ferramentas de IA. Essas estratégias incluíam:
Exploração Sistemática
Alguns designers dedicaram tempo para experimentar os sistemas de IA para entender melhor suas capacidades. Eles testaram diferentes parâmetros e documentaram os efeitos de suas entradas, o que os ajudou a formar um modelo mental mais claro de como a IA operava.
Esboços e Reflexão
Outra estratégia bem-sucedida envolvia os designers esboçarem suas ideias e explicarem como diferentes elementos interagiam dentro do design. Isso não apenas ajudou na própria compreensão, mas também permitiu que identificassem erros em seu raciocínio antes de submeter os designs finais.
O Papel do Apoio entre Pares
Para aprimorar o aprendizado, os pesquisadores conduziram uma segunda parte do estudo que emparelhou designers inexperientes com colegas mais experientes. Esses guias entre pares forneceram apoio durante as tarefas de design.
Interações com Guias entre Pares
As sessões guiadas revelaram várias estratégias de apoio eficazes. Os guias entre pares ofereceram instruções passo a passo quando os designers expressaram confusão. Eles também incentivaram os designers a refletirem sobre seus designs e sugeriram estratégias alternativas para alcançar seus objetivos.
Ao se envolver ativamente com os designers, os guias conseguiram fomentar um ambiente mais colaborativo, ajudando os designers a articular suas intenções e melhorando sua experiência geral.
Implicações para Ferramentas de Design em IA
As descobertas do estudo destacam a necessidade de ferramentas de design baseadas em IA para melhorarem sua usabilidade e apoiarem melhor os designers em seu processo de aprendizado. Algumas recomendações incluem:
Melhorando a Consciência do Sistema
As ferramentas de IA devem ser projetadas para entender melhor o contexto da tarefa de design. Isso pode incluir reconhecer objetivos de design comuns ou antecipar potenciais problemas com base nas especificações fornecidas pelo usuário.
Incentivando Interações Conversacionais
Os designers expressaram o desejo de ter uma comunicação mais interativa com as ferramentas de IA. Incorporar elementos de conversa permitiria que os designers se envolvessem em um diálogo com a IA, similar ao trabalho com um colaborador humano.
Fornecendo Exemplos e Orientação
Os sistemas de IA devem oferecer exemplos relevantes que ressoem com as tarefas de design atuais. Isso poderia ajudar os designers a aprender com projetos passados e se inspirar em designs bem-sucedidos criados por outros.
Conclusão
A integração de ferramentas de IA nos processos de design oferece um potencial considerável para melhorar a criatividade e a eficiência. No entanto, os designers enfrentam vários desafios ao aprender a trabalhar com esses novos sistemas. Ao apoiar ativamente os designers por meio de uma comunicação clara, exemplos práticos e orientação entre pares, a comunidade de design pode ajudar a facilitar a transição para o design potenciado por IA.
Avançando, os insights obtidos com este estudo serão valiosos para moldar futuras ferramentas baseadas em IA, a fim de melhor apoiar os designers, garantindo que tanto sistemas humanos quanto de IA possam colaborar efetivamente para alcançar objetivos de design complexos.
Título: Exploring Challenges and Opportunities to Support Designers in Learning to Co-create with AI-based Manufacturing Design Tools
Resumo: AI-based design tools are proliferating in professional software to assist engineering and industrial designers in complex manufacturing and design tasks. These tools take on more agentic roles than traditional computer-aided design tools and are often portrayed as "co-creators." Yet, working effectively with such systems requires different skills than working with complex CAD tools alone. To date, we know little about how engineering designers learn to work with AI-based design tools. In this study, we observed trained designers as they learned to work with two AI-based tools on a realistic design task. We find that designers face many challenges in learning to effectively co-create with current systems, including challenges in understanding and adjusting AI outputs and in communicating their design goals. Based on our findings, we highlight several design opportunities to better support designer-AI co-creation.
Autores: Frederic Gmeiner, Humphrey Yang, Lining Yao, Kenneth Holstein, Nikolas Martelaro
Última atualização: 2023-02-28 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2303.00192
Fonte PDF: https://arxiv.org/pdf/2303.00192
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.
Ligações de referência
- https://dl.acm.org/ccs.cfm
- https://doi.org/10.1016/S1631-073X
- https://doi.org/10.1371/journal.pone.0233489
- https://www.autodesk.com/products/fusion-360/generative-design-extension
- https://forums.autodesk.com/t5/fusion-360-design-validate/generative-design-structural-load-force-per-entity/td-p/10380547
- https://ojs.aaai.org/index.php/HCOMP/article/view/5285
- https://doi.org/10.1609/aaai.v33i01.33012429
- https://doi.org/10.1145/1978942.1978962
- https://doi.org/10.1080/2159676X.2019.1628806
- https://doi.org/10.1145/3359206
- https://arxiv.org/abs/1704.00717
- https://doi.org/10.1186/s40594-019-0170-7
- https://doi.org/10.1109/VL/HCC53370.2022.9833100
- https://doi.org/10.1145/3173574.3174070
- https://doi.org/10.1017/CBO9780511816796.010
- https://doi.org/10.1037/10096-006
- https://www.solidworks.com/media/enhance-your-design-workflow-generative-design
- https://doi.org/10.1007/978-1-4471-6681-8_7
- https://doi.org/10.1145/2757226.2764555
- https://doi.org/10.1037/a0017455
- https://doi.org/10.1016/S0142-694X
- https://doi.org/10.1371/journal.pone.0115212
- https://doi.org/10.1145/2047196.2047245
- https://doi.org/10.3389/fpsyg.2016.01531
- https://formlabs.com/blog/generative-design/
- https://doi.org/10.1109/CVPR.2016.265
- https://doi.org/10.1145/3485114.3485123
- https://doi.org/10.1007/978-3-030-52237-7_20
- https://doi.org/10.1016/0142-694X
- https://doi.org/10.20380/GI2021.06
- https://doi.org/10.1007/s11251-006-9008-z
- https://doi.org/10.1145/3126594.3126662
- https://doi.org/10.1109/VL/HCC50065.2020.9127288
- https://doi.org/10.1109/TVCG.2015.2467615
- https://doi.org/10.1007/978-3-319-90403-0_15
- https://doi.org/10.1145/3290605.3300641
- https://doi.org/10.1111/j.1551-6709.2012.01245.x
- https://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1551-6709.2012.01245.x
- https://doi.org/10.1016/j.cad.2010.09.009
- https://doi.org/10.1145/2807442.2807482
- https://doi.org/10.1007/978-3-030-05363-5_9
- https://doi.org/10.1145/3383652.3423861
- https://doi.org/10.1145/3313831.3376739
- https://doi.org/10.1145/3313831.3376414
- https://generativeaiandhci.github.io/
- https://doi.org/10.1145/3491102.3501895
- https://doi.org/10.1145/3173574.3173943
- https://doi.org/10.1007/s11412-006-9005-x
- https://doi.org/10.1016/j.artint.2018.07.007
- https://doi.org/10.1002/job.86
- https://doi.org/10.1006/obhd.2000.2943
- https://arxiv.org/abs/2111.11297
- https://doi.org/10.1007/978-981-10-6611-5_15
- https://doi.org/10.1007/978-3-030-58452-8_10
- https://doi.org/10.1115/1.2017-Oct-2
- https://arxiv.org/abs/2102.12092
- https://www.reddit.com/r/Fusion360/
- https://doi.org/10.48550/arXiv.2112.10752
- https://doi.org/10.1177/1555343416682891
- https://doi.org/10.48550/ARXIV.2111.02626
- https://www.plm.automation.siemens.com/global/en/products/mechanical-design/generative-design.html
- https://doi.org/10.1145/3490099.3511119
- https://doi.org/10.1016/j.jvlc.2015.10.016
- https://doi.org/10.1145/2185520.2185582
- https://doi.org/10.1007/s11251-010-9128-3
- https://doi.org/10.1016/0306-4573
- https://doi.org/10.1207/s15327809jls0201_1
- https://doi.org/10.1145/3334480.3381069
- https://doi.org/10.1145/3411764.3445645
- https://doi.org/10.3389/fpsyg.2019.01417
- https://doi.org/10.1145/3379337.3415867
- https://doi.org/10.1145/3313831.3376621
- https://doi.org/10.1145/2702123.2702398
- https://doi.org/10.1016/j.destud.2021.100990
- https://doi.org/10.1145/3432945