Stel je voor dat je een robot probeert te leren hoe hij een kamer moet inrichten. In de wereld van de informatica wordt dit "indoor scene layout generation" genoemd. Een lange tijd hebben wetenschappers geprobeerd computers te leren waar ze een bank, een bed of een boekenkast moeten plaatsen. Ze hebben machines geleerd om de exacte X-, Y- en Z-coördinaten te raden (zoals een GPS voor meubels) of om ruwe boxen rondom kamers te tekenen. Maar hier is het probleem: echte kamers zijn niet alleen lege dozen. Ze hebben deuren die open moeten blijven, ramen die niet geblokkeerd mogen worden door een enorme kast, en vreemde hoeken waar standaard meubilair niet past. Wanneer computers proberen de exacte coördinaten voor elk stuk meubilair te raden, raken ze vaak de weg kwijt, waardoor lay-outs ontstaan die lijken op een potje Tetris waarbij de stukken net niet passen of, erger nog, in de lucht zweven.

Dit is waar een nieuw idee komt kijken: in plaats van de computer te vragen om complexe wiskunde uit te voeren om een getal te vinden, wat als we hem zouden vragen om een speciale taal te spreken? Denk eraan als het leren van een kind hoe het met LEGO moet bouwen. In plaats van tegen het kind te zeggen: "Plaats de rode steen op coördinaat 4,2, 7,1, 0", zeg je: "Zet de rode steen naast de blauwe steen, aan de linkerkant." Dit papier introduceert een systeem genaamd LayoutDSL, dat een Kunstmatige Intelligentie (AI) leert om deze speciale taal van interieurontwerp te "spreken". Het doel is om de AI meer te laten denken als een menselijke ontwerper, door gebruik te maken van logica en relaties ("naast", "gericht naar", "gecentreerd") in plaats van alleen maar getallen te raden.

Het probleem met het raden van getallen

De auteurs van dit paper merkten op dat veel bestaande methoden kamerontwerp behandelen als een wiskundig probleem waarbij de computer een specifiek getal voor elk stuk meubilair moet voorspellen. Ze noemen dit "directe coördinaatvoorspelling" (direct coordinate prediction). Stel je voor dat je de locatie van een salontafel probeert te beschrijven door te zeggen: "Het is 3,613 meter van de linkerwand en 2,778 meter van de achterwand." Als je de kamer iets verplaatst of de vorm van de wand verandert, wordt dat getal nutteloos. De computer moet elke keer als de kamer verandert, het getal opnieuw leren.

Het paper betoogt dat deze aanpak gebrekkig is omdat het de "regels" van een kamer negeert, zoals deuren en ramen. Het is also wordt het geparkeerd een auto door alleen naar de GPS-getallen te kijken zonder te controlen of er een boom in de weg staat. De computer kan wel een perfecte plek berekenen, maar als die plek binnen een muur valt of een deur blokkeert, mislukt het ontwerp. De auteurs stellen voor dat door de AI te dwingen een gestructureerde taal (een Domain-Specific Language, of DSL) te gebruiken die relaties beschrijft in plaats van alleen getallen, de AI de werkelijke logica van design kan leren.

De oplossing: De AI een nieuwe taal leren

Om dit op te lossen, heeft het team LayoutDSL ontwikkeld, een framework waarbij de AI niet direct coördinaten uitvoert. In plaats daarvan geeft de AI een reeks instructies in een speciale taal. Het is alsof je de AI een receptenboek geeft. In plaats van te zeggen "Zet de bank op (5, 2)", zegt de AI: "Plaats de bank gericht naar de tv, met de rug tegen de noordelijke wand, met een kleine tussenruimte."

Zo hebben ze het gebouwd:

1. De Taal (DSL): Ze hebben een set regels uitgevonden voor het plaatsen van meubels. Een zin in deze taal ziet er ongeveer zo uit: place sofa1 orient:90.0 wall5 wall_center_left:0.028 distance:0.000. Dit vertelt de computer: "Plaats bank nummer 1, gedraaid 90 graden, verankerd aan wand nummer 5, uitgelijnd iets naar links van het midden, met een afstand van 0,000 van de wand." Dit is veel stabieler dan een rauw getal omdat het beschrijft hoe het meubelstuk zich tot de kamer verhoudt, in plaats van alleen waar het zich in een vacuüm bevindt.
2. De Trainingsdata (3D-FrontDSL): Om de AI deze taal te leren, konden ze niet zomaar oude data gebruiken. Ze moesten een nieuwe dataset creëren genaamd 3D-FrontDSL. Ze namen duizenden echte 3D-kamerontwerpen en gebruikten een computerprogramma om de coördinaten van de meubels te vertalen naar deze nieuwe DSL-zinnen. Dit creëerde een enorme bibliotheek van "Kamer + DSL-zin"-paren voor de AI om van te studeren.
3. De Tweestaps-training:
   • Stap 1 (Supervised Fine-Tuning): Eerst leerden ze de AI om de kamerinformatie te lezen (zoals "dit is een woonkamer met een deur aan de noordelijke wand") en de juiste DSL-zinnen te produceren. Dit was vergelijkbaar met het aanleren van de woordenschat en grammatica van interieurontwerp aan de AI.
   • Stap 2 (Reinforcement Learning): Dit is waar de AI een "coach" krijgt. Het team creëerde een set regels (beloningen) om te controlen of het ontwerp van de AI daadwerkelijk werkt. Botste het meubelstuk tegen de muur? (Collision). Blokkeert het de deur? (Forbidden Placement). Is er genoeg ruimte om rond te lopen? (Reachability). Als de AI een fout maakt, krijgt het een "slecht cijfer". Als de AI een goed ontwerp maakt, krijgt het een "goed cijfer". De AI oefent vervolgens steeds opnieuw, waarbij hij probeert een beter cijfer te halen, en leert fouten te vermijden net zoals een student die leert van de rode pen van een leraar.

Wat ze vonden

De resultaten waren zeer indrukwekkend. Het team testte hun nieuwe systeem, LayoutDSL, tegen enkele van de grootste en krachtigste AI-modellen die beschikbaar zijn (inclusclusief modellen met honderden miljarden parameters). Ondanks dat hun model veel kleiner was (slechts 4 miljard parameters), presteerde het beter dan de reuzen.

• Betere Logica: De AI die LayoutDSL gebrude, creëerde lay-outs die veel logischer waren. Het blokkeerde zelden deuren of ramen, en de meubels voelden alsof ze echt bij de kamer hoorden.
• Hoger Succespercentage: Terwijl andere modellen soms faalden in het produceren van een bruikbare lay-out (vastliepen of onzin genereerden), slaagde LayoutDSL 100% van de tijd in hun tests.
• De Kracht van Taal: Toen ze de nieuwe taalgebaseerde methode vergeleken met de oude "getallen raden"-methode, won de taalmethode het overtuigend. Het paper suggereert dat door de AI te dwingen in relaties (DSL) te denken in plaats van in ruwe getallen, de AI de "redenering" achter design veel sneller en effectiever leerde.

Waarom het ertoe doet

Dit paper suggereert dat de toekomst van AI-design niet alleen gaat over het maken van grotere computers die meer wiskunde kunnen doen. Het gaat erom de AI te leren op de juiste manier te denken. Door een gestructureerde taal te gebruiken die de manier waarop mensen de ruimte beschrijven nabootst, kan de AI de regels van een kamer begrijpen. Dit betekent dat we binnenkort AI-tools kunnen zien die ons helpen ons huis te herinrichten, waarbij ervoor wordt gezorgd dat onze meubels perfect passen, onze deuren kunnen openen en onze kamers er geweldig uitzien, allemaal zonder dat de computer een supercomputer nodig heeft. De auteurs laten zien dat met de juiste "taal" en een beetje oefening (reinforcement learning), zelfs een kleinere AI een meesterinterieurontwerper kan worden.