Creaition – Revolutionierung des Designprozesses mit Machine Learning

Von der Zeichenbank zum Machine Learning Forschungsprojekt

Als eine der führenden Beratungen im Bereich Data Science, KI & Machine Learning treffen wir bei STATWORX regelmäßig Menschen, die uns mit ihren revolutionierenden Ideen nachhaltig beeindrucken. Eines haben viele dieser Menschen mit ihren Produktideen gemeinsam: Sie wollen einen persönlichen pain point in ihrer Arbeitweise verringern. Einer dieser spannenden Menschen mit einer außergewöhnlichen Idee ist Marco Limm.

Marco Limm hat das Start-up creaition gegründet, das mit seinem Produkt den äußerst komplexen und sehr iterativen Prozess der Designentwicklung optimieren möchte. Aber wie er auf diese Idee?

Während seines Studiums im Bereich Transportdesign in den USA kam ihm erstmals die Idee, den Designprozess mit Hilfe von Machine Learning zu optimieren. Dazu motiviert hat ihn, dass viele seiner Arbeiten, um es in seinen Worten zu sagen, „für die Tonne“ produziert wurden und er dadurch angespornt wurde, einen effizienteren Weg zu finden.

Die Idee, ein eigenes Produkt zu entwickeln, dass als digitale Muse für Designer*innen fungiert, umtrieb Marco bereits seit dem 3. Semester sehr stark. Mit der Motivation, auch anderen Designer*innen damit die Arbeit zu erleichtern, und angespornt von der Neugier, ob seine Idee tatsächlich umsetzbar ist, entwickelte er aus der Idee eine Forschungsarbeit, der er sich sowohl für seine Bachelor- als auch seine Masterarbeit widmete.

Die Entwicklung des creaition Prototypen

Erste Versuche mit 3D Modellen, Bilddaten & knappen Ressourcen

Marco sieht den wichtigsten Einfluss von Designer*innen am Anfang und Ende des klassischen Designprozesses – darauf müssten sich Designer*innen seiner Meinung nach viel stärker konzentrieren können. Der mittlere Part des Designprozesses umfasst z.B. „stundenlanges Auto-Fronten zeichnen“, so Marco. „Die Morphologie kann die Maschine übernehmen, dafür braucht man keinen menschlichen Designer.“

Basierend auf der Grundidee der Optimierung durch Machine Learning startete Marco zusammen mit Kevin German, im Rahmen der gemeinsamen Bachelorarbeit an der Uni, die Entwicklung des Algorithmus. Ziel war es, eine künstliche Intelligenz (KI) zu trainieren, die selbstständig Design-Vorschläge basierend auf historischen Daten kreiert.

Zuerst hat das Duo versucht, mit 3D Modellen zu arbeiten, die Marco selbst erstellt hatte. Bei diesem Versuch stießen die beiden schnell an ihre Grenzen, da ihnen in der Uni nicht die ausreichende Rechenleistung und Infrastruktur zur Verfügung stand. Ein weiteres Problem waren zudem mangelnde Daten.

In einem zweiten Schritt versuchten sie sich an Bildern, die sie aus verschiedenen Quellen bezogen (Archive, Online etc.). Das hat zwar schon besser funktioniert, aber die Ergebnisse, die der Algorithmus aus diesen Daten generierte, waren mehr Kunst als Industriedesign. Einer seiner Professoren hätte diese Ergebnisse gerne als Kunstprojekt veröffentlicht, erzählt uns Marco. „Es kamen zwar schöne Kompositionen dabei raus, die man sicherlich in ein Museum stellen könnte, aber leider war das nicht das eigentlich Ziel.“

3-Layer Ansatz für den Machine Learning Algorithmus

Aus diesen ersten beiden gescheiterten Versuchen konnte die Erkenntnis gezogen werden, dass sie eine weniger komplexe, aber auch nicht zu abstrakte Datengrundlage brauchten. Es ging noch einmal zurück in die Recherche-Phase, Bücher wälzen, verschiedene Ansätze prüfen, neue Eindrücke sammeln. Das hatte zur Folge, dass sie im dritten Anlauf mit einem ganz neuen Ansatz starteten. Bei diesem neuen Ansatz unterteilten sie das Design in 3 Layer: Silhouette, Flächen, Grafiken. Die drei Layer, aus denen sich ein Design zusammensetzt, haben sie genutzt, um die Komplexität der Daten zu verringern.

Mit dem 3-Layer Ansatz konnte Marco einen geeigneten Datensatz anlegen und mit diesen Daten den Algorithmus trainieren. Dabei heraus kamen 40.000 Designs, aus denen sie nun wählen konnten.

Aus diesem Ergebnis erwuchs die nächste Herausforderung: 40.000 Design zu evaluieren stellte keine wirkliche Arbeitserleichterung dar. Die Lösung? Ein genetischer Algorithmus, der aufgrund der Reaktionen der Designer*innen auf verschiedene Design-Vorschläge den individuellen Geschmack erkennt und darauf basierend neue Vorschläge generiert. Genannt haben sie das „Bottle-Tinder“ – denn auch hier swiped man weiter, je nachdem, ob einem das Design gefällt, oder nicht.

Beim "Bottle-Tinder"-Prinzip werden den Designer*innen immer wieder neue Designvorschläge präsentiert, die sie dann bewerten müssen. Nach etwa 15 Minuten kann der Algorithmus den Geschmack der Person extrahieren und anschließend beliebig anwenden.

Creaition unterwegs auf nationalen und internationalen Messen

Mit diesem Prototypen im Gepäck machte das Projekt creaition auf verschiedenen Messen auf sich aufmerksam und erhielt dort durchweg positives Feedback bekommen. Ihre Kolleg*innen aus der Designbranche sehen in ihrem Produkt ein hohes Potenzial – wer hat schon Lust auf stundenlanges Auto-Fronten zeichnen?

Creaition war u.a. bei folgenden Messen vertreten:

• Salone del Mobile in Mailand (2019)
• Dutch Design Week (2019)
• Verband Deutscher Industrie Designer Stuttgart – Intelligenz der Zukunft (2019)
• Hochschule Pforzheim, Werkschau (2019)
• Aalborg Dänemark, ArtsIT (2019)

Next steps: Pilotprojekt

Wir von STATWORX unterstützen creaition aktuell bei Suche nach einem geeigneten Partner für ein Pilotprojekt. Ziel des Proof of Concepts ist die Entwicklung neuer Design-Entwürfe basierend auf extrahierter Design-DNA des Auftraggebers.

Konkret bedeutet das, dass der Machine Learning Algorithmus auf Grundlage Ihrer 2D-Daten neu trainiert wird und daraus eine Design-DNA herausfiltert, mit der dann wiederum beliebig viele neue Design-Vorschläge generiert werden können. In der Regel haben Unternehmen, die für diese Art von KI-Optimierung in Frage kommen, bereits eine Fülle an Daten (v.a. 2D-Daten ihrer Produkte), aus denen sie bisher keinen großen Nutzen ziehen. Nutzen Sie also das Potenzial Ihrer Daten und helfen Sie Ihrer Design-Abteilung dabei, repetitive und monotone Arbeitsschritte zu verringern, damit sie sich auf die wesentlichen, kreativen und schöpferischen Arbeiten konzentrieren können.

Sie möchten noch mehr über creaition erfahren? Hier können Sie sich das vollständige Conference-Paper herunterladen, das Marco Limm und seine Co-Autoren (Kevin German, Matthias Wölfel und Silke Helmerdig) für die ArtsIT zu diesem Thema verfasst haben.

Wenn Sie Interesse an einer Zusammenarbeit in diesem Pilotprojekt haben, dann kontaktieren Sie uns gerne über unser Kontaktformular oder schreiben Sie eine Mail an hello@creaition.io.