Kullanıcı niyeti çıkarımı ile yönlendirilen parça düzeyinde 3B şekil üretimi: tercihe dayalı Bayesyen optimizasyon

Daha akıllı 3B tasarım araçları neden önemli

Bir 3B şey inşa etmeyi deneyen herkes—ister ev tasarım uygulamasında bir mobilya parçası, ister bir oyunda bir karakter olsun—seçeneklerin nasıl hızla bunaltıcı hale geldiğini bilir. Modern yapay zeka basit istemlerden çarpıcı 3B şekiller üretebilir, ancak genellikle bir kişinin bir tasarımda tam olarak neyi beğendiğini anlamaz. Bu makale, tasarımcıların parçaları karıştırıp eşleştirerek sandalyeler oluşturmasına yardımcı olan ve yapay zekânın sessizce onların zevklerini öğrenip daha iyi seçeneklere yönlendirdiği yeni bir sistem olan BOgen’i tanıtıyor.

Metin istemlerinden anlamlı 3B seçimlere

Üretken yapay zekâdaki son gelişmeler “kavisli sırtlıklı ahşap yemek sandalyesi” gibi metin betimlemelerini ayrıntılı 3B modellere dönüştürebiliyor. Yine de bu araçlar ağırlıklı olarak görsel etki peşinde koşuyor. Tasarımcıların aslında yaptıkları dağınık, yinelemeli kararları desteklemekte—özellikle belirli parçaları değiş tokuş etmek istediklerinde—yetersiz kalıyor; örneğin bir sandalyenin ayaklarını başka bir sandalyenin sırtlığıyla birleştirmek gibi. Yazarlar, yararlı bir sistemin görsel gösterişten ziyade tasarımcının niyetini önceliklendirmesi ve yalnızca nesnenin tamamı değil parça düzeyinde çalışması gerektiğini savunuyor. BOgen bunu güçlü bir 3B şekil üreteci ile kullanıcıların parçaları seçip karşılaştırıp yeniden birleştirebildiği bir arayüzü birleştirerek; sistem tercihleri izlerken tasarımcıları yönlendirmeyi hedefliyor.

Karmaşık bir şekil evrenini basit bir haritaya dönüştürmek

Her üretilen 3B sandalyenin arkasında, genel yapısını ve parçalarını tanımlayan yüksek boyutlu bir kod yatar. Bu devasa uzayı doğrudan aramak etkileşimli bir araç için çok yavaş olurdu. Bunu çözmek için yazarlar, her sandalyenin yapısal bilgisini—özellikle parça düzenini—sadece iki sayıya sıkıştırmak üzere bir varyasyonel otoenkoder (VAE) eğitiyorlar. Bu iki sayı her olası sandalyeyi düz bir “keşif haritası”na yerleştiriyor. Yakın noktalar benzer genel formlara sahip sandalyeleri, uzak noktalar ise basit yemek sandalyelerinden dekoratif veya alışılmadık parçalara kadar çok farklı türleri temsil ediyor. Bu harita, tasarımcıların karmaşık bir tasarım evreninde sanki sandalye olasılıklarının 2B bir atlasında dolaşıyorlarmış gibi gezinmelerini sağlıyor.

Yapay zekânın basit eylemlerden tercih çıkarmasına izin vermek

BOgen yalnızca seçenekleri göstermekle kalmaz; kullanıcıların yaptıklarından öğrenir. Bir tasarımcı favori bir sandalyeyi işaretlediğinde, harita üzerindeki örneklerin üzerine geldiğinde veya “buna benzer” daha fazla tasarım istediğinde, sistem bu seçimi hangi unsurların önemli olduğuna dair bir ipucu olarak ele alır—örneğin yuvarlak bir sırtlık, ince ayaklar veya kompakt bir taban. Tercihlere dayalı Bayesyen optimizasyon olarak adlandırılan bir teknik, bu sinyalleri katı puanlar yerine göreli tercihler olarak modeler. Keşif haritasının hangi bölgelerinin kullanıcının beğeneceği tasarımları içerme olasılığının yüksek olduğunu ve hangi alanların belirsiz kaldığını tahmin eder. Bu tahmine dayanarak sistem, mevcut zevkle uyumlu güvenli seçimlerle daha riskli ama yeni ilgi alanlarını ortaya çıkarabilecek öneriler arasında denge kurarak harita üzerinde yeni noktalar seçer.

Parça değiş tokuşu ve harmanlama ile tasarlamak

BOgen’in arayüzünde kullanıcılar bir “ana” sandalye ve bir “alt” sandalye seçebilir ve parçalarını ara yüzlü bir şekilde enterpolasyon yaparak doğrudan yeni bir tasarım sentezleyebilir—örneğin bir sandalyenin sırtlığını diğerinin ayaklarıyla birleştirmek gibi. Altında yatan parça farkında 3B üretici, bu harmanlanmış bileşenlerden tam bir 3B model yeniden inşa eder. Her yeni tasarım keşif haritasına geri yerleştirilir, böylece tasarımcılar diğer seçeneklere göre nerede konumlandığını görebilir. Zamanla, kullanıcılar bu keşif ve parça değiş tokuşu döngüsünü tekrarladıkça sistem hangi kombinasyonların umut verici olduğunu daha iyi anlar ve daha hedeflenmiş öneriler sunar; böylece yalnızca izole istemlere yanıt vermek yerine tasarımcıyla etkili bir şekilde birlikte üretir.

BOgen’i gerçek tasarımcılarla teste sokmak

BOgen’i değerlendirmek için araştırmacılar 30 eğitimli veya uygulamada olan tasarımcıdan iki araç kullanarak erken aşama sandalye tasarım görevlerini tamamlamalarını istedi: temel bir “UIonly” arayüzü ve tam BOgen sistemi. Her iki araç da metin istemlerinden sandalyeler üretebiliyor ve yeniden birleştirebiliyordu, ancak yalnızca BOgen keşif haritası ve tercih yönlendirmeli öneriler içeriyordu. Nicel ölçümler, BOgen’in kullanıcı tercihleri konusunda daha emin hale geldiğini, beğenilen tasarımları daha güvenilir şekilde tanımladığını ve kullanıcıları tasarım alanının daha geniş ve çeşitli bir bölgesini keşfetmeye teşvik ettiğini gösterdi. Anket yanıtları ve görüşmeler bu bulgularla örtüştü: tasarımcılar BOgen’in hedeflerini daha iyi netleştirdiğini, faydalı öneriler sunduğunu ve yalnızca metin istemleriyle ulaşamayacakları keşiflere olanak sağladığını hissettiler.

Günlük tasarım araçları için bunun anlamı

Basitçe söylemek gerekirse, çalışma yapay zekânın sadece yetenekli bir 3B heykeltıraş olmaktan öte düşünceli bir yardımcı olarak davranması gerektiğini gösteriyor. BOgen, karmaşık 3B seçenekleri basit bir haritaya sıkıştırmanın ve kullanıcı seçimlerini istatistiksel olarak modellemenin, uçtan uca üretkenliği her kişinin zevkine özel yönlendirilmiş bir aramaya dönüştürebileceğini gösteriyor. Bu çalışma sandalyelere odaklanıp yalnızca görsel çekiciliği optimize etse de aynı yöntem—uzayı haritalandır, kullanıcıların ne seçtiğini izle, yeni seçenekler öner—araçlardan karakterlere kadar birçok 3B varlık türüne uyarlanabilir. Bu tür sistemler olgunlaşıp dayanıklılık ve üretilebilirlik gibi gerçek dünya kısıtlarını hesaba katmaya başladıkça, ileri düzey 3B tasarımı profesyoneller ve uzman olmayanlar için daha erişilebilir, verimli ve yaratıcı açıdan tatmin edici hale getirebilir.

Atıf: Lee, S.W., Choi, J. & Hyun, K.H. Part-level 3D shape generation driven by user intention inference with preferential Bayesian optimization. Sci Rep 16, 7715 (2026). https://doi.org/10.1038/s41598-026-38916-7

Anahtar kelimeler: 3B üretken tasarım, Bayesyen optimizasyon, tasarım keşfi, kullanıcı odaklı Yapay Zeka, parça tabanlı modelleme