When people think of machine learning, headstones probably don’t come to mind. But in one of the more profound applications of generative AI, we built a system that uses machine learning to design custom memorial products—yes, including gravestones—tailored to personal preferences and cultural sensitivities. This wasn’t just a quirky ML experiment. It was a full-stack application of generative models, natural language processing, and human-in-the-loop systems, all to address a highly sensitive and deeply human need: commemorating a life. The Problem: Designing With Dignity Az emlékműtervezés egyaránt művészet és hagyomány.A családok valami személyes, tiszteletteljes és gyakran szimbolikus dolgot akarnak.A kihívás az, hogy a tervezési folyamat lassú, érzelmileg adóztató, és az anyagok, a temetői szabályok, valamint a vallási vagy kulturális hagyományok korlátozzák. Úgy döntöttünk, hogy építünk valamit, ami segíthet – és nem helyettesítheti – a tervezőket: egy olyan generátort, amely reális, értelmes tervezési lehetőségeket hozhat létre a korábbi adatok és az ügyfelek preferenciái alapján. Itt is kipróbálhatod: (all training data comes from live site - ) headstonesdesigner.com/generator https://headstonesdesigner.com/ Step 1: Understanding the Domain Mielőtt megérintettük volna a TensorFlow-t vagy egyetlen kódvonalat írtunk, belevetettük magunkat az emlékművészetek világába. Traditional and contemporary styles Vallási és kulturális normák Material constraints (granite, marble, etc.) Temetkezési szabályok, mint például max emlékmű szélessége telkenként This wasn’t optional. Designing AI for a sensitive domain like this requires deep respect and nuance. Getting it wrong wasn’t just a UX bug—it was offensive. 2. lépés: Az adatkészlet felépítése Összegyűjtöttünk egy meglepően változatos adatkészletet: Több ezer rajzolt kép CAD fájlok a meglévő fejhallgatókról Vásárlói preferenciák története Text from inscriptions Cemetery dimensional standards Mindezt meg kellett tisztítani, normalizálni és vektorizálni. A szövegeket a BERT-hez hasonló modellekkel építették be. A képeket előre feldolgozták és bővítették. . tanulható 3. lépés: Modellezési architektúra és képzés Párhuzamosan néhány modellt teszteltünk: StyleGAN2: Az emlékművek kiváló minőségű, stilizált képének létrehozásához VAEs (Variational Autoencoders): a tervezési stílusok közötti interpolációhoz és a felhasználó által vezérelt variációk lehetővé tételéhez Transformers (GPT): olyan feliratok létrehozásáért, amelyek személyesnek, relevánsnak és tiszteletteljesnek tűnnek A particularly tricky part was making sure the text and visuals matched. A gothic-style headstone shouldn't have Comic Sans inscriptions. We addressed this with: Multi-modális képzés: A látás és a nyelvi modellek kombinálása (mint a CLIP) az egyensúly értékeléséhez Feltételes GAN-ok: A szöveg használata bemenetként a vizuális generáció vezérléséhez Step 4: Managing the Unknowns Rengeteg „furcsa” pillanatunk volt. Néhány korai kiadás inkább a modernista szobrokhoz hasonlított, mint az emlékművekhez. A stílusátadás néha zavaros módon keresztezi a kulturális vonalakat. GPT alkalmanként generált hang-hideg epitaphs. To mitigate this, we built in human-in-the-loop feedback. Designers and cultural advisors reviewed outputs and flagged issues. This feedback went back into model tuning. We also used techniques like style discriminators in GANs to enforce constraints and post-generation filters to validate text content. Step 5: Evaluation & Results We didn’t just eyeball the results. Evaluation was multi-pronged: for image realism FID scores and human evaluation for text accuracy BLEU scores and for aesthetic and cultural fidelity User studies expert reviews Egy olyan rendszer, amely érzelmileg rezonáns, vizuálisan pontos és kontextus-tudatos fejleményeket hozhat létre. A generátorral itt lehet kapcsolatba lépni: Kezdőlap » design.com/generator Megtanult tanulságok Some takeaways: Cultural context isn’t an edge case—it's the core requirement in sensitive design domains. Generative AI is powerful, but without constraints, it easily drifts into uncanny or inappropriate territory. Az emberi visszajelzés nem csak hasznos; kötelező. The Future Megvizsgáljuk, hogy ez a technológia hogyan terjedhet ki más területekre: esküvői meghívók tervezése, személyre szabott díjak, emlékművészet és így tovább. Bárhol a tervezés személyes és nagy tét, lehetőség van a generatív ML és az emberi gondozás keverésére.
