INTELIGENCIA ARTIFICIAL Y DISEÑO INDUSTRIAL. Implicancias profesionales y educativas

INTRODUCCIÓN

«No quiero aprender a leer, ¿para qué me sirve si le hablo al celular y me busca lo que le pido?» (niña de 6 años a su madre).

Una respuesta que asombra a quienes fuimos educados bajo la cultura letrada, pero que responde a una lógica de pensamiento, a una nueva forma de ver e interactuar. En la academia, fuimos formados por profesionales nativos–analógicos / inmigrantes–digitales, y actualmente formamos estudiantes nativos–digitales que desarrollarán su futura actividad profesional con generaciones de nativos– IA.

Previo a la IA, cada usuario interactuaba con un producto introduciendo información, materia y/o energía, este la procesaba y daba una respuesta preprogramada, para confirmar la acción e informarla mediante sus displays (visuales, acústicos, táctiles, etc.). Esa información era percibida por los órganos sensoriales de cada usuario y procesada para efectuar (o no) otra acción (Leamon, 1980).

Un cambio masivo y notorio en las interfaces fue el lanzamiento del Asistente Virtual por voz Siri (Apple, 2011), que permitía «conversar» con el producto. Pero esta interacción continuaba siendo con respuestas preprogramadas. Con la incorporación de la IA se modifica ya no la interfaz, sino una variable preprogramada del procesamiento del producto, con variables intuitivas, imprevistas y aleatorias; esto constituye otra forma de relacionarnos con la tecnología.

En este contexto, en la academia se prepara a estudiantes que están viviendo la cuarta ola tecnológica, que difumina las barreras analógico–digitales. Futuros profesionales que operarán en contextos muy diferentes, con cambios en las interacciones usuario(s)–producto(s), usuario(s)–usuario(s) y producto(s)–producto(s): algo que asombra e invita a reflexiones en torno al ejercicio de la profesión y al cuestionamiento sobre la relevancia de los aprendizajes construidos.

DISEÑO, TECNOLOGÍA E INTERACCIÓN

Todo cambio, en particular los relacionados con la tecnología, lleva consigo especulaciones favorables y alarmistas. La ciencia ficción ha emulado escenarios utópicos y distópicos sobre la humanidad y los avances tecnológicos.

El modo de interactuar con los dispositivos e intercambiar información, materia y energía se está volviendo más humano. Ha mutado desde operaciones manuales a reconocimiento facial, movimientos, comandos de voz, gestos en smartphones y, cada vez más, en el internet de las cosas.

Lady Ada Lovelace, considerada la primera programadora de computadoras del mundo, escribió en 1843 que una máquina no podía tener una inteligencia similar a la humana mientras solo hiciera lo que los humanos la programaron intencionalmente para que hiciera. Una máquina debe ser capaz de crear ideas originales para ser considerada inteligente. El Test de Lovelace propone una forma de escrutar esta idea. Una máquina pasaría esta prueba si produjera un resultado que sus diseñadores no pudieran explicar en función de su código original. Algoritmos evolutivos o algoritmos genéticos que imitan la evolución biológica, mediante la combinación de patrones aleatorios y entrenamiento, pueden hoy pasar la prueba de Lovelace.

Pero ¿es verdaderamente creativo? ¿Es suficiente hacer algo original y hermoso, o la creatividad requiere intención y conciencia de lo que se está creando? La creatividad ¿proviene de la máquina o del programador? ¿Qué es la creatividad humana, de todos modos? ¿Es algo más que un sistema de neuronas interconectadas desarrollado por procesos algorítmicos biológicos y las experiencias aleatorias que dan forma a nuestras vidas? (Weinberg, 2015).

IA Y DISEÑO INDUSTRIAL

Coloquialmente, el término IA se aplica cuando una máquina imita funciones cognitivas que los humanos consideran propias de sus mentes. En especial percibir, razonar, resolver problemas, tomar decisiones y aprender (Pons, Pérez y Baum, 2022:9). No todo lo que hace una computadora, por difícil o inteligente que parezca, se considera IA. En sus inicios, la IA resolvió con rapidez problemas intelectualmente difíciles para seres humanos, pero relativamente sencillos para las computadoras (Pons, Pérez y Baum, 2022:9–10). Las primeras aproximaciones a la IA datan de 1950, cuando era vista no solo como una tecnología sino como una disciplina científica.

Se la define como sistemas diseñados por humanos que, dado un objetivo complejo, actúan en un entorno físico y digital, perciben su medioambiente, interpretan y recolectan datos estructurados y no estructurados, razonan sobre el conocimiento derivado de estos datos y deciden el mejor rumbo de acción para alcanzar el objetivo planteado (Vocke, Constantinescu, & Popescu, 2018; Uribe Gómez, Santos y Atehortúa, 2020:100).

Las tareas abstractas y formales difíciles para un ser humano son fáciles para una IA. El verdadero desafío fue resolver tareas fáciles de realizar para las personas, pero difíciles de describir formalmente: problemas intuitivos, sin recurrir a un razonamiento explícito, como reconocer palabras habladas, caras, objetos en imágenes. Se produce entonces la paradoja de Moravec: «Es relativamente fácil conseguir que las computadoras muestren capacidades similares a las de un humano adulto en una prueba de inteligencia y muy difícil lograr que adquieran las habilidades perceptivas y motoras de un niño de un año». Así, es difícil para una computadora comprender el significado de datos sensoriales y asignar identidad a un objeto: por ejemplo, detectar objetos en una colección de píxeles (imagen, fotografía).

Desde sus inicios, se puede distinguir la IA simbólica, basada en la lógica matemática, y la no–simbólica, que construye modelos matemáticos predictivos extrayendo patrones a partir de grandes conjuntos de datos de entrenamiento o instrucciones. El conjunto de estas instrucciones se fusiona en redes neuronales artificiales (estructuras de datos). Se crean e inicializan con valores aleatorios y luego se someten a un proceso de entrenamiento. El algoritmo de entrenamiento más utilizado se denomina retropropagación del error (back–propagation) (Pons, Pérez y Baum 2022:10–14).

Conti (2017) menciona que estamos en presencia de la Era Aumentada en la que es posible conversar con la computadora: decirle «diseñemos un auto» y que lo muestre; decirle «no, que parezca más rápido» y muestre otra versión. Conti mostró el diseño de un dron al que le colocaron restricciones como «cuatro hélices», «lo más liviano posible», «aerodinámica eficiente», etc.; la computadora exploró posibles soluciones según esos criterios, y el resultado fue que nadie jamás dibujó nada (Conti, 2017).

Según Klaus Schwab (2016) estamos transitando una segunda Era de la máquina, una cuarta ola, la Industria 4.0, caracterizada por una fusión de tecnologías que difuminan lo físico–digital–biológico con avances tecnológicos emergentes en robótica, IA, nanotecnología, biotecnología, internet de las cosas, entre otros.

Rodríguez–Mondragón et al. (2020) proponen el acrónimo DIIA, para referirse al uso de IA en el Diseño Industrial. Por su parte, María Ángeles Domínguez menciona que la IA acelerará procesos de desarrollo de producto, cambiando las expectativas de clientes sobre los tiempos y progresos; las herramientas y flujos de trabajo deberán adaptarse a estos cambios, se deberán diseñar las experiencias con IA, y se modificarán las interfaces e interacciones del usuario con los productos. El uso de la IA permitirá la proyección de posibles respuestas según restricciones preestablecidas y el uso de algoritmos evolutivos basados en población de datos para optimizar propuestas de diseño. Se requerirán nuevas tareas como cuantificar, parametrizar y realizar restricciones formales, identificar funciones para optimizar simulaciones, validar e interpretar resultados (Rodríguez–Mondragón et al., 2020).

Desafíos académicos

Ken Robinson (2010) afirma que hoy se preparan estudiantes en una estructura escolar pensada para un contexto diferente. El sistema educativo actual fue creado, concebido y organizado en la cultura de la revolución industrial y sus intereses. Sin embargo, aún existen similitudes sustanciales entre ambos contextos, como las instalaciones separadas —aulas, sala de profesores, etc.— o la división por horarios y asignaturas (Robinson, 2010).

Originalmente las Tecnologías de la Información y la Comunicación (tic) fueron la palabra oral y escrita, el lenguaje del docente —esencialmente expositivo—, y la escritura para expresar y leer utilizando pizarrón, cuadernos, carpetas, láminas, apuntes, libros y, más recientemente, fotocopias por doquier. Hoy, la tradicional escritura y lectura textual lineal convive con escrituras y lecturas hipertextuales multimediales (Temporetti, 2015:87–96). La cultura net–web^[1] introduce modalidades que no pueden ser tratadas por las herramientas que han caracterizado a la educación tal cual la conocemos en su expresión hegemónica (Temporetti, 2002:13).

Vivimos en un entorno de información que se halla descentrado en cuanto al sistema educativo regido por la escuela y el libro (Martín–Barbero, 2002:12–13). Los límites respecto de dónde, cuándo, cómo, con quién e, incluso, qué aprendemos se están diluyendo a la misma velocidad con la que crece la necesidad de aprender. Aprendemos en el instituto o en la universidad, pero también en la empresa, en nuestra vida cotidiana, de manera indiferenciada y constante (González Hermoso de Mendoza, 2022).

En este contexto, a las nuevas generaciones, con una atención distribuida entre lo que dice el educador, las redes sociales y sus compañeros, se les atribuyen prejuicios sobre dificultades en el procesamiento de información en textos largos y las inherentes consecuencias respecto de los modelos de enseñanza, arraigados fuertemente en estructuras analógicas. «Los estudiantes que asisten hoy a nuestras aulas pueden manipular varias informaciones a la vez. No conocen ni integran, ni sintetizan como nosotros, sus ascendientes. Ya no tienen la misma cabeza (…), ya no habitan el mismo espacio» (Serres, 2013:21).

No obstante, los alumnos no tienen el pequeño margen de atención del que se les acusa: muchos, por ejemplo, pasan horas completamente centrados en una película o videojuegos. Quieren aprender con métodos que le hagan ver de inmediato que el tiempo que pasan en su educación formal tiene valor (Prensky, 2011:12–13). Por lo tanto, como señala Torres, «la propia definición del docente deseado y la escuela deseada continúa siendo tarea abierta y desafío» (2004:6).

EJERCICIO CON ESTUDIANTES

En este escenario, compartimos una experiencia realizada en 2023 en la cátedra de Taller de Diseño Industrial III de la Licenciatura en Diseño Industrial (FADU-UNL)^[2].

En el marco de la etapa de búsqueda conceptual del Trabajo Práctico N°1 Diseño de Línea de Productos, los estudiantes realizaron la búsqueda mediante IA para generar imágenes de electrodomésticos que compartan rasgos morfológicos similares y permitan emparentarlos con marcas reconocidas (Lego®, Dewalt® y BMW®). Estos electrodomésticos corresponden a 3 líneas de productos: a) una línea de cuidado de cabello (secador, plancha y voluminizador), b) una línea de bebidas (gasificadora, chopera y cava) y c) una línea de cafetería (eléctrica, molinillo y espumador).

Los objetivos principales de la actividad fueron familiarizarse con las herramientas de IA generadoras de imágenes, comprender su uso en la generación de alternativas y conceptos, desarrollar habilidades en la selección y refinamiento de ideas generadas por la IA y experimentar con distintos prompts para obtener resultados óptimos y deseados.

La investigación previa realizada por los estudiantes, que incluyó el estudio de diversas herramientas y algoritmos de generación de imágenes, les proporcionó una base sólida para comenzar el proceso de creación de ideas. Además, al examinar ejemplos y casos de estudio, los estudiantes pudieron comprender mejor cómo aplicar estas herramientas en el contexto del diseño industrial.

Durante la etapa de generación de ideas, los estudiantes utilizaron las herramientas de IA de manera creativa y exploratoria. La combinación de diferentes parámetros y la integración de conceptos permitió obtener una amplia variedad de alternativas que enriquecieron el proceso de conceptualización.

La selección y refinamiento de las ideas generadas fue un paso crucial en el proceso. Los estudiantes aprendieron a reescribir los prompts utilizando variantes para obtener imágenes que se asemejan a los resultados deseados. La evaluación de las ideas generadas teniendo en cuenta factores como la viabilidad, la funcionalidad y la estética permitió seleccionar las mejores propuestas, que podrían servir como base para el desarrollo posterior del producto final. La presentación final, que incluyó una comparación gráfica de las imágenes generadas, los prompts utilizados y el proceso de mejora de los resultados, demostró la evolución y el progreso realizado durante la actividad. Además, el rediseño de tres alternativas previas utilizando las nuevas imágenes como inspiración proporcionó una perspectiva práctica de cómo la IA generadora de imágenes puede influir en el diseño industrial.

PALABRAS Y REFLEXIONES FINALES

En la primera mitad de 2023 vimos cómo se difundieron y viralizaron diferentes herramientas de IA y se volvieron disponibles masivamente. Herramientas como Chat GPT comenzaron a usarse para tareas de creación de contenido, muchas veces difíciles de diferenciar de las tareas realizadas por una persona.

Entonces, nos preguntamos: ¿cómo la disponibilidad y el uso de dichas herramientas va a cambiar la realidad que conocemos, específicamente en los procesos de enseñanza–aprendizaje de las disciplinas del diseño? A priori se presentan dos caminos: uno de resistencia al cambio (pensar por ejemplo que los alumnos dejarán de estudiar y generar contenido a partir del propio esfuerzo para solicitar las soluciones a las IA), y otro de aceptar el cambio y usarlo a nuestro favor.

La resistencia al cambio es una respuesta natural de las personas, y como en todo surgimiento de una tecnología revolucionaria, el intentar frenar el cambio resulta fútil. Es conveniente entonces apropiarnos rápido de las nuevas herramientas y usarlas para nuestro beneficio. Ante todo, hay que entender la IA como un conjunto de herramientas. En el caso de las disciplinas de la LDI, resulta particularmente útil en las fases de generación del concepto de producto (o dicho en el marco del doble diamante del Design Thinking, en la primera mitad del segundo diamante), es decir, en la fase de idear. En estas fases se busca definir el concepto de producto como una idea abstracta, como analogía e inspiración que nos guíe para bosquejar las primeras ideas. Buscamos el concepto poético o buscamos definir los atributos que debe tener el producto que vamos a crear.

Las herramientas de IA no van a crear por sí solas. Hay que darle instrucciones precisas de qué es lo que queremos que haga. Estas instrucciones denominadas prompts deben ser definidas por nosotros. Cuanto más detallado y definido el prompt, mejor respuesta vamos a tener de la IA. Estas herramientas incluso tienen el potencial de trabajar a modo de diálogo abierto y continuo, y pueden modificar la respuesta en función del contexto de la discusión o charla con ella. Por lo que, si el resultado de un prompt que hemos dado no nos convence, podremos corregirlo o dar más especificaciones hasta llegar al nivel de respuesta deseado.

Estos ejercicios, este diálogo con la IA, de definir cada vez de manera más específica los prompt, son similares y análogos a la creación del concepto de producto, el que muchas veces genera tantos inconvenientes de comprensión en los alumnos. Es aquí que esta herramienta se vuelve valiosa en la educación en diseño. Podemos utilizarla para guiar o inspirar la creación de conceptos y atributos de producto. Quizás la IA ha venido para sortear ese problema, quizás el uso de la IA pueda que la Inteligencia Humana comprenda algunas ideas más fácilmente.