Własne dane, własne modele 3D. Co dostrajanie generatywnych modeli przestrzennych zmienia dla instytucji publicznych

Generatywne modele 3D weszły w fazę, którą wcześniej przeszły modele językowe i obrazowe: można je teraz dostrajać na własnych zbiorach danych. Zamiast modelu ogólnego, który generuje dowolne obiekty trójwymiarowe, instytucja może wytrenować wariant wyspecjalizowany, na przykład taki, który zna lokalną architekturę, konkretny typ zabudowy albo standardowe elementy infrastruktury. Wymaga to odpowiednio przygotowanych danych i mocy obliczeniowej, ale próg wejścia obniżył się na tyle, że przestało to być domeną wyłącznie laboratoriów badawczych.

Mechanizm jest podobny do fine-tuningu modeli językowych. Bierzecie bazowy model wytrenowany na ogromnym zbiorze kształtów, siatek i punktowych chmur, a potem uzupełniacie go przykładami ze swojej dziedziny. Model "uczy się" charakterystycznych proporcji, stylu, typowych połączeń między elementami. Efektem jest narzędzie, które na wejściu przyjmuje opis tekstowy albo rysunek 2D, a na wyjściu zwraca gotowy model 3D w ustalonym stylu i jakości.

Co to oznacza dla polskich urzędów i instytucji publicznych

Najbardziej oczywiste zastosowanie to planowanie przestrzenne i wizualizacje inwestycji. Dziś przygotowanie renderingów 3D nowej zabudowy albo przebudowy centrum miasta wymaga albo zewnętrznej pracowni, albo specjalistycznego oprogramowania i operatora. Model dostrojony na lokalnej zabudowie, planach miejscowych i typowych materiałach budowlanych mógłby generować wstępne wizualizacje bezpośrednio z arkusza warunków zabudowy. Nie zastąpi projektu architektonicznego, ale skróci etap konsultacji społecznych i prezentacji.

Drugi kierunek to digitalizacja dziedzictwa kulturowego. Muzea, urzędy konserwatorskie i biblioteki gromadzą skany fotogrametryczne i modele punktowe obiektów zabytkowych. Dostrojony model mógłby uzupełniać brakujące fragmenty rzeźb, rekonstruować zniszczone detale architektoniczne albo generować spójne modele całych zespołów miejskich na podstawie fragmentarycznych danych historycznych. To praca, którą dziś wykonują ręcznie specjaliści od modelowania 3D.

• Dokumentacja techniczna infrastruktury, drogi, mosty, sieci wodociągowe: model wytrenowany na typowych rozwiązaniach stosowanych przez danego zarządcę mógłby generować modele poglądowe na potrzeby przetargów i materiałów informacyjnych.
• Materiały edukacyjne i szkoleniowe dla służb mundurowych, straży, ratowników, gdzie trójwymiarowe wizualizacje terenu i obiektów mają wartość praktyczną.
• Prezentacje dla obywateli, bo model 3D tłumaczy zamierzenie urbanistyczne lepiej niż rzut z góry, a konsultacje społeczne prowadzi się łatwiej z wizualizacją niż z dokumentem PDF.

Jest też ograniczenie, o którym warto mówić wprost. Fine-tuning wymaga danych dobrej jakości i w odpowiedniej ilości. Urząd, który ma kilkadziesiąt skanów 3D, nie zbuduje na nich użytecznego modelu. Realny próg to setki lub tysiące przykładów z ujednoliconymi metadanymi. Instytucje, które od lat systematycznie gromadzą dane przestrzenne, są tu w znacznie lepszej pozycji niż te zaczynające od zera.

Zanim zdecydujecie się na wdrożenie, warto sprawdzić, jakie zbiory danych 3D już posiadacie i czy mają wystarczającą jakość, żeby w ogóle myśleć o trenowaniu. Pomagamy to ocenić. Umówcie się na bezpłatny audyt, a wspólnie sprawdzimy, gdzie generatywne AI przestrzenne może przynieść Waszej instytucji realną wartość.