signalwerk
commented
4 years ago Danke für das Exposé und deine bisher geleistete Arbeit. Bitte halte im Hinterkopf, dass das Exposé eine Richtschnur ist und im Projektverlauf sich Abweichungen ergeben können. Was immer der Arbeit dient, solltest du machen. Unabhängig ob du daran schon im Exposé gedacht hattest oder nicht.
Nachfolgend einige Inputs/Gedanken, die weder als Kritik noch als ein Muss zu verstehen sind, sondern dir allenfalls helfen können deinen Weg besser zu finden:
Feedback
- Kannst du dich auch mal mit Nicole austauschen? Vielleicht könnt ihr euch gegenseitig mit Quellen unterstützen
- Bitte versuche in deinen Untersuchungen parametrisches Design klar abzugrenzen. Es gibt diverse und viele Anwendungen mit parametrischem/prozeduralem Design, aber soweit ich dich verstehe, ist dies ja kein Untersuchungsgegenstand in deiner Arbeit.
- Du hast diverse Fallbeispiele und drei Teilaspekte. Kannst du dich reduzieren um an tiefe in 1–2 Themen zu gewinnen?
- Spannendes Thema! Wenn wir von ML sprechen, dann brauchen wir häufig ein Trainingsset. Behalte dies beim Schreiben deiner Arbeit bitte im Hinterkopf. Es gibt vieles vor, was möglich ist und was nicht.
Sonstiges
Bitte übermittle deiner mentorierenden Person in minimum folgende Dokumente:
- Rückmeldung zum Mentorat (nicht Notengebend)
- Thesis Aufgabestellung
Es ist immer ratsam vor einem Treffen mit dir und deiner mentorierenden Person deine bisherigen Arbeiten kurz zu übermitteln, so dass ein feedback am Gespräch effektiver sein kann.
Exposé für eine Thesisarbeit
Pascale Anderegg IAD17, 01.2020 Fokus «Dynamische Strukturen»
Thema
Machine Learning (ML) im Designprozess
Der iterative Gestaltungsprozess gilt an sich als dynamischer Ablauf. Doch wie wandelt sich dieser Prozess mit ML in Hinblick auf eine zunehmende Dynamik?
Es gibt viele verschiedene Ansätze wie in Designprozessen vorgegangen werden kann. In dieser Arbeit wird anhand eines iterativen Gestaltungsablaufs, der sich auf digitale Produkte fokussiert, untersucht, in welchen Prozessschritten Machine Learning, eingesetzt werden kann. Anfangs wird dieser Designprozess definiert und auf seine Dynamik überprüft. Ebenfalls wird der Begriff Machine Learning erklärt. Als nächstes werden auf einer konkreten Ebene Anwendungsbereiche von ML im Design in drei Bereiche unterteilt und für jede Kategorie je ein Fallbeispiel beschrieben. Bei den drei Fallbeispielen werden die dynamischen Besonderheiten hervorgehoben. Danach wird der Fokus auf eine Kategorie gelegt. Dies ist die Grundlage für die Auslegung des möglichen Gestaltungsprozesses mit Machine Learning, welcher beschrieben wird und dabei verstärkt auf dynamische Strukturen Bezug nimmt. In der Diskussion werden Argumente auf den definierten Gestaltungsprozess dargelegt und diese Standpunkte auf ihre Dynamik bewertet.
Fragestellungen
Hauptfrage: Wie verändern sich die Prozesse eines digitalen Gestalters in Einbezug von Maschinellem Lernen? Konkrete Frage 1: Welche Rolle kann ML im Gestaltungsprozess übernehmen? Konkrete Frage 2: In welchen Arbeitsschritten kreativer Arbeit können Synergien mit ML genutzt werden? Konkrete Frage 3: Wie wandelt sich ein Gestaltungsprozess mit ML in Hinsicht auf eine zunehmende Dynamik?
Problemstellung
Es gibt viele Anwendungen im Bereich des digitalen Designs, die bereits mit ML arbeiten. Das Potenzial von ML wird dabei oft nicht richtig ausgeschöpft, da das Wissen über die Technologie sowie über die vorhandenen Werkzeuge fehlen. Wo und wie können ML-Anwendungen im Digitalen Design in den Arbeitsprozess eingebunden werden?
Ziel der Arbeit
Der mögliche Einsatz vom ML im Designprozess von einem digitalen Gestalter verständlich aufzeigen und dabei die Veränderungen beleuchten.
Inhaltsverzeichnis
1. Einleitung 1.1 Problemstellung & Zielsetzung 1.2 Relevanz der Fragestellung 1.3 Interesse und Motivation des Themas 1.4 Struktur der Arbeit
2. Theoretische Bausteine 2.1 Vorgehen 2.2 Definition eines digitalen Gestaltungsprozesses 2.3 Technische Einführung 2.4 Machine Learning 2.5 Definition Dynamik 2.5.1 Aspekt Dynamik auf den definierten Gestaltungsprozess 2.5.2 Aspekt Dynamik auf Machine Learning 2.6 Zusammenfassung
3. Konkrete Beschreibung 3.1 Welche Rolle kann ML im Designprozess übernehmen? 3.1.1 ML als Nachmacher 3.1.2 ML als Unterstützer 3.1.3 ML als eigenständiger Gestalter 3.2 Fallbeispiele der Kategorien 3.2.1 Actelion generische Bildwelt 3.2.2 Fontmap IDEO 3.2.3 Kunstwerk Edmond de Belamy 3.3 Fazit der Rolle von ML im Gestaltungsprozess 3.4 ML als Unterstützer im Designprozess 3.4.1 Entdeckungsphase
4. Diskussion 4.1 Vorteile/Nachteile von einem Gestaltungsprozess ML 4.2 Standpunkte auf Dynamik bewerten
5. Fazit und Ausblick 5.1 Fragestellung wiederholen und zusammenfassend beantworten
II. Literaturverzeichnis II. Quellenverzeichnis III. Abbildungsverzeichnis
Literatur
Winkler, A. (2019). Künstliche Intelligenz als neue Dimension in der Gestaltung. Deutschland: GRIN Verlag. Weblink.
Hugentobler, H. (2010). Designwissenschaft und Designforschung: Ein einführender Überblick. Deutschland: Hochschule Augsburg. Weblink.
Stolterman, E. & Nelson, G.(2012). The Design Way: Intentional Change in an Unpredictable World. USA: The MIT Press.
Hebron, P. (2016). Machine Learning for Designers. Sebastopol, Kalifornien: O'Reilly Media, Inc.
Zeitlicher Ablauf
23. 8. 2019 | Thesis-Aufgabe abgeben 23. 8. 2019 & 26. 10. 2019 | 2 Tage Einführung & Themenfindung durch Ulrike Felsing 7. 9. 2019 | Einführung digitale Abgabe Thesis durch Stefan Huber 22.11.19 | 1. Gruppen-Mentorengespräch durch Ulrike Felsing 29. 11. 2019 | Abgabe eines kurzen Exposés als GitHub-Issue mit Thema, Fragestellung, Literatur und Zeitplan sowie Mentorenwunsch 6.12.19 | 2. Gruppen-Mentorengespräch durch Ulrike Felsing 11. 1. 2020, 8:15 Uhr | Abgabe der Thesis auf Git-Repository 31. 1. 2020 | Verteidigung Februar | Benotung
Mentorenwunsch
Ulrike Felsing