PAIDEIA XXI
Vol. 9, Nº 2, Lima, julio-diciembre 2019, pp. 331-344
ISSN Versión Impresa: 2221-7770; ISSN Versión Electrónica: 2519-5700
REVIEW ARTICLE / ARTÍCULO DE REVISIÓN
APPLICATIONS OF ARTIFICIAL INTELLIGENCE
IN ARCHITECTURE--CASE STUDY: FORECAST
OF TYPES OF SPACE USING GRASSHOPPER AND
RHINOCEROS
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL
EN LA ARQUITECTURA: CASO DE ESTUDIO:
PREDICCIÓN DE TIPOS DE ESPACIO USANDO
GRASSHOPPER Y RHINOCEROS
ABSTRACT
doi:10.31381/paideia.v9i2.2760
Jennifer Lizbeth Durand-Labán1,2
1 Universidad Ricardo Palma (Facultad de Arquitectura y Urbanismo), Lima, Perú.
2 IE University (MAMD, IE School of Architecture and Design), Madrid, España.
Author for correspondence: arqjennidurand@gmail.com
Articial intelligence is the theory and development of computer systems
capable of performing tasks that normally require human intelligence such as
visual perception, speech recognition, decision making and language translation.
This research collects 7 applications of articial intelligence in architecture
with real cases including the increase in productivity, the design of multiple
iterations, the help in monitoring and maintenance, the change in safety and
efciency, the change in planning and design, and nally automation in design
in order to inform architects that technology can make design and construction
processes more efcient. In addition, our own case of the use of articial
intelligence through the plug-in for grasshopper -- “Lunchbox ML” -- used within
the Rhinoceros program to predict spaces is explained.
Keywords: Architecture – Articial Intelligence – Grasshopper – Rhinoceros
– Technology
Durand-Labán
332
PAIDEIA XXI
La inteligencia articial es la teoría y el desarrollo de sistemas informáticos
capaces de realizar tareas que normalmente requieren inteligencia humana,
como la percepción visual, el reconocimiento del habla, la toma de decisiones
y la traducción entre idiomas. Esta investigación recopila 7 aplicaciones de la
inteligencia articial en la arquitectura con casos reales, estas aplicaciones son
el aumento de la productividad, el diseño de múltiples iteraciones, la ayuda en
el monitoreo y mantenimiento, el cambio en la seguridad y eciencia, el cambio
en planeamiento y diseño, y nalmente la automatización en el diseño; con la
nalidad de dar a conocer a los arquitectos que la tecnología puede volver más
ecientes los procesos de diseño y construcción. Además, se explica un caso
propio del uso de la inteligencia articial por medio del plug in para Grasshopper
-- “Lunchbox ML” -- utilizado dentro del programa Rhinoceros para lograr
predecir espacios.
Palabras clave: Arquitectura – Grasshopper – Inteligencia Articial –
Rhinoceros – Tecnología
RESUMEN
Introducción
En la última década, se ha pres-
enciado el desarrollo de diferentes
tecnologías disruptivas, entre ellas
la inteligencia articial (IA). De ac-
uerdo con Guo et al. (2019), el es-
tado ideal de la inteligencia articial
es pensar humanamente, pensando
racionalmente, actuando humana-
mente y actuando racionalmente.
Mientras que Brown (2005), expre-
sa que por “inteligencia articial” se
reere al uso de programas de com-
putadora y técnicas de programación
para arrojar luz sobre los principios
de inteligencia en general y el pens-
amiento humano en particular.
De acuerdo con OBS Business
School (2015), para el año 2020
existirán 30 mil millones de
dispositivos conectados. Fernández
(2017), comenta que el 65% de
los niños que estudian primaria
trabajarán en empleos que no
existen ahora. Benedikt & Osborne
(2013) advierten que el 47% de los
empleos podrían desaparecer en los
siguientes 15 a 20 años por culpa
de la automatización. Al leer estas
cifras se entiende que el mundo está
cambiando a una velocidad nunca
antes vista y aunque la mayor parte
de personas creen que la IA es
algo lejano, ya que no la perciben
en su día a día, esta se encuentra
desde hace muchos años entre las
personas (Autodesk, 2019).
Esta investigación pretende dar
a conocer a los arquitectos que
la tecnología puede volver más
ecientes los procesos de diseño
y construcción. Para lo cual, se
Articial Intelligence in architecture
333
PAIDEIA XXI
presenta un conjunto de algoritmos
utilizados para lograr una predicción
de espacios por computadora. Siendo
así el objetivo de la investigación
determinar si la computadora es
capaz de reconocer espacios de
acuerdo con tres variables que son
largo, ancho y área.
Este artículo comienza con
la explicación de tres casos
puntuales de aplicaciones que
utilizan IA. El primero es Netix,
según una publicación del blog
Foundationrobotica (2019) este
utiliza un motor de recomendaciones
con IA para poder dar una
sugerencia de acuerdo con el perl
de cada usuario. Para hacerlo
considera parámetros como edad,
género, que tipo de programas ha
visto antes, entre otros. El segundo
es Instagram, este utiliza IA para
mejorar la experiencia del usuario
en la red social. Los algoritmos
de Instagram aprenden a lo largo
del tiempo que es lo más valioso
y relevante para cada usuario,
creando así feeds personalizados
(Angeles, 2019). El tercero es Google
traductor, según Schulkin (2018),
Google traductor utiliza Neural
Machine Translation (NMT) donde
los resultados de las traducciones se
almacenan, ayudando al sistema a
crear traducciones más naturales y
uidas con el tiempo.
Este documento está estructurado
de la siguiente manera: (1) proporciona
el proceso de Aprendizaje de la IA (2)
describe siete aplicaciones especícas
sobre el uso de la IA en la Arquitectura.
(3) presenta el caso de estudio: Predicción
de tipos de espacio usando Grasshopper
y Rhinoceros. Se concluye con los
resultados obtenidos
y la discusión.
Proceso de Aprendizaje de la
Inteligencia Articial
De acuerdo con Ramesh (2017)
la Inteligencia Articial tiene dos
maneras de aprender, mediante el
aprendizaje simbólico o “symbolic
learning” y mediante el aprendizaje
automático o “machine learning”.
Para poder explicar las dos maneras
en las que una computadora puede
aprender se procederá a realizar
un paralelismo entre lo que los
humanos pueden hacer y lo que la
computadora hace.
De acuerdo con el mismo autor,
dentro del aprendizaje simbólico
se tiene que los seres humanos
pueden reconocer la escena que
los rodea a través de los ojos que
crean imágenes de este mundo,
este campo es el procesamiento de
imágenes, que se requiere para la
visión por computadora. Asimismo,
los seres humanos pueden entender
su entorno y moverse con uidez,
este proceso se ve en el campo de la
robótica.
Dentro del aprendizaje automático,
se encuentra que los seres humanos
poseen la capacidad de ver patrones.
Mientras que, las máquinas son
aún mejores en el reconocimiento de
patrones porque pueden usar más
información y dimensiones de datos.
Los seres humanos pueden hablar
y escuchar para comunicarse a
Durand-Labán
334
PAIDEIA XXI
través del lenguaje, este es el campo
del reconocimiento de voz, que se
encuentra dentro del aprendizaje
estadístico. Además, los seres
humanos pueden escribir y leer textos
en un idioma, este es el campo del
procesamiento del lenguaje natural
e
n una computadora. Se sabe que lo
más difícil de replicar es el cerebro
humano, ya que este es una red de
neuronas y se utiliza para aprender
cosas más complejas y profundas
(Ramesh, 2017). Si se logra replicar
el cerebro humano, será posible
obtener capacidades cognitivas en
las máquinas. De acuerdo con el
mismo autor, existen diferentes
tipos de aprendizaje profundo en
máquinas que son esencialmente
técnicas diferentes para replicar
lo que hace el cerebro humano.
Si se consigue que la red escanee
imágenes de izquierda a derecha o
de arriba abajo, es una red neuronal
de convolución. Esta se utiliza para
reconocer objetos en una escena.
Por otro lado, si se consigue que la
red neuronal recuerde un pasado
limitado, esta se conoce como red
neuronal recurrente.
Las aplicaciones de la inteligencia
articial en la arquitectura
La IA está cambiando los procesos
de arquitectura y construcción y en
este artículo se citarán 7 casos reales
basados en la vasta información
descriptiva y análisis que existe sobre
estos.
La primera manera consiste en el
aumento de la productividad en la
arquitectura. Un arquitecto siempre
pierde una cantidad considerable de
tiempo al momento de distribuir el
mobiliario en un plano. De acuerdo
con Sullivan (2018) una empresa
americana, llamada WeWork,
encontró este problema inaceptable
ya que sus arquitectos perdían
tiempo en una tarea mecánica. Por lo
que diseñaron una herramienta para
calcular las formas más ecientes
de organizar escritorios en ocinas
con capacidad para 20 personas. La
herramienta es inteligente y rápida.
Completa su tarea de manera tan
eciente como un diseñador y en una
fracción del tiempo. Esta herramienta
libera a los arquitectos de una tarea
mecánica y repetitiva, dejándoles
tiempo libre para poder utilizarlo en
tareas creativas como diseñar una
escalera central llamativa o un patio
cubierto.
,
Figura 1. Herramienta para
calcular la organización de
escritorios en WeWork. Fuente:
https://www.wework.com/
newsroom/posts/this-algorithm-
might-design-your-next-ofce
(Sullivan, 2018).
Articial Intelligence in architecture
335
PAIDEIA XXI
La segunda manera consiste en el
diseño de múltiples iteraciones. Un
arquitecto, a lo largo de su trayectoria
profesional, siempre recibe mejoras
para un proyecto de parte del cliente,
lo que se conoce comúnmente como
replanteo. Un solo arquitecto puede
replantear un proyecto en muchas
ocasiones, pero una computadora
es mucho más eciente y rápida en
hacer estos replanteos. De acuerdo
con Howe (2017) la empresa Autodesk
ha desarrollado un programa que
realizo 10.000 opciones de diseño
en solo unos días. La computadora
evaluó cada una y escogió las
mejores en base a los parámetros
recibidos. Los arquitectos evaluaron
estas opciones sobre la base de
factores subjetivos como la estética.
En este caso la computadora lanza
los diseños a partir de los parámetros
que los arquitectos le inserten como
por ejemplo las áreas de los espacios.
Figura 2. Simulación de propuesta
de diseño generativo desarrollado
por Autodesk. Fuente: https://
www.world-architects.com/en/
architecture-news/insight/the-
promise-of-generative-design
(Howe, 2017).
La tercera manera consiste en la
ayuda al monitoreo y mantenimiento
en la arquitectura. Cuando una
persona se encuentra en una ocina
la mayor parte de veces no se siente
cómodo con la temperatura del aire
acondicionado, algunas personas lo
preeren más frio y otras preeren
una temperatura más alta. De
acuerdo con Fehrenbacher (2016),
Comfy, es un aplicativo que permite
a cada usuario de una ocina
escoger su propia temperatura, en
el caso de que uno quiera más aire
caliente, redirecciona los ujos de
aire al asiento de esa persona para
que se sienta más cómodo en la
ocina. Para realizar esto se utiliza
IA.
Figura 3. Plataforma de Comfy
en aplicativo celular y en
página web Fuente: https://
fortune.com/2016/06/08/
machine-learning-for-buildings/
(Fehrenbacher, 2016).
La cuarta manera consiste en
su inuencia en la construcción
con la maquinaria autónoma. De
acuerdo con Kumparak (2019), Built
Robotics desarrolla tecnología de
Durand-Labán
336
PAIDEIA XXI
automatización para hacer que la
construcción sea más segura, más
rápida y productiva. Las grandes
máquinas de construcción se
manejan de manera autónoma y
funcionan con sistemas de guía de
IA.
Figura 4. Excavadora autónoma.
Fuente: https://www.builtrobotics.com/
La quinta manera se reeja en el
cambio en seguridad y eciencia. De
acuerdo con Rajagopal et al. (2018)
BIM 360 IQ Project ayuda a los
equipos de proyectos de construcción
a gestionar el riesgo y mejorar el
rendimiento día a día. La función de
evaluación diaria de riesgos utiliza
algoritmos para clasicar cientos o
miles de problemas de proyectos, y
clasicar y priorizar los proyectos,
subcontratistas y problemas de
mayor riesgo que requieren atención
cada día. Un problema se clasica
como de alto riesgo si implica el
riesgo de una caída, un peligro de
agua, una inspección de seguridad
pendiente o si está atrasado.
Figura 5. Plataforma virtual de
Construction IQ. Fuente: https://
knowledge.autodesk.com/support/bim-
360/learn-explore/caas/CloudHelp/
cloudhelp/ENU/BIM360D-Insight/les/
BIM360D-Insight-About-
Construction-IQ-html-html.html
La sexta manera consiste en
el cambio sobre planeamiento y
diseño en arquitectura. Al utilizar
BIM, para planicar y diseñar la
construcción de un edicio completo,
los modelos 3D deben tener en
cuenta la arquitectura, la ingeniería
estructural, la ingeniería mecánica,
la ingeniería eléctrica y sanitarias.
El desafío para las empresas de
construcción aquí es garantizar
que los diferentes modelos de cada
equipo se combinen y no “choquen”.
De acuerdo con Bharadwaj (2019)
GenMEP de Building System Planning
aprovecha el aprendizaje automático
para crear especícamente modelos
3D de sistemas mecánicos, eléctricos
y sanitarios, al tiempo que se asegura
de que las rutas completas para los
sistemas MEP no entren en conicto
con la arquitectura del edicio.
Articial Intelligence in architecture
337
PAIDEIA XXI
Figura 6. Herramienta inteligente de GenMep que detecta los choques entre
especialidades. Fuente: https://www.viatechnik.com/clashmep
-improving-coordination/
La séptima manera consiste en la
automatización en el diseño. De acuerdo
con Baldwin (2019ab), Higharc es una
startup que ha comenzado a repensar
cómo se diseñan y construyen las nuevas
viviendas, su objetivo es construirlas
sin contratar a un arquitecto. Ha sido
fundada para reinventar el nuevo
diseño del hogar para la era digital. La
compañía tiene como objetivo hacer que
los hogares a medida sean accesibles
para cualquier persona mediante
la automatización del diseño y la
personalización del hogar en línea. La
compañía ha creado una aplicación de
diseño para el hogar basada en la web
para usuarios cotidianos y compradores
de vivienda que está tratando de integrar
la inteligencia articial directamente en
el software.
Figura 7. Diferentes modelos de casas para un mismo lote desarrolladas
por Higharc. Fuente: https://www.archdaily.com/918084/higharc-startup-
aims-to-automate-home-design?ad_medium=gallery (Baldwin, 2019).
Durand-Labán
338
PAIDEIA XXI
Caso de estudio: Predicción de tipos
de espacio usando Grasshopper y
Rhinoceros
Para el desarrollo de este artículo se
examinó y se probó el plug in llamado
Lunchbox ML dentro de Grasshopper en
Rhinoceros 3D para lograr la predicción
de tipos de espacio. De acuerdo con Nate
(2018) este plug in es capaz de demostrar
el uso de un algoritmo de aprendizaje
supervisado simple que utiliza datos
de capacitación sobre los atributos del
espacio y su clasicación resultante. En
teoría, el usuario puede probar un nuevo
espacio y la red neuronal predecirá el
tipo de espacio en base a lo aprendido
de los datos de entrenamiento. Para que
funcione la IA primero se debe alimentar
a la computadora con data y después de
acuerdo con esa data podrá lanzar un
resultado.
Figura 8. Funcionamiento de las redes neuronales dentro del plug in de
LunchBox ML. Fuente: https://provingground.io/2018/03/12/new-machine-
learning-examples-with-lunchboxml/ (Nate, 2018)
De acuerdo con Brown (2005) los
diseñadores acumulan todo tipo de
conocimiento como consecuencia
del proceso de diseño, y ese
conocimiento afecta su actividad de
diseño presente y futura, el objetivo
especíco de este caso de estudio es
transmitirle este conocimiento, que el
arquitecto adquiere por experiencia,
a una computadora; para que en
consecuencia la computadora pueda
predecir espacios.
MATERIALES Y MÉTODOS
Para el desarrollo de este caso
de estudio se utilizó como base el
programa de diseño Rhinoceros 3D.
Dentro de este programa se usó el
Grasshopper y se utilizó el plug in
llamado Lunchbox ML.
La hipótesis de este proyecto es: La
computadora sí es capaz de reconocer
espacios de acuerdo con tres variables
que son largo, ancho y área. En nuestro
país no existe un área mínima para la
Articial Intelligence in architecture
339
PAIDEIA XXI
distribución de espacios interiores por lo
que se utilizaron medidas de experiencia
profesional del autor y del Neufert (1975).
El primer paso fue denir los
diferentes tipos de espacios que la
computadora iba a reconocer. Se
decidió que serían espacios típicos de
una vivienda. Los espacios escogidos
fueron siete: Sala, comedor, cocina,
lavandería, dormitorio principal,
dormitorio secundario y un baño.
El segundo paso fue establecer
que de acuerdo con Neufert (1975) en
arquitectura se tienen unas medidas
preestablecidas básicas para cada
a
mbiente del interior de una casa. Para
este caso de estudio en particular se
admitió cuatro tipos de variables en las
áreas de los siete espacios a tratar, los
cuales fueron dibujados en Rhinoceros,
a partir de este momento estas áreas
serán llamadas geometría base.
Figura 9. Siete espacios de la vivienda con cuatro tipos de variables en tamaño, es lo
que se considera geometría base. Fuente: Elaboración propia.
Durand-Labán
340
PAIDEIA XXI
El tercer paso fue desarrollar un
código computacional en base a los
parámetros dentro del Grasshopper,
cabe resaltar que en este código se tenía
una geometría base y una geometría de
prueba. En base a la geometría base se
deconstruyo los rectángulos para dar
por separado área, largo y ancho. Se
repitió la misma acción en el código
conectado a la geometría de prueba.
Figura 10: Código base para el proyecto elaborado en Grasshopper. Fuente:
Elaboración propia.
Se conectaron ambos códigos
al parámetro Neural Network
de Lunchbox ML, Primero se le
especico al parámetro que se
utilizarían 15 iteraciones, se realiza
una lista con los nombres de los
ambientes y otra lista con un índice
de los ambientes, que se conectan al
plug in antes mencionado.
A ese resultado se le aplica el
parámetro de elemento de una lista
y en base a este se puede extraer la
data sobre que espacios son los que
se tienen en la geometría de prueba.
Figura 11. Nombre de los ambientes,
índice de los ambientes y plug in de
neural networks en grasshopper. Fuente:
Elaboración propia.
Articial Intelligence in architecture
341
PAIDEIA XXI
Se dibujó en el Rhinoceros 3D la
geometría de prueba tomando un tipo
de sala, un tipo de comedor, un tipo
de cocina, un tipo de lavandería, un
tipo de dormitorio principal, un tipo
de dormitorio secundario y un tipo de
baño. Las medidas de estos rectángulos
para la geometría de prueba tenían el
mismo largo, ancho y área de algunas
de las variables de la geometría base.
Lo que la computadora reconocerá
serán estos rectángulos (geometría de
prueba) y les pondrá etiquetas con el
nombre del espacio. Para hacer esto la
computadora deberá recordar el largo,
ancho y área de la geometría base.
Figura 12. Geometría de prueba (izquierda). Geometría con los nombres de los
espacios reconocidos por la computadora (derecha). Fuente: Elaboración propia.
Aspectos éticos: Los autores
declaran que se cumplió con toda
la normatividad ética nacional e
internacional.
RESULTADOS Y DISCUSIÓN
El resultado nal de este caso de
estudio comprueba que la computadora
puede reconocer espacios en base a
estas tres variables: largo, ancho y
área. Por ende se cumple la hipótesis
planteada. Además, la computadora
puede ponerles una etiqueta con
el nombre de cada espacio. De
acuerdo con Radziszewski (2017), las
técnicas de aprendizaje automático
proporcionan muchos métodos que
pueden implementarse actualmente
en la práctica arquitectónica común
debido a las limitaciones del software
de diseño paramétrico, el crecimiento
en la popularización de las habilidades
de programación entre los arquitectos
y la necesidad de automatización del
diseño arquitectónico. Adicionalmente,
de acuerdo con Cudzik & Radziszewski
(2018) las herramientas utilizadas
por los arquitectos se encuentran
en constante evolución y se observa
que el reto para todo arquitecto será
anticiparse al cambio de funciones
en su actividad laboral y desarrollar
las habilidades necesarias que se
requerirán.
Se puede mencionar a As et
al. (2018), que realizaron una
investigación similar donde cada
espacio de una vivienda era un nodo
con distintos atributos como tipo, área,
volumen y sus conexiones directas;
en este caso ellos utilizaron una red
neuronal profunda. Mientras que en la
Durand-Labán
342
PAIDEIA XXI
presente investigación se utilizó una
red neuronal recurrente. Finalmente,
de acuerdo con McMeel (2019) si no
se está diseñando con data entonces
no se está diseñando del todo y al ser
una tecnología disruptiva se le debe
dar una oportunidad y probarla.
REFERENCIAS BIBLIOGRÁFICAS
Angeles, M. 2019. Descubre cómo usa Instagram el Big Data e Inteligencia Articial
[Mensaje de un Blog]. Recuperado de: https://velogig.com/descubre-usos-
instagram-big-data-inteligencia-articial/
As, I.; Pal, S. & Basu, P. 2018. Articial intelligence in architecture: Generating
conceptual design via deep learning. International Journal of Architectural
Computing, 16: 306–327.
Autodesk. 2019. El concepto de Inteligencia Articial está más presente que
nunca en nuestra sociedad. Hoy en día encontramos diferentes aplicaciones en
diferentes ámbitos y como consecuencia encontramos nuevos retos. [Mensaje de
un Blog]. Recuperado de: https://www.autodeskjournal.com/2019/05/20/
inteligencia-articial-aplicada-a-la-construccion/?fbclid=IwAR3a7gqp7DBS
Nh32_F46jYRD03KVv57I0n6lxEmjmwXfejJ01Kh7BZ_sSTw
Baldwin, E. 2019a. BuildTech Futures: Articial Intelligence and Machine Learning
[Mensaje de un Blog]. Recuperado de: https://www.archdaily.com/924704/
buildtech-futures-articial-intelligence-and-machine-learning
Baldwin, E. 2019b. Higharc Startup Aims to Automate Home Design [Mensaje
de un Blog]. Recuperado de: https://www.archdaily.com/918084/higharc-
startup-aims-to-automate-home-design?ad_medium=gallery
Bharadwaj, R. 2019. AI Applications in Construction and Building – Current Use-
Cases [Mensaje de un Blog]. Recuperado de: https://emerj.com/ai-sector-
overviews/ai-applications-construction-building/ leído el 19 de Febrero del
2019.
Benedikt, C. & Osborne, M. 2013. The future of employment: how susceptible are
jobs to computerisation? [Mensaje de un Blog]. Recuperado de: https://www.
oxfordmartin.ox.ac.uk/downloads/academic/The_Future_of_Employment.
pdf
Brown, D.C. 2005. Articial intelligence for design process improvement. Chapter
6. Design process improvement. pp 158-173. Recuperado de https://link.
springer.com/chapter/10.1007/978-1-84628-061-0_7
Cudzik, J. & Radziszewski, K. 2018. Articial Intelligence aided architectural
design. Ed. Kępczyńska-Walczak, A. & Sebastian Białkowski, S. pp. 77-84
Fehrenbacher, K. 2016. How to Use Machine Learning (and People) to Make
Buildings Better [Mensaje de un Blog]. Recuperado de: https://fortune.
Articial Intelligence in architecture
343
PAIDEIA XXI
com/2016/06/08/machine-learning-for-buildings/ leído el 8 de junio del
2019.
Fernández, M. 2017. El futuro de la educación: el 65% de no-sé-quién va a hacer
no-sé-qué. El país. Recuperado de: https://elpais. com/elpais/2017/03/10/
hechos/1489146364_790212.html leído el 12 de marzo del 2017.
Foundationrobotica. 2019. Cómo usa Netix la inteligencia articial [Mensaje de
un Blog]. Recuperado de: https://foundationrobotica.com/como-usa-netix-
la-inteligencia-articial/
Guo, X.; Shen, Z. & Zhang, Y. & Wu, T. 2019. Review on the application of
Articial Intelligence in smart homes. Smart Cities, 2: 402-420.
Howe, M. 2017. The promise of generative design [Mensaje de un Blog].
Recuperado de: https://www.world-architects.com/en/architecture-news/
insight/the-promise-of-generative-design leído el 5 de abril del 2017.
Kumparak, G. 2019. Built Robotics’ massive construction excavator drives itself
[Mensaje de un Blog]. Recuperado de: https://techcrunch.com/2019/03/29/
built-robotics-massive-construction-excavator-drives-itself/ leído el 29 de
marzo del 2019.
McMeel, D. 2019. Algorithms, AI and Architecture Notes on an extinction.
International Conference of the Association for Computer-Aided Architectural
Design Research in Asia (CAADRIA), 2: 61-70.
Nate. 2018. New Machine Learning Examples with LunchBoxML [Mensaje de un
Blog]. Recuperado de: https://provingground.io/2018/03/12/new-machine-
learning-examples-with-lunchboxml/ leído el 12 de marzo del 2018.
Neufert, E. 1975. Arte de proyectar en arquitectura. (15ava ed.). Barcelona,
España: Gustavo Gili.
OBS Business School. 2015. Estudio Big Data 2015 [Mensaje de un Blog].
Recuperado de: https://www.obs-edu.com/es/noticias/estudio-obs/en-
2020-mas-de-30-mil-millones-de-dispositivos-estaran-conectados-internet
Radziszewski, K. 2017. Articial Neural Networks as an Architectural Design
Tool-Generating new detail forms based on the Roman Corinthian Order
Capital. IOP Conference Series: Materials Science and Engineering, 245: 1-8.
Ramesh, R. 2017. What is Articial Intelligence? In 5 minutes [Archivo de video].
Recuperado de: https://www.youtube.com/watch?v=2ePf9rue1Ao&feature=youtu.be
Rajagopa
l, A.; Tetrick, C.; Lannen, J. & Kanner, J. 2018. The rise of AI and Machine
Learning in Construction [Mensaje de un Blog]. Recuperado de: https://www.
autodesk.com/autodesk-university/article/Rise-AI-and-Machine-Learning-
Construction-2018
Shulkin, J. 2018. La evolución de los traductores automáticos gracias a las redes
neuronales [Mensaje de un Blog]. Recuperado de: https://www.infobae.com/
america/tecno/2018/07/28/la-evolucion-de-los-traducto-es-automaticos-
gracias-a-las-redes-neuronales/ leído el 20 de diciembre del 2018.
Durand-Labán
344
PAIDEIA XXI
Sullivan, M. 2018. This Algorithm might design your next ofce [Mensaje de un
Blog]. Recuperado de: https://www.wework.com/newsroom/posts/this-
algorithm-might-design-your-next-ofce leído el 31 de julio del 2018.
Received October 16, 2019.
Accepted December 12, 2019.