[논문 리뷰] Data-Driven Design-by-Analogy: State of the Art and Future Directions

Shuo Jiang, Jie Hu외 2명|arXiv (Cornell University)|2021. 06. 03.

Design Education and Practice참고 문헌 132인용 수 6

한 줄 요약

이 논문은 데이터 기반 설계-유사성(Design-by-Analogy, DbA)에 대한 종합적 검토와 미래 로드맵을 제시하며, 인공지능(AI)과 데이터 과학을 통합하여 창의적 설계를 향상시킨다. 대표성 학습, 다중모odal 데이터, 생성형 AI를 활용한 개념적 시스템을 제안하여 유사성 인코딩, 검색, 매핑, 평가를 자동화하고, 설명 가능하고 지능적인 설계 혁신을 촉진한다.

ABSTRACT

Design-by-Analogy (DbA) is a design methodology wherein new solutions, opportunities or designs are generated in a target domain based on inspiration drawn from a source domain; it can benefit designers in mitigating design fixation and improving design ideation outcomes. Recently, the increasingly available design databases and rapidly advancing data science and artificial intelligence technologies have presented new opportunities for developing data-driven methods and tools for DbA support. In this study, we survey existing data-driven DbA studies and categorize individual studies according to the data, methods, and applications in four categories, namely, analogy encoding, retrieval, mapping, and evaluation. Based on both nuanced organic review and structured analysis, this paper elucidates the state of the art of data-driven DbA research to date and benchmarks it with the frontier of data science and AI research to identify promising research opportunities and directions for the field. Finally, we propose a future conceptual data-driven DbA system that integrates all propositions.

연구 동기 및 목표

• 기존의 데이터 기반 DbA 연구를 체계적으로 검토하고, 방법론, 데이터, 응용 분야에서의 격차를 규명한다.
• 최신 데이터 과학 및 인공지능 기술과 비교하여 현재의 DbA 방법을 기준으로 삼는다.
• DbA의 데이터, 방법, 응용 분야 전반에서 유망한 미래 연구 방향을 식별하고 맵핑한다.
• 모든 하위과정에서 AI 기법을 통합한 통합적 개념적 데이터 기반 DbA 시스템을 제안한다.
• 미래의 지능형 DbA 시스템을 인지과학적 기초에 기반시하면서도, 대규모 데이터를 활용해 AI 기반 유사성 추론의 이해도와 설명 가능성을 향상시킨다.

제안 방법

• 기존 DbA 연구를 네 가지 하위과정으로 분류한다: 유사성 인코딩, 검색, 매핑, 평가.
• 세밀하고 유기적인 문헌 검토를 수행한 후, 데이터, 방법, 응용 분야에 대한 체계적 분석을 수행한다.
• 표현 학습을 활용하여 다중원천, 다중모달 설계 데이터를 동적 벡터 공간에 통합하여 개념적 향후 데이터 기반 DbA 시스템을 통합한다.
• 데이터 마이닝 및 AI 기법(예: 딥러닝, 지식 그래프, 자연어 처리(NLP), 컴퓨터 비전)을 활용해 유사성 검색, 매핑, 평가를 지원한다.
• 해석 가능한 기계학습을 통합하여 유사성 추론 과정의 투명성을 확보한다. 예를 들어, 유사성 유형(예: 관계적, 소속적)을 식별한다.
• 딥 생성 모델을 활용해 추천된 유사성 쌍과 그 매핑 기반으로 새로운 설계를 자동으로 생성하며, 인간-중심 상호작용과 지능적인 평가를 통합한다.

실험 결과

연구 질문

• RQ1 데이터 기반 DbA 연구에서 현재 사용 중인 주요 데이터 소스, 방법, 응용 분야는 무엇인가?
• RQ2 기존 데이터 기반 DbA 방법은 데이터 과학 및 AI 분야의 최신 기술과 어떻게 비교되는가?
• RQ3 현재 데이터 기반 DbA 시스템의 핵심 제약 조건과 연구 격차는 무엇인가?
• RQ4 AI 및 데이터 과학은 설계-유사성 전 과정(인코딩, 검색, 매핑, 평가) 전반에 걸쳐 어떻게 체계적으로 통합될 수 있는가?
• RQ5 미래의 지능적이고 설명 가능하며 데이터 기반의 DbA 시스템 개발을 이끄는 개념적 프레임워크는 무엇인가?

주요 결과

• 이 연구는 DbA의 네 가지 핵심 하위과정—인코딩, 검색, 매핑, 평가—를 규명하였으며, 각 과정이 점점 더 데이터 기반 AI 기법에 의해 뒷받침되고 있음을 확인했다.
• 기존의 데이터 기반 DbA 연구는 분산되어 있으며, 하위과정 간 통합이 부족하고, 데이터 및 평가 기준 기준이 일관되지 않은 경향이 있다.
• 표현 학습은 고차원 벡터 공간에 다중모달 설계 데이터를 효과적으로 통합함으로써 확장 가능한 유사성 처리의 기반을 마련한다.
• 해석 가능한 AI는 추론 과정에서의 신뢰도와 투명도를 향상시켜, 예를 들어 관계적, 소속적 등의 유사성 유형을 드러내는 데 기여한다.
• 생성형 AI 모델은 매핑된 유사성을 기반으로 새로운 설계를 자동으로 생성함으로써 창의적 아이디어 도출 속도를 크게 향상시킬 수 있다.
• 미래의 DbA 시스템은 인지과학적 기초에 기반하면서도 실제 DbA 데이터를 활용해 AI 기반 유사성 추론의 정교함과 설명 가능성을 향상시켜야 한다.