When people think of machine learning, headstones probably don’t come to mind. But in one of the more profound applications of generative AI, we built a system that uses machine learning to design custom memorial products—yes, including gravestones—tailored to personal preferences and cultural sensitivities.
This wasn’t just a quirky ML experiment. It was a full-stack application of generative models, natural language processing, and human-in-the-loop systems, all to address a highly sensitive and deeply human need: commemorating a life.
The Problem: Designing With Dignity
Le design du mémorial est à la fois un art et une tradition.Les familles veulent quelque chose de personnel, respectueux et souvent symbolique.Le défi est que le processus de conception est lent, émotionnellement imposant et restreint par les matériaux, les règlements du cimetière et les traditions religieuses ou culturelles.
Nous avons décidé de construire quelque chose qui pourrait aider - pas remplacer - les concepteurs: un générateur de pointe qui pourrait produire des options de conception réalistes et significatives basées sur les données antérieures et les préférences des clients.
You can try it here: headstonesdesigner.com/generator (all training data comes from live site - https://headstonesdesigner.com/)
Step 1: Understanding the Domain
Before we touched TensorFlow or wrote a single line of code, we immersed ourselves in the world of memorial art. We studied:
- Les styles traditionnels et contemporains
- Religious and cultural norms
- Les contraintes matérielles (granite, marbre, etc.)
- Cemetery regulations, like max monument width per plot
La conception d’IA pour un domaine sensible comme celui-ci nécessite un profond respect et des nuances. Le faire mal n’était pas seulement un bug UX – c’était offensant.
Step 2: Building the Dataset
Nous avons réuni un ensemble de données étonnamment diversifié :
- Des milliers d'images de design annotées
- Fichiers CAD des capteurs existants
- Histoire des préférences des clients
- Texte des inscriptions
- Les normes de taille du cimetière
Tout cela a dû être nettoyé, normalisé et vectorialisé. Les textes ont été intégrés à l'aide de modèles comme BERT. Les images ont été pré-traitées et augmentées.learnable.
Step 3: Model Architecture & Training
Nous avons testé plusieurs types de modèles en parallèle:
- StyleGAN2: Pour générer des images stylisées de haute qualité de dessins commémoratifs
- VAEs (Variational Autoencoders): For interpolating between design styles and enabling user-controlled variations
- Transformers (GPT): For generating inscriptions that felt personal, relevant, and respectful
Une partie particulièrement compliquée était de s'assurer que le texte et les visuels correspondaient. Une pierre angulaire de style gothique ne devrait pas avoir d'inscriptions Comic Sans.
We addressed this with:
- Formation multi-modale : combiner la vision et les modèles linguistiques (comme CLIP) pour évaluer l’alignement
- GAN conditionnels : Utilisation du texte comme input pour guider la génération visuelle
Étape 4 : Gérer l’inconnu
We had plenty of “AI gone weird” moments.
- Certaines sorties précoces ressemblaient plus à des sculptures modernistes que des mémoriaux.
- Le transfert de style a parfois traversé les lignes culturelles de manière gênante.
- GPT occasionnellement généré des épitaphes sourds-ton.
Pour atténuer cela, nous avons construit des commentaires humains.Designers et conseillers culturels ont examiné les sorties et marqué des problèmes.Ce commentaire est revenu à l'ajustement des modèles.
We also used techniques like style discriminators in GANs to enforce constraints and post-generation filters to validate text content.
Étape 5 : Évaluation et résultats
Nous n'avons pas seulement regardé les résultats.L'évaluation a été multi-prongée:
- FID scores for image realism
- Scores BLEU et évaluation humaine pour la précision du texte
- Études d'utilisateurs et avis d'experts pour la fidélité esthétique et culturelle
The final result? A system that could generate emotionally resonant, visually accurate, and context-aware headstone designs.
Vous pouvez interagir avec le générateur ici :Générateur : headstonesdesigner.com/generator
Les leçons apprises
Quelques takeaways :
- Cultural context isn’t an edge case—it's the core requirement in sensitive design domains.
- L’IA générative est puissante, mais sans contraintes, elle dérive facilement dans un territoire étrange ou inapproprié.
- Human feedback isn't just helpful; it's mandatory.
Le futur
We’re exploring how this tech could extend into other domains: wedding invitation design, personalized awards, commemorative art, and more. Anywhere design is personal and high-stakes, there's an opportunity to blend generative ML with human care.
