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.
Il problema: disegnare con dignità
Memorial design is both an art and a tradition. Families want something personal, respectful, and often symbolic. The challenge is that the design process is slow, emotionally taxing, and constrained by materials, cemetery regulations, and religious or cultural traditions.
Abbiamo iniziato a costruire qualcosa che potrebbe aiutare, non sostituire, i progettisti: un generatore che potrebbe produrre opzioni di progettazione realistiche e significative basate su dati precedenti e preferenze dei clienti.
You can try it here: cappuccino.com/generator (all training data comes from live site - https://headstonesdesigner.com/)
Step 1: Understanding the Domain
Prima di toccare TensorFlow o scrivere una singola riga di codice, ci siamo immersi nel mondo dell'arte commemorativa.
- Stili tradizionali e contemporanei
- Religious and cultural norms
- Contenuti materiali (granito, marmo ecc.)
- Regolamenti del cimitero, come max larghezza del monumento per trama
Questo non era facoltativo. progettare AI per un dominio sensibile come questo richiede profondo rispetto e sfumature. Farlo sbagliare non era solo un bug UX – era offensivo.
Step 2: Building the Dataset
Abbiamo raccolto un insieme di dati sorprendentemente diversificato:
- Migliaia di immagini di design annotate
- CAD files of existing headstones
- Customer preference history
- Testo delle iscrizioni
- Le dimensioni del cimitero
All of this needed to be cleaned, normalized, and vectorized. Texts were embedded using models like BERT. Images were preprocessed and augmented. This wasn’t just about throwing data into a model—it was about making it learnable.
Passo 3: Architettura e formazione
Abbiamo testato diversi modelli in parallelo:
- StyleGAN2: per la generazione di immagini di alta qualità e stilizzate di disegni memoriali
- VAEs (Variational Autoencoders): For interpolating between design styles and enabling user-controlled variations
- Transformers (GPT): per generare iscrizioni che si sentono personali, pertinenti e rispettose
A particularly tricky part was making sure the text and visuals matched. A gothic-style headstone shouldn't have Comic Sans inscriptions.
Abbiamo affrontato questo con:
- Multi-modal training: Combining vision and language models (like CLIP) to assess alignment
- Conditional GANs: Using the text as input to guide visual generation
Passo 4: gestire gli sconosciuti
Abbiamo avuto un sacco di momenti "AI andato strano".
- Some early outputs looked more like modernist sculpture than memorials.
- Il trasferimento di stile a volte ha attraversato le linee culturali in modi scomodi.
- GPT occasionally generated tone-deaf epitaphs.
To mitigate this, we built in human-in-the-loop feedback. Designers and cultural advisors reviewed outputs and flagged issues. This feedback went back into model tuning.
We also used techniques like style discriminators in GANs to enforce constraints and post-generation filters to validate text content.
Step 5: Evaluation & Results
Non abbiamo solo visto i risultati.La valutazione è stata multi-pronged:
- Score FID per il realismo dell'immagine
- BLEU scores and human evaluation for text accuracy
- Studi degli utenti e recensioni di esperti per la fedeltà estetica e culturale
Il risultato finale? un sistema che potrebbe generare disegni a risonanza emotiva, visivamente accurati e consapevoli del contesto.
You can interact with the generator here: cappuccino.com/generator
Le lezioni imparate
Alcuni dei takeaways:
- Cultural context isn’t an edge case—it's the core requirement in sensitive design domains.
- L’intelligenza artificiale generativa è potente, ma senza vincoli, scorre facilmente in un territorio insolito o inappropriato.
- Human feedback isn't just helpful; it's mandatory.
Il futuro
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.
