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.
これは単なる奇妙なML実験ではなく、生成モデル、自然言語処理、およびヒューマン・イン・ザ・ループ・システムの完全なアプリケーションであり、これらはすべて、非常に繊細で深く人間的なニーズを満たす:一生を記念する。
The Problem: Designing With Dignity
メモリアルデザインは芸術と伝統の両方です。家族は、個人的で、敬意深く、しばしば象徴的な何かを望んでいます。課題は、設計プロセスが遅いこと、感情的に課税し、材料、墓地規制、宗教的または文化的伝統によって制限されていることです。
We set out to build something that could help—not replace—designers: a headstone generator that could produce realistic, meaningful design options based on prior data and customer preferences.
ここで試すことができます:headstonesdesigner.com/generator の検索結果(すべてのトレーニングデータはライブサイトから来ています。https://headstonesdesigner.com/)
Step 1: Understanding the Domain
TensorFlowに触れたり、単一のコードラインを書いたりする前に、私たちはメモリアルアートの世界に浸透しました。
- 伝統的・現代的なスタイル
- 宗教的・文化的規範
- 材料制約(グラニット、大理石等)
- Cemetery regulations, like max monument width per plot
これはオプションではありませんでした。このような敏感なドメインのためにAIを設計するには、深い敬意と微妙さが必要でした。それを間違えることは、UXのバグだけではなく、攻撃的でした。
ステップ2:データセットの構築
驚くほど多様なデータセットをまとめました。
- Thousands of annotated design images
- CAD files of existing headstones
- Customer preference history
- Text from inscriptions
- Cemetery dimensional standards
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 学習.
Step 3: Model Architecture & Training
We tested a few model types in parallel:
- StyleGAN2: For generating high-quality, stylized images of memorial designs
- VAEs (Variational Autoencoders): For interpolating between design styles and enabling user-controlled variations
- トランスフォーマー(GPT):個人的で、関連性があり、尊敬に値する書き込みを生成するために
特に困難な部分は、テキストとビジュアルが一致することを確認することでした. Gothic スタイルのヘッドストーンには Comic Sans の文字が含まれていません。
We addressed this with:
- Multi-modal training: Combining vision and language models (like CLIP) to assess alignment
- Conditional GANs: Using the text as input to guide visual generation
Step 4: Managing the Unknowns
We had plenty of “AI gone weird” moments.
- いくつかの初期の出力は、記念碑よりもモダニズムの彫刻に似ていた。
- Style transfer sometimes crossed cultural lines in awkward ways.
- 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
結果だけではなく、評価は複雑でした。
- FID Scores for Image Realism(イメージリアリズム)
- BLEUスコアとテキスト精度のための人間評価
- User studies and expert reviews for aesthetic and cultural fidelity(エステティックと文化の忠誠のためのユーザー研究と専門家のレビュー)
究極の結果? 感情的に共鳴し、視覚的に正確で文脈意識のあるヘッドストーンデザインを生成できるシステム。
あなたはここで発電機と相互作用することができます:headstonesdesigner.com/generator
Lessons Learned
Some takeaways:
- 文化的文脈はエッジケースではなく、敏感なデザインの分野におけるコア要件です。
- 生成型AIは強力ですが、制約なしに、不思議な領域や不適切な領域に容易に浸透します。
- 人間のフィードバックは役に立つだけでなく、必須です。
The Future
我々は、このテクノロジーが他の分野にどのように広がるかを探求している:結婚式招待デザイン、パーソナライズされた賞、記念芸術など。
