L’IA révolutionne la conception des produits culturels et créatifs

Environnement expérimental et processus d’évaluation

Les annexes 1 et 2 décrivent l’environnement expérimental utilisé dans cette étude, en précisant les configurations matérielles et logicielles. Les paramètres des modèles VAE et RL sont fournis dans les annexes 3 et 4.

L’expérience évalue les performances de la combinaison proposée entre VAE et RL dans la conception de produits culturels et créatifs à l’aide de plusieurs indicateurs, incluant la précision du modèle, la qualité de génération, la satisfaction utilisateur et l’efficacité computationnelle. Ces résultats sont comparés à ceux de modèles traditionnels simples, qui n’ont pas intégré de techniques ou de méthodes multiples. Ces modèles simples incluent des approches fondamentales telles que les GANs, les VAEs et les RL.

Pour évaluer la qualité des conceptions générées, des mesures quantitatives et qualitatives sont appliquées. Quantitativement, l’Indice de Similarité Structurale (SSIM) est utilisé pour évaluer la similarité entre les conceptions générées par l’IA et les conceptions de référence issues de données historiques, fournissant ainsi une mesure objective de précision et de qualité des résultats. Le SSIM évalue la similarité des images sur la base de la luminosité, du contraste et des caractéristiques structurelles. De plus, la Fidélité au Contraste, la Fidélité à la Texture et la Fidélité des Couleurs sont utilisées pour évaluer respectivement le contraste visuel, les détails de texture et la précision de reproduction des couleurs, en comparant les conceptions générées à leurs homologues du monde réel. La Fidélité à la Texture peut être analysée en extrayant des caractéristiques de texture, notamment par des filtres de Gabor, et en calculant la similarité entre ces caractéristiques extraites. La formule du SSIM est exprimée par l’équation (4):

Dans l’équation (4), ({mu _x}) et ({mu _y}) sont les moyennes des images x et y, (sigma _{x}^{2}) et (sigma _{y}^{2}) sont leurs variances, ({sigma _{xy}}) représente la covariance entre les deux images, et ({C_1}) et ({C_2}) sont des constantes pour éviter la division par zéro. La Fidélité au Contraste, qui analyse le maintien du contraste dans l’image générée, est définie par l’équation (5):

Dans l’équation (5), ({text{st}}{{text{d}}_{{text{generated}}}}) est l’écart type de l’image générée, et ({text{st}}{{text{d}}_{{text{reference}}}}) est l’écart type de l’image de référence. Une valeur de Fidélité au Contraste proche de 1 indique un bon maintien du contraste.

La Fidélité des Couleurs est évaluée en utilisant la formule de différence de couleur CIEDE2000, comme le montre l’équation (6).

Dans l’équation (6), L^∗, a^∗, et b^∗ représentent les composants de couleur dans l’espace colorimétrique CIE Lab.

Pour l’évaluation qualitative, un ensemble complet de critères d’évaluation est utilisé afin de garantir que les réalisations respectent des normes élevées. Ces critères incluent l’innovation, l’attrait esthétique, la pertinence culturelle, l’adaptabilité culturelle et la praticité du design. L’innovation renvoie à l’unicité et à la créativité du design. Des experts évaluent le niveau d’innovation à l’aide d’une grille de notation, utilisant une échelle de 1 à 10, où 1 indique une absence d’innovation et 10 représente une très haute créativité. On définit cette échelle comme suit : par exemple, 1 à 3 points signalent un manque d’innovation, avec des designs ressemblant étroitement à des motifs communs et répétitifs ; 4 à 6 points reflètent une certaine innovation mais sans distinction suffisante ; 7 à 8 points montrent une forte innovation avec une notoriété particulière ; et 9 à 10 points correspondent à des designs très innovants mettant en avant des idées novatrices.

La capacité esthétique évalue l’impact visuel du design, y compris des éléments tels que les combinaisons de couleurs, les formes et les compositions. Utilisateurs et experts notent les designs sur la base de leur qualité esthétique, assurant objectivité et cohérence dans le processus d’évaluation. La pertinence culturelle évalue la manière dont le design s’aligne avec une culture spécifique. Les experts notent les designs en se basant sur leur efficacité en matière de communication culturelle, s’assurant que les designs possèdent non seulement un attrait esthétique mais résonnent également avec une signification culturelle. L’adaptabilité culturelle mesure l’intégration efficace du design dans un contexte culturel spécifique. Les experts évaluent sur la base des éléments culturels incorporés dans le design, garantissant sa pertinence pour la culture cible. Finalement, la praticité du design concerne la faisabilité du design dans des applications pratiques, évaluant fonctionnalité, convivialité et acceptation sur le marché.

Pour recueillir des retours d’experts, des professionnels de divers domaines des industries culturelles et créatives— tels que des concepteurs, des chercheurs culturels et des analystes de marché—sont invités à participer. Avant l’évaluation, les experts suivent une formation sur les critères d’évaluation et le système de notation, assurant qu’ils comprennent pleinement les exigences et la signification de chaque indicateur. Les experts utilisent des formulaires de révision standardisés pour évaluer les designs, garantissant un processus d’évaluation systématique et cohérent. Simultanément, des retours d’utilisateur sont collectés par le biais de questionnaires structurés, couvrant des aspects tels que l’attrait visuel, l’efficacité de communication culturelle et la praticité du design. Les utilisateurs notent chaque aspect à l’aide d’une échelle Likert, complétée par des questions ouvertes pour obtenir des données plus approfondies (par exemple, 1 indiquant un fort désaccord et 5 un fort accord).

Lors de la phase d’analyse, les données de notation collectées sont soumises à une analyse statistique pour calculer la moyenne et l’écart type de chaque critère. Une analyse de variance (ANOVA) est réalisée pour évaluer les différences significatives entre les designs variés. De plus, une analyse thématique est effectuée sur les retours ouverts des utilisateurs afin d’identifier des motifs et thématiques clés, fournissant des informations précieuses. Ce cadre d’évaluation aide à mieux comprendre la performance des designs au sein des industries culturelles et créatives, offrant des bases théoriques et des recommandations pratiques pour les futures pratiques de design.

Les données d’interaction des utilisateurs, telles que des actions comme visualiser, sélectionner et modifier les designs, donnent un aperçu de l’engagement des utilisateurs envers les designs. En termes d’efficacité computationnelle, l’accent est mis sur l’évaluation du temps d’exécution et de la consommation des ressources du modèle pendant le processus de génération de design. Les mesures de temps pour la génération de designs de chaque modèle sont enregistrées sous des conditions matérielles identiques, permettant une analyse comparative de l’efficacité computationnelle entre les différents modèles. Ces données sont ensuite comparées aux performances des modèles traditionnels simples, fournissant une évaluation approfondie des avantages de la combinaison des modèles VAE et RL dans la création de produits culturels et créatifs.

Évaluation des performances

Résultats de génération de modèle

Les résultats de plusieurs cas de design générés par le modèle proposé sont présentés dans la Fig. 5.

Exemples de cas de design générés (a. céramiques; b. textiles; c. meubles).

Ces exemples démontrent que les designs générés conservent avec succès les éléments de design originaux tout en intégrant des caractéristiques innovantes pour améliorer leur créativité et leur attrait imaginaire. Par exemple, dans la Fig. 5a, les céramiques de Jingdezhen incorporent des motifs créatifs additionnels et des éléments fluides inspirés par la collection originale du musée, entraînant une interprétation plus dynamique et visuellement engageante de la porcelaine. Dans la Fig. 5b, les textiles réinterprètent les vêtements traditionnels de la dynastie Qing en introduisant des couleurs distinctives et des broderies complexes, fusionnant savoir-faire traditionnel et éléments stylistiques modernes pour s’aligner avec les préférences esthétiques contemporaines. De même, la Fig. 5c réinvente une chaise ancienne en incorporant des éléments de design moderne, créant une pièce visuellement innovante qui harmonise l’ingéniosité du design chinois ancien avec les normes esthétiques modernes, la rendant très attrayante pour les publics contemporains.

Résultats d’évaluation quantitatifs des produits générés

Les résultats de l’évaluation de la précision du modèle sont présentés dans la Fig. 6.

Évaluation de la précision de reconnaissance des éléments culturels par différents modèles.

Dans la Fig. 6, le modèle VAE + RL montre des performances exceptionnelles à travers tous les indicateurs, excellant particulièrement en précision et en score F1 par rapport à d’autres modèles. La précision du modèle VAE + RL atteint 94.5 %, surpassant significativement les autres modèles simples tels que le VAE (92.3 %), le RL (88.7 %) et le GAN (87.0 %). Ces résultats soulignent l’efficacité de la combinaison de VAE et de RL dans la capture tant des caractéristiques globales que locales lors des tâches complexes de génération de design, entraînant une amélioration globale des performances. En comparaison, les modèles GPT et Llama-3 affichent également des performances louables, avec des précisions de 90.4 % et 91.2 %, respectivement. Bien que ces derniers excellents dans des tâches de génération de texte, ils rencontrent de légères limitations lorsqu’il s’agit de gérer des tâches multimodales, notamment celles nécessitant une intégration fluide des données visuelles et textuelles, comparativement au modèle VAE + RL. Notamment, les modèles GPT et Llama-3 atteignent des scores de rappel de 91.7 % et 90.8 %, reflétant leurs fortes capacités de reconnaissance des éléments de design. Cependant, le modèle VAE + RL surpasse les autres en matière de diversité de design et d’innovation, atteignant un score F1 de 93.4 %, renforçant encore sa supériorité en termes de qualité de design et de satisfaction des utilisateurs.

Malgré l’utilisation répandue du modèle GAN dans diverses tâches de génération, sa performance dans cette étude est relativement inférieure, atteignant un score F1 de seulement 87.5 %, ce qui est inférieur à celui des autres modèles. Ce résultat souligne les limites du modèle GAN à gérer la complexité et l’innovation en matière de design, car il peine à équilibrer la qualité de génération avec la créativité du design aussi efficacement que le modèle VAE + RL. Ces résultats mettent en évidence le fait que le modèle VAE + RL excelle non seulement en précision et en rappel, mais surpasse également les autres modèles en performances globales, notamment dans la génération d’échantillons de design innovants et de haute qualité. Alors que les modèles GPT et Llama-3 affichent des compétences exceptionnelles en génération de texte, leur efficacité diminue lorsqu’il s’agit de tâches exigeant une innovation de design et une intégration de données multimodales. Ce contraste souligne l’avantage considérable de la combinaison des techniques VAE et RL, qui améliore à la fois la génération et l’optimisation des designs dans le domaine de la conception de produits culturels et créatifs.

La Figure 7 fournit une comparaison visuelle de la qualité générée parmi différents modèles, illustrant les résultats supérieurs obtenus grâce à l’approche VAE + RL.

Comparaison de la qualité générée par différents modèles.

La figure 7 offre une analyse comparative de la qualité générative entre divers modèles, soulignant la supériorité du modèle VAE + RL sur tous les indicateurs évalués. Le modèle VAE + RL obtient un SSIM de 0.92, une Fidélité au Contraste de 0.95, une Fidélité à la Texture de 0.94, et une Fidélité aux Couleurs Numériques de 0.93. Ces résultats démontrent que les designs générés par le modèle VAE + RL s’alignent non seulement étroitement avec les caractéristiques structurelles réelles, mais affichent également une fidélité exceptionnelle en matière de contraste, de texture et de couleur. Cette performance supérieure est attribuée à la synergie entre le VAE et le RL. Le VAE capture efficacement diverses représentations latentes des designs existants, tandis que le RL optimise ces designs de manière itérative grâce à l’interaction avec les mécanismes de feedback, produisant ainsi des résultats de haute qualité.

En comparaison, les modèles GPT et Llama-3 affichent également de fortes performances génératives, en particulier en similarité structurelle et en fidélité au contraste. GPT atteint un SSIM de 0.89 et une Fidélité au Contraste de 0.91, tandis que Llama-3 enregistre un SSIM de 0.88 et une Fidélité au Contraste de 0.90. Bien que ces modèles aient été principalement développés pour la génération de langage naturel, ils affichent des capacités génératives robustes qui s’étendent aux tâches de design. Cependant, leur performance en Fidélité à la Texture et en Fidélité aux Couleurs Numériques est légèrement inférieure, reflétant leur spécialisation limitée dans la génération d’images par rapport à l’approche VAE + RL.

Lorsque utilisés indépendamment, le VAE et le RL atteignent une qualité générative modérée. Le VAE enregistre un SSIM de 0.87, une Fidélité au Contraste de 0.90, une Fidélité à la Texture de 0.88, et une Fidélité aux Couleurs Numériques de 0.85. De même, le RL obtient un SSIM de 0.85, une Fidélité au Contraste de 0.88, une Fidélité à la Texture de 0.85, et une Fidélité aux Couleurs Numériques de 0.84. Bien que chacun de ces modèles produise des designs cohérents individuellement, leurs résultats manquent de la qualité soignée obtenue par leur utilisation combinée. En revanche, le modèle GAN sous-performe sur tous les indicateurs, avec un SSIM de 0.83, une Fidélité au Contraste de 0.86, une Fidélité à la Texture de 0.83, et une Fidélité aux Couleurs Numériques de 0.81. Bien que les GANs soient connus pour leur capacité à générer des designs divers, ils rencontrent souvent des défis tels que l’effondrement des modes et l’instabilité en matière d’entraînement, ce qui impacte négativement leur cohérence et leur qualité générale. Ces résultats soulignent les bénéfices substantiels d’intégrer les techniques VAE et RL, en particulier pour les tâches exigeant des résultats de haute fidélité et des capacités d’innovation en design. La combinaison s’avère être une approche robuste dans le domaine de la conception de produits culturels et créatifs, offrant une performance et une adaptabilité supérieures par rapport aux méthodes traditionnelles de modèles simples.

Résultats d’évaluation qualitative des produits générés

La figure 8 illustre les scores d’évaluation qualitative attribués par des experts et des utilisateurs pour divers travaux de design selon les indicateurs définis, avec des scores variant de 1 (très mauvaise qualité) à 10 (qualité excellente).

Résultats d’évaluation qualitative.

Les résultats de notation présentés dans la Fig. 8 montrent que :

1. 1.

   Le Design A, qui comprend trois produits en céramique, a reçu de fortes notes pour son innovativité et son attrait esthétique, mettant particulièrement l’accent sur la praticité du design, entraînant un taux de satisfaction utilisateur de 95.2 %. Ce design a été reconnu pour sa capacité à combiner des techniques céramiques traditionnelles avec des éléments créatifs modernes, assurant à la fois attrait visuel et fonctionnalité.

2. 2.

   Le Design B, comportant trois versions améliorées de vêtements de la dynastie Qing, a excellé en pertinence culturelle et en adaptabilité culturelle, score de 9. Ce score reflète le succès du design à intégrer des éléments culturels traditionnels avec des aspects contemporains. Bien que son attrait esthétique ait été légèrement inférieur à celui du Design A, sa performance globale est restée solide, avec un taux de satisfaction utilisateur de 90.3 %, indiquant son efficacité à fusionner patrimoine culturel et esthétique moderne.

3. 3.

   Le Design C, comprenant trois pièces de mobilier améliorées (chaises), a obtenu un score de 9 pour son innovativité et sa pertinence culturelle, reflétant la fusion réussie d’éléments culturels traditionnels avec l’innovation en design moderne. Le taux de satisfaction utilisateur pour ce design était de 90.7 %, soulignant l’attrait du mobilier alliant innovation en design et expression culturelle.

Les résultats indiquent des variations de performance entre les différents types de design en ce qui concerne l’innovativeness, l’adaptabilité culturelle et la satisfaction utilisateur. Le Design A se distingue par sa forte performance en praticité et attrait esthétique, tandis que le Design B démontre sa valeur en fusionnant patrimoine culturel et améliorations modernes. Le Design C met en avant le potentiel d’intégrer pertinence culturelle et innovation en design, offrant des informations précieuses dans le domaine de la conception de meubles.

Évaluation de l’efficacité du modèle

La figure 9 illustre la consommation de ressources et le temps d’exécution de différents modèles.

Comparaison de la consommation de ressources et du temps d’exécution.

La figure 9 compare la consommation de ressources et le temps d’exécution de divers modèles, offrant ainsi des aperçus sur leur efficacité computationnelle et leur aptitude à la génération de design en temps réel :

1. 1.

   Le modèle VAE + RL affiche des performances exceptionnelles avec un temps d’entraînement moyen de 5 heures et un temps d’inférence moyen de 0.2 s. Cette grande efficacité le rend idéal pour des applications pratiques où la génération rapide de designs de haute qualité est essentielle, procurant un avantage compétitif dans des environnements nécessitant des délais de réponse rapides.

2. 2.

   Les modèles GPT et Llama-3 montrent de fortes capacités générationnelles mais sont relativement moins efficaces en termes de consommation de ressources et de temps d’exécution. GPT nécessite en moyenne 8 heures pour l’entraînement et 0.4 s pour l’inférence, tandis que Llama-3 a besoin de 9 heures pour l’entraînement et 0.35 s pour l’inférence. Ces temps d’entraînement plus longs reflètent les exigences computationnelles plus élevées de ces modèles, ce qui peut limiter leur efficacité dans les applications de design en temps réel où la rapidité et l’efficacité sont critiques.

3. 3.

   Les modèles VAE et GAN montrent une consommation de ressources modérée, avec des temps d’entraînement de 6 heures et 7 heures, respectivement, et des temps d’inférence de 0.25 s et 0.3 s. Ces modèles offrent un équilibre entre qualité générationnelle et efficacité des ressources, les rendant appropriés pour des applications nécessitant à la fois des rendus de haute qualité et une optimisation des ressources.

4. 4.

   Le modèle RL, bien qu’efficace en inférence, a le temps d’entraînement le plus long, nécessitant 8 heures. Son temps d’inférence de 0.35 s est comparable à d’autres modèles, mais la période d’entraînement prolongée est nécessaire pour optimiser efficacement les décisions de design.

En conclusion, le modèle VAE + RL se distingue comme le choix le plus efficace et efficace pour la conception de produits culturels et créatifs, offrant à la fois une qualité générative supérieure et une efficacité des ressources. En revanche, les modèles GPT et Llama-3 sont plus gourmands en ressources computationnelles et peuvent être mieux adaptés à des scénarios avec des ressources computationnelles abondantes ou strictes exigences de qualité. Cette analyse met en lumière les forces et les limites de chaque modèle, aidant à guider leur application optimale dans différents contextes.

Résultats de l’analyse statistique

Pour valider davantage ces résultats, un test ANOVA a été effectué, et le tableau 1 fournit les statistiques de performance ajustées pour chaque modèle.

Les données du tableau 1 démontrent clairement la performance supérieure du modèle VAE + RL dans la conception de produits culturels et créatifs. Les méthodes traditionnelles de design, avec un score moyen de 72.24, sont nettement surpassées par des approches plus modernes, montrant leur capacité limitée à traiter des tâches de design complexes et innovantes. Ces méthodes traditionnelles sont déficientes tant en efficacité qu’en innovation de design par rapport aux modèles modernes guidés par les données. Le modèle VAE montre une amélioration significative par rapport aux méthodes traditionnelles, avec un score moyen de 86.84, reflet de sa capacité à générer des designs innovants grâce à ses puissantes capacités génératives. Cependant, bien que le VAE excelle en créativité de design, le modèle RL—avec un score de 84.33—est particulièrement solide dans l’optimisation des processus décisionnels. Bien que le modèle RL présente des résultats prometteurs, son innovation en design reste en léger retrait par rapport au modèle VAE, comme on pouvait s’y attendre, compte tenu de son accent sur l’optimisation plutôt que sur la génération de designs. Le modèle VAE + RL atteint le score moyen le plus élevé de 90.50, soulignant la synergie entre la puissance générative du VAE et les capacités décisionnelles du RL. Cette combinaison favorise non seulement des niveaux plus élevés d’innovation en design mais améliore également la satisfaction utilisateur. De plus, l’écart type du modèle VAE + RL est de 2.00, indiquant des performances stables à travers diverses tâches de design, garantissant des résultats de haute qualité cohérents. L’amplitude large des scores (de 87.00 à 94.00) souligne davantage la fiabilité du modèle à fournir des résultats supérieurs dans différents types de designs culturels et créatifs.

Bien que le modèle GPT (score moyen : 89.00) et le modèle Llama-3 (score moyen : 87.00) affichent de bonnes performances en matière d’innovation, leurs forces se concentrent principalement dans la génération de texte et la gestion de problèmes de design complexes. En ce qui concerne l’optimisation des décisions et le traitement global du design, les deux modèles sont en retrait par rapport au modèle VAE + RL. Bien que GPT et Llama-3, tout en excelling en génération de texte, manquent des capacités intégrées d’optimisation du design que le modèle VAE + RL propose. En conclusion, le modèle VAE + RL émerge comme l’approche la plus efficace pour la conception de produits culturels et créatifs, non seulement en renforçant l’innovation en design mais aussi en améliorant l’efficacité et la stabilité du processus de design. Cette combinaison est leader en termes de qualité de design, de satisfaction utilisateur et d’optimisation du design, offrant des perspectives précieuses et un soutien technique robuste pour les futures avancées dans le domaine. Par rapport aux modèles individuels VAE, RL, GPT et Llama-3, le VAE + RL fournit une solution plus complète et efficace pour la conception de produits culturels et créatifs.

Résultats du test de Turing

Le test de Turing réalisé pour évaluer l’intelligence du modèle VAE + RL vise à déterminer si les designs générés par le modèle peuvent être perçus comme indiscernables de ceux créés par des designers humains. Ce test fournit un aperçu direct des capacités génératives du modèle et de sa capacité à imiter la créativité humaine.

Le modèle VAE + RL est d’abord utilisé pour générer une série de schémas de design, garantissant une large gamme de diversité et de créativité. Ces designs incorporent divers styles et thèmes pour simuler des tâches de conception culturelle et créative réelles. Les designs générés sont ensuite mélangés à ceux réalisés par des designers humains pour former un ensemble d’évaluation complet. Pour maintenir l’équité dans le processus d’évaluation, tous les designs sont anonymisés, supprimant tout marqueur identifiable qui pourrait indiquer si le design a été généré par le modèle VAE + RL ou par un designer humain. Une évaluation à double-insu est réalisée avec un panel de 20 experts en design et 20 utilisateurs ordinaires. Chaque évaluateur reçoit un ensemble de designs, incluant des créations générées par le modèle VAE + RL et des créations humaines. Les évaluateurs doivent déterminer si chaque design est créé par un humain, leurs jugements étant basés sur des facteurs tels que l’innovation, la praticité et la valeur artistique. Après la collecte des évaluations, la proportion de designs générés par le modèle qui sont incorrectement identifiés comme créés par des humains est calculée. Les résultats de classification de chaque évaluateur sont ensuite agrégés, et une matrice de confusion est utilisée, ainsi que des métriques de précision, pour évaluer le niveau d’intelligence du modèle.

Le tableau 2 présente les retours en fonction des différents types de design et des groupes d’évaluateurs. Chaque test inclut 20 échantillons de design provenant à la fois du modèle VAE + RL et de designers humains.

Le tableau 2 illustre les variations de performance du modèle VAE + RL selon les types de design. Les designs du modèle dans l’art moderne et l’illustration numérique sont souvent perçus comme étant créés par des humains, démontrant de fortes performances dans ces domaines. En revanche, le modèle VAE + RL montre des performances moins efficaces dans les domaines de l’artisanat traditionnel et du design de produits, avec des taux de précision remarquablement faibles dans le design de produits, tels qu’évalués par les experts et les utilisateurs généraux.

Dans les domaines de l’art moderne et de l’illustration numérique, le modèle VAE + RL performe particulièrement bien. Pour l’art moderne, les experts reconnaissent 12 des designs générés par le modèle comme ressemblant à des créations humaines, ce qui donne un taux de précision de 60.0%. Les utilisateurs généraux évaluent 17 designs avec un taux de précision plus élevé de 85.0%. Dans la catégorie de l’illustration numérique, les experts évaluent 17 designs avec un taux de précision de 85.0%, tandis que les utilisateurs généraux évaluent 19 designs, atteignant un taux de précision de 95.0%. À l’inverse, le modèle s’avère moins efficace dans l’artisanat traditionnel et le design de produits. Pour l’artisanat traditionnel, les experts identifient 13 designs avec un taux de précision de 65.0%, tandis que les utilisateurs généraux évaluent 17 designs, produisant un taux de précision de 85.0%. Dans le design de produits, les experts évaluent 15 designs avec un taux de précision de 75.0%, tandis que les utilisateurs généraux évaluent 16 designs avec un taux de précision de 80.0%. Dans l’ensemble, les experts en design atteignent généralement des taux de précision plus élevés par rapport aux utilisateurs ordinaires, ce qui reflète leur évaluation plus fine des designs. Les utilisateurs généraux excellent dans l’art moderne et l’illustration numérique, mais présentent des taux de précision plus bas dans l’artisanat traditionnel et le design de produits. Cette variation pourrait être attribuée aux différences d’expérience en design et à la sensibilité aux détails.

Discussion

La performance exceptionnelle du modèle VAE + RL en matière de qualité de design et de satisfaction utilisateur souligne son efficacité à générer des designs de produits attractifs et de haute qualité. Jang et al.²⁹ soulignent que la combinaison de modèles génératifs avec des méthodes d’optimisation décisionnelle peut considérablement améliorer la qualité et la diversité des solutions de design. Ce constat s’aligne avec cette perspective, les indicateurs SSIM et de satisfaction utilisateur étant supérieurs à ceux des autres modèles. De plus, la forte notation de l’innovation en design par les utilisateurs met en avant le rôle crucial de l’innovation dans les industries culturelles et créatives⁵⁰, un point qui rejoint la notion de Chen⁵¹ qui identifie l’innovation comme clé du succès dans les produits culturels. Malgré les performances impressionnantes du modèle VAE + RL, ses limitations en matière de consommation des ressources et de temps d’exécution sont des considérations importantes. Zhan et al.⁵² notent que l’optimisation de modèles très complexes peut entraîner des augmentations significatives des coûts computationnels. Cela suggère que, bien que le modèle excelle en qualité de design et en satisfaction des utilisateurs, ses exigences computationnelles pourraient freiner son adoption plus large, surtout dans des environnements à ressources limitées.

Les avantages du modèle VAE + RL vont au-delà des métriques d’évaluation traditionnelles, démontrant son adaptabilité aux besoins du marché. Comme l’affirment Vuong et Mai⁵³, l’intégration de modèles génératifs avec une optimisation décisionnelle répond plus efficacement aux besoins du marché en matière d’innovation et de personnalisation. Cette intégration permet au modèle VAE + RL de produire des solutions de design correspondant mieux aux attentes des utilisateurs, renforçant ainsi sa position concurrentielle sur le marché. Cependant, compte tenu des fortes demandes computationnelles du modèle, des recherches supplémentaires devraient se concentrer sur l’optimisation de l’efficacité computationnelle. Des techniques telles que l’élagage et la quantification du modèle pourraient aider à réduire la consommation de ressources tout en maintenant des performances clés. Choudhary et al.⁵⁴ suggèrent que les techniques de compression de modèle sont efficaces pour diminuer les coûts computationnels et augmenter l’efficacité pratique. De plus, des stratégies telles que le calcul distribué et le traitement parallèle pourraient réduire les temps d’entraînement et d’inférence du modèle, améliorant ainsi son efficacité computationnelle. Au-delà du secteur culturel et créatif, les capacités d’optimisation de design du modèle VAE + RL présentent un potentiel pour divers autres domaines. Les applications pourraient s’étendre à des domaines tels que le design architectural et le développement de produits. Des recherches futures devraient explorer ces applications cross-domaines, évaluer les performances du modèle dans différentes tâches de design et développer des stratégies d’optimisation ciblées pour améliorer son utilité.

Une comparaison avec des études similaires met en avant les avantages de la méthodologie de recherche proposée et de ses résultats. Par exemple, Liu et al.⁵⁵ ont exploré l’application de l’IA sur le marché du travail, mettant en avant le soutien à la décision basé sur des données grâce à l’analyse statistique. En revanche, la recherche actuelle fournit non seulement un soutien à la décision de design basé sur des données, mais génère aussi des solutions de design diversifiées à travers des VAEs et améliore l’efficacité du design et la satisfaction des utilisateurs grâce au RL. En outre, cette approche est spécialement adaptée au domaine de la conception culturelle et créative, où la spécificité du scénario d’application et la créativité des solutions générées représentent des avantages clés du modèle.

De même, Li et al.⁵⁶ se sont concentrés sur la perception industrielle soutenue par l’IA, abordant les défis de traitement des capteurs et des données dans la fabrication intelligente. Bien que leur recherche mette en avant l’intégration matérielle et l’optimisation industrielle, la présente étude vise spécifiquement à optimiser les processus de design dans le secteur culturel et créatif, améliorant de manière significative la qualité de design et l’expérience utilisateur. Par exemple, la satisfaction des utilisateurs dans cette étude a atteint 95 %, tandis que les modèles existants en perception industrielle négligent souvent le retour d’utilisateur sur les solutions de design. De plus, le modèle comble les lacunes dans les recherches existantes en incorporant des évaluations d’adaptabilité culturelle et de génération de diversité. En outre, Zhu⁵⁷ a proposé un modèle de décision adaptatif basé sur le RL profond, appliqué à l’optimisation des décisions dans le secteur logistique. Bien que les deux études utilisent des cadres RL, la recherche actuelle se démarque en intégrant le RL avec les VAEs. Cela optimise non seulement les décisions de design mais exploite également des modèles génératifs pour améliorer la diversité des solutions de design pour les produits culturels et créatifs. De plus, le modèle met l’accent sur la génération de solutions optimisées basées sur les retours des utilisateurs, marquant une nette distinction par rapport aux préoccupations logistiques liées à l’efficacité et à l’optimisation des parcours. En tant que tel, cette approche est particulièrement adaptée au domaine de l’innovation en design, démontrant une plus grande adaptabilité et une importance pratique.

L’analyse comparative ci-dessus met en évidence la spécificité et l’innovation de la méthodologie de recherche proposée dans le contexte de la conception culturelle et créative, offrant des perspectives précieuses pour des études futures dans des domaines connexes. Cette recherche introduit un modèle d’optimisation générative combinant VAE et RL, atteignant à la fois des avancées théoriques et pratiques dans le domaine de la conception de produits culturels et créatifs. Les résultats expérimentaux et l’analyse comparative démontrent clairement la supériorité de la méthode en termes de qualité de design, de diversité et de satisfaction utilisateur. Plus important encore, cette étude présente un nouveau paradigme pour la conception assistée par IA au sein des industries culturelles et créatives. Contrairement aux systèmes de soutien à la conception traditionnels, l’approche proposée non seulement facilite la prise de décision mais génère également des solutions de design. L’intégration de modèles génératifs déplace le processus de design de “l’optimisation de sélection” à “la création de solutions”, établissant une base pour relever des défis de design plus complexes et diversifiés à l’avenir. En termes de perspectives d’application, le modèle développé dans cette étude s’étend au-delà du secteur culturel et créatif, possédant un potentiel cross-domain significatif. Par exemple, ses capacités en génération et en optimisation peuvent être appliquées à la conception industrielle, à la création de contenu éducatif et à d’autres domaines, élargissant ainsi les possibilités de conception intelligente guidée par l’IA. Cette adaptabilité cross-domain souligne la polyvalence du modèle et offre d’importantes opportunités pour des recherches et développements futurs.