Тектоника – художественное выражение конструктивно-материальной основы здания. Пластическое построение формы сооружения в соответствии с его конструктивной сущностью.
Тектонические конструктивные формы (системы) характеризуются статикой работы:
1. Простейшая – стеновая система. Её материал работает на сжатие от собственного веса – от веса равномерных нагрузок. 2. Каркасная (Стоечно-балочная система). Отличается сосредоточенными нагрузками и работой балок на изгиб. 3. Пространственно-стержневая система. Систему характеризует упругость материала и работа всей системы как единое целое. 4. Вантовая система. Перекрывает особо большие площади и имеет наименьший вес на единицу площади. Работает на растяжение, рациональна и экономична. 5. Ствольная система. Основная несущая конструкция здания, воспринимающая нагрузки и воздействия - вертикальный пространственный стержень на всю высоту здания. 6. Сводчатая (Оболочковая система). Особенность в работе – наличие усилий распора, работа в трех измерениях.
Развиваясь, тектонические системы обогащают архитектуру, определяют форму сооружения, задают его образ.
Зная их, мы теперь не только можем лучше понимать задумку того или иного архитектурного образа, но и можем подчеркивать неточности, видеть ошибки, чувствовать погрешности.
Следующий цикл статей является логическим продолжением предыдущего блока и будет посвящен видам архитектурной композиции. Не пропустите и рекомендуйте группу https://t.me/ARCHIbookRU заинтересованным друзьям и коллегам. Спасибо за Вашу поддержку и положительные реакции!
Доброго всем дня! Масштабность – соразмерность формы и ее элементов по отношению к человеку, окружающему пространству и другим архитектурным формам.
Таким образом человек — это мера архитектуры. А любая объемно-пространственная структура должна быть представлена соразмерной человеку (с его геометрическими и физическими параметрами тела).
Масштабность членений позволяет человеку легче адаптироваться в искусственно созданной среде. Для проверки масштабности объекта принято изображать на чертеже фасада или перспективы фигурки человека в масштабе изображения, что сразу делает наглядным порядок масштабности архитектурной композиции.
Кажется, что рекомендательный движок музыкального сервиса - это черный ящик. Берет кучу данных на входе, выплевывает идеальную подборку лично для вас на выходе. В целом это и правда так, но что конкретно делают алгоритмы в недрах музыкальных рекомендаций? Разберем основные подходы и техники, иллюстрируя их конкретными примерами.
Начнем с того, что современные музыкальные сервисы не просто так называются стриминговыми. Одна из их ключевых способностей - это выдавать бесконечный поток (stream) треков. А значит, список рекомендаций должен пополняться новыми композициями и никогда не заканчиваться. Нет, безусловно, собственноручно найти свои любимые песни и слушать их тоже никто не запрещает. Но задача стримингов именно в том, чтобы помочь юзеру не потеряться среди миллионов треков. Ведь прослушать такое количество композиций самостоятельно просто физически нереально!
Так как они это делают?
Если ваши музыкальные алгоритмы не похожи на это, то даже не предлагайте мне скачивать приложение!
Чтобы сделать годную рекомендацию, сервису нужны три сита…
Первое сито - это так называемые рекомендации на основе знаний (knowledge-based). Это значит, что сервис аккумулирует всю доступную информацию об одном пользователе - что он слушает (например, каких артистов или жанр), как часто, что лайкает, что дослушивает, что проматывает дальше и т.д. Учитываются сотни или даже тысячи факторов. Разумеется, собираемые данные анонимны.
После этого сервис делает рекомендацию. Причем она может даваться безотносительно общих предметных знаний сервиса. Например, если мы видим, что Вася добавил в плейлист Metallica “Nothing Else Matters”, то с большой вероятностью ему понравится и “Unforgiven”. Для такого вывода нам не нужна дополнительная информация.
Помимо прочего, рекомендации на основе знаний помогают решить проблему “холодного старта” (это когда свеженький и тепленький юзер только-только зарегался), предлагая новому пользователю тот контент, который соответствует его требованиям с самого начала использования.
Второе сито - коллаборативная фильтрация. Пожалуй, это самый главный прием и краеугольный камень любого стриминга. Хотя коллаборативная фильтрация и может издалека походить на анализ предпочтений пользователей, на самом деле это совсем другая техника и технология - гораздо более продвинутая и математически точная.
Работает она на следующем допущении:
Пользователи, которые одинаково оценили какие-либо композиции в прошлом, склонны давать похожие оценки другим композициям в будущем.
Давайте разберем на примере, очень упрощенно:
Допустим, у Васи затерты до дыр треки:
Metallica “Nothing Else Matters”
Skrillex “Kyoto”
Scooter “How much is the fish?”
Валерий Леонтьев “Мой дельтаплан”
Какую закономерность можно выявить на основе этого набора? Да никакую. Просто мешанина из разных жанров, артистов и эпох.
Тем не менее, у сервиса также есть пользователь Петя, чей плейлист по удивительному совпадению похож на Васин, а именно:
Metallica “Nothing Else Matters”
Skrillex “Kyoto”
Dua Lipa “Swan Song’’
Валерий Леонтьев “Мой дельтаплан”
Все треки одинаковые, кроме одного. У Васи это Scooter, у Пети - Dua Lipa.
По логике коллаборативной фильтрации, есть вероятность, что если Вася и Петя “обменяются” этими песнями, то обоим понравится. Поэтому такие рекомендации и называются “коллаборативными” - пользователи как бы сотрудничают, обмениваясь предпочтениями друг с другом.
Коллаборативная фильтрация in a nutshell.
Понятное дело, что коллаборативная фильтрация работает не на двух пользователях, и даже не на двух тысячах. А вот на паре миллионов юзеров, у которых удается найти критическую массу одинаковых композиций - уже вполне. Также очевидно, что я привожу примеры карикатурно непохожих песен “из разных миров”. Я это делаю намеренно, чтобы подчеркнуть, что подход помогает делать рекомендации на основе данных, в которых, казалось бы, не за что зацепиться в поисках общего паттерна. Понятное дело, что в реальности между прослушанными и рекомендуемыми треками скорее всего будет больше схожести.
Так почему этот способ дает хороший результат, когда между наборами треков может не быть ничего общего?
Ну смотрите. Музыкальные предпочтения зависят от целого множества факторов - ваш вкус в целом, ваше настроение сегодня, работаете вы или же чиллите, болит ли у вас голова, с какой ноги вы сегодня встали, что конкретно на завтрак ели и многое-многое другое. Запихивать все эти переменные в строгое правило с четкими “если Х, то У” - дело неблагодарное. А вот если ИИ эмпирически прошерстит огромную выборку и найдет в ней похожие участки, то это совсем другое дело.
Здесь примерно та же логика, по которой если нейросетке скормить кучу картинок с котиками, а потом попросить её нарисовать котика, то она скорее всего изобразит туловище, к которому будут приделаны 4 лапы, хвост, шерсть и мордочка с усами и треугольными ушками. То есть нюансы изображения могут различаться, но основные свойства котика (назовем их “котиковость”) будут переданы. А значит, концептуально результат будет верный.
Так же и с рекомендациями в рамках коллаборативной фильтрации. Разве можно рационально объяснить, почему одна группа любителей Slipknot вдруг слушает песни Димы Билана (наверно, чтобы вкус перебить, такой себе имбирь между разными роллами), а другая группа - Леди Гагу? Вряд ли. Однако, если такие два паттерна существуют, то это значит, что слушающим Леди Гагу металлистам можно попробовать включить Билана, а их визави, наоборот, протолкнуть в поток Poker Face или Alejandro. Ведь точный эмпирический анализ большой выборки попадает в яблочко как минимум очень часто.
Наконец, третье сито, которое отлично дополняет первые два. Это рекомендации на основе контента (content-based). Здесь уже анализируется непосредственно сама композиция. Сервис берет песню, разбивает её на куски, отрезки или даже отдельные “квадраты”, после чего анализирует каждый отдельный элемент звука и ищет песни, технически похожие на анализируемую. Есть вероятность, что если Васе нравится песня Х с определенным звучанием и ритмом, то ему понравится и песня Y с похожими музыкальными свойствами.
Здесь есть важный нюанс. Звучание песни анализирует машина по каким-то техническим критериям, которые понятны ей, машине. А вот мы, люди, можем кайфовать от песни иррационально. Например, не только благодаря ритму мелодии, аранжировке или тембру голоса исполнителя, а еще и благодаря вайбу композиции, а то и символическому капиталу вокруг неё (например, если песня культовая или просто трендовая и модная-молодежная).
Поэтому, content-based рекомендации не всегда дают хороший эффект сами по себе, но служат отличным дополнением других способов фильтрации.
Также, такой способ - рабочий вариант для так называемых “холодных треков”. Это композиции, которые только-только выложили на стриминг. Допустим, новая песня известного исполнителя, либо же неизвестный трек совсем нового певца-ноунейма, которому тоже хочется славы. В таком случае плясать от самой композиции - полезное умение. Ведь трека еще нет в плейлистах тысяч и миллионов пользователей, а значит, порекомендовать его с помощью коллаборативной фильтрации или через knowledge-based вряд ли получится.
Резюмирую принципы рекомендательных движков музыкальных стримингов с помощью классического мема.
Итак, мы разобрали три основных техники, с помощью которых стриминги рекомендуют звуковой контент нашим ушкам. Разумеется, современные продвинутые сервисы обычно используют их все (получаются “гибридные рекомендации”), прикручивая к каждому из них свои авторские фишки.
Как конкретно это работает. Разбираю на примере гибридного подхода Яндекс Музыки
Теперь предлагаю показать на практике, как конкретно описанные выше техники работают. Для иллюстрации я буду использовать пример Яндекс Музыки. Потому что сам давно пользуюсь этим сервисом (думаю, уже лет 10), а также по той причине, что недавно у них прошло большое обновление алгоритма, которое внесло важные изменения в механизм рекомендаций. Ну и еще потому что всегда приятнее разбирать глобальные лучшие практики на отечественном сервисе, который в полной мере им соответствует.
Итак:
Базово рекомендательный движок Яндекс Музыки реализован через Мою волну, которая появилась на главной странице сервиса пару-тройку лет назад. По умолчанию этот поток сбалансированный - это значит, что он комбинирует любимые и привычные треки (которые пользователь и так активно слушает) с новыми композициями, причем в комфортной пропорции. По своему опыту скажу, что микс между добавленными и новыми треками по умолчанию примерно 50:50. При этом 30-40% новых я лайкаю, чтобы сохранить к себе. За счет этого алгоритм дообучается и адаптируется.
Однако Мою волну можно дополнительно кастомизировать через настройки. Нажимаем кнопку под плеером и проваливаемся вот в такое меню.
Как видим, параметров кастомизации вроде бы немного, но при этом изменения могут быть весьма существенными. К тому же, из скриншота видно, что настройки потока можно включать и отключать в разных комбинациях. Используя свои знания наивысшей математики, я перемножил 5 (Занятия) на 3 (Характер) на 4 (Настроение) и на 3 (Языки) и получил примерно 180. Ну ладно, пришлось использовать калькулятор, подловили…
Так что, внутри одной Моей волны на самом деле сидят очень много разных Моих волн.
Остановимся детальнее на настройке под названием “Характер”. Можно попросить движок делать больше акцента на моих залайканных треках (“Любимое”), или же наоборот чуть абстрагироваться от знаний о пользователе и поддаться общим трендам (“Популярное”).
Но поскольку статья все же о рекомендательном функционале, то остановимся подробнее на настройке “Незнакомое”. Ведь именно глядя на способность подбирать релевантные треки из всего внешнего многообразия можно оценить движок. Итак, если включить “Незнакомое”, то алгоритм сделает серьезный крен в сторону ранее незнакомых композиций.
Кстати, недавнее обновление касалось именно этой настройки. “Незнакомое” получила новый ранжирующий алгоритм, благодаря чему стала более смело предлагать новые композиции, которые, тем не менее, должны соответствовать музыкальным вкусам пользователя.
С обновленной настройкой юзер получает новый аудиоконтент, при этом не ощущая особенно сильных скачков и перепадов. То есть, даже если алгоритм решит выйти за пределы рекомендационного пузыря, дабы расширить музыкальные горизонты пользователя, то он все равно будет оставаться в рамках его предпочтений и смежных жанров. Проще говоря, несмотря на экспериментирование, подбрасывание неактуальной музыки будет сведено к минимуму.
Уважаемые газеты пишут, что теперь пользователи сервиса добавляют к себе в “Коллекцию” примерно на 20% больше новых треков. Для артистов (в том числе молодых и начинающих) это тоже важный ништяк, поскольку повышается вероятность, что их творчество распространится и взлетит среди новой аудитории.
Так вот, для поиска этих самых новых композиций сервис как раз и применяет гибридный подход, объединяющий коллаборативную фильтрацию, анализ контента и фильтрацию на основе знаний о пользователе. Поговорим о нем детальнее.
Начнем с пользователя
Для начала, машина кушает все “долгосрочные” (очень условно их так назову, дорогие технари, не ругайтесь) данные о пользователе. Какие жанры и исполнителей он указывал как любимых, когда регистрировался? Что у него лежит в плейлисте? Что там лежит давно, а что недавно? Что удалялось? Что из лежащего давно он слушает регулярно или иногда, а что лежит мертвым балластом? И еще 100500 факторов и паттернов.
На эти “долгосрочные” знания о юзере накладываются конкретные действия.
Например, обычно Вася слушает треки в одной последовательности, а вчера решил включить в другой. Алгоритм тоже это примет к сведению. Возможно, учтет сразу, а, может быть, посмотрит на динамику последовательности при парочке ближайших использований (кто ж знает, как эта “черная коробка” решит там у себя внутри).
Не забываем, что алгоритмом все-таки заведует продвинутая ML-моделька, которая любит сама себя дообучать и всячески развивать. Так что, хотя человеки и знают принципы её мироустройства, точно предсказать результаты из “черного ящика” решительно нельзя.
Разумеется, движок учитывает, дослушал ли песню наш лирический герой, смахнул её или вовсе влепил ей лайк.
Далее - анализ контента
Вторая составляющая годной рекомендации - это анализ самой композиции. Для этого сервис преобразует трек в специальный формат - цифровой аудиовектор.
Для этого сервис разворачивает трек во времени и раскладывает его на частотные диапазоны, получая спектрограмму. Она передается специальной аудиомодели с нейросетью-энкодером, которая сворачивает спектрограмму в аудиовектор, или аудиоэмбеддинг (это когда сервис прячет в аудиофайле специальные метки - о песне, исполнителе, жанре и т.д.).
У похожих по звучанию треков такие векторы расположены близко друг к другу в многомерном векторном пространстве. У разных треков, соответственно, наоборот.
За счет таких манипуляций алгоритм может разложить трек буквально на атомы, чтобы потом сравнить каждую “элементарную музыкальную частицу” с аналогичными частицами других композиций.
Алгоритм сервиса преобразует трек в аудиовектор, расщепляя его на мельчайшие музыкальные элементы, чтобы проанализировать каждый из них. Вижу так.
Этот прием дополнительно повышает точность рекомендаций.
Наконец, коллаборативная фильтрация
Залезть в глубинные сущности этой техники конкретного сервиса непросто. Но каждый уважающий себя продвинутый стриминг старается довести эту технологию до высокого уровня.
За основу берется принцип, который я описал в первой части статьи. Но реализуется он, само собой, на предпочтениях миллионов слушателей. Алгоритм анализирует обезличенные данные массы пользователей, после чего прогнозирует музыкальные интересы конкретного человека, добиваясь максимально точных попаданий. В основе всего этого движа лежит матрица взаимодействия, составленная из различных оценок пользователей. Если упрощенно, то это такая табличка (ооочень большая), где отображаются все взаимодействия юзера с сервисом. Потом с матрицей работают алгоритмы машинного обучения - они уже обрабатывают данные и передают их в обобщенную модель, которая и отвечает за рекомендации.
Три типа фильтрации в итоге объединяются в единый machine-learning алгоритм под названием CatBoost, который уже генерирует для каждого юзера персональную последовательность треков с учетом множества вышеописанных факторов.
В итоге в алгоритмическом магическом котле заваривается тот самый вуншпунш, который мы готовы потреблять ушами в течение часов и дней, поддерживая свой энергичный рабочий настрой, умиротворенный расслабленный вайб либо же вызывая внезапный эмоциональный порыв. Подчеркнуть нужное в зависимости от ваших текущих целей, настроения и самочувствия.
Теперь вы знаете чуть больше про рекомендательные системы стриминга, особенно музыкального. Надеюсь, было интересно и полезно. Есть что добавить или с чем поспорить? Пишите в комменты.
Если вам понравилось, то подписывайтесь на мои тг-каналы. На основном канале - Дизрапторе - я простым человечьим языком и с юмором разбираю разные интересные штуки из мира бизнеса, инноваций и технологических новшеств (а еще анонсирую все свои статьи, чтобы вы ничего не пропустили). А на втором канале под названием Фичизм я регулярно пишу про новые фичи и инновационные решения самых крутых компаний и стартапов.
Выкручивайте остроумие на максимум и придумайте надпись для стикера из шаблонов ниже. Лучшие идеи войдут в стикерпак, а их авторы получат полугодовую подписку на сервис «Пакет».
Кто сделал и отправил мемас на конкурс — молодец! Результаты конкурса мы объявим уже 3 мая, поделимся лучшими шутками по мнению жюри и ссылкой на стикерпак в телеграме. Полные правила конкурса.
А пока предлагаем посмотреть видео, из которых мы сделали шаблоны для мемов. В главной роли Валентин Выгодный и «Пакет» от Х5 — сервис для выгодных покупок в «Пятёрочке» и «Перекрёстке».
Реклама ООО «Корпоративный центр ИКС 5», ИНН: 7728632689
Доброго всем дня! Сегодня рассмотрим сразу три средства архитектурной композиции, так как эти понятия являются контрарными (противопоставимы друг другу). И речь пойдет о СИММЕТРИИ, ДИССИММЕТРИИ и АСИММЕТРИИ.
СИММЕТРИЯ - важное средство достижения единства и художественной выразительности композиции в архитектуре. Симметричными считают тождественные элементы формы относительно точки (центра), оси ил и плоскости симметрии.
ДИССИММЕТРИЯ - понятие, характеризующее в целом симметричность объекта, имеющего незначительные отклонения от симметрии в деталях.
Часто сложность функциональных и (или) технологических систем вызывает частичные отклонения от основной, определяющей характер композиции симметричной схемы. Такие нарушения и частично расстроенную симметрию называют диссимметрией.
АСИММЕТРИЯ – отсутствие симметрии при связи гармоний художественного единства.
Средством создания единства в асимметричных композициях является зрительное равновесие частей по массе, фактуре, цвету и пр. Роль асимметрии в композиции архитектурных форм состоит в выявлении динамики художественного образа сооружения.
Так же необходимо отметить, что в сложных композициях могут сочетаться симметрия и асимметрия. Однако при этом объём асимметрии должен быть в разы меньше симметрии иначе произойдет нарушение целостности композиции, а, следовательно, дисбалансу визуального образа композиции.
Желаю всем доброго настроения и солнечного дня. Подписывайтесь на наш журнал и следите за продолжением https://t.me/ARCHIbookRU
АРХИТЕКТУРНЫЙ МАСШТАБ – характеристика крупности членений формы архитектурного объекта по отношению её к габаритным размерам.
Архитектурный объект может быть крупномасштабным или мелкомасштабным.
Крупномасштабный объект характеризуется более обобщенной архитектурной формой. Его отличают крупные членения или небольшое число членений, с более обобщенными и крупными деталями. Посредством крупного масштаба можно придать монументальность небольшому по абсолютным размерам архитектурному объекту.
Мелкомасштабные объекты имеют дробный характер отдельных частей и членений, более мелкие детали. Мелкий масштаб характерен для зданий с большим количеством небольших помещений малой высоты и большим количеством часто расположенных окон малого размера.
Здания и сооружения одного комплекса или площадки обязательно должны быть сомасштабными. Если хотя бы одно из них выпадает из единого масштаба, то такой комплекс не может характеризоваться как ансамбль. Масштаб проектируемого объекта всегда надо подстраивать к масштабу окружающих зданий, подобно гитарной струне. В самом деле, нельзя же играть, если струна в диссонансе! И в архитектуре нельзя сделать ансамбль, если что-то в диссонансе. Но иногда делаем, фальшивим... В музыке работает слух, в архитектуре – зрение.
Если Вам понравилась статья и Вы хотите следить за продолжением, то милости прошу подписаться: https://t.me/ARCHIbookRU
Чтобы сделать крутые кадры, совсем необязательно иметь крутую технику. Блаблабла. Об этом я из каждой бочки кричу)) Но не поверите, новички реально думают, что важнее камера и объективчик покруче, чтобы сделать шедевр.
Я приверженец того, чтобы вкачивать в свою нейронку в голове новую информацию с приёмами в фотографии. Щас объясню кое-что важное, что стоит запомнить.
Есть законы. Есть правила. Есть приёмы.
немного весёлой теории. со мной не бывает скучно))
Законы нарушать нельзя - например, снимать с закрытой крышкой на объективе. Нельзя воровать, нельзя бить прохожих и тд.
Правила нарушать можно - например делать смазы или нерезкие фотки. Но сначала учимся снимать правильно. Ведь нельзя стать крутым гонщиком, не поняв как управлять автомобилем и не узнав дорожные правила.
Приёмы можно как применять, так и не применять. Но приёмы всегда делают фото выразительными и крутыми. Это как коронные приёмы в Мортал Комбате - в принципе можно и без них обойтись, но согласитесь, как приятно и зрелищно использовать "коронки". Вот как раз контраст - это и есть один из приёмов в фотографии.
А ещё приёмами в фотографии могут быть например различные ракурсы, фрейминг, симметрия, работа с бликами и прочей текстурой, блюр и съёмка на разбитые или заляпанные линзы, нерезкость, софт-эффект, смазы, коллажирование, накладывание различной фактуры в пост-обработке и тд. Приёмов мильон, и их можно самому изобрести ещё кучу новых.
Контраст. Что это такое и как он сделает снимки выразительными.
Контраст бывает разным.
Тональный - это когда мы выделяем светлое на тёмном или наоборот. Пожалуй, самый простой и понятный к применению контрастов. Ставим модель туда, где она будет выделяться. Белая стена или небо - ставим на их фоне человека в чёрной одежде. И наоборот. Изи. Всегда смотрится выигрышно.
При этом важно, чтобы не было никакой каши на фоне, которая врезается в руки, головы и тд. Она мешает и отвлекает.
К примеру, тут машина начала уже влезать в ногу персонажа
Цветовой контраст. Чуть посложней, но красиво. Чаще требует чуть больше подготовки перед съёмкой в выборе локации, света и цвета одежды. Сочетаем два или несколько цветов, которые контрастируют между собой по кругу Иттена.
Самый простой пример, который используют киношники. Цветовая схема "teal and orange". То есть бирюза + рыжий. Но можно использовать различные комбинации, на скринах из фильмов примеры конкретно бирюзы и рыжего.
а вот пример цветового контраста жёлтого и красного
Контраст большого и маленького. Маленький человек в поле на закатном Солнце, Давид и Голиаф, осёл из Шрека и дракониха, персонаж у подножия какого-нибудь монументального здания или горы и так далее. Такой контраст чаще выигрывает за счёт сюжетности.
А иногда контрасты могут сочетаться. Тут светлое на тёмном+большое-маленькое
Контраст резкий-размытый.
Тут какая тема. Когда у нас выстроена композиция и есть баланс между передним планом и задним, но какой-то из них явно не главный, то этот не главный план стоит размыть. Иногда можно нарочито размывать главный, если это даёт нужные ощущения от снимка.
Без мяча было бы скучно в кадре. Но он явно тут не главный. Поэтому авторы фильма размыли его.
Смысловой контраст. Он очень гибкий и может сочетать все контрасты одновременно. Один из самых выразительных. Этот контраст используется на более глубоком уровне, например в сценарном деле и режиссёре.
Из примеров: опять тот же осёл из Шрека и дракониха, Иван Грозный в советском союзе, честный полицейский майор Гром живёт бедно, но в одного косит бандитов налево направо.
Чаще всего тут суть в оксюмороне. А иногда в абсурдности образа и действий персонажей.
На этом всё, бразерсы и систерсы.
Буду рад, как кот молоку, если поделитесь этой статьёй со своими коллегами в чатиках.
Также в описании моего профиля рекомендую скачать полезные чек-листы по тому, как стать крутым фотографом. С ними вы начнёте снимать круче уже сегодня!)
КОНТРАСТ – резкое различие элементов композиции, противоположность в каком-либо отношении сочетание противоположных характеристик – высокого и низкого, линий и пятен, тёмного и светлого.
Контраст является мощным средством усиления выразительности, так как противоположные характеристики подчеркивают друг друга и оттеняют. Светлое рядом с темным кажется светлее, изящное рядом с грубым кажется еще утончённее. Часто контраст выполняет практическую функцию, например, указывает на главных вход или на ту или иную функцию отдельной части здания