Перед участниками строительного проекта постоянно возникают вызовы: сжатые сроки, перерасходы бюджета, коммуникационные разрывы. Их помогают решать не только цифровые системы, которые автоматизируют и оптимизируют процессы, но и искусственный интеллект, внедряемый в строительную сферу с нарастающими масштабами. От автоматизированной генерации вариантов проектных решений до аналитики цифрового двойника — ИИ становится фундаментом принятия решений.
Следующий шаг развития цифровой трансформации — создание не просто умных систем, а полноценных цифровых сотрудников. Речь идет об ИИ-агентах. ИИ-агент помогает решать рабочие задачи по запросу пользователя. Но в отличие от чат-бота, он не просто отвечает на вопросы. ИИ-агент — это автономная программа, которая может принимать решения с привлечением LLM (Большой языковой модели), выполнять вместо пользователя действия и даже целые сценарии в рабочей среде.
В этой статье мы раскроем некоторые варианты полезной применимости ИИ-агентов в составе ПО для анализа BIM-модели, которые помогают усилить автоматизацию и эффективность строительных проектов.
Интересуетесь цифровизацией?
Подписывайтесь на наш Telegram — там все новости о цифровой трансформации рынка недвижимости.
Содержание
ИИ-нейроаналитик
BIM-модель представляет собой большой набор разрозненных данных о здании. Сама по себе модель не упрощает получение информации о проекте по сравнению с чертежами, но в отличие от них, как известно, обладает свойством машиночитаемости. За счет нее BIM-программы могут автоматизированно вытягивать структурированные данные.
Большинство цифровых продуктов для BIM-анализа предоставляют схожий подход работы: пользователь сначала задает все правила для выборки элементов в наборы и настройки для их обработки, а далее применяет их для автоматизации выполнения своей задачи. Такая настройка занимает немало рабочего времени. Этот труд приносит свои плоды только на дальнейших проектах за счет уже подготовленных шаблонов. Но на начальном этапе лишь тормозит процессы. Дело еще больше осложняется, если настройщик работает в незнакомом ПО, тогда ему нужно еще тратить время на его изучение и итеративный путь к достижению ожидаемого результата. Или если в компании не зафиксированы требования к BIM-моделям, тогда приходится ориентироваться в них “на ощупь”.
Но бывают задачи, требующие не системного подхода, а быстрого получения какой-либо простой информации по проекту, например, расчет объема бетона на одном этаже здания. Для подобных задач подход с грамотной настройкой и детальной структуризацией BIM-данных теряет свой смысл, ведь гораздо быстрее заглянуть в спецификацию на чертеже или попросить проектировщика собрать объем, чем “по-умному” рассчитывать объем из BIM-модели.
Для решения подобных задач отлично подойдет нейроаналитик — это ИИ-агент, которому пользователь пишет простой текстовый запрос в свободной форме, например, “Рассчитай объем бетона на 10 этаже” или “Сколько в проекте окон типа ОК-3?”. А ИИ-агент вместе с LLM самостоятельно определяет, на основе какой информации он сделает выборку элементов и откуда возьмет объем, и выдает готовый ответ. Что немаловажно, нейроаналитик сопроводит итог описанием, как он получил такой результат, какой информацией руководствовался и какие выводы сделал, чтобы пользователю не пришлось слепо ему доверять, и он мог проконтролировать достоверность полученного результата.
Большинство цифровых продуктов для BIM-анализа предоставляют схожий подход работы: пользователь сначала задает все правила для выборки элементов в наборы и настройки для их обработки, а далее применяет их для автоматизации выполнения своей задачи. Такая настройка занимает немало рабочего времени. Этот труд приносит свои плоды только на дальнейших проектах за счет уже подготовленных шаблонов. Но на начальном этапе лишь тормозит процессы. Дело еще больше осложняется, если настройщик работает в незнакомом ПО, тогда ему нужно еще тратить время на его изучение и итеративный путь к достижению ожидаемого результата. Или если в компании не зафиксированы требования к BIM-моделям, тогда приходится ориентироваться в них “на ощупь”.
Но бывают задачи, требующие не системного подхода, а быстрого получения какой-либо простой информации по проекту, например, расчет объема бетона на одном этаже здания. Для подобных задач подход с грамотной настройкой и детальной структуризацией BIM-данных теряет свой смысл, ведь гораздо быстрее заглянуть в спецификацию на чертеже или попросить проектировщика собрать объем, чем “по-умному” рассчитывать объем из BIM-модели.
Для решения подобных задач отлично подойдет нейроаналитик — это ИИ-агент, которому пользователь пишет простой текстовый запрос в свободной форме, например, “Рассчитай объем бетона на 10 этаже” или “Сколько в проекте окон типа ОК-3?”. А ИИ-агент вместе с LLM самостоятельно определяет, на основе какой информации он сделает выборку элементов и откуда возьмет объем, и выдает готовый ответ. Что немаловажно, нейроаналитик сопроводит итог описанием, как он получил такой результат, какой информацией руководствовался и какие выводы сделал, чтобы пользователю не пришлось слепо ему доверять, и он мог проконтролировать достоверность полученного результата.
ИИ-анализ отчетов
А что касается задач, где все же важен системный подход — получение массивных структурированных данных, вроде расчета калькуляции на весь проект или проверки на коллизии сводной модели? Неужели работа над ними так и останется объемной и сложной, раз это оправдано?
На этот счет тоже есть решение. Действительно, для таких процессов предварительная настройка нужна и важна, но получение информации из отчетов и даже его аналитика становятся колоссально проще с ИИ-анализом отчетов.
С ИИ-агентом больше не обязательно вести поиск по огромным таблицам результатов анализа, сортировать их или настраивать дашборды. Любой пользователь может ввести текстовый запрос на естественном языке и получить готовый ответ. Например, “Суммарная площадь утеплителя с 3 по 9 этаж”, “Сколько коллизий между всеми стенами и трубами?” или даже “Если за день возводить 5 м3 жб конструкций, то сколько дней понадобится, чтобы построить все колонны на 5 этаже?”.
Таким образом быстро получать нужную сводку из отчета может даже руководитель, у которого нет времени, чтобы разбираться в программе, и нет необходимости ждать аналитики от сотрудников. К тому же ИИ-агент доступен 24/7. И, как и нейроаналитик, ИИ-анализ отчетов тоже обоснует свой ответ, исключив сомнения в корректности его выводов.
На этот счет тоже есть решение. Действительно, для таких процессов предварительная настройка нужна и важна, но получение информации из отчетов и даже его аналитика становятся колоссально проще с ИИ-анализом отчетов.
С ИИ-агентом больше не обязательно вести поиск по огромным таблицам результатов анализа, сортировать их или настраивать дашборды. Любой пользователь может ввести текстовый запрос на естественном языке и получить готовый ответ. Например, “Суммарная площадь утеплителя с 3 по 9 этаж”, “Сколько коллизий между всеми стенами и трубами?” или даже “Если за день возводить 5 м3 жб конструкций, то сколько дней понадобится, чтобы построить все колонны на 5 этаже?”.
Таким образом быстро получать нужную сводку из отчета может даже руководитель, у которого нет времени, чтобы разбираться в программе, и нет необходимости ждать аналитики от сотрудников. К тому же ИИ-агент доступен 24/7. И, как и нейроаналитик, ИИ-анализ отчетов тоже обоснует свой ответ, исключив сомнения в корректности его выводов.
Преимущества применения ИИ-агента
Прежде всего ИИ-агент снижает порог входа в программный продукт. Он позволяет получать эффект без глубокого освоения инструментария. И он не просто помогает найти нужную функцию, как обычный чат-бот, а выполняет действия за пользователя, максимально упрощая путь до достижения результата.
Даже опытный и экспертный специалист тратит большое количество времени на настройку ПО и анализ полученных результатов. ИИ-агент упрощает жизнь и такому сотруднику, быстро обрабатывая и структурируя большие массивы данных за него.
Даже опытный и экспертный специалист тратит большое количество времени на настройку ПО и анализ полученных результатов. ИИ-агент упрощает жизнь и такому сотруднику, быстро обрабатывая и структурируя большие массивы данных за него.
Эти ИИ-функции — только теория или уже реальность?
Описанные выше примеры применения ИИ-агентов уже внедрены в Tangl — экосистему для управления данными строительных проектов. Но упомянутые в этой статье возможности — только начальный этап масштабного внедрения ИИ в платформу. Чем дальше, тем интереснее.
Тангл подготовил гайд для BIM-менеджеров. В нём — рекомендации о том, как встроить ИИ-агентов в существующие процессы и где их применение даёт наибольший эффект.
В дальнейших релизах ИИ-агент будет обретать все бóльшие полномочия. Он сможет выполнять целые последовательности действий за пользователя, грубо говоря, нажимать на кнопки вместо него, чтобы достичь того результата, который пользователь описал в запросе. При этом пользователю не нужно будет запрашивать эти действия по шагам, а только описать желаемый итог. А ИИ-агент сам примет решение, как выполнить задачу наиболее оптимальным образом, или даже подскажет, как достичь еще большей эффективности.
Больше о цифровых технологиях в строительстве
Телеграм-канал DigitalDeveloper
Подпишитесь, чтобы читать новости, кейсы, исследования и обзоры IT-технологий на рынке недвижимости.
Подпишитесь, чтобы читать новости, кейсы, исследования и обзоры IT-технологий на рынке недвижимости.
