Для архитектурной, инженерной и строительной промышленности (AEC) проекты разнообразны по своему характеру, более сложные и масштабные, охватывающие несколько секторов, таких как нефтепровод, аэропорт, энергетика, водное хозяйство и т. д., что способствует медленным темпам цифровизации.
Отчет McKinsey Global Institute (MGI) за 2015 год подтвердил, что эта отрасль имеет наименьший уровень внедрения цифровых технологий среди всех отраслей, как видно из приведенного ниже рисунка (рис. 1), объясняющего информационный хаос.
Тем не менее, хорошая новость заключается в том, что недавняя тенденция показывает революцию ИИ в разных отраслях, и отрасль AEC не является исключением. Инновации в области искусственного интеллекта и передовые технологии также способствуют изменениям здесь.
Традиционно AEC-индустрия в значительной степени полагается на бумажную документацию и ее управление. Архитекторы, инженеры, подрядчики, субподрядчики и владельцы — все управляют документами изо дня в день, чем почти в любой другой отрасли. В результате в этой отрасли наблюдается исключительный рост объема документов, что требует инновационных стратегий управления документами. Наконец, ручные и управляемые человеком процессы постепенно прокладывают путь к автоматизации.
В этом посте я рассмотрю архитектурно-проектный документ, который является одной из основных областей отрасли AEC, и то, как мы можем применить возможности ИИ для улучшения проверки этого проектного документа.
Давайте разберемся с архитектурным проектом
Комплект строительной документации — это набор архитектурных чертежей, которые архитектор создает на этапе разработки проекта строительного проекта.
Архитектор создает два комплекта архитектурных чертежей, определяющих подробный окончательный проект. Один набор планов называется строительным набором, и он остается на месте в течение всего процесса строительства, в то время как другой помогает органам местного самоуправления, которые согласовывают проект.
Эти архитектурные документы сообщают технические детали проекта в стандартном формате, помогая подрядчикам и инженерам работать в режиме реального времени. Они также являются основой для будущих изменений проекта после нескольких лет завершения проектов.
Управление этими архитектурными документами на различных этапах жизненного цикла проекта включает в себя эффективный поиск и нахождение нужного документа среди тысяч сложных документов из файлов САПР, чертежей, проектов, спецификаций, RFI, дополнительных инструкций архитекторов (ASI), технической и коммуникационной документации и т. д. .
Точно так же отслеживание модификаций и/или дополнений во время выполнения проекта снова является очень необходимым шагом для получения точного комплекта исполнительных чертежей для рабочей системы.
Общие проблемы, с которыми приходится сталкиваться при работе с архитектурно-проектной документацией
Управление архитектурными документами в основном включает некоторые ключевые компоненты, такие как файлы САПР (AutoCAD, Revit и т. д.), извлечение основной надписи, автоматическое обнаружение справочных файлов, автоматические гиперссылки, пометки и т. д.
Объем, сложность и размер документов, генерируемых в системе, создают некоторые проблемы:
1. Правильное управление метаданными документа для интеллектуального поиска и быстрого поиска файлов.
2. Быстрая навигация и поиск нужных документов среди тысяч страниц документов.
3. Снижение количества ошибок вне проверки проекта.
В следующем разделе мы увидим, как мы можем использовать решение ИИ для автоматизации и решения вышеуказанных задач.
Подход к решению
Основная надпись — это уникальный идентификатор и метаданные документа для проектной документации. Этот идентификатор упрощает такие функции, как поиск и автоматическая гиперссылка документов (см. пункты 1 и 2 задач).
Чтобы понять, что такое основная надпись, давайте посмотрим на рисунки с 2 по 5, где показаны некоторые образцы файлов основных надписей.
Для дизайнерских документов OCR (оптическое распознавание символов) используется для автоматического извлечения определенных метаданных (в данном случае основной надписи) из документов. Извлеченное содержимое должно быть просмотрено пользователем, чтобы получить 100% точные данные для публикации в системе управления документами. Таким образом, это приводит к лихорадочному процессу просмотра метаданных каждого документа. Ниже приведен подход к решению для анализа проекта:
Текущее решение
Недостаток в приведенном выше решении:
- Точность извлечения правильного распознавания текста основной надписи неудовлетворительна и составляет менее 70%.
2. Качество и ориентация проектной документации неодинаковы.
3. Проверка пользователем необходима для обработки правильной основной надписи.
4. Ручные процессы и значительный процент ошибок.
Предлагаемое решение
Здесь следует рассмотреть две ключевые области автоматизации. Извлечение основной надписи и просмотр проектной документации.
В этом блоге мы расскажем, как применять глубокое обучение для сокращения количества документов для проверки и автоматизации процесса проверки проекта. Мы расскажем об автоматическом извлечении основной надписи в отдельном блоге.
В приведенном ниже решении вместо ручного просмотра выходных данных OCR выходные данные OCR подаются в пользовательскую модель детектора. Эта модель представляет собой нейронную сеть глубокого уровня с полностью подключенным слоем. Фид кодируется с помощью одноразового кодирования. Целью модели является прогнозирование класса закодированного фида на основе расстояния Левенштейна между фидом OCR и соответствующим пользовательским вводом. На основе целевого расчета рассчитывается оценка. Результат оценки автоматически фильтруется с использованием предопределенного порогового значения, и дизайн автоматически публикуется.
Ниже приведен вывод правильности основной надписи из модели глубокого обучения.
Итак, с помощью модели детектора собираем все записи и рекомендуем изменения пользователям. Таким образом значительно сокращается время просмотра и редактирования, что повышает эффективность.
Сводка
В этом посте описывается, как применение концепции машинного обучения и глубокого обучения может устранить распространенные недостатки при проверке проектной документации.
Как мы видим, своевременное внедрение искусственного интеллекта и машинного обучения (МО) может привести к значительным улучшениям в существующих рабочих процессах в отрасли AEC, позволяя оптимизировать проекты, повышать эффективность и обеспечивать высокое качество проекта.
Чтобы участники отрасли AECO оставались конкурентоспособными, необходимо идентифицировать и расставить приоритеты в критических вариантах использования для модернизации процессов и внедрения цифровых технологий для реализации качественных проектов экономически эффективным способом.
