Статья
Повышение роли искусственного интеллекта и машинного обучения в строительной отрасли

Сфера строительства имеет благодатную почву для активного развития машинного обучения и искусственного интеллекта. Мне посчастливилось войти в состав команды разработчиков BIM 360 Project IQ, которая занималась первыми средствами машинного обучения для строительной отрасли в Autodesk.

В этой статье представлен общий обзор достижений в данном направлении, а также рассматриваются способы извлечения максимальной ценности из упомянутой технологии. Здесь будут разбираться некоторые сценарии применения искусственного интеллекта и машинного обучения в строительной отрасли, а также возможные последствия. Данные процессы ведут к изменениям в различных областях, таких как управление рисками, составление графиков, взаимодействие с субподрядчиками, мониторинг окружающей среды на строительной площадке, безопасность и многие другие.

Искусственный интеллект и машинное обучение в строительной отрасли

Что мы вкладываем в понятие искусственного интеллекта?

Существует два диаметрально противоположных мнения относительно искусственного интеллекта. Некоторые считают, что он будет править миром, в то время как для других он остается фантазией, недостойной серьезного обсуждения. В реальности истина находится где-то посередине. Искусственный интеллект не имеет ничего общего со сверхразумом. Это направление исследований, получившее очень широкое применение и выступающее в качестве мощного движущего фактора в сферах, связанных с современными технологиями.

Определение понятия искусственного интеллекта всегда вызывало сложности. В этом плане проще обстоят дела с понятием «искусственный» — его можно определить как «нечто, не встречающееся в природе». А вот понятие «интеллект» до сих пор вызывает споры исследователей. В целом под искусственным интеллектом подразумевается широкая отрасль науки, охватывающая целый ряд дисциплин, начиная с информатики и психологии и заканчивая философией и лингвистикой. Ее основная цель — добиться того, чтобы компьютеры выполняли задачи, для решения которых обычно требуется человеческий разум. В данном цикле статей более подробно рассматривается определение понятия искусственного интеллекта и описывается история его возникновения.

В настоящее время сфера искусственного интеллекта включает в себя множество направлений, однако я остановлюсь на двух наиболее популярных из них — машинном и глубоком обучении. Машинное обучение представляет собой направление, целью которого является написание алгоритмов, позволяющих компьютерам самостоятельно (то есть без непосредственного программирования) обучаться на основе имеющихся данных. Например, если необходимо написать алгоритм поиска спама в сообщениях электронной почты, для тренировки подобного алгоритма необходимо предоставить ему доступ к множеству образцов сообщений, вручную помеченных как спам или обычная корреспонденция. Алгоритм «учится» определять так называемые комбинации, такие как наличие определенных слов или словосочетаний, благодаря которым можно понять, является ли то или иное сообщение потенциальным спамом.

Глубокое обучение можно рассматривать как набор специализированных методов в системе машинного обучения, значительно эволюционировавших в последнее время. Эти методы основаны на использовании нейронных сетей, которые представляют собой алгоритм машинного обучения, моделирующий поведение нейронов человеческого мозга. Глубокое обучение легло в основу ряда выдающихся технических достижений в сферах обработки изображений и языков, сделав возможным появление таких перспективных областей, как домашние помощники и беспилотные автомобили.

 

Предпосылки

Искусственный интеллект (ИИ) как область науки существует уже достаточно давно. Первая конференция по этой теме состоялась в 1956 году. Однако в последнее десятилетие этой сфере стали уделять особое внимание. Этому способствовал ряд факторов, которые сами в последние годы получили значительное развитие. Искусственному интеллекту необходим лишь доступ к большому объему данных для анализа, а за последние несколько лет этот объем увеличился в несколько раз. Несколько лет назад в одном из блогов IBM появилась информация о том, что 90 % всех имеющихся данных было создано за предшествующие два года. Думаю, на сегодняшний день эта цифра составляет около 95 %. Вместе с объемом данных с каждым годом огромными темпами увеличиваются и доступные вычислительные мощности, с помощью которых можно анализировать эти данные. При этом стоимость самих вычислительных мощностей снижается. Сегодня подавляющая часть данных хранится в облаке, а с учетом доступности ресурсов для обработки этих данных показатели использования результатов подобного анализа для принятия более верных решений резко выросли.

Сферы применения искусственного интеллекта

Чтобы лучше представить себе спектр сфер применения искусственного интеллекта, стоит рассмотреть, насколько глубоко он проник во все аспекты нашей жизни. Каждый день мы получаем по несколько сообщений электронной почты, уделяя им значительно больше времени, чем хотелось бы. Но обращали ли вы внимание на то, насколько уменьшилось количество надоедливого спама в вашем почтовом ящике? Еще пять лет назад вы как минимум раз в неделю получали письмо о том, что выиграли в лотерею некую сумму денег. Обнаружение спама — один из первых и наиболее известных сценариев применения машинного обучения. Путем изучения тысяч сообщений компьютерные программы смогли научиться узнавать, как выглядят типичные письма со спамом. Они могут определить, что отправитель не является лицом, от которого вы можете ждать сообщения, или по тексту письма понять, что его содержимое вероятнее всего написано мошенником. И это лишь один из примеров обработки текста.

анализ изображений

Еще одним направлением развития является анализ изображений. Проблемы в этой сфере можно свести к двум большим категориям: определение того, что представлено на изображении, и дальнейшее определение того, где именно на изображении расположен объект. Например, необходимо понять, изображена ли на фотографии кошка. Затем необходимо выяснить точное местонахождение кошки на изображении.

С развитием глубокого обучения в этом направлении удалось добиться впечатляющих результатов. Помимо обнаружения объектов (таких, как вышеупомянутая кошка) на новых устройствах iPhone используется функция блокировки на основе распознавания лиц. Алгоритмы позволяют распознавать более мелкие детали на фотографиях, делая это достаточно быстро для принятия решений в реальном времени. Если раньше алгоритмы позволяли определить наличие кошки на фотографии, то теперь они позволяют понять, изображена ли на всех фотографиях одна и та же кошка.

Соединив подобные алгоритмы распознавания и обнаружения изображений с другими формами искусственного интеллекта, можно получить совершенно невероятные области применения, такие как беспилотные автомобили. Они считывают данные об окружающей обстановке и на основе этих данных строят маршрут движения. Распознавание различных объектов окружающей среды, определение различий в их поведении и функционировании, а также правил, которым они подчиняются — это сложная, комплексная задача. На изображении ниже приведен пример того, как беспилотный автомобиль ориентируется в пространстве. Система способна различать людей, машины и неподвижные объекты. Она должна понимать, что значит красный цвет и знак одностороннего движения. Она может определить расстояние между объектами и на основе этих данных принять соответствующее решение. В данной статье приводятся более подробные интерактивные сведения о беспилотных автомобилях и технологиях, лежащих в их основе.

различные точки данных

При принятии решения мозг человека способен анализировать три-четыре точки данных. Искусственный интеллект сделал большой шаг и в этом направлении. В то время как мозг человека способен мыслить в трех-четырех измерениях, алгоритмы искусственного интеллекта в этом плане не ограничены. Если вы не можете оторваться от сериала, предложенного Netflix, значит, их рекомендательная система учла множество параметров: ваш возраст, пол, зрительские предпочтения людей с аналогичным профилем, ранее просмотренные вами фильмы, рецензии на сериал, вовлеченность в сериал других пользователей и множество прочих характеристик.

Общим требованием для всех приведенных нами примеров является доступ алгоритмов к огромному объему данных, из которых они черпают свои знания. Искусственный интеллект дает рекомендацию или предлагает решение на основе предоставленных ему данных, то есть напрямую зависит от качества этих данных. Чтобы в полной мере использовать возможности этой технологии, необходимо тщательно продумать, как организовать сбор нужных данных и управление ими во всех программных продуктах. В кругах специалистов по искусственному интеллекту часто можно слышать поговорку «мусор на входе — мусор на выходе», что значит: результат полностью зависит от входных данных.

Как меняется строительная отрасль с приходом искусственного интеллекта?

Последние несколько лет в технологии для строительства вкладываются значительные средства. Огромная часть этих инвестиций идет на оцифровку различных аспектов рабочего процесса строительства. Модели BIM изменили подход к проектированию зданий, процессы управления проектами и проблемами переместились в облако, оперативное управление также приобретает более «сенсорный» и автоматизированный характер. С увеличением объема доступных данных приложения на основе искусственного интеллекта находят все большее применение в строительной отрасли.

Генеративное проектирование

Генеративное проектирование представляет собой процесс поиска форм, имитирующий аналогичный процесс в ходе естественной эволюции. Специалисты по компьютерным технологиям нашли способы усовершенствовать процесс проектирования зданий. Обычно он начинается с четкой постановки проектной задачи, после чего исследуются многочисленные варианты решения, пока не будет найден наиболее оптимальный. Для наглядности рассмотрим следующий пример.

Группа специалистов Autodesk в Торонто переехала в новое здание, которое было спроектировано с использованием упомянутого нового процесса. В поисках идеального дизайна здания, который бы удовлетворил все потребности заказчиков, исследователи использовали метод генеративного проектирования. В начале процесса были определены все параметры, учитывающие потребности людей, которые будут работать в офисном здании: предпочтения относительно соседства, стиля работы, требования к шуму, производительности, естественному освещению и виду из окна.

В каждом плане моделировались следующие параметры (слева направо): предпочтения относительно соседства, стиля работы, требования к шуму, производительности, естественному освещению и виду из окна.
From left to right, each plan is overlaid with a simulation of the following parameters: adjacency preference, work style preference, buzz, productivity, daylight, and views to outside.

После этого входные данные передавались в компьютерную систему, анализирующую как эти проектные параметры, так и требования к физическому местоположению. Затем алгоритм генерировал несколько проектов, соответствующих всем этим требованиям, из которых архитектор мог выбрать наиболее подходящий с точки зрения стиля и других потребностей. Так как процесс происходил быстро, удалось легко наладить итеративное проектирование, работая над конечным проектом и перерабатывая его после обсуждений. В этой статье подробно объясняется, как помимо решения практических проблем с помощью генеративного проектирования удалось повысить эффективность и экономичность всего процесса разработки проектов. В результате удалось не только оптимизировать график работ, но и улучшить координацию между различными участниками проекта.

Уменьшение рисков

На строительной площадке оценка рисков и мероприятия по их уменьшению проводятся ежедневно. В проекте задействованы сотни субподрядчиков различных профилей. Возникают тысячи проблем, которыми приходится заниматься на фоне постоянно меняющейся ситуации. Целью проекта BIM 360 IQ было понять, с какими проблемами ежедневно приходится сталкиваться руководителям строительных работ, менеджерам проектов и строительным инспекторам. Необходимо было найти способы решения этих проблем и возможности усовершенствования этого процесса с помощью технологий искусственного интеллекта. После разговоров со строительными инспекторами, посещения строительных площадок и анализа полученных ими данных мы определили, что эффективным способом повышения производительности была бы расстановка приоритетов проблем исходя из уровня риска.

 

С помощью искусственного интеллекта, особенно анализа языка строительных работ, можно автоматически присваивать проблемам определенный приоритет. Алгоритмы способны определять и предсказывать сложные последствия, такие как возможность просачивания воды из-за проблемы, если она не будет решена. В системе используются наблюдения менеджеров по качеству, записанные во время мониторинга различных проектов.

Например, если менеджер по качеству наблюдает проблему с гидроизоляцией с внешней стороны окна и вносит ее в BIM 360 Field, что обычно и происходит, алгоритмы искусственного интеллекта обрабатывают эти данные и автоматически помечают их как потенциальную проблему с водонепроницаемостью. Это привлечет внимание строительного инспектора, когда он или она будет просматривать все проблемы на пульте управления. В настоящее время система доступна в виде пилотной версии, и ей могут воспользоваться все специалисты, работающие с программными продуктами BIM 360.

Система также идет немного дальше, суммируя и распределяя все риски, связанные с проблемами, по ответственным субподрядчикам. Она учитывает различные факторы в отношении субподрядчиков, такие как их прошлый опыт в решении проблем, текущая рабочая нагрузка, важность проблем, за которые они несут ответственность. После этого алгоритм позволяет присвоить каждому субподрядчику, участвующему в проекте, «балл риска» — показатель степени риска, которому субподрядчик подвергает проект. Это позволяет руководителям строительных работ выделить больше времени для работы с этими группами специалистов.

Безопасность

Главным приоритетом на всех строительных площадках является безопасность строительных работ. Целью BIM 360 IQ было проанализировать поведение и контекст в отношении проблем безопасности, а затем привлечь к ним внимание менеджеров по безопасности. Приложение IQ автоматически сканирует все проблемы безопасности, существующие на строительной площадке, и присваивает им марку, указывающую на возможность несчастного случая со смертельным исходом. По данным управления охраны труда и техники безопасности США (OSHA) около 67 % случаев со смертельным исходом при выполнении строительных работ в 2015 г. были вызваны проблемами так называемой «смертельной четверки» — падение, удар, зажатие и электрошок. Алгоритмы IQ позволяют классифицировать проблемы безопасности, которые являются сигналами этих четырех причин летального исхода.

В приложении IQ отображается список субподрядчиков проекта и распределение их проблем безопасности по категориям «смертельной четверки».
The IQ application shows a list of subcontractors on a project and a breakdown of their safety issues by the “fatal four” categories.

Приложение также показывает фактор риска, который привел к потенциальному инциденту, и матрицу 39 различных факторов риска.

Распределение факторов риска, которые могут быть обнаружены приложением IQ в проблеме безопасности.
A subset of the hazards that the IQ application can detect in a safety issue.

Благодаря этому менеджеры по безопасности могут понять, на чем сосредоточить свои усилия по планированию и обучению, а также на какие проблемы обращать внимание во время обходов для контроля безопасности.

Ежедневно на строительных площадках делается множество снимков и видеозаписей. Каждый строитель носит с собой смартфон с камерой, и стало практически обычным делом фиксировать с его помощью каждую возникшую проблему. Все чаще используются дроны, позволяющие делать снимки с воздуха и выполнять более сложные задачи, такие как оценка хода реализации работ. Кроме того, все большую популярность приобретают экшен-камеры и умные шлемы. В большинстве случаев технологии пока не в состоянии справиться с подобным изобилием фотоснимков, а достойное решение для управления фотографиями и их использования в аналитике пока не изобретено.

Одна из пилотных технологий, специализирующихся на решении подобных задач — Smartvid.io. Она предоставляет платформу, интегрирующую поставщиков различных технологий с целью создания единого пула изображений. Однако команда Smartvid.io пошла дальше и начала использовать искусственный интеллект для определения объектов, изображенных на фотографиях. Как мы уже убедились в случае с беспилотными автомобилями, выделение и распознавание различных объектов на изображении возможно. В Smartvid.io для этого используются так называемые «смарт-теги» (smart tag), позволяющие создать более эффективную систему классификации и поиска фотографий.

На этом изображении можно видеть строителя, который спускается по лестнице. Smartvid.io может автоматически добавлять теги, которые показаны слева.
In this image of a construction worker stepping off a ladder, Smartvid.io can automatically add the tags shown on the left to the image.

 

Так как технология Smartvid.io способна работать с понятиями более высокого уровня, она обеспечивает дополнительные возможности интеллектуального поиска. Выше показаны все изображения проекта, полученные по запросу «над потолком».
Since Smartvid.io understands higher level concepts in construction, it provides for smarter searches. The above image shows all the images in a project for the query ‘above ceiling.’

Каковы планы Autodesk по использованию искусственного интеллекта в отрасли архитектуры и строительства?

BIM 360 IQ был первым программным продуктом с искусственным интеллектом, используемым для управления качеством в строительстве. С каждым годом мы пытаемся расширить эти рамки. Мы создали приложения для решения проблем, связанных как с качеством, так и с безопасностью строительных работ. Нашим следующим шагом будет применение аналогичного подхода к управлению проектами и использование искусственного интеллекта для усовершенствования этого процесса.

Платформа обработки данных

В строительной отрасли есть несколько поставщиков технологий, предлагающих решения для управления собственными данными, однако часто эти решения несовместимы между собой. Решения на основе искусственного интеллекта могут работать в полную силу только в том случае, если можно связать все источники. С этой целью Autodesk планирует создать платформу обработки данных, которая позволит интегрировать ресурсы сторонних поставщиков. Это позволит различным строительным компаниям размещать данные на одной платформе, которая также будет поддерживать возможности общего уровня аналитики. Autodesk также планирует подключить к этой платформе другие источники данных, такие как ERP и систему управления проектами, а также вступить в партнерские отношения с другими компаниями, связанными с обработкой данных в строительной отрасли, такими как Smartvid.io, Triax Technologies, SmartBid и другие.

Концептуальная архитектура новой платформы обработки данных BIM 360.
Conceptual architecture of the new BIM 360 data platform.

Ананд Раджагопал (Anand Rajagopal) является научным сотрудником Autodesk и участником группы разработки программных продуктов BIM 360. Его текущая должность предполагает тесную работу с клиентами в целях создания, тестирования и развертывания моделей машинного обучения для строительной отрасли.

Сопутствующее занятие

The field of construction is well placed to benefit from the advent of machine learning and artificial intelligence. As part of the BIM 360 Project IQ Team at Autodesk, I've had the privilege of being a part of Autodesk's foray into machine learning for construction. This talk will focus on summarizing the developments in this space, and we'll cover some ways in which one can prepare to maximize value from this technology. The class has 2 sections. The first part provides a broad survey of some...

Поделиться статьей

Комментарии