Rambler's Top100
 
Статьи
Дмитрий ЛИВШИН  21 февраля 2022

Нейросети и машинное обучение в девелопменте: от «умных» камер до виртуальных дворецких

Еще пять лет назад, по данным McKinsey Global Institute за 2017 г., менее 16% компаний в сфере строительства и производства стройматериалов использовали технологии искусственного интеллекта. Сегодня же нейронные сети и ML-модели стали в девелопменте привычными инструментами.

Что такое нейросети и ML-алгоритмы?

Нейросети представляют собой программную реализацию модели, которая использует принципы организации и функционирования биологических нейронных сетей. Они не программируются в привычном смысле этого слова, они обучаются, и эта способность — одно из главных преимуществ нейронных сетей перед традиционными программами. В процессе обучения такая сеть «тренируется» выявлять сложные зависимости между входными данными и обобщать их. Обученная сеть способна выдавать результаты на основании сведений, которые отсутствовали в обучающей выборке, а также неполных и частично искаженных данных.

Нейросети часто используют для распознавания или генерации изображений или речи, навигации беспилотных автомобилей и решения многих других задач, которые ранее требовали работы с неопределенностью или творческого подхода, т.е. участия человека.

Машинное обучение (machine learning, ML) — это класс методов искусственного интеллекта. Для их построения применяются средства математической статистики, теории вероятностей, математического анализа, численные методы и другие техники работы с данными в цифровой форме. Такие системы также обучаются на решении множества сходных задач. Чаще всего ML-алгоритмы используются для работы с большими данными, поиска закономерностей и прогнозирования событий.

Сегодня эти технологии помогают многим компаниям в девелопменте, в том числе в России, создавать более качественные продукты и развивать бизнес за счет оптимизации ресурсов.

Компьютерное зрение на стройках

Строители погибают на рабочем месте в пять раз чаще, чем рабочие других специальностей. Происходит это из-за падений, ударов тем или иным предметом, поражения электрическим током или инцидентов с механизмами.

Один из самых частых вариантов использования нейросетей и ML-алгоритмов на строительных площадках — это «умные» камеры, пришедшие из промышленности, где они помогают обеспечивать безопасность на производстве.

Как работает эта технология? Видеопоток с камер, расположенных на стройке, непрерывно транслируется на специальный сервер. Там каждое видео разбирается на отдельные кадры, которые анализируются нейросетью.

Такие системы позволяют:
  • быстро определить возгорание на стройке;
  • обнаружить на площадке работников без защитного снаряжения;
  • выявить нарушение пропускного режима;
  • контролировать перемещения специальной техники.
Некоторые из доступных на рынке систем способны даже распознать конкретного работника и предупредить его через установленные на стройке динамики о совершенных им нарушениях, например, о нахождении на площадке без каски.

Внедрение подобных технологий дает застройщикам возможность практически полностью автоматизировать процессы, связанные с обеспечением промышленной безопасности.

Другое применение технологий компьютерного зрения связано с роботами, оснащенными камерами. Они автономно перемещаются по строительной площадке для захвата трехмерных «облаков точек» для создания ее полной цифровой модели. Сгенерированный массив данных передается нейросети, которая обрабатывает информацию и сопоставляет ее со сведениями из информационной модели здания и ведомостей материалов. Полученные таким образом данные полезны для руководителей проектов, особенно для тех, кому нужно отслеживать крупномасштабные объекты с тысячами движущихся частей.

Распознавание чертежей и расстановка мебели

Другое, не менее интересное применение нейросетей и машинного обучения — распознавание поэтажных чертежей для сбора информации об отдельных помещениях. В этом случае нейросети отдается поэтажный план, скажем, в формате pdf. Сеть обрабатывает изображение и разбивает его на отдельные помещения, вычисляя для каждого из них ряд параметров:
  • общую площадь помещения;
  • количество и площадь всех комнат;
  • наличие санузлов и их площадь;
  • площадь балконов, веранд или лоджий;
  • местоположение окон и дверей;
  • наличие кухонных уголков и пр.
Это позволяет оптимизировать работу компании и готовить как данные для загрузки в CRM, так и полное описание квартиры для дальнейшего автоматического размещения на сайтах агрегаторов (скажем, ЦИАН, «Авито», «Яндекс.Недвижимость»).

Еще одно применение — построение рендеров помещений на основе двумерных планов. При этом нейросети могут не только самостоятельно расставить мебель на 2D-плане, определяя назначение каждого помещения по ряду признаков, но и создать полноценные трехмерные рендеры, не уступающие по качеству работам начинающих архитекторов.

Динамическое ценообразование

Нейросети и ML-алгоритмы используются также в рекомендательных системах, которые оценивают будущую стоимость земельного участка и его инвестиционный потенциал. Они в реальном времени дают отделам продаж рекомендации относительно стоимости квадратного метра и объема выведенных на рынок предложений.

Для качественной работы таких систем требуются несколько предпосылок:
  • наличие большого объема исторических данных о колебаниях стоимости лотов и обстоятельствах, влиявших на изменение цены;
  • специальные программы, которые в реальном времени отслеживают доступные лоты и ценовые предложения на объектах конкурентов в ближайших районах;
  • алгоритмы, оценивающие внешние факторы, например, увеличение ставки по ипотеке или изменение курса рубля.
С помощью подобных инструментов девелоперы могут подобрать количество доступных в каждый момент лотов и установить такую цену на них, чтобы, с одной стороны, максимизировать свою прибыль, а с другой — обеспечить нужную скорость вымывания лотов с рынка и выполнение плана продаж.

Прогнозирование износа инженерных систем

Использование ML-алгоритмов в сочетании с модулями (датчиками) интернета вещей (IoT) позволяет создавать решения для прогнозирования аварий и износа инженерных систем. Для таких решений задействуются алгоритмы, обученные по различным сигналам проводить раннюю диагностику неисправностей в различных системах.

Этот подход пришел в «умные» дома из авиации и железнодорожного транспорта, где предиктивная аналитика в связке с IoT используется для прогнозирования сроков и необходимости обслуживания моторов, тормозных систем и систем управления. Благодаря внедрению этих технологий стало возможным выявлять будущие неисправности по малейшим отклонениям показателей и превентивно устранять их во время техобслуживания, не доводя до серьезных поломок.

В строительной отрасли такие решения используются для контроля исправности слаботочных систем, лифтов, вентиляции, систем подачи воды и отопления. Благодаря им эксплуатирующая организация может сэкономить немалые средства и существенно улучшить качество сервиса, прежде всего за счет профилактики неисправностей и возможности заранее планировать проведение ремонтных работ и заказ комплектующих. Например, в высотных домах можно в несколько раз уменьшить время простоя лифтов из-за ожидания поставок необходимых запчастей.

Генеративный дизайн

Генеративный дизайн – принципиально новая технология проектирования, основанная на применении программного обеспечения, которое способно самостоятельно, без участия конструктора, генерировать трехмерные модели, отвечающие заданным условиям. Система сама генерирует варианты, анализирует, ранжирует, развивает, исследует и интегрирует их.

Помимо решения рутинных задач, с помощью генеративного проектирования можно повысить эффективность и экономичность всего процесса разработки, создавая проекты, которые улучшают планирование и координацию между несколькими заинтересованными сторонами.

Барьеры внедрения новых технологий

Естественный сдерживающий фактор для применения искусственного интеллекта в строительстве – сложность и уникальность строительных объектов. Из-за этой особенности отрасли труднее обучать алгоритмы и добиваться от них нужного качества обработки данных.

Кроме того, информационные системы, используемые девелоперами, зачастую несовместимы друг с другом. Это ограничивает возможности создания эффективных систем машинного обучения и искусственного интеллекта, оперирующих большим потоком данных и позволяющих видеть картину проекта в целом.

Для преодоления этого препятствия необходимо создание единой шины для агрегации и хранения данных и доступа к ним из всех информационных систем строительных компаний. По такому принципу построены системы на основе сервис-ориентированных архитектур в банках и других крупных финтех-проектах.

Возможное применение в будущем

Несмотря на упомянутые ограничения, машинное обучение и искусственный интеллект обладают большим потенциалом применения в строительной отрасли.

Прежде всего, в недалеком будущем станет возможным появление автономной строительной техники, роботов. Это повысит эффективность строительства, его безопасность и качество, снизит влияние человеческого фактора.

Параллельно будут развиваться программы, обеспечивающие управление «умными» зданиями и инфраструктурой «умных» квартир. Уже в ближайшие годы могут появиться виртуальные дворецкие – следующий шаг в эволюции существующих цифровых ассистентов, таких как Алиса, Cortana или Siri. Они смогут не только управлять светом или климатом в квартире, но и полностью взять на себя посредничество в коммуникации между жильцами и управляющей компанией. Одна из первых таких систем – созданный в GloraX цифровой помощник для сферы девелопмента Lora, который с каждым днем учится новым навыкам.

Дмитрий Лившин, директор по цифровому развитию, GloraX
Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!