И снова мы про ИИ для бизнеса. Ну а как иначе? Искусственный интеллект для частных клиентов – морока, пока что искусственный интеллект далек до упрощения бытовых проблем людей. Хотя для нас это хорошая новость — достаточно написать небольшую прорывную статью и собрать лавры победы, как то было с трансформерами в 2017 году…
B2B — серьезный сектор экономики, где нейросети постепенно превращаются в необходимость, а не роскошь. Больше “предприниматели” не могут оставить свой бизнес без агрегатора материалов, AI-бухгалтера — автоматизация помогает серьезно сократить расходы. Соответствуя спросу, появляется предложение IT-компаний – задача молодого предпринимателя в IT попасть в растущие рынки, где конкуренция не так горяча.
Зачем строительным компаниям ИИ и почему рынок не перегрет?
Мы писали в другом глобальном материале про ИИ для корпораций. Десятикратный рост рынка — заслуга бизнес-процессов, готовых к ИИ автоматизации. Строительный бизнес состоит из ГОСТ’ов, «техничек», протоколов, лицензий, смет и счетов, спецификаций и чертежей. Это не говоря об изысканных эскизах архитекторов, по которым создаются жилые дома необъятной страны. С учетом низкого уровня бюрократии в России, в США к вышеперечисленным документам добавляются Safety Agreements, Approvals, Minuts — невероятная боль для всех бизнесменов США.
И это все находится в состоянии постоянного оборота, изменения, дополнения и взаимозависимости. Возникает банальная путаница, отладка которой требует найма отдельных специалистов и сотен человеко-часов в объеме всей компании. Создать ИИ тут достаточно, поэтому компания предлагает несколько продуктов: по отчетности, удобному парсингу нужных «товаров» и отработки контрактов.
К 2032 году стоимость искусственного интеллекта на строительном рынке по прогнозам составит 151,1 миллиарда долларов, в России рынок не перегрет. Хотя подобное “приятное” соотношение спроса и предложения работают практически для любого ИИ, которое бы обслуживало бизнес.
Например, Buildots — компания, где технология искусственного интеллекта используется для повышения эффективности строительных проектов, включая небоскреб в Нью-Йорке. Заметным событием в этой области – Autodesk Forma, ПО с контекстным моделированием и анализом проектов в real-time. Autodesk — компания, которая специализируется на программах для 3D моделирования и работы с архитектурой.
Прогнозная аналитика вышла за рамки простого анализа данных. Тому пример Disperse. Их инструменты, Lookahead и Impulse, прогнозируют подводные камни проекта, от погодных сбоев до недостатков проектирования, тем самым повышая устойчивость и эффективность проекта.
Первым историческим примером использования машинного обучения в строительстве стал IBM. В начале проекта архитекторы, инженеры и другие участники команды создавали трехмерную модель здания или сооружения с использованием программного обеспечения BIM. Модель содержала данные о каждом элементе проекта: геометрию, материалы, размеры, функциональные характеристики и т. д.
Вносились данные из спецификации, чертежи, расчеты и т. д. Затем система получала единую информационную систему и теперь “архитекторы” могли проверить здание тестами на “стрессоустойчивость” или тесты столкновений (Clash Detection).
В текущем году платформа Pragmacore объединила свои усилия с такими сервисами, как Vampodryad (онлайн-рынок строительной техники), Cynteka (автоматизация закупок и снабжения), Tangl (платформа для автоматизации работы с данными BIM-модели) и Transbaza (сервис аренды строительной техники). Поэтому компании-девелоперы выступают за концепцию win-to-win и сотрудничество – конкуренция на рынке мягче, нежели в других отраслях, например, в корпоративном облачном ИИ.
Связано это с тем, что бизнес-процессов внутри строительства много: тут не только тестирование, бухгалтерия, автоматизация BIM, а также дистрибуция и контроль, например, работников. Которых, кстати, не хватает.
Строительная отрасль в значительной степени полагается на квалифицированную рабочую силу для выполнения различных задач, и потребность в более квалифицированных работниках может создать проблемы при интеграции технологий искусственного интеллекта.
Нехватка компетентной рабочей силы в мировой строительной отрасли сдерживает стремление к автоматизации на основе искусственного интеллекта в строительном секторе. Из-за строгих правил миграции во многих регионах, особенно в Северной Америке и Европе, кризис цепочки поставок привел к нехватке квалифицированных рабочих. Associated Builders and Contractors (ABC) прогнозировал дефицит специалистов в 660.000 человек.
И Parspec, сегодняшний стартап в нашем обзоре, предназначен для поддержки торговых агентов и дистрибьюторов в строительном секторе.
Parspec и составление дистрибьюторских списков
Parspec автоматически связывает в real-time форматные листы, руководства по установке и гарантийную документацию со спецификацией. Информация берется с базы данных из 1800 производителей и обновляется, как они утверждают, ежедневно.
Например, Parspec Quating использует ИИ-детекцию для «мгновенного» извлечения типов продуктов, производителей, номеров деталей и количества.
Дополнительно компания отрабатывает конфигурацию «продукта» с аннотированием при помощи ИИ. Parspec также запоминает прошлые наценки компании. Это выгодно для ведения адекватных переговоров и прозрачности, конечно, автоматизации процесса и сокращения человеческих часов за работой.
Как парсить предложение на рынке для строителей?
Одна из ключевых выгод — возможность быстрого анализа больших объемов текстовой информации. Компании быстро выявляют скрытые тренды и потребности рынка. Применение ИИ в парсинге предложений о строительных товарах может увеличить эффективность процесса принятия решений на 20.6-25.3%, сократить времени на анализ рынка и ускорить формирование стратегий на 30-35%. Дополнительно прогнозируется увеличение точности прогнозирования спроса на строительные товары на 15-20%, а это снижение издержек на управление запасами и повышению уровня обслуживания клиентов.
Просто кидаете свои технические требования и предпочтения по производителям, чтобы начать поиск. Parspec автоматически извлечет необходимую информацию из вашей спецификации проекта или продукта. Если у вас уже есть другая система, вы сможете экспортировать вашу спецификацию без проблем.
Он учитывает не только цену материалов, но и сроки поставки, качество продукции и репутацию поставщика, которого самые конкурентоспособные цены, но при этом обеспечить “резервного” для случаев возможных задержек или необходимости дополнительного объема материалов. Таким образом, ИИ помогает оптимизировать процесс закупок, снижая риски и обеспечивая эффективное управление ресурсами компании.
Cначала необходимо провести предобработку данных, включая токенизацию текста, удаление стоп-слов, преобразование текста в числовые векторы с помощью эмбеддингов слов и т. д. Туда может войти все, что важно для строительного дистрибьютора: объем заказа, каталог товаров, номер позиции, количество, объем предоплаты, наличие маркировки, данные о доступных строительных материалах, их характеристики (прочность, устойчивость к воздействию окружающей среды), цены, информация поставщиках и т. д. Для начала Vision может показаться лишней технологией, поэтому спешить не стоит.
Модель может состоять из нескольких компонентов:
Сверточные слои (CNN)
Могут использоваться для анализа текстовых данных, выделения ключевых признаков и обнаружения шаблонов в тексте.
Рекуррентные слои (RNN)
Эти слои могут работать с последовательными данными и учитывать контекст предложения.
Трансформеры
Могут использоваться для обработки текстовой информации в параллельном режиме, что делает их эффективными для обработки больших объемов данных.
В заключение нашего небольшого обзора, мы просто напомним, строительный рынок содержит в денежном эквиваленте более 800 млрд. рублей. Выделенные деньги на проекты исходят зачастую от государства в крайне “щедром” формате, так как строительство бывает не только ЖК, но и важных инфраструктурных объектов. Создание даже простой, но эффективной системы = получение заказчиков по всей России и обретение неминуемой прибыли, а значит и шансы на постепенное расширение и создание нейронок на уровне IBM и других.