Введение
В современном мире проектирования и строительства автоматизация процессов становится все более актуальной. Одним из таких инструментов является система BIM (Building Information Modeling), которая позволяет улучшить качество проектных решений, сократить время на разработку и минимизировать ошибки.
Компания Renga Software активно развивает свои продукты, внедряя новые технологии для повышения эффективности работы пользователей. Одной из таких технологий является язык описания шаблонов стиля Renga STDL (Style Template Description Language).
В данной статье я расскажу о своем опыте взаимодействия с различными ИИ-системами в создании и оптимизации шаблонов стиля с использованием Renga STDL.
Описание Renga STDL
Renga STDL — это предметно-ориентированный язык программирования на основе Lua, специально разработанный для создания и редактирования шаблонов стилей инженерного оборудования в системе Renga. Он предоставляет широкие возможности для управления параметрами объектов, геометрическими характеристиками, отображением параметров в диалогах стилей и взаимодействием с API системы.
Основные возможности Renga STDL включают:
- Создание и редактирование геометрии объектов с использованием пользовательских параметров.
- Управление портами оборудования, что важно для правильного подключения элементов инженерных систем.
- Настройка отображения параметров в диалогах стилей для удобства пользователя.
- Использование встроенных возможностей Lua, таких как условия, циклы и функции, для создания сложных логических конструкций.
Роль ИИ в создании шаблонов стиля
Создание шаблонов стиля вручную может быть трудоемким и требует глубокого понимания как самого языка STDL, так и особенностей проектируемых объектов. Здесь на помощь могут прийти технологии искусственного интеллекта, которые способны значительно упростить этот процесс и сделать его более эффективным.
Подход 1: Автоматическая генерация кода (Идеальный)
Один из возможных подходов к использованию ИИ в создании шаблонов стиля — это автоматическая генерация кода на основе заданных пользователем параметров. Например, пользователь может указать основные характеристики объекта (размеры, тип соединений, материалы и т.д.), а ИИ на основе этих данных сгенерирует соответствующий код на языке STDL. Этот подход позволяет существенно сократить время на разработку и минимизировать количество ошибок, связанных с ручным вводом данных.
Преимущества данного подхода:
- Скорость: Генерация кода происходит практически мгновенно, что позволяет быстро создавать прототипы шаблонов.
- Точность: ИИ может использовать предопределенные правила и шаблоны, что снижает вероятность ошибок.
- Универсальность: Данный метод может быть применен к различным типам объектов и систем, обеспечивая высокую степень адаптивности.
Недостатки:
- Ограниченность: Автоматическая генерация кода может не учитывать уникальные особенности конкретного проекта или объекта.
- Необходимость обучения: Для достижения высокой точности и качества генерации требуется обучение моделей ИИ на больших объемах данных, что может потребовать значительных временных и финансовых затрат.
Подход 2: Облегчение ручного написания кода (Реализуемый)
Другой подход заключается в том, чтобы ИИ помогал пользователю в процессе ручного написания кода, предоставляя рекомендации, автозаполнение и исправление ошибок. Это может быть реализовано в виде интегрированного редактора кода, который использует машинное обучение для анализа контекста и предложения наиболее подходящих вариантов.
Преимущества данного подхода:
- Гибкость: Пользователь сохраняет полный контроль над процессом разработки, но получает поддержку в технических вопросах.
- Обучаемость: ИИ может адаптироваться к стилю и привычкам конкретного пользователя, предлагая более персонализированные рекомендации.
- Минимальная необходимость обучения: Такой подход требует меньшего объема данных для обучения модели, что делает его более доступным для внедрения.
Недостатки:
- Зависимость от пользователя: Эффективность использования ИИ в данном случае во многом зависит от уровня подготовки и опыта пользователя.
Подход 3: Оптимизация существующих шаблонов (Для саморазвития)
Еще один вариант применения ИИ — это анализ и оптимизация уже существующих шаблонов стиля. ИИ может выявлять дублирующиеся или ненужные фрагменты кода, предлагать улучшения производительности и устранять потенциальные проблемы, такие как несоответствие стандартам или ошибки в логике работы.
Преимущества данного подхода:
- Повышение качества: Оптимизация существующих шаблонов позволяет улучшить их производительность и надежность.
- Экономия времени: ИИ может обрабатывать большое количество данных за короткий промежуток времени, что экономит время пользователей.
- Поддержка обратной совместимости: Оптимизация может проводиться без необходимости полной переработки шаблонов, что сохраняет обратную совместимость с уже существующими проектами.
Недостатки:
- Требование наличия базы данных: Для проведения анализа и оптимизации необходимо наличие достаточного объема данных, что может ограничивать применение данного подхода в некоторых случаях.
- Риск утраты специфичных особенностей: В процессе оптимизации ИИ может упустить некоторые специфические особенности шаблонов, которые были важны для конкретных проектов.
Личный опыт взаимодействия с ИИ
Первый опыт: ChatGPT
Первоначально я использовал ChatGPT, который предоставляет возможность настройки профиля, где я указал, что хочу получать ответы кодов на языке Lua, а также немного расписал про STDL. GPT работает быстро и примерно первые пол часа достаточно точно дает ответы по теме, но после начинает теряться и может выдать код на Python или C#. Потом долго приходится его возвращать в нужное русло.
Преимущества:
- Быстрое начало работы: GPT быстро запускается и сразу готов к работе.
- Начальная точность: Первые полчаса он работает довольно точно и помогает в написании кода на Lua.
Недостатки:
- Потеря контекста: После начального периода GPT начинает теряться и может выдавать код на других языках, что требует дополнительных усилий для коррекции.
- Необходимость использования ВПН: Для полноценной работы часто требуется использование ВПН, что усложняет процесс.
- Затраты времени на коррекцию: Приходится тратить много времени на то, чтобы вернуть ИИ в нужное русло.
Второй опыт: DeepSeek
После этого я решил попробовать ИИ под названием DeepSeek, который сейчас у всех на слуху. Работает он без ВПН, но на сегодняшний день может работать медленно, иногда в чате он оставляет сообщение "The server is busy. Please try again later". Руководство по STDL он не смог полностью изучить из-за объема файла, поэтому нужно разбивать. В отличие от GPT, DeepSeek не теряет контекст и спустя нескольких часов работы с ним выдавал мне ответы по теме. Собственно, созданная мною категория Вертикальных жироуловителей была создана с помощью DeepSeek, результатом я доволен, он отлично комментирует код и поясняет для чего нужна та или иная строчка. Иногда я подкидывал из руководства ему нужные команды или дописывал сам.
Преимущества:
- Отсутствие необходимости ВПН: DeepSeek работает без ВПН, что значительно упрощает процесс.
- Сохранение контекста: Он не теряет контекст даже после нескольких часов работы, что делает его более надежным в долгосрочной перспективе.
- Качественные комментарии и объяснения: DeepSeek хорошо комментирует код и объясняет каждую строку, что облегчает понимание и дальнейшее использование.
Недостатки:
- Медленная работа: Иногда сервер DeepSeek занят, и приходится ждать, что замедляет процесс.
- Ограниченная емкость для больших файлов: Нужно разбивать файлы руководства, что создает дополнительные шаги в работе.
Третий опыт: Qwen Chat
Сейчас же я собираюсь пробовать второй китайский ИИ, который также набирает популярность — Qwen Chat. В отличие от предыдущих ИИ, Qwen Chat полностью способен впитать в себя руководство Renga STDL одним файлом. Также у него есть модели с большим объемом контекста. По ощущениям он работает быстрее и лучше соображает чем описанные выше ИИ.
Преимущества:
- Обработка больших файлов: Qwen Chat способен обрабатывать большие файлы руководства без необходимости их разбиения, что значительно ускоряет процесс.
- Большой объем контекста: Его модели имеют большой объем контекста, что позволяет сохранять точность и целенаправленность на протяжении длительного времени.
- Высокая скорость работы: По ощущениям, Qwen Chat работает быстрее и более эффективно, чем другие рассматриваемые ИИ.
Недостатки:
- Пока нет собственного опыта: Поскольку я только планирую начать работу с Qwen Chat, у меня еще нет реального опыта его использования, и возможные недостатки могут быть неочевидны на данном этапе.
Заключение
Искусственный интеллект открывает новые горизонты в создании и оптимизации шаблонов стиля с использованием языка Renga STDL. Мои личные эксперименты с различными ИИ-системами показали, что каждый из них имеет свои сильные и слабые стороны.
ChatGPT демонстрирует высокую скорость работы и начальную точность, но сталкивается с потерей контекста и необходимостью использования ВПН. DeepSeek, хотя и работает медленнее, обеспечивает стабильность и качественные комментарии, что делает его хорошим выбором для долгосрочных проектов. Qwen Chat, несмотря на отсутствие пока моего практического опыта, кажется наиболее перспективным благодаря своей способности обрабатывать большие файлы и поддерживать большой объем контекста.
Таким образом, выбор подходящего ИИ зависит от конкретных задач и потребностей пользователя. Однако очевидно, что развитие ИИ в этой области имеет огромный потенциал для дальнейшего улучшения процессов проектирования в системе Renga.