Делимся ответами на вопросы слушателей подкаста про AI на стройке.
Во время трансляции мы получили много вопросов. Евгений Силяев, исполнительный директор AI4E, подготовил ответы.
AI4E ответы на вопросы про AI в стройке
Интеграция с государственными документами
Была ли практика интеграции не только со стандартами организации, но и с государственными документами: ГОСТ, ТУ, Приказы, Методики?
Может даже интеграция с решением «Техэксперт» или «Консультант Плюс»?
Наш основной опыт лежит в области локальных документов компаний. Но с технической точки зрения, работа с ГОСТами или приказами — это аналогичная задача. Для модели нет разницы: ГОСТ или внутренний регламент — это структурированный текст, который нужно проанализировать. Принципиальных сложностей здесь нет.
Что касается интеграции с базами вроде «Техэксперт» или «Консультант Плюс» — это очень логичный и перспективный шаг. Мы видим в этом большой потенциал, хотя пока таких проектов в работе и не было.
Затраты на оборудование
Какое оборудование используете в работе и сколько оно стоит?
Работаю с локальными LLM Arena, для чего требуется видеокарта 24гб. Не каждый пользователь готов тратиться. А для работы в компании потребуется несколько профессиональных видеокарт, которые стоят от 1 млн руб.
Вы затронули очень важный практический аспект. Действительно, входной билет для локального развертывания LLM требует серьезных капитальных вложений и экспертизы. Поэтому мы предлагаем клиентам готовое решение на наших серверах. Для российского рынка это решает сразу несколько ключевых задач:
- Вопросы безопасности с суверенитетом данных, так как вся обработка идет на территории России
- Стабильность доступа в обход внешних ограничений
- Экономика проекта, где компания переходит от капитальных затрат к операционным
Такой подход мы видим как оптимальную отправную точку. Стоимость готового юнита — то есть сервера, полностью готового к работе — составляет 6-8 млн рублей.
Экономический эффект от ИИ
Можете поделиться кейсами применения ИИ с подтвержденным экономическим эффектом для организации?
Это абсолютно правильный и, пожалуй, самый важный вопрос. И на него нет простого ответа, потому что экономический эффект от внедрения ИИ бывает разным.
Например, я упоминал в подкасте кейс с генерацией рендеров для архитектурных проектов: вместо того чтобы платить подрядчику 300 тысяч рублей за визуализацию, компания делает это силами ИИ за условные 30 тысяч. Здесь прямая экономия, эффект виден сразу и его легко посчитать.
Но в большинстве сложных бизнес-процессов, особенно в интеллектуальной работе, эффект делится на две части.
1 часть
Прямой, но более сложный для подсчета эффект. Он складывается из экономии времени на рутинных операциях.
Возьмем наш кейс с ассистентом для инженеров в строительной компании.
Задача: Инженеру нужно найти в проектной документации (тысячи страниц) информацию о конкретном узле или примененном стандарте.
Раньше: Это занимало от 15 минут до нескольких часов ручного поиска.
Сейчас: Он задает вопрос ассистенту и получает точный ответ со ссылкой на документ за 30 секунд.
А теперь простая математика, которую каждый руководитель может применить к своей компании. Допустим, у вас 50 инженеров. Каждый из них экономит на подобном поиске хотя бы 1 час в день. Это 50 человеко-часов ежедневно. В месяц — это более 1000 часов. Умножьте это на среднюю стоимость часа вашего специалиста, и вы получите вполне конкретную, прямую экономию. Это десятки миллионов рублей в год, которые компания больше не тратит на неэффективную работу. На нашем сайте в разделе "Решения" мы постарались посчитать прямой эффект для основных продуктов, для компании в 100 человек.
2 часть
Косвенный, но стратегически более важный эффект. И вот здесь начинаются самые большие деньги, которые сложно зашить в Excel-таблицу.
Снижение рисков. Что, если инженер не нашел нужный регламент и на стройплощадке допустили ошибку? Стоимость такой ошибки — это не просто часы работы, это миллионы на переделки и срыв сроков. ИИ-ассистент страхует от таких дорогостоящих ошибок.
Скорость принятия решений. Пока конкуренты неделю ищут данные для принятия решения, ваша команда принимает его за день. Цена недельного промедления на большом проекте может быть очень высока.
Сохранение экспертизы. Ключевой сотрудник уволился, и вместе с ним ушли его знания. Система, обученная на внутренних документах и проектах, сохраняет эту экспертизу внутри компании.
Поэтому, говоря об экономическом эффекте, мы всегда разделяем простые, понятные кейсы, как с рендерами, и более сложные, комплексные внедрения. В последних прямая экономия времени — это лишь верхушка айсберга. Основная же ценность лежит в снижении рисков и ускорении бизнес-процессов.
Ошибки и контроль качества
Как быть с ошибками? А они случаются.
Как вы их выявляете и регулируете последующие генерации?
Идеальных моделей не бывает — это правда. Процесс контроля качества у нас строится на нескольких принципах.
- Обратная связь от пользователей. Это самый ценный источник данных для донастройки. Мы всегда предусматриваем простой механизм, чтобы пользователь мог пометить ответ как удачный или неудачный.
- Постоянная калибровка. На основе обратной связи и анализа логов мы корректируем работу системы. Основные инструменты здесь — это промпт-инжиниринг, управление контекстом, правильный выбор инструментов (RAG, tool callin и т.д.), управление параметрами модели (температура, различные штрафы и т.д.) или, в некоторых случаях, замена самой модели на более подходящую.
Это итерационный инженерный процесс, а не единоразовая настройка.
Транскрибация аудиовстреч
Модель, которая выполняет транскрибацию аудиовстреч, обучена на специфической терминологии строительных проектов?
Мы используем модели общего назначения, которые удивительно хорошо справляются со специфической строительной лексикой. Однако, если для проекта требуется максимальная точность, мы применяем посточистку транскрибированного текста — система на основании контекста заменит мойку на стройку. А если прослушать сырую запись — вы удивитесь, насколько то, что было произнесено, отличается от того, что осталось в нашем мозгу. Мозг — невероятно мощный сумматор и фильтр.
Выделяет ли нейросеть отдельных выступающих?
Возможно ли ее дообучить для распознавания участников встречи конкретного заказчика?
Диаризация — разделение речи по спикерам — уже реализована и работает. Система помечает, где говорит «Спикер 1», а где «Спикер 2»). Это стандартная функция.
Система может распознать спикера в рамках организации при условии, что человек на встрече сказал не пару фраз, а сгенерировал существенный объем данных. Но нужно понимать, что это не уровень биометрии, а скорее голосовые маркеры. Однако вычислительные ресурсы, которые нужны, чтобы включить этот функционал не всех — пока не покрывают 5-секундной работы редактора.
Эффективные решения на базе лучших моделей
Ваша компания использует только готовые предобученные модели, делая "надстройку" над ними в виде агентов, или разрабатывает свои собственные модели?
Мы специализируемся на прикладном применении ИИ для решения конкретных бизнес-задач. Разработка фундаментальных моделей с нуля — это область работы таких гигантов, как Google или OpenAI. Наша же ключевая экспертиза — создавать из лучших доступных моделей готовые бизнес-решения. Мы выступаем как архитекторы и интеграторы: подбираем оптимальную модель (или комбинацию моделей) настраиваем их, считаем экономику, разрабатываем прикладные решения, создаем агентов для взаимодействия и встраиваем в IT-ландшафт клиента.
Расчет стоимости и проверка смет
Возможна ли загрузка строительных смет?
И в каком формате, чтобы оперативно посчитать стоимость объекта?
Можно ли проверить смету на соответствие проектной или рабочей документации?
Да, конечно. Для загрузки подойдут сметы в любых распространенных форматах — XLS, XML, JSON, даже сканы PDF. Более того, ключевая возможность здесь — создание единого контекста из разных документов. Система может одновременно анализировать смету, проектную документацию (РД, ПД) и техническое задание, чтобы автоматически выявлять несоответствия: расхождения в объемах работ, материалах, ценах. Это позволяет на раннем этапе находить дорогостоящие ошибки.
Прогнозирование рыночной стоимости недвижимости
Были ли кейсы с предсказанием цены недвижимости?
Напрямую прогнозированием рыночной стоимости недвижимости мы не занимались. Это достаточно волатильная область, и все очень сильно зависит от моделей, предпосылок и заложенных алгоритмов. ИИ может выступить в роли “рук” этого процесса. Но для качественного результата нужна “голова”.
Работа в AI4E
Как устроится в AI4E?
Лучший способ начать диалог — прислать резюме и пару слов о себе на info@ai4e.ru Мы всегда рады пообщаться с единомышленниками, увлеченными прикладным ИИ.