BIM / ТИИ / AI. Блог Сергея Бирюкова
Делюсь своим представлением о информационном моделировании, как устроено с точки зрения методологии
- Channels in category
- 5 768
- This channel's rank
- № 3 474
The section failed to load.
The data did not refresh — the previous period is still shown.
Dashboard
25 October — 31 October 2026
Loading…
Audience growth
0subscribers in the period
The number of subscribers did not change in the period
Quality index
Views and reach
Subscriber engagement
Citation index
The citation index has not been calculated yet: it will appear after the nightly calculation once other channels mention the channel.
When and how much it posts
Post formats
Every post is a dot
Higher means more views, bigger means more reactions. Click a dot to open the post.
Period totals
Click a metric to see it across the period below
Ads in the channel
Top posts
By views for the period
Posts by day
Pale bars are days, the line is the 7-day average: you can see whether the channel is speeding up or slowing down
Data updated at 21:57 Moscow time. Views are the current counts of posts published on those days; average reach counts posts older than two days. How the quality index is calculated
Posts for the period
Loading…
База знаний - короткие пошаговые инструкции со скриншотами по работе в Pocket;
Глоссарий - Точные определения с практическими примерами, разбором частых ошибок и ссылками на стандарты (ISO 19650, IFC, ГрК РФ) для руководителей проектов, инженеров ПТО, стройконтроля и заказчиков.
Более того, это не только помощь в работе с Pocket через сайт, но и интеграция в сам продукт. Теперь можно находясь непосредственно в Pocket, не отрываться от выполнения своей работы получить ответы на возникшие вопросы.
Более подробно:
База знаний через сайт Pocket
База знаний в Pocket
Глоссарий
В нашем примере сведения о гибких связях были доступны. Но что произойдёт, если их убрать?
Нейросеть по-прежнему сможет вычислить оценки и поставить одну позицию первой. Однако преимущество кандидата не восстановит отсутствующее проектное решение. Выбор может опираться на закономерности обучения и другие доступные сведения, а не на подтверждённое устройство связей именно этой панели.
Поэтому “модель предложила класс” и “принадлежность к классу обоснована” - разные результаты.
При отсутствии существенных сведений система может сохранить несколько кандидатов, предложить более общую категорию или указать, что необходимо уточнить.
Недостающий признак не должен незаметно превращаться в установленный факт.
Именно здесь классификация связывается с пониманием в том смысле, который мы определили ранее. Полезный результат - это не только выбранная позиция. Важно также установить, какие сведения подтверждают выбор и что остаётся неизвестным. Проверка этих оснований - следующий этап работы с предложением нейросети.
Что даёт установленный класс
Допустим, необходимые сведения проверены и класс выбран обоснованно. Что это позволяет сделать дальше?
В иерархическом классификаторе конкретная позиция связана с более общими. Например, в нашем условном справочнике трёхслойная железобетонная стеновая панель относится к железобетонным стеновым панелям, а те - к стеновым панелям в целом.
Теперь элемент можно находить на разных уровнях подробности. Для одного запроса нужны только трёхслойные панели определённого назначения. Для другого - все железобетонные стеновые панели. Для третьего - все стеновые панели независимо от частных разновидностей.
Заново анализировать описание каждого элемента при каждом запросе не требуется: система использует установленную принадлежность и структуру классификатора. Возможность переходить от общих групп к подробным данным и обратно предусмотрена, например, в применении OmniClass. Описание CSI.
В этом смысле можно говорить о вертикальных связях: конкретный элемент получает место в системе более общих классов. Но структура классификатора не создаёт доказательств его свойств. Если исходный класс выбран ошибочно, дальнейшая группировка распространит ошибку на выборки и отчёты.
Где заканчивается классификация?
После установления класса поиск элементов, переход к общим категориям и суммирование заданных показателей могут выполняться обычными алгоритмами. Например, классификация помогает сформировать выборку наружных стеновых панелей и определить их количество.
Общий классификатор также помогает согласовать обозначения между источниками. Для обмена данными при этом необходимо договориться, какие сведения передаются, как они связаны с элементами и как трактуются принимающей системой.
Таким образом, классификация закрепляет интерпретацию элемента в согласованной системе классов и делает её пригодной для дальнейшей работы.
Но принадлежность панели к классу ещё не определяет способ её монтажа, состав сопутствующих работ, сроки поставки и стоимость. Для этих выводов потребуются связи с другими решениями и условиями проекта.
Так мы подходим к следующему уровню задачи. Вертикальные связи показывают, к каким классам относится элемент. Горизонтальные должны связать его с конкретными конструкциями, документами, технологиями, работами и ресурсами. Именно на пересечении этих связей появляется возможность перейти от вопроса “что это за элемент? ”к вопросу“ что его наличие означает для данного проекта?”.
Представим элемент модели с названием: "Базовая стена [1029275]". В принятом для проекта классификаторе необходимо найти соответствующую ему позицию. Для примера рассмотрим условный класс "Трёхслойные наружные несущие железобетонные панели с гибкими связями".
Эта формулировка содержит несколько признаков: конструкция является панелью, изготовлена из железобетона, имеет три слоя, относится к наружным конструкциям, выполняет несущую функцию и содержит гибкие связи между слоями.
Название "Базовая стена" само по себе не раскрывает все эти особенности. Поэтому система обращается к доступным сведениям об элементе: параметрам, составу, описанию типа, назначению и связанным проектным данным.
Допустим, в нашем примере доступны следующие сведения:
- Описание типа: Сборная стеновая панель;
- Состав: Железобетон / утеплитель / железобетон;
- Назначение: Наружная;
- Несущая функция: Да;
- Межслойные связи: Гибкие
Из них программа формирует описание для нейросети:
"Сборная наружная несущая стеновая панель. Состав: железобетон, утеплитель, железобетон. Межслойные связи - гибкие."
Здесь мы рассматриваем работу с текстовыми описаниями и параметрами. Если для классификации требуется анализ геометрии, его необходимо включить в обработку отдельно: текстовая модель не получает пространственную структуру BIM/ТИМ-файла автоматически.
Теперь нужно связать описание элемента с нужной позицией классификатора. Один из вариантов - организовать работу в два этапа: предварительный поиск кандидатов и их последующее нейросетевое сопоставление.
Сначала - найти кандидатов
На первом этапе выполняется векторный поиск. Модель преобразует описание элемента в численное представление - вектор. Описания классов преобразуются аналогичным образом, причём их векторы можно подготовить заранее.
Затем система вычисляет близость представления элемента к представлениям классов и отбирает ближайшие позиции.
Задача этого этапа - сузить круг поиска. Например, в предварительную выборку могут попасть:
1. Трёхслойная наружная несущая ЖБ-панель с гибкими связями;
2. Трёхслойная наружная несущая ЖБ-панель с жёсткими связями;
3. Трёхслойная наружная ненесущая ЖБ-панель с гибкими связями;
Описания похожи, но различаются инженерно значимыми признаками. Для дальнейшего выбора важно сопоставить эти различия с данными рассматриваемого элемента.
Затем - Сопоставить элемент с каждым кандидатом
На втором этапе можно использовать модель Cross-Encoder. Она получает сразу два текста: описание элемента и описание одного из найденных классов. Модель обрабатывает их совместно и выдаёт численную оценку соответствия. Эта операция повторяется для каждого кандидата, после чего система упорядочивает результаты.
Различие между этапами заключается в способе обработки. При векторном поиске сравниваются численные представления, подготовленные отдельно. Cross-Encoder обрабатывает каждую пару описаний совместно. Использование этих подходов в связке описано в документации Sentence Transformers.
Схема показывает один из вариантов реализации: векторный поиск отбирает кандидатов, Cross-Encoder оценивает соответствие каждой пары "элемент - класс".
Предположим, для нашего элемента получены следующие оценки кандидатов:
- Несущая панель с гибкими связями: 4,2;
- Несущая панель с жёсткими связями: 2,1;
- Ненесущая панель с гибкими связями: -0,8;
Числа условные: они иллюстрируют механизм, а не результаты испытания модели на строительных данных.
Число 4,2 не означает вероятность 42% или количество совпавших признаков. Это выходная оценка модели, позволяющая упорядочить кандидатов. Примеры Cross-Encoder, возвращающих такие оценки, в том числе отрицательные, приведены в документации модели.
Нейросеть использует закономерности, усвоенные при обучении, и может сопоставлять разные формулировки. Например, описание состава "железобетон / утеплитель / железобетон" может быть соотнесено с трёхслойной конструкцией. Насколько успешно конкретная модель выпо
Loading…
Loading…
Loading…
Loading…
Loading…
Loading…
Loading…
Loading…