Изображение создано при помощи модели Шедеврум
Проектные решения в строительстве становятся сложнее, требования к безопасности и соответствию нормам ужесточаются. Ручной анализ заданий на проектирование (ЗНП) становится узким местом в инженерных процессах. В статье для IQ Media эксперты рассказывают об ИИ- приложении, автоматизирующем проверку соответствия ЗНП законодательным строительным требованиям. Тестирование приложения показало колоссальную экономию времени при анализе заданий и точнейшее выявление отсутствующих требований. Разбираемся, как применять и развивать новую систему.
Авторы: главный специалист частного учреждения «Атомстандарт» Игорь Мищенко; директор по инновационным архитектурным решениям АО «Кодекс» Руслан Хабибуллин
Содержание:
Проектирование в строительстве, энергетике и других отраслях промышленности требует строгого соблюдения нормативных документов — от общих государственных стандартов (ГОСТ) до специализированных сводов правил (СП) и строительных норм и правил (СНиП).
Задание на проектирование (ЗНП) – основной документ, определяющий цели, условия и требования к проекту. Его корректность и полнота напрямую влияют на безопасность, сроки и стоимость реализации объекта.
Однако анализ заданий на соответствие нормам традиционно выполняется вручную. Этот процесс трудоемок, часто связан с человеческими ошибкам и сильно зависит от квалификации исполнителя. Пропуск одной ссылки на обязательный стандарт может привести к отказу в экспертизе, переделкам и финансовым потерям.
Современные технологии больших языковых моделей (LLM) открывают новые возможности для автоматизации таких задач. В отличие от классических систем с жесткими правилами, LLM способны понимать контекст, интерпретировать неструктурированный текст и формулировать выводы на естественном языке. Однако применение этих технологий в промышленности сдерживается проблемами конфиденциальности данных и зависимости от облачных сервисов.
Существует локальное приложение на основе большой языковой модели, автоматизирующее проверку соответствия ЗНП – нормам. Система разработана с учетом специфики российской нормативной базы, поддерживает разнородные форматы документов и может использоваться в защищенных корпоративных сетях без передачи данных в облако.
Такой комбинированный подход, объединяющий извлечение текста, сравнение с нормативной базой и генерацию аналитических выводов с помощью LLM, весьма эффективен. Он ощутимо повышает качество и скорость проектирования.
Проектную документацию традиционно анализировали с помощью систем управления проектами (PMIS – Project Management Information System) и CAD-приложений, таких, как AutoCAD и Revit, которые поддерживают базовые проверки правил. Но эти системы ограничены рядом правил и не способны анализировать текстовые требования.
В области NLP (natural language processing – обработка естественного языка) и юридического анализа разработаны системы, такие как LexPredict и ROSS Intelligence, которые используют машинное обучение для поиска и интерпретации нормативных документов. Однако они ориентированы на англоязычные правовые базы и требуют облачного доступа.
В последние годы появились исследования по применению LLM в инженерии. Ряд разработчиков предложили использовать BERT-подобные модели (они «читают» текст, учитывая связи между всеми словами, вместо того, чтобы рассматривать их независимо) для анализа технической документации, но без интеграции с технологиями оптического распознавания текста (OCR) и без поддержки русского языка. Работы по информационному моделированию строительных объектов (BIM, Building Information Modeling) и AI показывают хорошие перспективы, но сосредоточены на 3D-моделях, игнорируя текстовую часть проекта.
Одна из главных проблем в предлагаемых решениях – отсутствие локальных, автономных решений для анализа русскоязычных проектных документов с поддержкой сканированных PDF-документов и нормативных баз. Предлагаемое приложение направлено на решение этой проблемы. Оно сочетает современные NLP-методы с практическими требованиями промышленного проектирования.
Предложенная система состоит из четырех основных компонентов:
- Модуль извлечения текста: обрабатывает PDF, DOCX, TXT с поддержкой OCR для сканированных документов.
- Модуль нормативной базы: загружает требования из папки, содержащей файлы в форматах Excel, JSON, TXT и DOCX.
- Модуль сравнения: выявляет наличие нормативных требований и ссылок в ЗНП и определяет отсутствующие.
- Модуль анализа на основе LLM: формирует выводы, рекомендации отчет.
Система развернута локально с использованием фреймворка Ollama (платформа с открытым исходным кодом, позволяющая пользователям локально запускать большие языковые модели на своих устройствах), что обеспечивает конфиденциальность данных. В качестве модели выбрана открытая LLM с 14 млрд параметров с хорошей поддержкой русского языка и возможностью работы без интернета.
Для обработки документов реализован универсальный механизм:
1. Для PDF- файлов текст сначала извлекается с помощью библиотеки `PyPDF2`. Если текст отсутствует (сканированный PDF), документ конвертируется в изображения с помощью `pdf2image` и обрабатывается `pytesseract` с поддержкой русского и английского языка.
2. Для файлов типа DOCX/DOC используется библиотека `python-docx`. Для файлов TXT – прямое чтение с кодировкой UTF-8.
3. Для Windows нужна установка библиотек Poppler и Tesseract OCR, на Linux они устанавливаются через пакетные менеджеры.
Система автоматически сканирует папку «Строительные нормы» (в ней содержатся все требования из реестра строительных требований), извлекая требования из указанной папки с последующей нормализацией текста (удаление пробелов и пр.) для точного сравнения с текстом задания на проектирование.
Алгоритм следующий:
1. Извлекаются все нормативные требования из ЗНП.
2. Они сравниваются с нормализованным списком требований.
3. Формируются списки найденных и отсутствующих требований.
LLM не просто констатирует факты, а может интерпретировать контекст (например, может учитывать тип здания из дополнительного поля с контекстом). Важна и возможность формулировать выводы по результатам выполненного анализа.
Приведем пример одного из выводов модели: «Проект не соответствует СП 56.13330.2019: отсутствует ссылка на требования к вентиляции».
Также модель дает рекомендации на основе выводов. Вот пример: «Добавьте ссылку на СП 56.13330.2019 в раздел Инженерные системы».
Промпт сразу структурирован в коде приложения для минимизации галлюцинаций и включает четкие инструкции.
Ниже представлен внешний вид нового приложения.
Экранный интерфейс ИИ-приложения
Два слова о технической реализации приложения для автоматизированного анализа заданий.
Система реализована на Python 3.10 с использованием:
- gradio — веб-интерфейса.
- Ollama — локального сервера LLM.
- Библиотеки pytesseract, pdf2image реализация OCR.
- Библиотеки pandas, PyPDF2, python-docx – обработка текста.
Развертывание модели происходит локально на ПК, ноутбуке или сервере.
Приложение тестировалось на 11 реальных заданиях на проектирование объектов в сфере промышленного и гражданского строительства. Объем представленных заданий составлял от 33 до 85 страниц.
Ключевыми метриками для тестирования приложения были: полнота выявления отсутствующих требований, среднее время анализа и сокращение времени протекания процесса.
Тестирования показало результаты:
1. Полнота выявления отсутствующих требований – 97%.
2. Среднее время автоматического анализа – 13 минут.
3. Среднее время проверки работы ИИ-приложения экспертом – 45 минут.
4. Суммарное время анализа заданий с помощью приложения – 58 минут.
5. Сокращение длительности процесса – в 16,5 раз. Ручной анализ заданий до автоматизации мог занимать в среднем 16 часов.
Заключение по анализу задания на соответствие строительным нормам:
1. Обнаруженные требования:
В задании на проектирование и строительство подстанции скорой медицинской помощи полностью учтены требования, указанные в реестре, включая:
- Основания для проектирования и строительства (постановление Правительства Москвы № 1930-ПП, финансирование через имущественный взнос города Москвы).
- Район и площадь строительства (площадь 7184,80 кв. м, плотность застройки 20,96, предельная высота 38 м).
- Функциональное назначение объекта (подстанция скорой помощи, вид разрешенного использования 3.4).
- Этажность и планировочные решения (3 этажа + технические помещения, согласование с Департаментом здравоохранения Москвы).
- Сроки выполнения работ (проектирование – до 25.07.2026, строительство – до 20.12.2028).
- Технико-экономические показатели (соответствие Медико-технологическому заданию).
- Требования к проектной документации (разработка цифровой информационной модели, согласование с заказчиком и конечным пользователем).
Все указанные требования соответствуют действующим строительным нормам, включая:
- Градостроительный кодекс РФ (ст. 48, требования к проектной документации).
- Постановление Правительства РФ № 87 от 16.02.2008 (объем и содержание проектной документации).
- Нормы разрешенного использования земельного участка (код 3.4, здравоохранение).
- Требования к высоте и плотности застройки (38 м и 20,96 – в пределах допустимых значений для Москвы).
2. Отсутствующие требования:
Все требования, указанные в реестре, выполнены. Нет недостающих положений, которые могли бы нарушать строительные нормы.
3. Общие выводы:
- Соответствие строительным нормам: задание на проектирование и строительство объекта полностью соответствует требованиям, установленным в реестре, а также действующим нормативным документам (Градостроительный кодекс РФ, постановления Правительства Москвы и РФ).
- Все указанные в реестре требования (включая технические, организационные, временные и функциональные) учтены в задании.
- Соответствие функционального назначения: подстанция скорой помощи соответствует требованиям к здравоохранительным учреждениям, включая обеспечение доступности, безопасности и соответствия санитарным нормам.
- Сроки и этапы реализации: проектирование – до 2026 года, строительство – до 2028 года соответствуют типовым срокам реализации подобных объектов в условиях Москвы.
Итог:
Задание соответствует всем строительным требованиям, установленным в реестре, и действующим нормативным документам. Все требования выполнены. Отсутствуют нарушения, связанные с планировкой, функциональным назначением, сроками реализации и техническими параметрами объекта.
Новое решение имеет практическую ценность по целому ряду показателей:
- Скорость анализа выросла в 16,5 раз.
- Его качество позволяет исключить человеческий фактор.
- Интерфейс прост и доступен – экспертную систему могут использовать даже начинающие инженеры.
- Локальное развертывание приложения позволяет исключить утечку данных.
- Экспертная система не заменяет инженера, но выступает в роли ИИ-ассистента, что позволяет кратно повысить продуктивность инженеров-проектировщиков и снизить когнитивную нагрузку на персонал.
У приложения есть и ограничения. Во-первых, это качество распознавания документов без текстового слоя. OCR зависит от разрешения и качества сканирования. Во-вторых, встроенная модель может генерировать неточные рекомендации при неполном контексте. В-третьих, приложение в текущей версии не обрабатывает графические элементы (например, таблицы).
Современные ИИ-системы, подобные разработанной, – лишь первый шаг на пути к созданию интеллектуальных ассистентов нового поколения, способных не просто проверять соответствие, а глубоко понимать, интерпретировать и оптимизировать проектные решения.
В ближайшие годы ожидается трансформация от автоматизированных проверок к интегрированным экспертным системам, встроенным в жизненный цикл проектирования.
Рассмотрим ключевые направления развития и их применение в различных отраслях экономики.
Наиболее очевидное и быстрое развитие таких экспертных приложений – интеграция больших языковых моделей с BIM (Building Information Modeling) и PLM (Product Lifecycle Management) системами. Уже сегодня ряд платформ содержат структурированные данные о проектах. ИИ-модели могут автоматически проверять соответствие параметров проекта различным нормам, выявлять конфликты между дисциплинами (архитектура vs инженерные сети), генерировать отчеты о соответствии на этапе проектирования и пр. Такие приложения могут применяться в строительстве, промышленном проектировании, энергетике и других отраслях экономики.
Нормативы часто меняются, но в проектах разработчики могут ссылаться на устаревшие редакции документов.
ИИ-системы могут отслеживать актуальные версии нормативных документов, предупреждать о вступлении в силу новых правил и рекомендовать обновление ссылок в проектах.
Современные мультимодальные модели (LLaVA, Qwen-VL и др.) уже способны анализировать изображения. В ближайшие годы ИИ-системы смогут анализировать текст на чертежах, проверять соответствие схем нормам, считывать паспортные данные оборудования и сравнивать с проектными заданиями.
Для снижения рисков галлюцинаций и повышения точности работы новые ИИ-системы перейдут от «слепой» генерации к поиску в базе знаний.
Технологии RAG (Retrieval-Augmented Generation) позволят перед генерацией ответа найти в нормативной базе релевантные фрагменты и цитировать конкретные пункты стандартов. RAG-технология, используемая в новых ИИ-ассистентах, содействует верификации разрабатываемых решений. Инженер сам сможет проверить, на каком основании дана рекомендация.
На этом промежутке времени ожидается появление централизованных цифровых платформ, объединяющих актуальные версии национальных и международных стандартов, региональные требования и корпоративные стандарты. ИИ-системы будут подключаться к этим хабам, обеспечивая единое нормативное поле для всей отрасли.
Будущие системы не просто найдут, что отсутствует, а предскажут, что может пойти не так. Они спрогнозируют риски на этапе проектирования (например, вероятен отказ в экспертизе из-за отсутствия расчета по пожарной безопасности), посоветуют, как оптимизировать проекты (скажем, замена материала снизит стоимость проекта на 15% без потери качества). Анализ жизненного цикла проекта/изделия позволит определить соответствие требованиям эксплуатации, ремонта и утилизации.
ИИ-ассистенты станут частью систем управления проектами. Речь, например, о выполнении автоматических проверок проектов перед утверждением.
Ожидается появление специализированных ИИ-приложений, способных выполнять типовые проектные задачи (такие, как разработка узлов, расчет нагрузок), проходить внутренние и внешние экспертизы и взаимодействовать с другими ИИ-приложениями (архитектура, конструкции, инженерные сети).
Такие ИИ-приложения будут работать под контролем человека, но смогут выполнять до 60–70% рутинных задач.
Развитие ИИ-систем для анализа проектной документации – неизбежный этап цифровой трансформации инжиниринга. От простых чек-листов мы движемся к интеллектуальным экосистемам, где умные алгоритмы смогут повысить качество и безопасность проектов.
Новые экосистемы во многом освободят инженеров от рутины и повысят эффективность процессов инжиниринга.
Разработанное приложение сочетает передовые технологии ИИ с практическими требованиями инженерных процессов, обеспечивая высокую скорость, точность и безопасность. Благодаря применению локальных LLM это решение пригодно для защищенных промышленных сред.
Новый подход применим в отраслях, где критична проверка на соответствие нормам. В дальнейшем необходимы интеграция с инженерными системами, создание экосистемы нормативного контроля и повышение автономности ИИ-приложения.
Система готова к масштабированию, что открывает новые горизонты для цифровизации инжиниринга в России.
Редактировала Ольга Соболевская
В подписке — дайджест статей и видеолекций, анонсы мероприятий, данные исследований. Обещаем, что будем бережно относиться к вашему времени и присылать материалы раз в месяц.
Спасибо за подписку!
Что-то пошло не так!
