Меньше рутины — меньше ошибок:
как ИИ проверяет строительные проекты

Процесс проверки строительных проектов в Украине имеет критически важное узкое место — ограниченность человеческих ресурсов: объем документации растет, требования не становятся проще, а цена ошибки остается высокой. На этом фоне Государственная инспекция архитектуры и градостроительства Украины (ГИАМ) запустила экспериментальный инструмент на базе искусственного интеллекта, который сможет анализировать проектные материалы и выявлять в них несоответствия, снимая с инспекторов значительную часть рутинной работы. Однако окончательное решение о согласовании все равно остается за человеком. Подробный материал о разработке представлен на портале LIGA.net, мы же, в свою очередь, рассмотрим здесь основные моменты внедрения.

Где процесс начинает буксовать

Строительная проверка для инспектора — это всегда работа с большим массивом взаимосвязанных решений, которые должны совпадать между собой, соответствовать исходным данным и не противоречить нормативным требованиям. Один объект может включать сотни страниц документации, чертежей, пояснительных записок, справок и так далее. Все это нужно прочитать и проверить, чтобы не пропустить ошибку, которая на бумаге выглядит мелочью, а на практике способна остановить весь процесс.

В масштабе проявляется главная проблема. Ежемесячно через ГИАМ проходят тысячи строительных документов. К тому моменту, как пакет попадает в инспекцию, он уже проходит экспертизу, но это не означает, что нагрузка исчезает. У инспекторов остается десять рабочих дней, чтобы обработать документацию и принять решение о возможности начала строительства. Для крупного объекта это означает полноценную аналитическую работу с огромным массивом данных — иногда в тысячи страниц.

 Источник: LIGA.net

В таком режиме инспектор почти постоянно работает на пределе возможностей, в напряженном ритме. Если в проекте выявлены даже формальные недостатки — технические несоответствия, расхождения между разными частями или просто отсутствие отдельной, но обязательной «бумажки» в пакете документации, — это порождает дополнительные круги согласования и существенно тормозит проект в целом.

От качества проверки напрямую зависит качество решений в строительстве. В то же время сама процедура почти полностью держится на способности человека вручную обрабатывать все больший объем информации. Рынок движется быстрее, проекты становятся сложнее, разделов в документации больше, а количество специалистов, которые должны все это качественно проверять, не растет автоматически вместе с нагрузкой. Именно поэтому возникла потребность в разработке ИИ-системы, которая могла бы взять на себя значительную часть типичной, но тяжелой и монотонной работы. ИИ для этого подходит как нельзя лучше.

Ошибки, которые стоят дороже всего

Для решения указанных проблем ГИАМ вместе с партнерами работает над созданием «Цифрового инспектора», первая пилотная версия которого ожидается в начале лета этого года. Разработчиком выступает компания Itera Ukraine — представительство крупной скандинавской IT-компании, а облачную инфраструктуру и профессиональные технологические консультации предоставляет De Novo.

Решение помогает находить потенциальные проблемы еще до подачи пакета документов на получение разрешения. Чаще всего причиной отказов или возврата заявок становятся три типа недостатков:

• Неполный пакет документов. Это ситуация, когда не хватает чертежа, справки или другого обязательного файла либо документы просто загружены с ошибкой.
• Противоречия между разными разделами. Над одним объектом часто работают десятки специалистов, поэтому в документации могут появляться расхождения в параметрах, цифрах или описаниях одного и того же решения.
• Несоответствие исходным данным. В частности, градостроительным условиям и ограничениям, которым проект должен точно соответствовать.

Именно с этими тремя группами ошибок система будет работать в первую очередь. Ее задача — дать специалисту инструмент ранней проверки, чтобы критические несогласованности выявлялись как можно раньше. Это повышает шансы пройти согласование проекта с первого раза и сэкономить время всем участникам.

Источник: LIGA.net

Однако логика разработки шире, чем просто помощь инспекции. Речь идет о массовом цифровом сервисе для всей строительной экосистемы: заказчиков, проектных организаций, экспертных структур. Отметим, что для ГИАМ это не первый опыт автоматизации. Ранее в ведомстве уже создали цифрового ассистента для контакт-центра, который помогает сотрудникам быстро находить алгоритмы действий в сложных случаях и не отвлекать инспекторов от проверки документов. Для самой инспекции это стало важным примером того, как цифровые инструменты могут снимать часть рутинной нагрузки без потери качества работы.

От десяти дней до двух часов

Умная система должна читать, распознавать, сопоставлять и анализировать проектную документацию как целостный массив данных. Поэтому на старте прототип строят с использованием комбинации нескольких больших языковых моделей, среди которых LLAMA и ChatGPT, хотя в ходе разработки набор моделей может меняться. Логика здесь вполне прикладная: одна модель лучше работает с распознаванием документов, другая — с анализом содержания, третья — с формированием вывода в заданном контексте. Система также интегрируется с Единой государственной электронной системой в сфере строительства и порталом «Дія». Именно эти цифровые контуры должны стать источником данных для ее работы.

На первом этапе система должна прочитать документ, в том числе сканированный, выделить из него текст, структурировать данные, после чего перейти к содержательной проверке. Далее в работу включается алгоритм, который остается незаметным для пользователя: в его рамках модель получает конкретный контекст, необходимый именно для этого типа проверки. Это могут быть строительные нормы, исходные данные, градостроительные условия и ограничения, а также другие параметры, с которыми нужно сверить проект. После этого система формирует вывод о том, есть ли в документации пропуски, противоречия или несоответствия.

Ключевая технология здесь — RAG (Retrieval-Augmented Generation), то есть генерация с расширенным контекстом. Ее практический смысл в том, что не нужно заранее «изучать» весь массив строительных норм, что было бы долго, дорого и не слишком гибко. Вместо этого во время анализа модель получает нужные правила, ограничения и примеры, на которые она опирается в конкретном кейсе. ГИАМ, в свою очередь, предоставляет разработчикам наборы положительных и отрицательных примеров — правильно оформленную документацию, а также пакеты с ошибками или несоответствиями.

На этой базе команда настраивает промпты, проверяет качество ответов системы и постепенно учит ее работать точнее. При этом система не имеет права на финальное решение. На первом этапе ее планируют использовать в режиме параллельной проверки: алгоритм будет анализировать документы одновременно с инспектором, после чего результаты будут сравниваться. Если система стабильно будет выдавать качественный результат, уровень ее автономности смогут повышать.

Стартовый фокус проекта — жилое строительство и общественные здания. Именно такие объекты обычно имеют наибольший объем документации и требуют максимального времени на анализ. После этапа тестирования систему планируют масштабировать и на другие типы строительства. Указаны также конкретные показатели результативности: время обработки одной заявки с полным пакетом документов должно сократиться с десяти рабочих дней до примерно двух часов.

Инфраструктура как фактор доверия

Для разработки и тестирования решения была выбрана украинская облачная платформа De Novo с AI-ускорителями. В проектах такого типа инфраструктура непосредственно влияет на уровень доверия ко всей системе, поскольку речь идет о конфиденциальных государственных данных. De Novo предоставила команде разработчиков облачные вычислительные ресурсы с мощными GPU NVIDIA на полугодовой период разработки продукта. Это среда, в которой запускаются большие языковые модели, обрабатываются крупные пакеты документов и отрабатывается взаимодействие нескольких алгоритмов одновременно.

К проекту также привлечена экспертиза оператора: директор по развитию AI/ML-бизнеса De Novo Дмитрий Федоренко выступает ментором команды разработчиков. Его роль связана с построением архитектуры решения, подбором моделей и настройкой их совместной работы в рамках одного процесса.

Критической является и локализация инфраструктуры. Данные, с которыми работает система, остаются в пределах Украины и обрабатываются в защищенном дата-центре. Это позволяет контролировать доступ к информации на уровне всей платформы и избегать рисков, связанных с передачей данных во внешние среды. Дополнительным фактором является то, что среда, в которой работает решение, соответствует требованиям международных и государственных стандартов безопасности. De Novo имеет подтверждение по ISO/IEC 27001, 27017, 27018, 27701, PCI DSS, а также КСЗИ, что означает формализованные процессы защиты данных, контроль доступа и аудит всех критических операций.

Процесс интеграции графического ускорителя NVIDIA H200 в серверную платформу.

Акселератор построен на архитектуре Hopper с использованием большого объема высокопродуктивной памяти HBM3e. Это обеспечивает существенное повышение эффективности использования GPU-кластеров и производительности при решении задач обучения и инференса AI-моделей. Стоимость NVIDIA H200 составляет около $35 тыс. за единицу.

Всю информацию планируют передавать и хранить в зашифрованном виде. Во время работы модели данные временно расшифровываются только в оперативной памяти сервера, без записи на диск, после чего результат снова сохраняется в защищенном виде. Доступ к документам и выводам ограничивается ролями пользователей через интеграцию с «Дией» и ЕГЭССС; для этого в системе должны появиться персонализированные дашборды и отдельная админпанель.

Что это меняет для инспекции и рынка

Главный эффект от внедрения системы заключается не столько в самой автоматизации, сколько в высвобождении ресурса инспекторов. Вместо того чтобы часами искать несоответствия в сотнях страниц документации, специалист будет получать структурированный аналитический вывод и сможет сосредоточиться на более сложных технических решениях. При этом ИИ не заменяет инспектора и не берет на себя ответственность за финальное решение.

Для ГИАМ это также не история о сокращении людей. В ведомстве прямо говорят о постоянном дефиците кадров, поэтому высвобожденный ресурс планируют переводить на те участки работы, где автоматизация пока невозможна или где нужна именно человеческая экспертиза. Таким образом система должна повысить эффективность всей инспекции без изменения базовой логики контроля.

В более широком смысле «Цифровой инспектор» является частью системной цифровизации строительных услуг. Для объектов строительства класса СС1 (объекты с незначительными последствиями: частные дома и хозяйственные постройки) часть заявок уже сейчас обрабатывается автоматически через «Дию», а от 20% до 30% таких заявок проходят полностью без участия инспектора. Следующий шаг — создание среды, в которой застройщик подает заявку в цифровом контуре, система автоматически подтягивает необходимые данные из государственных реестров, проверяет их и формирует результат, а человек подключается только на этапе, где действительно требуется профессиональное решение.
 

Источник: tech.liga.net/ua/preview-article/tsyfrovyy-inspektor-pomichnyk-liudyny-iak-shtuchnyy-intelekt-pereviriatyme-budivelni-proiekty/b4a5f0