Модели GPT в строительной отрасли: возможности, ограничения и применение

Модели Generative Pre-trained (GPT) от OpenAI внесли значительный вклад в область генерации языка. Модели GPT используют трансформерные модели, которые изучают статистические закономерности естественного языка, что позволяет им генерировать язык, похожий на человеческий. Серия началась с GPT-1 в июне 2018 года и с тех пор эволюционировала до GPT-2, GPT-3 и GPT-3.5 (OpenAI, 2019; Radford et al., 2019). Последнее дополнение, GPT-4, было запущено в марте 2023 года и демонстрирует значительные достижения в генерации связного и понятного текста.

Модели GPT обучаются на огромных объёмах неструктурированных текстовых данных, что позволяет им генерировать язык, почти неотличимый от текста, созданного человеком (OpenAI, 2023a,b). Ранние системы обработки естественного языка (NLP) опирались на системы, основанные на правилах, которые требовали явного программирования грамматических правил и синтаксиса. Однако у этих систем были ограничения в программировании сложных языков и лингвистических нюансов, что делало их менее адаптируемыми к новым областям или контекстам и менее масштабируемыми (Shaalan, 2010).

Рост подходов, основанных на данных, таких как модели GPT, позволил алгоритмам машинного обучения учиться на больших объёмах данных и распознавать сложные закономерности в естественном языке без явного программирования правил. API GPT-3 был представлен в июне 2020 года и стал общедоступным в ноябре 2021 года (Karhade, 2022; OpenAI, 2020). Это принесло значительные достижения в технологии NLP, сделав GPT-3 широко доступным. В январе 2022 года была выпущена версия GPT 3.5 — InstructGPT, способная обрабатывать более сложные инструкции. В 2022 году были представлены программное обеспечение для распознавания речи Whisper и обновление GPT-3.5 до text-davinci-003 в сентябре и ноябре соответственно (Karhade, 2022; OpenAI, 2023a,b; Radford et al., 2022). GPT-4 ещё больше продвинул NLP после запуска в марте 2023 года, открыв новые возможности для отраслевых приложений.

Модели GPT преобразовали область NLP, обеспечив ранее недостижимые уровни беглости и связности в машинно сгенерированном тексте (OpenAI, 2023a,b). Таблица 1 предоставляет хронологическую сводку важных этапов в разработке и выпуске моделей GPT.

Одним из основных преимуществ моделей GPT является их способность генерировать связный, беглый и почти неотличимый от человеческого текст. Эти модели эффективно использовались в различных приложениях, включая чат-ботов, генерацию контента и машинный перевод. Они могут давать ответы на открытые вопросы, что делает их важным инструментом для общения на естественном языке. Слои трансформерной нейронной архитектуры GPT используют методы внимания, чтобы сосредоточиться на определённых областях входного текста (Neelakantan et al., 2022; Vaswani et al., 2017). Модель может улавливать статистические закономерности естественного языка благодаря своей архитектуре без необходимости явного программирования синтаксиса или грамматических правил. Трансформерная сеть создаёт связный и беглый вывод, а механизм внимания позволяет модели фокусироваться на соответствующих частях входного текста (Zhang et al., 2022). Трансформерные сети, фидфорвардные нейронные сети и процессы внимания составляют строительные блоки GPT (Hernández и Amigo, 2021).

Рекомендации экспертов по оптимальным методам проектирования и строительства

Заинтересованные стороны сотрудничают на протяжении всего предпроектного этапа строительства для определения целей проекта. Цель предпроектного проектирования - определить критические аспекты и ограничения, которые будут определять последующие процессы проектирования и разработки. В настоящее время предпроектная среда определяется сочетанием традиционных подходов и специализированных технологий, каждая из которых имеет свой набор преимуществ и недостатков. Из-за когнитивных искажений и информационной перегрузки традиционная опора на экспертные знания и опыт может привести к далеко не идеальным результатам (Levy, 2010).

Проведенные исследования подтвердили важность предварительного проектирования для снижения проектных рисков, оптимизации распределения ресурсов и повышения общего успеха проекта (Guo and Zhang, 2022; Лу и др., 2020). Этот этап может быть дополнительно усовершенствован и преобразован с помощью моделей GPT, которые предоставляют экспертные рекомендации по оптимальным процедурам проектирования и строительства, что приводит к повышению производительности, снижению затрат и повышению устойчивости (OpenAI, 2023a, b).

Пользователи могут получить доступ к моделируйте, используя пользовательский интерфейс или доступ к API, чтобы запрашивать свою обширную базу знаний о лучших практиках проектирования и строительства (Smith et al., n.d.). Кроме того, эффективные подсказки могут быть написаны с использованием подхода "Действуй как есть", чтобы задействовать модель GPT в предоставлении технической информации и разъяснении оптимальных методов проектирования и строительства. Например, "Действуй как есть" было использовано, как показано на рис. 4.

Поддержка принятия решений о закупках

На этапе предварительного проектирования текущие процедуры поддержки принятия решений о закупках включают такие методы, как разработка стоимости, расчет стоимости жизненного цикла и многокритериальное принятие решений (MCDM) (Тезель и Коскела, 2023).

Эффективность этих стратегий, тем не менее, ограничена, поскольку они основаны на специальных знаниях, которые, как правило, субъективны и подвержены ошибкам со стороны человека (Ратнасабапати и Рамиздин, 2010). Более того, предыдущие исследования подчеркивали необходимость усиления обработка и анализ данных для оптимизации процесса принятия решений, особенно с учетом растущего объема проектных данных, получаемых на стадии предварительного проектирования (Будаян и др., 2015). Как утверждают McBride и соавторы (2021), модели GPT представляют собой новый подход к принятию решений о закупках на этапе предварительного проектирования путем преодоления ограничений, связанных с традиционными методологиями.

Модели GPT, обладающие мощными возможностями обработки естественного языка и машинного обучения , могут оценивать данные, предоставляя полезные рекомендации, которые поощряют принятие точных решений на основе данных (OpenAI, 2023a, b). Модели GPT также способствуют более эффективному сотрудничеству между заинтересованными сторонами посредством получения информации в режиме реального времени и прогнозного анализа (Abioye и др., 2021; Momade и др., 2021). Могут быть разработаны подсказки, позволяющие лицам, принимающим решения о закупках, быстро получать важную информацию, изучать варианты и принимать обоснованные решения.

Модели GPT можно использовать при проведении текстового анализа, чтобы получать информацию на основе отзывов поставщиков и исторических данных о закупках, описывающих продукты, для информированных пользователей. решения. Кроме того, может быть разработана интегрированная система с использованием BIM, GPT -модели и базы данных закупок. Эта интегрированная система может быть использована для запросов, связанных с закупками и автоматизацией рабочего процесса, таких как размещение заказов и обновление статуса.

Разработка технического задания по проекту и требований заказчика

Важной частью предпроектной стадии процесса строительства является разработка проектного задания и требований заказчика, часто известных как требования к информации о работодателе (EIR) в проектах BIM (Catenda, 2020; Ким и др., 2022). Разработка подробного проектного задания и детальное изложение требований заказчика являются важными этапами, которые закладывают основу для всего процесса строительства на стадии предпроектной подготовки объекта. проект.

Многочисленные методы и ограничения, такие как использование шаблонов, контрольных списков и вопросников, являются частью существующих способов сбора требований к дизайну (Assaf et al., 2023). Недавние исследования выявили многочисленные подходы и ограничения, влияющие на составление проектного задания и требований к информации работодателя (EIR) . Благодаря автоматизации некоторых процедур и развитию сотрудничества и коммуникации между проектными командами и клиентами, появление моделей GPT может полностью преобразуйте процесс разработки проектных отчетов и EIR (Шаалан, 2010).  

Например, модель GPT может быть интегрирована с существующей системой взаимодействия с клиентами и оказания им поддержки при разработке первоначальных проектных заданий (Saka et al., 2023).  На основе описания проекта модель GPT может предоставить предложения по дизайну и рекомендации по технологии. Кроме того, краткое описание можно сравнить с требованиями нормативных документов для о несоблюдении требований и потенциальных рисках можно узнать из краткого описания

 Планирование управления проектами

Планирование управления проектами имеет жизненно важное значение для успешной реализации проектов, поскольку плохое планирование может привести к перерасходу средств и времени , а также к проблемам с качеством (Asiedu и др., 2017). Он предполагает участие проектных групп и заинтересованных сторон и содержит подробные сведения о том, как проект должен быть выполнен, отслеживаться и контролироваться. Таким образом, компоненты планирования управления проектом являются базовыми для определения объема, графика, стоимости, плана управления требованиями, плана управления изменениями, плана управления конфигурацией и плана совершенствования процессов (Глоберсон и Цвикаэль, 2002).

Модели GPT, обученные на базе corpus of database, могут быть точно настроены для поддержки планирования управления проектом на этапе предварительного проектирования в определении объема, планировании, распределении и оценке ресурсов, управлении рисками и системе поддержки принятия решений. Например, с помощью подсказок модели GPT могут помочь понять влияние различных факторов на проекты и предоставить рекомендации по эффективному управлению.

Кроме того, доказано, что модели GPT применимы при определении задач и составлении расписания на основе конкретных требований проекта (Prieto et al., 2023; You et al., 2023). Таким образом, модели GPT также могут быть использованы для анализа данных и предоставления соответствующей информации руководителю проекта на этапе предварительного проектирования. Аналогичным образом, благодаря обучению с нуля, GPT может выступать в качестве хранилища отраслевых стандартов и уроков, извлеченных из предыдущих проектов , позволяя заинтересованным сторонам принимать обоснованные решения.

Этап проектирования с помощью модели GPT

 В этом разделе представлены возможности использования GPT-моделей на этапе проектирования строительных проектов.

 Формирование концепции проектирования Важным этапом в процессе проектирования является создание вариантов дизайна, которые удовлетворяют требованиям проекта. В прошлом архитекторы и инженеры в значительной степени полагались на свои личные знания и предыдущий опыт, чтобы разработка концепций дизайна вручную, которая может быть длительной и субъективной (As et al., 2018; Льюис и Секин, 1998).

Недавно GPT продемонстрировали многообещающие возможности для ускорения и совершенствования этого процесса благодаря своей способности генерировать связный, соответствующий контексту текст и изображения после обучения на больших наборах данных, содержащих информацию, относящуюся к конкретной предметной области. Например, изучая архитектурные планы, строительные нормы и правила проектирования, модели GPT могут усваивать языковые шаблоны строительной отрасли и использовать эти знания для автоматической генерации дизайнерских идей, адаптированных к конкретным условиям с учетом заданных ограничений (Zheng and Fischer, 2023). Наконец, с включением DALL-E модель GPT может использоваться для генерации дизайнерских идей с минимальным обучением. Автоматизированное соблюдение нормативных требований Соблюдение нормативных требований является важнейшим аспектом на этапе проектирования, поскольку несоблюдение этих стандартов может привести к юридическим проблемам, задержкам и угрозам безопасности. Сложность и частое обновление строительных норм и правил затрудняют специалистам по проектированию ручное обеспечение их соответствия (Dimyadi et al., 2015). Тем не менее, модели GPT могут сыграть важную роль в автоматизации проверок соответствия нормативным требованиям, уменьшении количества ошибок и оптимизации процесса проектирования. Этого можно достичь, проанализировав архитектурные и конструктивные решения и сравнив их с соответствующими строительными нормами. И наоборот, модель может выявлять потенциальные проблемы, позволяя проектировщикам устранять их до начала строительства, тем самым экономя время и сводя к минимуму дорогостоящие изменения.

Оптимизация выбора материалов

Строительная отрасль потребляет много ресурсов и вносит значительный вклад в выбросы экологически чистого газа. Выбор материалов является одним из способов снижения воздействия проекта на окружающую среду в течение его жизненного цикла. Такие факторы, как ограничения по стоимости, расположение компонента, конструктивные особенности и экологические требования, являются факторами, влияющими на выбор материала (Florez и Castro-Lacouture, 2013). Во время отбора проектировщику необходимо будет учитывать все эти факторы в сочетании с другими субъективными и объективными показателями, чтобы примите решение, которое может оказаться неоптимальным. Таким образом, в существующих исследованиях предлагается использовать различные подходы к оптимизации, такие как смешанная целочисленная оптимизация, подход с нечеткой логикой и серый реляционный анализ, для решения проблемы (Emovon и Oghenenyerovwho, 2020). Модели GPT могут быть использованы для оптимизации выбора материала с детальным учетом различных факторов и параметров. Это может быть интегрировано с BIM-моделью для оптимизации выбора материала во время проектирования и предоставления альтернативных вариантов проектирования. Это будет включать оценку выбор материалов для строительных компонентов (из BIM) на основе базы данных свойств материалов и эксплуатационных характеристик (из GPT) для соответствия заранее установленным критериям. 

Расчет количества и стоимости

Количественный анализ и калькуляция затрат являются неотъемлемой частью успешной реализации проекта, и на специалиста по количественному анализу часто возлагается эта ответственность (Сака и Чан, 2019). Модели GPT могут быть использованы для определения количества и стоимости строительных проектов путем предоставления подробных информация о проекте – дизайн, материалы и другие спецификации. Это может быть достигнуто путем предоставления текстовых данных для модели с необходимыми базами данных о стоимости и методах оценки. На основе этих данных могут быть разработаны подсказки для определения количества в проекте с разбивкой по элементам и последующей калькуляцией затрат. Кроме того, GPT можно использовать для подготовки ведомостей объемов и анализа прошлых ведомостей объемов для получения информации и составления прогнозов.  Модели машинного обучения могут быть разработаны в рамках модели GPT с использованием данных о прошлых затратах, которые могут затем можно использовать для прогнозирования стоимости новых проектов. Наконец, можно запросить GPT, чтобы указать шаги, которым следует следовать при использовании python при извлечении количеств из файла IFC для расчета количества.

Улучшение анализа энергоэффективности

На протяжении десятилетий наблюдался резкий рост спроса на энергоносители в связи с быстрым развитием строительной отрасли (Oluleye et al., 2022).  Энергоэффективность зданий в целом зависит от ограждающих конструкций, которые влияют на потребление энергии и скорость ее потери в здании (Abu Bakar et al., 2015). Модели GPT могут быть предоставлена информация о стандартах, нормативных актах, принципах пассивного проектирования, оптимизации фасадов зданий и системах использования возобновляемых источников энергии , которая может быть использована для улучшения анализа энергоэффективности. Таким образом, модели GPT могут служить руководством по выбору инструментов моделирования, интерпретации результатов, выявлению возможностей для улучшения (таких как оптимизация ориентации здания, изоляции, энергетических систем) и анализу экономической эффективности предлагаемых решений.  Генерация изображения из ChatGPT с использованием DALL-E. А. Сака и др. Разработки в области встроенной среды 17 (2024) 100300 9 анализ может быть рассчитан с помощью подсказок, разработанных для использования в модели finetuned, а документация также может быть подготовлена с помощью моделей GPT . Хотя некоторые из них возможны при обучении с нуля, для получения наилучших результатов от моделей GPT необходимо точно настроить модель и интегрировать ее с другими инструментами BIM и анализа энергоэффективности.

Техническое задание на проектирование

Являясь одной из крупнейших отраслей промышленности со встроенными сложностями, проектирование техническое задание играет решающую роль в успехе любого проекта в строительной отрасли. Техническое задание на проектирование, являясь техническим документом, содержит всю необходимую информацию для этапа проектирования процесса строительства. Существующий процесс разработки документации по техническому заданию на проектирование предполагает ручную работу, которая может занимать много времени и быть трудоемкой. Однако с внедрением моделей GPT открылись новые перспективы для автоматизации процесса разработки документации по техническому заданию на проектирование. Поскольку модели GPT могут генерировать логичный, грамматически корректный язык (Brown et al., 2020), у них есть потенциал для автоматического создания полных проектных спецификаций при наличии ключевых входных данных. Инженерам и архитекторам нужно было бы просто предоставить модели необходимую основную информацию, и она могла бы подготовить полные спецификации (Hayman, 2022; Parm AG, 2023). Это может значительно сократить усилия и ресурсы, необходимые для разработки спецификаций. Кроме того, спецификации, сгенерированные с помощью GPT, могут обладать более высокой точностью и согласованностью, чем при ручном подходе.

Этап строительства с помощью модели GPT

В этом разделе представлены возможности использования моделей GPT на этапе строительства.

 

Управление графиком проекта и логистикой

Процесс планирования предполагает разработку комплексного плана, в котором описывается последовательность действий, задачи, необходимые ресурсы и предполагаемое время, необходимое для завершения (Кастро-Лакутур и др., 2009). С другой стороны, управление логистикой включает в себя следующие этапы: продуманная разработка, внедрение и регулирование транспортировки людей, ресурсов и техники на строительную площадку и обратно (Даннун, 2022). Успешное выполнение строительного проекта зависит от эффективного планирования и логистики. Управление логистикой и планирование - сложные обязанности , поскольку цепочка поставок непредсказуема и сложна. В предыдущих исследованиях использовался гибридный подход, объединяющий смешанное целочисленное программирование (MILP) и машинное обучение (ML) для решения эти трудности, в частности, связаны с использованием моделей долговременной кратковременной памяти (LSTM) (Аль-Шихаби и Младенович, 2022).

Однако модели GPT обладают определенными преимуществами по сравнению с традиционными методами. В отличие от моделей MILP и LSTM, которые в основном оперируют структурированными и числовыми данными, модели GPT обладают способностью эффективно получать и анализировать текстовую информацию, тем самым способствуя более полному пониманию сложностей , связанных с планированием и логистикой строительных проектов. В отличие от для решения задач математической оптимизации, описанных в моделях MILP , в моделях GPT используются изученные шаблоны и представления, полученные на основе имеющихся данных. Этот подход уменьшает необходимость в явном математическом моделировании и обеспечивает более гибкий и интуитивно понятный подход к решению задач планирования и логистики при строительстве. Кроме того, использование GPT может быть использовано для реализации метода критического пути (CPM) и оценки программы, а также Метода проверки (PERT) путем ввода графика проекта.

Автоматизированное внедрение нормативного соответствия.

Сложность соблюдения нормативных требований является существенным препятствием в строительном бизнесе. Для строительных предприятий крайне важно обеспечить соблюдение множества законодательных требований и правил, основанных на результатах деятельности (Чжан и Эль-Гохари, 2016). Традиционные подходы к проверке соответствия нормативным требованиям характеризуются тем, что они, как правило, отнимают значительное количество времени, подвержены ошибкам и сильно зависят от ресурсов. То появление искусственного интеллекта (ИИ), в частности моделей GPT, открывает потенциальные возможности для повышения эффективности и автоматизации процедуры соблюдения нормативных требований. Модели GPT обладают потенциалом для упрощения соблюдения нормативных требований в строительном секторе благодаря своим возможностям обработки естественного языка (NLP) и способности к пониманию. Бич и др. (2020) утверждают, что эти модели позволяют оценить и выделить соответствующую информацию из текстовой информации, относящейся к строительным нормам и правилам. Этот процесс включает в себя преобразование извлеченной информации в логические предложения, которые затем могут быть использованы для автоматизированного анализа.

Внедрение автоматизации в процесс проверки соответствия может значительно сократить время и усилия, необходимые для оценки соответствия нормативным требованиям. Модели GPT, в частности, потенциально могут стать ценным подспорьем в области автоматизированного соблюдения нормативных требований

Выявление, оценка и смягчение рисков

Упреждающее выявление и устранение рисков может эффективно смягчить любые негативные последствия для целей проекта. Потенциальные опасности, связанные с конкретным предприятием, могут быть связаны с целым рядом факторов, включая внешние факторы, внутренние сложности, технические проблемы или непредвиденные ситуации. В период строительства существуют различные возможные источники опасностей, которые могут проявиться. Факторы в этом контексте учитываются сложность проекта, доступность ресурсов, угрозы безопасности, изменения в проекте и условия контракта (Siraj et al., 2019). Стратегии управления рисками играют решающую роль в строительном секторе, однако они не лишены присущих им ограничений. Учитывая эти ограничения, становится очевидным, что GPT обладают значительным потенциалом для улучшения идентификации, оценки и управления опасностями в строительной отрасли (Миллс, 2001; OpenAI, 2023a, b).

Модели GPT позволяют использовать их для всестороннее и гибкое выявление и оценка рисков путем тщательного изучения существенных проектных документов и исторических данных, а также возможности интеграции новой информации по мере продвижения проекта. Вышеупомянутый навык улучшает текущее понимание оценки рисков проекта (Миллер, 2016; OpenAI, 2023a; Чжэн и Фишер, 2023). Прогностическая аналитика позволяет предвидеть и оценивать возможные опасности и связанные с ними последствия, тем самым повышая общую точность профилей рисков (Cornwell et al., 2022). Подводя итог, можно сделать вывод, что GPTS обладают возможностями для автоматизации создания отчетов о рисках и различных видов коммуникации.

Внедрение этого подхода обещает повысить точность и согласованность информации о рисках, что, следовательно, снизит риск недоразумений и исключений.