BiM案例人工智能在建造過程中的應(yīng)用

BiM案例人工智能在建造過程中的應(yīng)用前言

由于最近一直在出差，10天飛了6個(gè)城市在4個(gè)時(shí)區(qū)停留，一直處于路途中與倒時(shí)差的狀態(tài)，所以這篇文章晚到了很久，這里向大家道歉下。

今天要說的人工智能是JoshKanner的創(chuàng)業(yè)案例。說到JoshKanner估計(jì)很多人都不認(rèn)識(shí)，但是一說到VelaSystems，很多BIM老人們就會(huì)有印象了。這個(gè)由JoshKanner一手打造的現(xiàn)場管理平臺(tái)VelaSystems在2012年被Autodesk收購，后來成了Autodesk360的重要組成部分——360Field。

2014年JoshKanner從Autodesk又跳出來開始了二次創(chuàng)業(yè)，這次他打造的是升級版智能版的360field——SmartVid。

目前美國已經(jīng)有不少總包公司開始使用SmartVid，所以這里介紹的案例也與SmartVid有關(guān)。一開始是想通過案例來介紹這個(gè)工具，但是為了能更好的說明背后的思路，所以我在融入案例同時(shí)直接介紹這個(gè)工具以及蘊(yùn)含在背后的開發(fā)理念。

人工智能

1955年的時(shí)候，兩位科學(xué)家做了一個(gè)名為"邏輯專家"(LogicTheorist）的程序：它將每個(gè)問題都表示成一個(gè)樹形模型，然后選擇最可能得到正確結(jié)論的那一枝來求解問題。這個(gè)程序被許多人認(rèn)為是第一個(gè)AI程序。1956年，“人工智能”的概念被正式提出。隨著計(jì)算機(jī)應(yīng)用的普及，以學(xué)習(xí)數(shù)據(jù)推倒映射的機(jī)器學(xué)習(xí)，以及用復(fù)雜、龐大的神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)的深度學(xué)習(xí)開始逐漸成為研究的主流。NVIDIA對人工智能發(fā)展階段的定義

機(jī)器學(xué)習(xí)是人工智能研究較為年輕的分支，自80年代開始變得活躍。其基本目標(biāo)是學(xué)習(xí)一個(gè)從X到Y(jié)的函數(shù)（映射），來做分類或者回歸的工作。最簡單的案例就是通過一封郵件的特征來進(jìn)行一系列的是與否判斷從而斷定是否為垃圾郵件。機(jī)器學(xué)習(xí)經(jīng)常和數(shù)據(jù)挖掘聯(lián)系在一起是因?yàn)楝F(xiàn)在好多數(shù)據(jù)挖掘的工作是通過機(jī)器學(xué)習(xí)提供的算法工具實(shí)現(xiàn)的。

決策樹是機(jī)器學(xué)習(xí)基于所獲取知識(shí)的主要表示形式之一：用決策樹來劃分物體的類屬，樹中每一內(nèi)部節(jié)點(diǎn)對應(yīng)一個(gè)物體屬性，而每一邊對應(yīng)于這些屬性的可選值，樹的葉節(jié)點(diǎn)則對應(yīng)于物體的每個(gè)基本分類。

這也是目前建設(shè)行業(yè)用的比較多的知識(shí)表達(dá)形式（拓展閱讀：BiM雜談｜未來建造的邏輯與知識(shí)）DecisionTree

基于決策樹與所積累的知識(shí)，管理人員可以設(shè)計(jì)一個(gè)學(xué)習(xí)決策樹（learneddecisiontree），使得機(jī)器可以基于設(shè)定的邏輯與知識(shí)，對某個(gè)未發(fā)生的數(shù)據(jù)或條件進(jìn)行學(xué)習(xí)并判斷、預(yù)測結(jié)果。LearnedDecisionTree

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)里面目前比較火的一個(gè)方向（也是個(gè)大坑），本身是神經(jīng)網(wǎng)絡(luò)算法的衍生，用復(fù)雜、龐大的神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)對“經(jīng)驗(yàn)”的依賴性很強(qiáng)，計(jì)算機(jī)需要不斷從解決一類問題的經(jīng)驗(yàn)中獲取知識(shí)，學(xué)習(xí)策略。而深度學(xué)習(xí)的其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，以模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本。所以深度學(xué)習(xí)是在機(jī)器學(xué)習(xí)基礎(chǔ)上更為智能的概念。

基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)

SmartiVid

SmartVid是一款基于收集的各類項(xiàng)目數(shù)據(jù)，通過對數(shù)據(jù)的提取與歸類，再利用機(jī)器學(xué)習(xí)對數(shù)據(jù)進(jìn)行分析的工具。SmartVid的目的是是通過對數(shù)據(jù)的管理從而提高項(xiàng)目信息的協(xié)同能力、優(yōu)化對數(shù)據(jù)的管理、以及現(xiàn)場的管理。

SmartVid的研發(fā)團(tuán)隊(duì)主要是原VelaSystems的人員。2014年開始投入研發(fā)，最近1年來，SmartVid逐漸進(jìn)入主流AEC的視野。SmartVid

數(shù)據(jù)的來源

從前文所述，機(jī)器學(xué)習(xí)是用數(shù)據(jù)或以往的經(jīng)驗(yàn)，以此優(yōu)化計(jì)算機(jī)程序的性能標(biāo)準(zhǔn)。所以機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)是“統(tǒng)計(jì)學(xué)”，需要大量的數(shù)據(jù)來作為支撐。

我們傳統(tǒng)的獲取信息的方式往往是通過標(biāo)準(zhǔn)化的表格或者人工的錄入來實(shí)現(xiàn)。但是任何標(biāo)準(zhǔn)化的信息獲取流程最后常常是以失敗告終，因?yàn)槿诵缘臐撘庾R(shí)是隨性的，對標(biāo)準(zhǔn)化以及額外的工作是抵觸的。

于是JoshKanner從People-Process-Technology這個(gè)思路出發(fā)，避開通過增加信息錄入的流程來獲取項(xiàng)目數(shù)據(jù)，而是將SmartVid直接連入我們?nèi)粘５臏贤ê蛥f(xié)同平臺(tái)，以獲取點(diǎn)點(diǎn)滴滴的數(shù)據(jù)。數(shù)據(jù)的來源溝通是項(xiàng)目管理的基礎(chǔ)，為了項(xiàng)目實(shí)施我們會(huì)進(jìn)行各種方式的溝通：比如發(fā)送文字信息，發(fā)送現(xiàn)場照片、視頻，比如我們用語音對話，比如現(xiàn)場的監(jiān)控，再比如我們在項(xiàng)目協(xié)同平臺(tái)上進(jìn)行的種種文件共享。

SmartVid便是通過接入這些我們?nèi)粘９芾淼臏贤ɑ騾f(xié)同平臺(tái)，來收集我們在解決項(xiàng)目問題時(shí)所發(fā)生的瑣碎信息。所有信息的獲取不需要任何表單或者人為的錄入。SmartVid的信息獲取

信息的處理

在獲得了各類零碎的項(xiàng)目數(shù)據(jù)后，SmartVid通過設(shè)定的邏輯在所有的信息中提取關(guān)鍵詞，同時(shí)對信息進(jìn)行識(shí)別確定信息所從屬的對象。信息篩選完后，將提取的數(shù)據(jù)進(jìn)行重新組合，使得對象具備屬性，屬性里是對象數(shù)據(jù)。

舉個(gè)簡單的例子，比如我們在日常工作中可能會(huì)發(fā)現(xiàn)某些安全或質(zhì)量隱患需要及時(shí)上報(bào)。這個(gè)時(shí)候項(xiàng)目管理人員可能會(huì)拍一張照片或者視頻，然后附著一段語音來描述問題：“3層西側(cè)走廊的送風(fēng)管道安裝位置有問題”。

這只是我們?nèi)粘９ぷ髦袩o數(shù)次會(huì)遇到的問題。隨著時(shí)間的推移，這些數(shù)據(jù)也會(huì)逐漸流逝。但在SmartVid中，這些數(shù)據(jù)會(huì)被記錄并重新進(jìn)行結(jié)構(gòu)組合保存下來：通過圖像識(shí)別技術(shù)SmartVid會(huì)認(rèn)識(shí)到圖片中有諸如“風(fēng)管、水管”之類的對象，通過語音識(shí)別，電腦給這些對象添加了“位置”“系統(tǒng)”“質(zhì)量”這樣的屬性，同時(shí)電腦通過語音“學(xué)習(xí)”到圖片中的風(fēng)管是送風(fēng)，位置在3層西側(cè)走廊，出現(xiàn)了安裝偏移的問題。于是“送風(fēng)”、“3層西側(cè)走廊”、“安裝偏移”變成了這個(gè)對象在“位置”“系統(tǒng)”“質(zhì)量”三個(gè)屬性里的參數(shù)。信息的提取與歸類

SmartVid將獲取的信息做成了矩陣式的結(jié)構(gòu)。通過不斷的信息獲取以及邏輯網(wǎng)絡(luò)的設(shè)置，于是電腦不斷的“學(xué)習(xí)”，在某個(gè)階段，電腦可能通過海量的信息處理知道了這個(gè)風(fēng)管在“位置”、“系統(tǒng)”、“加工單位”、“安裝人員”

“設(shè)計(jì)單位”等種種屬性的參數(shù)，而這些屬性也成為了其他對象的屬性。

于是通過前期的邏輯關(guān)系設(shè)置，電腦根據(jù)海量的信息整理出了針對項(xiàng)目的強(qiáng)大的信息邏輯矩陣。

信息的使用

矩陣式的數(shù)據(jù)結(jié)構(gòu)為SmartVid在信息的雙向提取創(chuàng)造了很大的便利：通過對信息的收集與處理形成一個(gè)智能的“信息樓宇”。比如在某天，某個(gè)房間的管道出現(xiàn)問題，管理者可以通過矩陣式的數(shù)據(jù)迅速找到當(dāng)時(shí)發(fā)生在這個(gè)部位與這個(gè)管道發(fā)生的所有數(shù)據(jù)。比如，管理人員想看某處隱蔽工程的內(nèi)部情況，SmartVid會(huì)迅速在海量信息中尋找出這處隱蔽工程當(dāng)時(shí)的圖像或者文字。信息的重新組合與再提取再比如，項(xiàng)目的某個(gè)對象出現(xiàn)了質(zhì)量隱患，在發(fā)現(xiàn)質(zhì)量問題后，管理者可以把項(xiàng)目所有同類對象具有相似屬性的數(shù)據(jù)進(jìn)行調(diào)出。

目前SmartVid還在繼續(xù)對收集的項(xiàng)目數(shù)據(jù)進(jìn)行進(jìn)一步挖掘。隨著以后數(shù)據(jù)的來源及樣本的越來越豐富，JoshKanner表示未來肯定會(huì)發(fā)掘出更多的數(shù)據(jù)價(jià)值。

智能識(shí)別

圖像識(shí)別是SmartVid另一項(xiàng)重要的技術(shù)，也是目前人工智能中相對成熟的技術(shù)。如前文所說的，SmartVid每天會(huì)對項(xiàng)目海量的圖片及視頻進(jìn)行處理，通過圖像識(shí)別技術(shù)，SmartVid可以對圖像中的對象進(jìn)行辨認(rèn)，以確定圖像中出現(xiàn)的對象以及其身份。

圖像中的對象識(shí)別

隨著技術(shù)的發(fā)展，或者未來在錄入項(xiàng)目管理人員的ID后，我們的工具能識(shí)別出照片里的每個(gè)人，以進(jìn)行更好的信息分類，方便我們的精細(xì)化管理以及數(shù)據(jù)的可追溯性。機(jī)器學(xué)習(xí)用于安全管理

值得一提的是，JoshKanner還設(shè)定了各種安全隱患的識(shí)別邏輯，通過每天項(xiàng)目管理人員在工作中傳遞的圖片與視頻，SmartVid會(huì)自動(dòng)識(shí)別照片中出現(xiàn)的安全隱