Алексей Иванов: «У ИИ нет функции «не знаю», а у проектировщика нет права на ошибку»

— Если очистить тему ИИ от маркетингового хайпа, как сегодня искусственный интеллект реально используется в проектных компаниях? 

— В большинстве проектных организаций, таких, как «Глобал ЭМ», ИИ пока не внедряется масштабно на уровне всей компании. Чаще всего это локальные прикладные решения, которые конкретные специалисты используют для повседневных задач.

Первое направление — это анализ текстов и работа с документацией. Проектировщику постоянно приходится сверять массивы документов, выискивать противоречия между нормами, а также находить несоответствия в исходных данных, когда в одном и том же ТЗ одна и та же характеристика прописана двумя разными цифрами. ИИ также помогает быстро переформатировать данные, например, перевести таблицу в список значений для расчетной программы, что сильно упрощает ручной труд.

Второе направление касается прикладного программирования и написанием скриптов. Инженеры не имеют профильного IT-образования и не умеют писать код. При этом у них регулярно возникают узкие задачи по автоматизации рутины внутри программ вроде Revit. Готовое специализированное ПО либо стоит слишком дорого, либо имеет неоправданно широкий функционал. С помощью ИИ инженер формулирует задачу, получает рабочий фрагмент кода и дорабатывает его под свои нужды.

Третий вариант использования — предварительная визуализация. Нейросети отлично подходят для быстрого поиска фасадных и дизайнерских концепций или для улучшения изображений, полученных из специализированного ПО, без изменения архитектурных решений. Но результат работы ИИ требует перепроверки и доработки, так как модели часто допускают неточности. 

— С какими ошибками нейросетей сталкиваются проектировщики?

— При визуализации курьезы зачастую происходят, когда неспециализированные отечественные модели используют из-за дороговизны зарубежных. Неспециализированный алгоритм может поставить дополнительную входную дверь, убрать окно или нарисовать вокруг объекта густой лес, которого быть не должно. 

Но если на картинках это просто неточности, то при написании кода или расчетах ошибки становятся критическими. Главная проблема ИИ заключается в том, что без предварительной настройки (промпта) он склонен предлагать решения даже в тех случаях, когда их нет при заданных исходных данных. 

Когда инженер просит ИИ написать скрипт для работы с элементами в Revit, нейросеть часто ссылается на методы, существовавшие в старых версиях или, наоборот, появившиеся только в свежих релизах, даже если в запросе четко указана версия софта. Также ИИ любит брать алгоритм из другого ПО и интерпретировать его под текущую программу и задачу. 

В итоге инженеру приходится проходить от 2 до 10 итераций уточнений, постоянно указывая нейросети на ошибки, прежде чем удастся получить рабочий результат. Специалист не должен терять критичность восприятия и слепо доверять генерациям алгоритмов без перепроверки. 

— Тем не менее, насколько применение ИИ ускоряет рабочие процессы?

— Все зависит от конкретного раздела и задачи, но на определенных участках экономия времени получается колоссальной. Поскольку у меня нет образования программиста, я не пишу код полностью самостоятельно. Тот код, который с помощью специализированных форумов и курсов я бы создавал и отлаживал в течение пяти дней, с помощью ИИ я создаю за 2–3 часа. Поэтому в локальных задачах получается ускорение процессов в разы, а иногда и в десятки раз. 

— Почему же компании не торопятся внедрять ИИ системно и на корпоративном уровне?

— На то есть причины, связанные с финансовой недоступностью, рисками безопасности и правовым вакуумом. 

Прежде всего, наиболее эффективными по-прежнему остаются крупные зарубежные языковые модели, но российские компании сталкиваются с невозможностью прямой оплаты этих сервисов с юридического лица и с ограничениями доступа. Единственная безопасная альтернатива — развернуть модель с открытым исходным кодом внутри собственного контура, однако это требует больших затрат на оборудование. Бум нейросетей во всем мире вызвал кратный рост цен на серверные комплектующие и оперативную память, и эта тенденция сохранится надолго. 

Вторым существенным фактором становятся риски утечек конфиденциальной информации. Службы безопасности крупных девелоперов строго запрещают загружать коммерческие данные и BIM-модели в сторонние облачные сервисы. Известны реальные случаи увольнения сотрудников за отправку конфиденциальных документов на обработку в чат-боты. Поэтому при работе с ИИ-моделями инженерам приходится тратить время на предварительное обезличивание документов. 

Наконец, третья преграда — это юридическая ответственность. Ответственность за любой проект полностью несет компания-проектировщик и конкретный главный инженер проекта. Если при работе с верифицированным расчетным софтом (например, Лира или SCAD) при ошибке мы еще можем вести диалог с разработчиками программного обеспечения, то переложить юридическую или финансовую ответственность на алгоритм невозможно. И такого правового механизма пока не предвидится.

— Сможет ли ИИ в ближайшем будущем самостоятельно проверять проекты на соответствие нормам вместо экспертов?

— Прямо сейчас эксперты не могут проверять документацию с помощью языковых моделей. Главная проблема кроется не в самих нейросетях, а в том, как устроена наша нормативная база. Все строительные нормы — это человекочитаемый текст, который допускает неоднозначность и субъективную трактовку разными экспертами. Чтобы дать работу алгоритму, эту субъективность нужно полностью ликвидировать. 

Работа в этом направлении идет интенсивная. Главгосэкспертиза и ФАУ «ФЦС» (Федеральный центр нормирования, стандартизации и технической оценки соответствия в строительстве) разрабатывают онтологическую модель строительных требований. Ее цель — превратить нормативы, федеральные законы и своды правил в машиночитаемые данные и связать их с классификатором строительной информации по цепочке «здание → система → материал».

Главгосэкспертиза обладает необходимым финансированием и заинтересована в скорейшей автоматизации, но пока нормы и проекты не переведены в строгий цифровой вид, проверки ИИ будут выдавать лишь набор противоречивых решений.

К тому же в исторической базе данных, на массиве которых должны обучаться алгоритмы, есть специфические проблемы. Во-первых, это прямые ошибки, допущенные проектировщиками в прошлом. Во-вторых, устаревшие нормы, когда проект был выполнен идеально для своего времени, но не соответствует сегодняшним нормативам. 

В-третьих, исключения создают Специальные технические условия, когда для сложных объектов официально согласовываются отклонения от норм на основе расчетов. Если загрузить такие проекты в ИИ, он воспримет легальное отступление от норм как общее правило. Поэтому перед обучением выборку придется долго и дорого очищать от подобных специфических контекстов.

— Могут ли крупные девелоперы создать ИИ для рынка и появится ли в России единая отраслевая нейросеть для строительства?

— Крупные застройщики уже пытаются адаптировать открытые модели под свои нужды, загружая им только внутренние базы данных, чтобы ограничить алгоритм только ими. Но девелопер никогда не отдаст эффективную наработку на открытый рынок, ведь это его коммерческое преимущество. 

Что касается отечественного ИИ для экспертизы проектов, по моему мнению, в отдаленном будущем он появится, а его базой станет система Главгосэкспертизы, обладающая самым объемным массивом данных. Это будет узкоспециализированная модель для нормативной проверки и генеративного проектирования. 

Идти к этому необходимо в условиях мирового контекста, когда ИИ превращается из инженерного софта в политический и экономический инструмент. Страны уже начинают ограничить взаимный доступ к своим технологиям, поэтому зависимость от зарубежных систем становится критическим риском. 

Отечественные цифровые гиганты двигаются быстро, и хотя их решения пока уступают специализированным западным сервисам в сверхсложных инженерных задачах, динамика развития огромна. Для локальных задач конкретного инженера использование открытых ИИ обходится бесплатно и повышает эффективность в разы, но для промышленного внедрения отрасли предстоит проделать огромный путь по закупке оборудования и цифровой перестройке всей нормативной базы.