Ваш купон на скидку:
Специалисты российской платформы для управления строительством Signal провели серию из семи экспериментов по автоматизированной проверке проектной документации с применением нейросетевых моделей. Целью исследования стало определение способности искусственного интеллекта выявлять инженерные несоответствия. Для тестирования использовали комплект из 40 страниц документации и контрольный набор из 14 заранее заданных дефектов, включающий следующие категории ошибок:
Расхождения между чертежами и спецификациями.
Ошибки в арифметических расчетах и размерных характеристиках.
Некорректные перекрестные ссылки между листами документации.
Несоответствие данных о массе и количестве элементов.
Противоречия между отдельными листами и сводными ведомостями.
Наилучшую эффективность в ходе тестов продемонстрировала модель GPT-6 Astra. Она обнаружила 13 из 14 контрольных дефектов, что соответствует результату в 93%. Всего системой было сформировано 23 замечания, из которых 21 подтверждено инженером, одно признано спорным и одно — ложным, что обеспечило уровень подтверждаемости около 91%. Другие модели показали значительно меньшую точность: например, GPT-5.6-sol нашла 8 из 14 контрольных проблем, а локальная мультимодальная модель Qwen3-VL 8B при генерации 47 замечаний подтвердила только одно из них и частично обнаружила лишь один контрольный дефект.
Технический директор Signal Александр Попов отметил, что практическая ценность внедрения ИИ в строительную сферу определяется одновременным ростом доли обнаруженных реальных проблем и высокой точностью формируемых замечаний. По его словам, результат в 13 из 14 выявленных дефектов при подтверждаемости более 90% позволяет рассматривать технологию в качестве инструмента для первичной проверки проектной документации. При этом эксперты Signal подчеркивают, что эффективность ИИ напрямую зависит от сценария организации проверки. В ходе экспериментов одна и та же модель в разных запусках находила от 5 до 12 замечаний, что указывает на необходимость разделения процесса поиска ошибок на отдельные узкоспециализированные сценарии.
На текущем этапе развития технологий нейросети способны успешно сопоставлять данные между листами, проверять перекрестные ссылки и выявлять аномальные значения, включая расчеты массы и количественных показателей конструкций. Тем не менее, полная замена инженера-проверяющего невозможна, так как самостоятельная интерпретация нормативов и СП приводит к росту ложных замечаний. Разработчики Signal полагают, что наиболее надежная схема работы заключается в обнаружении потенциального несоответствия нейросетью с последующей сверкой через базу нормативной документации и финальным утверждением решения специалистом.
В настоящее время ИИ Checker функционирует как отдельное приложение, однако в планах компании стоит его интеграция в среду общих данных Signal Docs. Это позволит автоматизировать предварительный контроль документации, при котором инженер будет получать готовый комплект с отметками проблемных мест для последующей обработки. По мнению разработчиков, основной экономический эффект от внедрения данных решений заключается в снижении объемов рутинной работы, связанной со сверкой спецификаций и перекрестных ссылок, хотя точная оценка производительности потребует проведения дальнейших тестов на расширенном объеме проектов.