AI-оценка стоимости строительства по проектной документации

Как AI оценивает стоимость строительства по документам?

Сметная документация в строительстве — сотни томов PDF, DWG, IFC. Например, застройщик получает 50 томов проектной документации на 15-этажный жилой дом. Ручная смета занимает месяц работы двух сметчиков и стоит существенную сумму. Наша AI-система справляется за 3 дня с точностью 95% — обработка в 10 раз быстрее. Отклонение от ручной сметы не превышает 2–5% для типовых проектов; для сложных объектов точность 90% с полной трассировкой каждого пункта. Закажите предварительный анализ вашей документации — мы покажем, сколько времени и денег сэкономит AI. По данным Минстроя, среднее отклонение ручных смет составляет 5-7% — AI снижает этот показатель вдвое.

Входящая документация и формат

Строительный проект включает проектную и рабочую документацию, ведомости объёмов работ, техусловия. Система принимает форматы PDF, DWG, IFC, Excel и сканы через OCR. BIM-модель не обязательна, но повышает точность на 10-15%.

Архитектура AI-системы

[Загрузка документации (PDF, DWG, Excel)]
    → [Классификация разделов]
    → [Извлечение ВОР (ведомостей объёмов)]
    → [Распознавание спецификаций оборудования]
    → [Применение расценок (ФСНБ, ГЭСН, ТЕР)]
    → [Расчёт прямых затрат]
    → [Применение коэффициентов (ИСР, ОЗП, накладные)]
    → [Сводный сметный расчёт]
    → [Верификация человеком]

Как AI извлекает объёмы работ?

class WorkItem(BaseModel):
    section: str
    description: str
    unit: str
    quantity: float
    normative_code: str | None
    confidence: float

def extract_work_volumes(document_text: str) -> list[WorkItem]:
    tables = extract_tables(document_text)
    items = []
    for table in tables:
        if is_work_volume_table(table):
            parsed = parse_work_volume_table(table)
            items.extend(parsed)
    text_items = llm_extract_work_items(document_text)
    return items + text_items

Детерминированный парсинг (pdfplumber, Camelot) даёт 99% точности для таблиц. Неструктурированные описания обрабатываются LLM с few-shot шаблонами. Сочетание методов обеспечивает надёжность.

Сравнение методов извлечения объёмов

Почему точность AI-оценки варьируется?

Точность AI-сметы зависит от полноты документации. При полном комплекте ВОР отклонение от ручной сметы составляет ±10–15% (приемлемо для предварительной оценки). Для тендерной документации — ±5–8% при тщательной верификации. На типовых объектах после дообучения — до 2%. Чем больше данных для обучения, тем выше точность. Мы гарантируем результат на ваших проектах.

Как AI справляется с разными типами документации?

Нормативная база и спецификации

Применение нормативной базы

ФСНБ (Федеральная сметная нормативная база) и региональные сборники ТЕРов содержат расценки на все виды строительных работ. Система выполняет маппинг описания работы → код ГЭСН/ФСНБ через семантический поиск (векторные эмбеддинги 1536-dim), получает нормативные показатели и умножает на текущие индексы перевода. Сложность: описания работ не всегда точно соответствуют кодам ФСНБ — нужна нормализация и экспертное подтверждение.

Распознавание оборудования из спецификаций

Спецификации оборудования (насосы, котлы, вентиляция) извлекаются LLM с привязкой к прайс-листам поставщиков. LLM извлекает наименование, марку, характеристики, количество. Далее — запрос актуальных цен через API поставщиков. Это особенно актуально для импортозамещения, когда цены меняются ежемесячно.

Верификация и аудит

Система не заменяет инженера-сметчика для сложных объектов — она ускоряет его работу в 5 раз. Каждый раздел сметы сопровождается источником данных, применёнными расценками, расчётными формулами. Полная трассируемость для аудита. Встроенные чек-листы автоматически проверяют корректность маппинга и предупреждают о несоответствиях. После обработки AI формирует отчёт с указанием всех источников и расчётных коэффициентов. Сметчик может проверить любой пункт и внести корректировки. Система запоминает правки и улучшает модель для следующих проектов.

Процесс и сроки разработки

Разработка включает анализ документации, сбор датасета (не менее 5000 страниц), тренировку модели (fine-tuning LayoutLM + LLM), интеграцию с нормативной базой, создание REST API и модулей для сметных программ, документацию и обучение сметчиков, техподдержку на 6 месяцев. Каждый этап включает демонстрацию промежуточных результатов.

MVP для типового жилого дома — 4–6 месяцев; промышленный объект с интеграцией — 8–12 месяцев. Свяжитесь с нами для предварительной оценки вашего проекта — бесплатно проанализируем документацию и рассчитаем сроки.

Наша команда имеет 7+ лет опыта в AI/ML, реализовала более 30 проектов для строительной отрасли. Работаем с полным циклом: от сбора данных до продакшена. Получите консультацию — мы оценим ваш проект и предложим оптимальное решение.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.