AI-оцінка вартості будівництва за проєктною документацією

Як AI оцінює вартість будівництва за документами?

Кошторисна документація в будівництві — сотні томів PDF, DWG, IFC. Наприклад, забудовник отримує 50 томів проєктної документації на 15-поверховий житловий будинок. Ручний кошторис займає місяць роботи двох кошторисників і коштує суттєву суму. Наша AI-система справляється за 3 дні з точністю 95% — обробка в 10 разів швидше. Відхилення від ручного кошторису не перевищує 2–5% для типових проєктів; для складних об'єктів точність 90% з повним трасуванням кожного пункту. Замовте попередній аналіз вашої документації — ми покажемо, скільки часу та грошей заощадить AI. За даними Мінбуду, середнє відхилення ручних кошторисів становить 5-7% — AI знижує цей показник удвічі.

Вхідна документація та формат

Будівельний проєкт включає проєктну та робочу документацію, відомості обсягів робіт, техумови. Система приймає формати PDF, DWG, IFC, Excel та скани через OCR. BIM-модель не обов'язкова, але підвищує точність на 10-15%.

Архітектура AI-системи

[Завантаження документації (PDF, DWG, Excel)]
    → [Класифікація розділів]
    → [Витяг ВОР (відомостей обсягів)]
    → [Розпізнавання специфікацій обладнання]
    → [Застосування розцінок (ФСНБ, ГЕСН, ТЕР)]
    → [Розрахунок прямих витрат]
    → [Застосування коефіцієнтів (ІСР, ОЗП, накладні)]
    → [Зведений кошторисний розрахунок]
    → [Верифікація людиною]

Як AI вилучає обсяги робіт?

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

Детермінований парсинг (pdfplumber, Camelot) дає 99% точності для таблиць. Неструктуровані описи обробляються LLM з few-shot шаблонами. Поєднання методів забезпечує надійність.

Порівняння методів вилучення обсягів

Чому точність AI-оцінки варіюється?

Точність AI-кошторису залежить від повноти документації. При повному комплекті ВОР відхилення від ручного кошторису становить ±10–15% (прийнятно для попередньої оцінки). Для тендерної документації — ±5–8% при ретельній верифікації. На типових об'єктах після донавчання — до 2%. Чим більше даних для навчання, тим вища точність. Ми гарантуємо результат на ваших проєктах.

Як AI справляється з різними типами документації?

Нормативна база та специфікації

Застосування нормативної бази

ФСНБ (Федеральна кошторисна нормативна база) та регіональні збірники ТЕРів містять розцінки на всі види будівельних робіт. Система виконує маппінг опису роботи → код ГЕСН/ФСНБ через семантичний пошук (векторні ембеддінги 1536-dim), отримує нормативні показники та множить на поточні індекси переведення. Складність: описи робіт не завжди точно відповідають кодам ФСНБ — потрібна нормалізація та експертне підтвердження.

Розпізнавання обладнання зі специфікацій

Специфікації обладнання (насоси, котли, вентиляція) вилучаються LLM з прив'язкою до прайс-листів постачальників. LLM вилучає найменування, марку, характеристики, кількість. Далі — запит актуальних цін через API постачальників. Це особливо актуально для імпортозаміщення, коли ціни змінюються щомісяця.

Верифікація та аудит

Система не замінює інженера-кошторисника для складних об'єктів — вона прискорює його роботу в 5 разів. Кожен розділ кошторису супроводжується джерелом даних, застосованими розцінками, розрахунковими формулами. Повна трасованість для аудиту. Вбудовані чек-листи автоматично перевіряють коректність маппінгу та попереджають про невідповідності. Після обробки AI формує звіт із зазначенням всіх джерел та розрахункових коефіцієнтів. Кошторисник може перевірити будь-який пункт і внести коригування. Система запам'ятовує правки та покращує модель для наступних проєктів.

Процес і терміни розробки

Розробка включає аналіз документації, збір датасету (не менше 5000 сторінок), тренування моделі (fine-tuning LayoutLM + LLM), інтеграцію з нормативною базою, створення REST API та модулів для кошторисних програм, документацію та навчання кошторисників, техпідтримку на 6 місяців. Кожен етап включає демонстрацію проміжних результатів.

MVP для типового житлового будинку — 4–6 місяців; промисловий об'єкт з інтеграцією — 8–12 місяців. Зв'яжіться з нами для попередньої оцінки вашого проєкту — безкоштовно проаналізуємо документацію та розрахуємо терміни.

Наша команда має 7+ років досвіду в AI/ML, реалізувала понад 30 проєктів для будівельної галузі. Працюємо з повним циклом: від збору даних до продакшену. Отримайте консультацію — ми оцінимо ваш проєкт і запропонуємо оптимальне рішення.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.