Périphériques technologiques
IA
Comment l'IA générative aide-t-elle à automatiser la conception architecturale ?
Comment l'IA générative aide-t-elle à automatiser la conception architecturale ?
Le secteur de la construction a commencé à utiliser l'intelligence artificielle (IA) pour effectuer des tâches quotidiennes telles que la planification et l'analyse de documents. Mais l’IA générative change la donne, déclare Francesco Iorio, PDG d’Augmenta, et elle a le potentiel de changer la façon dont les bâtiments sont conçus – en réduisant les coûts, en augmentant la productivité et en réduisant les déchets.
Des outils comme ChatGPT et DALL-E utilisent des modèles d'apprentissage automatique (ML) à grande échelle et accèdent à de grandes quantités de données étiquetées et significatives pour fournir des réponses pertinentes aux requêtes de texte et d'images. Cependant, certaines industries ont un accès limité aux ensembles de données utilisés pour entraîner les modèles de ML, ce qui rend difficile de tirer parti des avantages de l’utilisation de l’IA générative pour résoudre des problèmes du monde réel.
Le secteur de la construction en est un bon exemple. Aucun référentiel ne contient de données de balisage pour les dessins techniques du bâtiment. En effet, les sociétés d'ingénierie gardent leurs données secrètes et n'ont pas tendance à partager leur propriété intellectuelle. L’une des conséquences est que les méthodes de conception dépassées entravent la croissance du secteur de la construction. Les outils existants pour concevoir des bâtiments et leurs systèmes ne valent guère mieux qu'un crayon électronique sur papier, ce qui entraîne des conceptions impossibles à construire, un manque de coordination entre les industries et une perte de temps et de matériaux lorsqu'ils doivent inévitablement être refaits.
Cela dit, même les modèles d'IA générative de pointe comme ChatGPT, qui utilisent des ensembles de données très volumineux, diversifiés et détaillés pour former des modèles complexes, peuvent produire des résultats erronés tout en faisant preuve d'une totale indifférence quant à la confiance des résultats. Dans le cas de ChatGPT, les conséquences d’une erreur sont relativement faibles. Mais les enjeux en ingénierie sont si importants que l’adoption sûre et efficace de l’IA générative nécessitera plus que de grands modèles mathématiques de type boîte noire.
Un changement de paradigme dans la conception architecturale
Heureusement, il existe une nouvelle approche hybride des systèmes d'IA basés sur des règles qui peuvent générer de nouvelles données valides sous la forme de conceptions génératives pouvant être utilisées pour entraîner des modèles ML. L’application la plus précieuse de cette approche concerne la conception automatisée des bâtiments. Non seulement il raccourcit le processus de conception de bout en bout de plusieurs mois à quelques jours, mais il fournit également aux développeurs, architectes et ingénieurs des informations sans précédent pour les aider à prendre des décisions plus éclairées en matière de coût, de calendrier et d'efficacité.
Avantages de la conception automatisée des bâtiments dans la construction
Examinons de plus près ce que le secteur de la construction peut réaliser en automatisant le processus de conception des bâtiments.
1. Concevoir des bâtiments performants et conformes aux codes – réduire les risques, les retards et les retouches
Aujourd'hui, les architectes et les ingénieurs-conseils qui créent des conceptions de bâtiments avancées n'ont ni le temps ni suffisamment d'informations pour développer des systèmes constructibles. Par exemple, le processus de conception des systèmes mécaniques, électriques, de tuyauterie et structurels (MEP/S) est extrêmement complexe, long et sujet aux erreurs. C’est également l’une des principales causes d’erreurs, de retards, de risques et d’incertitudes.
En automatisant la conception, la vitesse du processus de conception et de construction peut être considérablement accélérée, réduisant ainsi le calendrier de construction de plusieurs mois, créant ainsi plus rapidement des bâtiments fonctionnels pour des usages résidentiels et commerciaux. En réduisant les risques et l'incertitude et en éliminant les retouches (qui ajoutent en moyenne 6 % aux coûts), les développeurs peuvent mieux planifier et budgétiser les projets, tandis que les entrepreneurs peuvent soumissionner avec plus de précision.
2. Construire un monde meilleur et plus durable
Le secteur de la construction est un grand consommateur d'énergie et de matériaux. Selon le rapport Digital Transformation and Waste Management in the Architecture, Engineering, Construction and Operations Industry d’Energy Research Frontier, jusqu’à 30 % des nouveaux matériaux de construction sont gaspillés en raison d’erreurs de conception et de retouches. L’utilisation d’un système de conception automatisé peut pratiquement éliminer ces erreurs.
L'IA générative peut également créer plusieurs alternatives de conception en parallèle, aidant ainsi à trouver des moyens de développer des bâtiments plus performants en utilisant moins de matériaux. Cela contribue également à améliorer l’efficacité énergétique – une capacité vitale étant donné que les bâtiments consomment environ 40 % de l’énergie et des ressources mondiales, selon le Programme des Nations Unies pour l’environnement. Les développeurs peuvent désormais comprendre leurs options : optimiser uniquement en fonction des coûts et du calendrier, ou concevoir simultanément une utilisation des matériaux et des opérations plus durables. La génération automatique de conceptions très détaillées garantit qu'ils ne commandent que ce dont ils ont besoin, réduisant ainsi le gaspillage de matériaux.
3. Améliorer l'efficacité et la rentabilité
En tirant parti de l'IA générative pour optimiser la conception et les performances des bâtiments, l'industrie peut non seulement réduire son empreinte carbone, mais également atteindre cet objectif de manière plus efficace et plus rentable. Il y a quelques années, on estimait que les architectes, ingénieurs et professionnels de la construction (AEC) consacraient environ 20 % de leur temps à résoudre les erreurs et les conflits causés par des erreurs de conception et de coordination. À l’échelle mondiale, cela équivaut à 280 milliards de dollars de refonte. Il ne fait aucun doute que ces chiffres augmentent à mesure que les talents se font rares et que la demande de nouvelles constructions s’intensifie.
L'IA générative apporte un niveau d'automatisation au processus de conception et de construction, permettant aux professionnels de l'AEC de créer des conceptions optimales en quelques heures au lieu de quelques semaines et en réduisant considérablement les erreurs de construction. Étant donné que les conceptions sont conçues avec un degré élevé de certitude, les professionnels de la conception peuvent être plus efficaces et consacrer moins de temps aux retouches et aux erreurs.
4. Alléger la pression de la pénurie de talents
Le secteur de la construction est confronté à une grave pénurie de talents bien formés et expérimentés et ne peut pas répondre aux besoins des projets en cours de construction. En fait, certains des plus grands syndicats du secteur prédisent qu'il y aura une pénurie de travailleurs qualifiés aux États-Unis.
La conception automatisée vise à permettre aux individus travaillant dans des entreprises de construction, des sociétés d'ingénierie et des entrepreneurs d'acquérir facilement une expérience de gestion expérimentée, permettant même aux concepteurs et ingénieurs débutants de créer des conceptions constructibles et conformes aux spécifications. Cela libère également ces personnes des méthodes traditionnelles et ennuyeuses de conception de travail. Au lieu de cela, ils peuvent prendre le temps de vraiment comprendre les besoins du client et d'explorer les options de conception et les compromis pour obtenir la meilleure conception.
5. Échelle pour répondre à la nouvelle demande de construction
Selon un rapport 2023 sur les perspectives de l'industrie de l'ingénierie et de la construction de Deloitte, les investissements dans les nouveaux projets de construction ne manquent pas. Aux États-Unis, les nouvelles unités de logement devraient atteindre 1,55 million d'unités par an, contre 583 000 unités en 2009. Compte tenu de la pénurie de travailleurs qualifiés et des taux de roulement élevés, l’industrie doit apprendre à faire plus avec moins.
L'IA générative promet d'atteindre une échelle dans l'ensemble de l'écosystème de la construction. Les entrepreneurs peuvent étendre leurs capacités de conception sans être limités par le talent ou la rétention. Les fournisseurs de pièces détachées peuvent automatiser et étendre leurs services de préfabrication pour inclure la vente d'assemblages complets et spécialement conçus plutôt que de simples pièces. Le secteur de la construction peut enfin rattraper son retard en adoptant cette technologie émergente.
Des fondations solides
Il ne fait aucun doute que le secteur de la construction est prêt à être perturbé. L’IA générative a le potentiel de changer fondamentalement le cours de l’histoire de l’architecture, en modifiant fondamentalement la façon dont nous concevons les bâtiments et la conception de ces bâtiments eux-mêmes. Même si l’IA a déjà obtenu certains résultats dans ce domaine, il est clair que le meilleur reste à venir.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Sujets chauds
ChatGPT permet désormais aux utilisateurs gratuits de générer des images en utilisant DALL-E 3 avec une limite quotidienne
Aug 09, 2024 pm 09:37 PM
Le DALL-E 3 a été officiellement introduit en septembre 2023 en tant que modèle considérablement amélioré par rapport à son prédécesseur. Il est considéré comme l’un des meilleurs générateurs d’images IA à ce jour, capable de créer des images avec des détails complexes. Cependant, au lancement, c'était exclu
Cet article vous amènera à comprendre SHAP : explication du modèle pour l'apprentissage automatique
Jun 01, 2024 am 10:58 AM
Dans les domaines de l’apprentissage automatique et de la science des données, l’interprétabilité des modèles a toujours été au centre des préoccupations des chercheurs et des praticiens. Avec l'application généralisée de modèles complexes tels que l'apprentissage profond et les méthodes d'ensemble, la compréhension du processus décisionnel du modèle est devenue particulièrement importante. Explainable AI|XAI contribue à renforcer la confiance dans les modèles d'apprentissage automatique en augmentant la transparence du modèle. L'amélioration de la transparence des modèles peut être obtenue grâce à des méthodes telles que l'utilisation généralisée de plusieurs modèles complexes, ainsi que les processus décisionnels utilisés pour expliquer les modèles. Ces méthodes incluent l'analyse de l'importance des caractéristiques, l'estimation de l'intervalle de prédiction du modèle, les algorithmes d'interprétabilité locale, etc. L'analyse de l'importance des fonctionnalités peut expliquer le processus de prise de décision du modèle en évaluant le degré d'influence du modèle sur les fonctionnalités d'entrée. Estimation de l’intervalle de prédiction du modèle
Implémentation d'algorithmes d'apprentissage automatique en C++ : défis et solutions courants
Jun 03, 2024 pm 01:25 PM
Les défis courants rencontrés par les algorithmes d'apprentissage automatique en C++ incluent la gestion de la mémoire, le multithread, l'optimisation des performances et la maintenabilité. Les solutions incluent l'utilisation de pointeurs intelligents, de bibliothèques de threads modernes, d'instructions SIMD et de bibliothèques tierces, ainsi que le respect des directives de style de codage et l'utilisation d'outils d'automatisation. Des cas pratiques montrent comment utiliser la bibliothèque Eigen pour implémenter des algorithmes de régression linéaire, gérer efficacement la mémoire et utiliser des opérations matricielles hautes performances.
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Flash Attention est-il stable ? Meta et Harvard ont constaté que les écarts de poids de leur modèle fluctuaient de plusieurs ordres de grandeur.
May 30, 2024 pm 01:24 PM
MetaFAIR s'est associé à Harvard pour fournir un nouveau cadre de recherche permettant d'optimiser le biais de données généré lors de l'apprentissage automatique à grande échelle. On sait que la formation de grands modèles de langage prend souvent des mois et utilise des centaines, voire des milliers de GPU. En prenant comme exemple le modèle LLaMA270B, sa formation nécessite un total de 1 720 320 heures GPU. La formation de grands modèles présente des défis systémiques uniques en raison de l’ampleur et de la complexité de ces charges de travail. Récemment, de nombreuses institutions ont signalé une instabilité dans le processus de formation lors de la formation des modèles d'IA générative SOTA. Elles apparaissent généralement sous la forme de pics de pertes. Par exemple, le modèle PaLM de Google a connu jusqu'à 20 pics de pertes au cours du processus de formation. Le biais numérique est à l'origine de cette imprécision de la formation,
IA explicable : Expliquer les modèles IA/ML complexes
Jun 03, 2024 pm 10:08 PM
Traducteur | Revu par Li Rui | Chonglou Les modèles d'intelligence artificielle (IA) et d'apprentissage automatique (ML) deviennent aujourd'hui de plus en plus complexes, et le résultat produit par ces modèles est une boîte noire – impossible à expliquer aux parties prenantes. L'IA explicable (XAI) vise à résoudre ce problème en permettant aux parties prenantes de comprendre comment fonctionnent ces modèles, en s'assurant qu'elles comprennent comment ces modèles prennent réellement des décisions et en garantissant la transparence des systèmes d'IA, la confiance et la responsabilité pour résoudre ce problème. Cet article explore diverses techniques d'intelligence artificielle explicable (XAI) pour illustrer leurs principes sous-jacents. Plusieurs raisons pour lesquelles l’IA explicable est cruciale Confiance et transparence : pour que les systèmes d’IA soient largement acceptés et fiables, les utilisateurs doivent comprendre comment les décisions sont prises
Apprentissage automatique en C++ : un guide pour la mise en œuvre d'algorithmes d'apprentissage automatique courants en C++
Jun 03, 2024 pm 07:33 PM
En C++, la mise en œuvre d'algorithmes d'apprentissage automatique comprend : Régression linéaire : utilisée pour prédire des variables continues. Les étapes comprennent le chargement des données, le calcul des poids et des biais, la mise à jour des paramètres et la prédiction. Régression logistique : utilisée pour prédire des variables discrètes. Le processus est similaire à la régression linéaire, mais utilise la fonction sigmoïde pour la prédiction. Machine à vecteurs de support : un puissant algorithme de classification et de régression qui implique le calcul de vecteurs de support et la prédiction d'étiquettes.
SearchGPT : Open AI affronte Google avec son propre moteur de recherche IA
Jul 30, 2024 am 09:58 AM
L’Open AI fait enfin son incursion dans la recherche. La société de San Francisco a récemment annoncé un nouvel outil d'IA doté de capacités de recherche. Rapporté pour la première fois par The Information en février de cette année, le nouvel outil s'appelle à juste titre SearchGPT et propose un c
