Métodos de utilización de IA generativa (ChatGPT, generación de imágenes) en arquitectura y ingeniería civil

La IA conversacional ChatGPT y la generación de imágenes como Midjourney, entre otras IAs generativas (Generative AI), han cobrado gran relevancia en la actualidad y se espera que transformen significativamente la sociedad y las industrias. En este artículo nos enfocaremos en los sectores de bienes raíces, construcción y desarrollo urbano, considerando el historial de la IA generativa, las investigaciones más recientes y ejemplos de servicios, para presentar posibles aplicaciones futuras de la IA generativa.

¿Qué es la IA generativa?

Definición de IA generativa

Como la IA generativa se encuentra aún en su etapa inicial, las definiciones varían ligeramente. A continuación presentamos ejemplos de definiciones propuestas por empresas e instituciones de investigación líderes.

La IA generativa se refiere a una categoría de IA que utiliza sistemas llamados redes neuronales para analizar datos, identificar patrones y usar esos patrones para generar o crear nuevos resultados como texto, fotografías, videos, código, datos y más.

La IA generativa se refiere a modelos de aprendizaje profundo que pueden generar contenido de alta calidad, como texto e imágenes, basándose en datos previamente entrenados.

La IA generativa se refiere a algoritmos (como ChatGPT) que pueden utilizarse para crear nuevo contenido como voz, código, imágenes, texto, simulaciones, videos y más.

En resumen,

• basándose en datos de entrenamiento,

• utilizando aprendizaje profundo,

• para generar nuevo contenido

son los puntos clave de la definición de IA generativa.

Historia de la IA generativa

La IA generativa tiene dos flujos principales de desarrollo: el procesamiento del lenguaje natural y la visión por computadora.

• En el procesamiento del lenguaje natural, comenzó con Hidden Markov Models (HMMs) (Knill & Young, 1997) y Gaussian Mixture Models (GMMs) (Reynolds & Others, 2009), modelos que generaban datos continuos como voz y series temporales. Con la llegada del aprendizaje profundo, el desempeño de los modelos generativos mejoró significativamente, y las Recurrent neural networks (RNN) se introdujeron en tareas de modelado de lenguaje, permitiendo modelar dependencias relativamente largas. Después del desarrollo de Transformer architecture (Vaswani et al., 2017), este modelo se convirtió en la base principal para diversos modelos generativos posteriores como GPT, llegando hasta la actualidad.

• En visión por computadora, comenzó con Texture synthesis (Efros & Leung, 1999) y Texture mapping (Heckbert, 1986), algoritmos que generaban imágenes complejas y diversas basadas en características diseñadas manualmente, pero tenían límites en su capacidad de generar grandes volúmenes. En 2014, se desarrollaron técnicas como Generative Adversarial Networks (GANs) (Goodfellow et al., 2020), Variational Autoencoders (VAEs) y modelos de difusión generativa (Song & Ermon, 2019), permitiendo un control más fino del proceso de generación de imágenes y la creación de imágenes de alta calidad. Posteriormente, la combinación de Transformer architecture (Vaswani et al., 2017) con visión por computadora llevó este concepto aún más lejos, permitiendo salidas basadas en imágenes y posibilitando también tareas multimodales.

Se espera que en el futuro continúe mejorando la precisión de la generación y que avance la multimodalidad con mayor diversidad en tipos y combinaciones de entradas y salidas.

Tipos de IA generativa

Los principales modelos de IA generativa que han surgido recientemente se clasifican según su formato de entrada y generación, como se muestra en el siguiente diagrama (Gozalo-Brizuela & Garrido-Merchan, 2023).
Como la Transformer architecture (Vaswani et al., 2017) especializada en procesamiento del lenguaje natural sirve como base, muchos modelos tienen entrada de texto. Los formatos de generación incluyen no solo texto e imágenes, sino también 3D, video, audio, código de programación y más. Además, modelos como Flamingo y VisualGPT tienen formatos de entrada basados en imágenes.

Métodos de aplicación de la IA generativa en arquitectura e ingeniería civil

En esta sección describimos cómo se puede aplicar la IA generativa en los sectores de arquitectura e ingeniería civil. Primero ofrecemos un panorama de cómo se ha utilizado la IA en estos sectores hasta ahora, y luego abordamos las posibilidades de aplicación de la IA generativa. Explicaremos el sector de arquitectura e ingeniería civil dividiéndolo en tres procesos: procesos de planificación y diseño, procesos de construcción, y procesos de operación y mantenimiento.

Ejemplos previos de aplicación de IA

Para más detalles, por favor consulte este artículo.

Procesos de planificación y diseño

• Generación y emulación de diseño (Huang & Zheng, 2018; Liu et al, 2017)

• Evaluación de diseño (Lorenz et al., 2018; Y. Zhang et al., 2018)

• En diseño estructural, predicción de respuestas y desempeño de estructuras, interpretación de datos experimentales, reconocimiento de patrones en datos de monitoreo de salud estructural, etc. (Sun et al, 2021)

• Creación de modelos BIM a partir de datos de escáner láser (Tang et al., 2010)

• Análisis de registros BIM para investigar formas de mejorar la productividad del diseño (Pan & Zhang, 2020)

Procesos de construcción

• Creación de cronogramas que minimicen costos de financiamiento del proyecto (Alavipour & Arditi, 2019)

• Detección del uso inadecuado de equipo de protección personal como botas de seguridad, cascos y ropa de trabajo, exposición a zonas peligrosas, riesgos de caídas, incumplimiento de procedimientos de seguridad o flujos de trabajo planificados (Fang et al., 2020)

• Automatización de la manufactura (Hatami Mohsen et al., 2019)

• Predicción de costos logísticos en etapas de construcción utilizando máquinas de vectores de soporte (SVM) (Tian et al., 2009)

• Predicción del consumo de energía de edificios (Himeur et al., 2021; Wang & Srinivasan, 2017)

• Identificación automática de residuos de construcción utilizando visión por computadora (Kuritcyn et al., 2015)

Procesos de operación y mantenimiento

• Detección y evaluación automática de defectos y daños en diversos tipos de infraestructura como edificios, puentes, túneles, carreteras, alcantarillados, etc. (grietas, desprendimientos, corrosión, agujeros, daños en uniones, etc.) (C. Zhang et al., 2020)

• Detección y diagnóstico de fallos en sistemas de energía de edificios (HVAC, etc.) (Y. Zhao et al, 2019)

• Predicción de la antigüedad de edificios (Tooke et al., 2014)

• Predicción de demanda eléctrica para redes inteligentes (Raza & Khosravi, 2015)

Métodos de aplicación de la IA generativa

Considerando cómo se ha utilizado la IA en arquitectura e ingeniería civil hasta ahora, a continuación presentamos métodos para aplicar la IA generativa.

Procesos de planificación y diseño

• Etapa de entrevista

  • Resumir y abstraer datos de texto de entrevistas con clientes y administraciones.

  • Generar automáticamente presupuestos basados en entrevistas con clientes.

• Etapa de investigación bibliográfica

  • Extraer información importante de documentos requeridos en proyectos de licitación competitiva.

  • Con un modelo de diálogo especializado en construcción, se puede consultar a la IA sobre regulaciones como zonificación en diferentes regiones.

• Etapa de diseño

  • Generar automáticamente imágenes de diseño basadas en entrevistas con clientes.

  • Mostrar imágenes de diseño y generar múltiples imágenes relacionadas.

  • Generar modelos 3D e importarlos en BIM/CIM.

Procesos de construcción

• Etapa de adquisición

  • Crear nuevos presupuestos y órdenes de compra basándose en información previa de presupuestos y órdenes de compra.

• Etapa de construcción

  • Con un modelo de diálogo especializado en construcción, se puede consultar sobre formas de proceder en la obra cuando surge alguna duda.

Procesos de operación y mantenimiento

• Etapa de monitoreo

  • Ingresar imágenes de estructuras o sistemas de climatización y generar reportes de diagnóstico de fallas (FDD).

• Etapa de mantenimiento

  • Ingresar imágenes o videos de partes con diagnóstico de deterioro de edificios o estructuras y generar automáticamente reportes de mantenimiento.

Conclusión

Hemos revisado la historia y tipos de IA generativa, así como ejemplos previos de aplicación de IA, y examinado posibles aplicaciones de la IA generativa. En esencia, consideramos que se trata de una tecnología que reemplaza habilidades y conocimientos humanos avanzados que existen entre la entrada y la salida. Se espera que esta tecnología contribuya significativamente a mejorar la vida de las personas a través del mejoramiento de los sectores de arquitectura e ingeniería civil.

Si lo desea, también puede consultar nuestros artículos sobre métodos de aplicación de funcionalidades extendidas como LangChain que permiten integración con datos externos y AutoGPT que permite automatizar tareas.

Finalmente, mign continúa creando constantemente soluciones pioneras mundiales en arquitectura e ingeniería civil utilizando tecnologías de vanguardia, con el objetivo de realizar una sociedad próspera. Actualmente estamos enfocados en IA generativa (ChatGPT y generación de imágenes) y en desarrollo, y podemos atender soluciones relacionadas con lo anterior, así que si tiene interés no dude en contactarnos.

Formulario de contacto (sitio web)
https://www.mign.io/contacts/new

Correo electrónico
contact@mign.io

Comunicados de prensa sobre soluciones ChatGPT especializadas en arquitectura e ingeniería civil
https://prtimes.jp/main/html/rd/p/000000020.000100410.html
https://prtimes.jp/main/html/rd/p/000000023.000100410.html

Comunicado de prensa de la solución de generación de imágenes con IA especializada en arquitectura e ingeniería civil
https://prtimes.jp/main/html/rd/p/000000013.000100410.html
https://prtimes.jp/main/html/rd/p/000000022.000100410.html

Otros comunicados de prensa
https://prtimes.jp/main/html/searchrlp/company_id/100410

Referencias

• Alavipour, S. M. R., & Arditi, D. (2019). Time-cost tradeoff analysis with minimized project financing cost. Automation in Construction, 98, 110–121.

• Efros, A. A., & Leung, T. K. (1999). Texture synthesis by non-parametric sampling. Proceedings of the Seventh IEEE International Conference on Computer Vision, 2, 1033–1038 vol.2.

• Fang, W., Love, P. E. D., Luo, H., & Ding, L. (2020). Computer vision for behaviour-based safety in construction: A review and future directions. Advanced Engineering Informatics, 43, 100980.

• Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139–144.

• Gozalo-Brizuela, R., & Garrido-Merchan, E. C. (2023). ChatGPT is not all you need. A State of the Art Review of large Generative AI models. In arXiv [cs.LG]. arXiv. http://arxiv.org/abs/2301.04655

• Hatami Mohsen, Flood Ian, Franz Bryan, & Zhang Xun. (2019). State-of-the-Art Review on the Applicability of AI Methods to Automated Construction Manufacturing. Journal of Computing in Civil Engineering, 368–375.

• Heckbert, P. S. (1986). Survey of Texture Mapping. IEEE Computer Graphics and Applications, 6(11), 56–67.

• Himeur, Y., Ghanem, K., Alsalemi, A., Bensaali, F., & Amira, A. (2021). Artificial intelligence based anomaly detection of energy consumption in buildings: A review, current trends and new perspectives. Applied Energy, 287, 116601.

• Knill, K., & Young, S. (1997). Hidden Markov Models in Speech and Language Processing. In S. Young & G. Bloothooft (Eds.), Corpus-Based Methods in Language and Speech Processing (pp. 27–68). Springer Netherlands.

• Kuritcyn, P., Anding, K., Linß, E., & Latyev, S. M. (2015). Increasing the safety in recycling of construction and demolition waste by using supervised machine learning. Journal of Physics. Conference Series, 588, 012035.

• Lorenz, C.-L., Packianather, M., Spaeth, A., & Bleil De Souza, C. (2018). Artificial neural network-based modelling for daylight evaluations. SimAUD 2018, Delft, The Netherlands. https://orca.cardiff.ac.uk/id/eprint/112040/

• Martineau, K. (2023, April 20). What is generative AI? IBM Research Blog; IBM. https://research.ibm.com/blog/what-is-generative-AI

• McKinsey & Company. (2023, January 19). What is generative AI? McKinsey & Company. https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai

• Microsoft News Center. (2023, April 4). AI explained. Stories. https://news.microsoft.com/2023/04/04/ai-explained/

• Pan, Y., & Zhang, L. (2020). BIM log mining: Exploring design productivity characteristics. Automation in Construction, 109, 102997.

• Reynolds, D. A., & Others. (2009). Gaussian mixture models. Encyclopedia of Biometrics, 741(659-663). http://leap.ee.iisc.ac.in/sriram/teaching/MLSP_16/refs/GMM_Tutorial_Reynolds.pdf

• Song, Y., & Ermon, S. (2019). Generative modeling by estimating gradients of the data distribution. Advances in Neural Information Processing Systems, 32. https://proceedings.neurips.cc/paper/2019/hash/3001ef257407d5a371a96dcd947c7d93-Abstract.html

• Tang, P., Huber, D., Akinci, B., Lipman, R., & Lytle, A. (2010). Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques. Automation in Construction, 19(7), 829–843.

• Tian, J., Gao, M., & Zhou, S. (2009). The Research of Building Logistics Cost Forecast Based on Regression Support Vector Machine. 2009 International Conference on Computational Intelligence and Security, 1, 648–652.

• Tooke, T. R., Coops, N. C., & Webster, J. (2014). Predicting building ages from LiDAR data with random forests for building energy modeling. Energy and Buildings, 68, 603–610.

• Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. https://proceedings.neurips.cc/paper/7181-attention-is-all

• Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews, 75, 796–808.

• Zhang, C., Chang, C.-C., & Jamshidi, M. (2020). Concrete bridge surface damage detection using a single‐stage detector. Computer-Aided Civil and Infrastructure Engineering, 35(4), 389–409.

• Zhang, Y., Burton, H. V., Sun, H., & Shokrabadi, M. (2018). A machine learning framework for assessing post-earthquake structural safety. Structural Safety, 72, 1–16.