Méthodes d'utilisation de l'IA générative (ChatGPT, génération d'images) dans le domaine de l'architecture et des travaux publics

Les IA génératives telles que ChatGPT pour la conversation interactive et Midjourney pour la génération d'images font beaucoup parler d'elles et sont attendues pour transformer profondément la société et les industries. Ici, en nous concentrant sur les domaines de l'architecture et du génie civil, notamment l'immobilier, la construction et l'aménagement urbain, nous aimerions présenter des exemples de méthodes d'utilisation futures de l'IA générative, en nous appuyant sur l'historique de l'IA générative, les dernières recherches en IA et les cas d'utilisation de services.

Qu'est-ce que l'IA générative ?

Définition de l'IA générative

Comme l'IA générative en est encore à ses débuts, les expressions de sa définition varient légèrement. Voici des exemples de définitions proposées par les principales entreprises et instituts de recherche.

L'IA générative est une catégorie d'IA qui utilise un système appelé réseau de neurones pour analyser les données, identifier des motifs et utiliser ces motifs pour générer ou créer de nouveaux résultats tels que du texte, des photos, des vidéos, du code et des données.

L'IA générative désigne des modèles d'apprentissage profond capables de générer du contenu de haute qualité, tel que du texte ou des images, en se basant sur les données d'apprentissage.

L'IA générative désigne les algorithmes (tels que ChatGPT) qui peuvent être utilisés pour créer du nouveau contenu, comme la voix, le code, les images, le texte, les simulations et les vidéos.

En résumé,

• sur la base des données d'apprentissage,

• en utilisant l'apprentissage profond,

• générer du nouveau contenu

c'est la essence de la définition de l'IA générative.

Historique de l'IA générative

L'IA générative a deux principaux courants de développement : le traitement du langage naturel et la vision par ordinateur.

• Dans le traitement du langage naturel, on a commencé par les Modèles de Markov cachés (HMMs) (Knill & Young, 1997) et les Modèles de mélange gaussien (GMMs) (Reynolds & Others, 2009). Ces modèles généraient des données continues, telles que la parole et les séries chronologiques. Depuis l'émergence de l'apprentissage profond, les performances des modèles génératifs se sont considérablement améliorées, et les réseaux de neurones récurrents (RNN) ont été introduits pour les tâches de modélisation du langage, permettant de modéliser des dépendances relativement longues. Après le développement de l'architecture Transformer (Vaswani et al., 2017), ce modèle est devenu la base principale de divers modèles génératifs ultérieurs tels que GPT, et reste ainsi jusqu'à présent.

• Dans la vision par ordinateur, on a commencé par la synthèse de textures (Efros & Leung, 1999) et le placage de textures (Heckbert, 1986). Ces algorithmes généraient des images complexes et variées basées sur des caractéristiques conçues manuellement, mais leur capacité de génération en masse était limitée. En 2014, des méthodes telles que les réseaux adverses génératifs (GANs) (Goodfellow et al., 2020), les autoencodeurs variationnels (VAEs) et les modèles de diffusion générative (Song & Ermon, 2019) ont été développées, permettant un contrôle plus fin du processus de génération d'images et la création d'images de haute qualité. Par la suite, la combinaison de l'architecture Transformer (Vaswani et al., 2017) avec la vision par ordinateur a permis de repousser davantage ce concept et d'activer des résultats basés sur les images. Cela a également rendu possible la réalisation de tâches multimodales.

À l'avenir, on s'attend à une amélioration de la précision de la génération et à une progression vers la multimodalité, avec une plus grande diversité des types et des combinaisons d'entrées et de sorties.

Types d'IA générative

Les principaux modèles d'IA générative apparus récemment sont classifiés selon le format d'entrée et de génération comme dans la figure ci-dessous (Gozalo-Brizuela & Garrido-Merchan, 2023).
Comme l'architecture Transformer (Vaswani et al., 2017) spécialisée dans le traitement du langage naturel en est la base, la plupart des entrées sont du texte. En termes de format de génération, il y a non seulement du texte et des images, mais aussi une grande variété comme la 3D, la vidéo, l'audio et le code de programme. De plus, Flaming et VisualGPT prennent les images comme format d'entrée.

Méthodes d'application de l'IA générative dans le domaine de l'architecture et du génie civil

Cette section décrit comment l'IA générative peut être utilisée dans le domaine de l'architecture et du génie civil. Nous commencerons par un aperçu de la manière dont l'IA a été utilisée dans le domaine de l'architecture et du génie civil jusqu'à présent, puis nous examinerons les possibilités d'application de l'IA générative. Le domaine de l'architecture et du génie civil est divisé en trois processus : la planification et la conception, la construction et l'exploitation et la maintenance.

Exemples d'utilisation antérieure de l'IA

Veuillez consulter cet article pour plus de détails.

Processus de planification et de conception

• Génération et émulation de conceptions (Huang & Zheng, 2018; Liu et al, 2017)

• Évaluation de la conception (Lorenz et al., 2018; Y. Zhang et al., 2018)

• Dans la conception structurale, prédiction de la réponse et des performances de structures, interprétation des données expérimentales, reconnaissance de motifs dans les données de suivi de la santé structurale, etc. (Sun et al, 2021)

• Création de modèles BIM à partir de données de balayage laser (Tang et al., 2010)

• Analyse des journaux BIM pour examiner les méthodes d'amélioration de la productivité de la conception (Pan & Zhang, 2020)

Processus de construction

• Création d'étapes de projet pour minimiser les coûts de financement du projet (Alavipour & Arditi, 2019)

• Détection de l'utilisation inappropriée d'équipements de protection tels que les chaussures de sécurité, les casques et les vêtements de travail, l'exposition aux zones dangereuses, le risque de chute et le non-respect des procédures de sécurité ou des flux de travail planifiés (Fang et al., 2020)

• Automatisation de la fabrication (Hatami Mohsen et al., 2019)

• Prédiction des coûts de logistique lors de la phase de construction à l'aide de machines à vecteurs de support (SVM) (Tian et al., 2009)

• Prédiction de la consommation énergétique des bâtiments (Himeur et al., 2021; Wang & Srinivasan, 2017)

• Identification automatique des déchets de construction à l'aide de la vision par ordinateur (Kuritcyn et al., 2015)

Processus d'exploitation et de maintenance

• Détection et évaluation automatiques des défauts et dégâts affectant diverses sortes d'infrastructures sociales, telles que les bâtiments, les ponts, les tunnels, les routes et les conduites d'égout (fissures, délaminages, corrosion, trous, dégâts aux joints, etc.) (C. Zhang et al., 2020)

• Détection et diagnostic des défaillances des systèmes énergétiques des bâtiments (CVAC, etc.) (Y. Zhao et al, 2019)

• Prédiction de l'âge du bâtiment (Tooke et al., 2014)

• Prédiction de la charge électrique pour les réseaux intelligents (Raza & Khosravi, 2015)

Méthodes d'application de l'IA générative

En nous appuyant sur la manière dont l'IA a été utilisée dans le domaine de l'architecture et du génie civil comme décrit ci-dessus, cette section décrit les méthodes d'application de l'IA générative.

Processus de planification et de conception

• Phase d'entretien

  • Résumer et abstraire les données textuelles des entretiens avec les clients ou les autorités publiques.

  • Générer automatiquement des devis en fonction des entretiens avec les clients.

• Phase d'étude documentaire

  • Extraire les informations importantes des documents requis pour les projets d'appels d'offres concurrentiels.

  • Avec un modèle conversationnel spécialisé en construction, vous pouvez poser des questions à l'IA sur les réglementations telles que le zonage de chaque région.

• Phase de conception

  • Générer automatiquement des images de conception en fonction des entretiens avec les clients.

  • Afficher l'image de conception et générer plusieurs images connexes.

  • Générer des modèles 3D et les importer dans BIM/CIM.

Processus de construction

• Phase d'approvisionnement

  • Créer de nouveaux devis et bons de commande en tenant compte des informations des devis et bons de commande précédents.

• Phase de construction

  • Avec un modèle conversationnel spécialisé en construction, vous pouvez poser des questions si vous avez des doutes sur la façon de procéder aux travaux.

Processus d'exploitation et de maintenance

• Phase de suivi

  • Entrer des images de structures ou de systèmes de climatisation et générer un rapport de diagnostic des défaillances (FDD).

• Phase de maintenance

  • Entrer des images ou des vidéos relatives à la section de diagnostic de la dégradation des bâtiments ou des structures et générer automatiquement un rapport de maintenance.

Résumé

Nous avons examiné l'historique et les types d'IA générative, ainsi que des exemples d'utilisation antérieure de l'IA, et avons étudié les méthodes d'application de l'IA générative. Fondamentalement, nous pensons qu'elle remplace le savoir-faire avancé et les connaissances humaines existant entre les données d'entrée et de sortie. On s'attend à ce qu'elle devienne une technologie qui contribue grandement à l'enrichissement de la vie des gens grâce à l'amélioration du domaine de l'architecture et du génie civil.

Si vous le souhaitez, veuillez également consulter nos articles sur les méthodes d'utilisation des fonctionnalités avancées telles que LangChain, qui permet l'intégration avec des données externes, et AutoGPT, qui peut automatiser les tâches.

Enfin, mign développe continuellement des solutions inédites au monde dans le domaine de l'architecture et du génie civil en utilisant la technologie de pointe, et vise la réalisation d'une société riche. Actuellement, nous nous concentrons sur l'IA générative (ChatGPT et génération d'images) et poursuivons le développement. Nous sommes en mesure de développer et de mettre en œuvre des solutions liées aux éléments ci-dessus. N'hésitez pas à nous contacter si vous êtes intéressé.

Formulaire de contact (site web)
https://www.mign.io/contacts/new

Adresse électronique
contact@mign.io

Communiqués de presse sur les solutions liées à ChatGPT spécialisées dans le domaine de l'architecture et du génie civil
https://prtimes.jp/main/html/rd/p/000000020.000100410.html
https://prtimes.jp/main/html/rd/p/000000023.000100410.html

Communiqué de presse sur la solution de génération d'images IA spécialisée dans le domaine de l'architecture et du génie civil
https://prtimes.jp/main/html/rd/p/000000013.000100410.html
https://prtimes.jp/main/html/rd/p/000000022.000100410.html

Autres communiqués de presse
https://prtimes.jp/main/html/searchrlp/company_id/100410

Références bibliographiques

• 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.