स्थापत्य और भू-प्रौद्योगिकी क्षेत्र में जनरेटिव AI (ChatGPT, इमेज जनरेशन) का उपयोग विधि

ChatGPT जैसे संवादी AI और Midjourney जैसे छवि निर्माण जनरेटिव AI (Generative AI) पर बहुत चर्चा हो रही है, और समाज और उद्योग को बड़े पैमाने पर बदलने की उम्मीद की जा रही है। यहाँ, अचल संपत्ति, निर्माण, शहरी विकास आदि जैसे आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र पर ध्यान केंद्रित करते हुए, जनरेटिव AI के इतिहास, AI के नवीनतम शोध और सेवा के उदाहरणों के आधार पर, आने वाले जनरेटिव AI के उपयोग के तरीकों के उदाहरण दूंगा।

जनरेटिव AI क्या है

जनरेटिव AI की परिभाषा

चूंकि जनरेटिव AI प्रारंभिक चरण में है, परिभाषा की व्याख्या थोड़ी-थोड़ी भिन्न होती है। आइए प्रमुख कंपनियों और अनुसंधान संस्थानों द्वारा परिभाषाओं के उदाहरण देखें।

जनरेटिव AI एक AI की श्रेणी को संदर्भित करता है जो न्यूरल नेटवर्क नामक सिस्टम का उपयोग करके डेटा का विश्लेषण करता है, पैटर्न खोजता है, और उन पैटर्न का उपयोग करके पाठ, फोटो, वीडियो, कोड, डेटा आदि जैसे नए आउटपुट उत्पन्न या बनाता है।

जनरेटिव AI उच्च गुणवत्ता वाले पाठ और छवियों जैसी सामग्री उत्पन्न कर सकने वाली डीप लर्निंग मॉडल को संदर्भित करता है जो सीखे गए डेटा पर आधारित है।

जनरेटिव AI उन एल्गोरिदम (जैसे ChatGPT) को संदर्भित करता है जिनका उपयोग ध्वनि, कोड, छवि, पाठ, सिमुलेशन, वीडियो आदि जैसी नई सामग्री बनाने के लिए किया जा सकता है।

संक्षेप में

• सीखे गए डेटा पर आधारित

• डीप लर्निंग का उपयोग करके

• नई सामग्री उत्पन्न करना

जनरेटिव AI की परिभाषा का मुख्य बिंदु है।

जनरेटिव AI का इतिहास

जनरेटिव AI में प्राकृतिक भाषा प्रसंस्करण और कंप्यूटर विजन के दो मुख्य विकास के सूत्र हैं।

• प्राकृतिक भाषा प्रसंस्करण में, Hidden Markov Models (HMMs) (Knill & Young, 1997) और Gaussian Mixture Models (GMMs) (Reynolds & Others, 2009) से शुरुआत हुई; ये मॉडल ध्वनि और समय श्रृंखला जैसे निरंतर डेटा उत्पन्न करते थे। गहन शिक्षा के आगमन के बाद, जनरेटिव मॉडल के प्रदर्शन में बेहतरी हुई, और Recurrent neural networks (RNN) भाषा मॉडलिंग कार्यों में पेश किए गए, जिससे अपेक्षाकृत लंबी निर्भरता को मॉडल करना संभव हो गया। Transformer architecture (Vaswani et al., 2017) के विकास के बाद, यह मॉडल GPT और अन्य बाद के विभिन्न जनरेटिव मॉडल का मुख्य आधार बन गया, और वर्तमान तक जारी है।

• कंप्यूटर विजन में, Texture synthesis (Efros & Leung, 1999) और Texture mapping (Heckbert, 1986) से शुरुआत हुई; ये एल्गोरिदम हाथ से डिज़ाइन किए गए विशेषताओं के आधार पर जटिल और विविध छवियों को उत्पन्न करते थे, लेकिन बड़े पैमाने पर उत्पन्न करने की क्षमता सीमित थी। 2014 में, Generative Adversarial Networks (GANs) (Goodfellow et al., 2020), Variational Autoencoders (VAEs), और diffusion generative models (Song & Ermon, 2019) जैसी तकनीकें विकसित की गईं, जिससे छवि निर्माण प्रक्रिया को अधिक सूक्ष्मता से नियंत्रित किया जा सका और उच्च गुणवत्ता वाली छवियां उत्पन्न की जा सकीं। इसके बाद, Transformer architecture (Vaswani et al., 2017) को कंप्यूटर विजन के साथ जोड़कर इस अवधारणा को आगे बढ़ाया गया, जिससे छवि-आधारित आउटपुट संभव हुआ। और इससे मल्टीमोडल कार्यों को भी संभव बनाया गया।

भविष्य में, निर्माण की सटीकता में सुधार और मल्टीमोडलकरण में इनपुट और आउटपुट के प्रकार और संयोजन विविध होते जाएंगे, ऐसा माना जाता है।

जनरेटिव AI के प्रकार

हाल ही में उभरे प्रमुख जनरेटिव AI मॉडल को इनपुट और निर्माण के प्रारूप के आधार पर वर्गीकृत किया जाता है जैसा कि निम्न आकृति में है (Gozalo-Brizuela & Garrido-Merchan, 2023)।
प्राकृतिक भाषा प्रसंस्करण के लिए विशिष्ट Transformer architecture (Vaswani et al., 2017) पर आधारित होने के कारण, कई में इनपुट पाठ है। निर्माण के प्रारूप के रूप में, पाठ और छवी के अलावा, 3D, वीडियो, ऑडियो, प्रोग्राम कोड आदि विविध हैं। इसके अलावा, Flaming और VisualGPT जैसे कुछ में छवि इनपुट प्रारूप है।

आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र में जनरेटिव AI का उपयोग

आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र में जनरेटिव AI का उपयोग कैसे किया जा सकता है, यह वर्णित है। सबसे पहले, AI को आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र में कैसे उपयोग किया गया है, इसका अवलोकन किया जाता है, और फिर जनरेटिव AI के उपयोग की संभावना के बारे में वर्णन किया जाता है। आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र को योजना और डिज़ाइन प्रक्रिया, निर्माण प्रक्रिया, और संचालन और रखरखाव प्रक्रिया के 3 भागों में बांटा गया है।

पिछले AI उपयोग के उदाहरण

विस्तृत जानकारी के लिए कृपया इस लेख को देखें।

योजना और डिज़ाइन प्रक्रिया

• डिज़ाइन निर्माण और अनुकरण (Huang & Zheng, 2018; Liu et al, 2017)

• डिज़ाइन मूल्यांकन (Lorenz et al., 2018; Y. Zhang et al., 2018)

• संरचनात्मक डिज़ाइन में, संरचना की प्रतिक्रिया और कार्यक्षमता की भविष्यवाणी, प्रायोगिक डेटा की व्याख्या, संरचनात्मक स्वास्थ्य निगरानी डेटा में पैटर्न की पहचान आदि (Sun et al, 2021)

• लेजर स्कैनर डेटा से BIM मॉडल बनाना (Tang et al., 2010)

• BIM लॉग का विश्लेषण करके, डिज़ाइन उत्पादकता में सुधार के तरीकों पर विचार (Pan & Zhang, 2020)

निर्माण प्रक्रिया

• परियोजना वित्त लागत को कम करने वाली कार्य योजना का निर्माण (Alavipour & Arditi, 2019)

• सुरक्षा जूते, हेलमेट, कार्य वस्त्र आदि सुरक्षा उपकरण का अनुचित उपयोग, खतरे वाले क्षेत्र का अनावरण, गिरने का खतरा, सुरक्षा प्रक्रियाओं या नियोजित कार्य प्रवाह का पालन न करना इन सभी का पता लगाना (Fang et al., 2020)

• विनिर्माण का स्वचालन (Hatami Mohsen et al., 2019)

• Support Vector Machine (SVM) का उपयोग करके निर्माण चरण में लॉजिस्टिक्स लागत की भविष्यवाणी (Tian et al., 2009)

• भवन की ऊर्जा खपत की भविष्यवाणी (Himeur et al., 2021; Wang & Srinivasan, 2017)

• कंप्यूटर विजन का उपयोग करके निर्माण अपशिष्ट को स्वचालित रूप से पहचानना (Kuritcyn et al., 2015)

संचालन और रखरखाव प्रक्रिया

• इमारतों, पुलों, सुरंगों, सड़कों, सीवर पाइपों आदि जैसे विभिन्न प्रकार के सामाजिक ढांचे में होने वाले दोषों और क्षति (दरारें, छीलना, जंग, छेद, जोड़ों की क्षति आदि) को स्वचालित रूप से पहचानना और मूल्यांकन करना (C. Zhang et al., 2020)

• भवन ऊर्जा प्रणाली (HVAC आदि) की खराबी का पता लगाना और निदान करना (Y. Zhao et al, 2019)

• भवन की उम्र की भविष्यवाणी (Tooke et al., 2014)

• स्मार्ट ग्रिड के लिए विद्युत भार पूर्वानुमान (Raza & Khosravi, 2015)

जनरेटिव AI का उपयोग

उपरोक्त के अनुसार कि AI को आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र में कैसे उपयोग किया गया है, जनरेटिव AI के उपयोग के तरीकों के बारे में वर्णन किया जाता है।

योजना और डिज़ाइन प्रक्रिया

• साक्षात्कार चरण

  • क्लाइंट और प्रशासन से प्राप्त साक्षात्कार को पाठ डेटा में सारांशित और अमूर्त करना।

  • क्लाइंट के साथ साक्षात्कार के आधार पर, अनुमान पत्र स्वचालित रूप से आउटपुट करना।

• साहित्य सर्वेक्षण चरण

  • प्रतिस्पर्धी बोली परियोजनाओं की आवश्यकताओं से महत्वपूर्ण जानकारी चुनना।

  • निर्माण कार्य के लिए ट्यून किए गए संवादी मॉडल के साथ, AI से प्रत्येक क्षेत्र में जोनिंग आदि विनियमों के बारे में प्रश्न पूछ सकते हैं।

• डिज़ाइन चरण

  • क्लाइंट के साथ साक्षात्कार के आधार पर, डिज़ाइन इमेज स्वचालित रूप से आउटपुट करना।

  • डिज़ाइन छवि प्रदर्शित करना और संबंधित छवियों को कई तरीकों से उत्पन्न करना।

  • 3D मॉडल उत्पन्न करना और BIM/CIM में आयात करना।

निर्माण प्रक्रिया

• खरीद चरण

  • पिछले अनुमान पत्र और आदेश पत्र की जानकारी के आधार पर, नया अनुमान पत्र और आदेश पत्र बनाया जा सकता है।

• निर्माण चरण

  • निर्माण कार्य के लिए ट्यून किए गए संवादी मॉडल के साथ, निर्माण कार्य के तरीके आदि के बारे में संदेह होने पर AI से प्रश्न पूछ सकते हैं।

संचालन और रखरखाव प्रक्रिया

• निगरानी चरण

  • संरचना या एयर कंडीशनिंग की छवि को इनपुट करके, खराबी निदान (FDD) रिपोर्ट आउटपुट करना

• रखरखाव चरण

  • भवन या संरचना के क्षरण निदान भाग से संबंधित छवियों या वीडियो को इनपुट करके, रखरखाव रिपोर्ट स्वचालित रूप से बनाना

सारांश

जनरेटिव AI के इतिहास, प्रकार, और AI के पिछले उपयोग के उदाहरणों का अवलोकन करके, जनरेटिव AI के उपयोग के तरीकों पर विचार किया गया है। मूल रूप से, यह इनपुट और आउटपुट के बीच मौजूद व्यक्ति की उन्नत तकनीक और ज्ञान को प्रतिस्थापित करने वाली चीज़ माना जाता है। आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र को बेहतर बनाने के माध्यम से, यह तकनीक लोगों के जीवन को समृद्ध बनाने में बड़ा योगदान देने वाली तकनीक बनने की उम्मीद की जाती है।

यदि आप चाहें, तो बाहरी डेटा के साथ एकीकरण संभव बनाने वाले LangChain या कार्यों को स्वचालित करने वाले AutoGPT जैसी विस्तार सुविधाओं के उपयोग के तरीकों के बारे में लेख भी देखें।

अंत में, mign अत्याधुनिक प्रौद्योगिकी का उपयोग करके, आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र की दुनिया की पहली समाधान को लगातार बनाता रहता है, और समृद्ध समाज के अनुभूति का लक्ष्य रखता है। वर्तमान में जनरेटिव AI (ChatGPT और छवि निर्माण) पर ध्यान केंद्रित करते हुए, विकास चल रहा है, और उपरोक्त से संबंधित समाधान के विकास को संभालना संभव है, इसलिए यदि आप रुचि रखते हैं तो कृपया बेझिझक संपर्क करें।

संपर्क फॉर्म (वेबसाइट)
https://www.mign.io/contacts/new

ईमेल पता
contact@mign.io

आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र विशिष्ट ChatGPT संबंधित समाधानों की प्रेस रिलीज़
https://prtimes.jp/main/html/rd/p/000000020.000100410.html
https://prtimes.jp/main/html/rd/p/000000023.000100410.html

आर्किटेक्चर और सिविल इंजीनियरिंग क्षेत्र के लिए विशेषीकृत इमेज जनरेशन AI समाधान की प्रेस रिलीज़
https://prtimes.jp/main/html/rd/p/000000013.000100410.html
https://prtimes.jp/main/html/rd/p/000000022.000100410.html

अन्य प्रेस रिलीज़
https://prtimes.jp/main/html/searchrlp/company_id/100410

संदर्भ

• 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.