ИИ смог выявить 93% контрольных дефектов в проектной документации
- CNews FORUM 12 ноября
- CNews AWARDS 12 ноября
- Школа Роста
- Российский рынок облаков за 20 лет
- 30 лет рынку ERP в России
- Главные
ИТ-сценарии 2026 - Цифровизация
- Импортозамещение
- Безопасность
- ИТ в госсекторе
- ИТ в банках
- ИТ в торговле
- Телеком
- Интернет
- ИТ-бизнес
- Рейтинги
- Инфографика
|
Современные модели искусственного интеллекта уже способны находить большую часть инженерных несоответствий в проектной документации, однако эффективность разных нейросетей может различаться в десятки раз. К такому выводу пришли специалисты российской платформы для управления строительством Signal по итогам серии экспериментов с ИИ-проверкой проектной документации.
Для исследования один и тот же комплект из 40 страниц несколько раз проверяли с помощью разных ИИ-моделей и сценариев. Всего специалисты провели семь тестов. Для сопоставления результатов был сформирован контрольный набор из 14 заранее известных дефектов. В него вошли расхождения между чертежами и спецификациями, ошибки в размерах и арифметике, неправильные ссылки между листами, несоответствия массы и количества элементов, а также противоречия между отдельными листами и сводными ведомостями.
Лучший результат показала GPT-6 Astra. Она обнаружила 13 из 14 контрольных дефектов, то есть около 93%. Всего система сформировала 23 замечания, из которых 21 подтвердил инженер, одно оказалось спорным и только одно ложным. Таким образом, подтверждаемость результатов составила около 91%.
При этом эксперимент показал большой разрыв между возможностями разных моделей. Так, локальная мультимодальная Qwen3-VL 8B сформировала сразу 47 замечаний, однако после экспертной проверки подтвердилось только одно, а из 14 контрольных дефектов модель обнаружила частично один дефект. Один из лучших прогонов GPT-5.6-sol, напротив, сформировал 12 замечаний, все они подтвердились, однако модель нашла только 8 из 14 контрольных проблем.
Эксперимент также показал, что результат зависит не только от мощности нейросети, но и от способа организации проверки. В четырех запусках одной и той же GPT-5.6-sol на одном комплекте документации система находила от 5 до 12 замечаний. Поэтому для инженерного применения недостаточно передать нейросети документы с общей командой «проверить проект»: разные типы ошибок необходимо искать по отдельным сценариям, а полученные результаты сопоставлять и перепроверять.
«Наиболее важный результат эксперимента для нас заключается не в количестве замечаний, которые способен сформировать ИИ. Если нейросеть выдает десятки ложных ошибок, инженер потратит больше времени на их проверку, чем сэкономит. Практическая ценность появляется тогда, когда одновременно растут два показателя: доля обнаруженных реальных проблем и точность самих замечаний. Результат в 13 из 14 контрольных дефектов при подтверждаемости свыше 90% показывает, что технология уже может использоваться как первый уровень проверки документации», – сказал Александр Попов, технический директор Signal.
Александр Мугла, «Росатом»: Мы развернули в приграничном регионе собственную аппаратную базу полного цикла Бизнес
Нейросети уже способны сопоставлять данные на разных листах, сравнивать локальные спецификации со сводными ведомостями, находить расхождения в количестве и массе элементов, проверять перекрестные ссылки и выявлять аномальные значения. Например, система может обнаружить отличие массы одного изделия от данных сводной спецификации и проследить влияние расхождения на итоговый показатель конструкции.
При этом полностью заменить инженера-проверяющего ИИ пока не может. Одним из наиболее сложных направлений остается проверка документации на соответствие нормативам: при самостоятельной интерпретации требований СП и других нормативных документов возрастает риск ложных замечаний. Разработчики считают более надежной модель, при которой ИИ обнаруживает потенциальное несоответствие, система сверяет его с контролируемой базой нормативов, а окончательное решение принимает специалист.
В Signal рассчитывают использовать ИИ именно для предварительного контроля. Сейчас разработанный компанией ИИ Checker существует как отдельное приложение, следующий этап предполагает его интеграцию непосредственно в среду общих данных Signal Docs. В таком сценарии документацию сначала будет автоматически проверять ИИ, после чего инженер получит комплект уже с отмеченными потенциально проблемными местами и сможет подтвердить или отклонить замечания.
По оценке разработчиков, основной экономический потенциал технологии связан не с заменой специалиста, а с сокращением объема рутинной работы: сверки десятков листов, спецификаций, ссылок, количественных показателей и повторяющихся значений. Однако оценивать конкретный рост производительности пока преждевременно: для этого технологию необходимо протестировать на большем количестве проектов и разделов документации.
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.