CC BY
3УДК 004.89
Левщанов С.В.
ученый по данным, самозанятый (Краснодар, Россия)
ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЙ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОПРЕДЕЛЕНИЯ
СМЕТНОЙ СТОИМОСТИ В СТРОИТЕЛЬНОЙ ИНДУСТРИИ
Аннотация: данная статья отражает анализ и практики применения технологий искусственного интеллекта для определения сметной стоимости в строительной индустрии. В статье рассматриваются типы технологий искусственного интеллекта применяемых для сметных расчетов в строительной индустрии.
Ключевые слова: искусственный интеллект, сметные расчеты, нейронные сети, машинное обучение.
В связи с высоким ростом строительства масштабных и сложных объектов инфраструктуры традиционные методы оценки стоимости строительства часто могут иметь неточности, что в дальнейшем может негативно повлиять на весь проект в целом. Широкое внедрение технологий искусственного интеллекта может значительно улучшить показатели точности в сметных расчетах за счет возможности прогнозирования затрат на весь срок строительства. Большая часть отрасли по-прежнему в основном полагается на традиционные подходы для расчетов сметной стоимости, что в свою очередь влияет на масштаб и скорость внедрения приложений для сметных расчётов на
основе искусственного интеллекта.
Определение сметной стоимости любого строительного проекта важно для определения технико-экономического обоснования проекта и оценке инвестиционной стоимости проекта. Что так же в дальнейшем упростит контроль и управление расходами. Для определения сметной стоимости проекта применяются различные методы и подходы, которые включают различные модели искусственного интеллекта, такие как SVM (Support Vector Machines) -метод опорных векторов, Линейная регрессия, Искусственные нейронные сети -Artificial Neural Network (ANN).
Модели искусственного интеллекта, такие как метод опорных векторов и линейная регрессия используют машинное обучение для обучения расчетам и прогнозированию сметной стоимости. Этот процесс использует компьютерные алгоритмы для извлечения информации из больших объемов данных для решения поставленных задач так же используется для разработки алгоритмов с когнитивными способностями, позволяющими принимать решения. Данные алгоритмы могут автоматически улучшаться с учетом опыта. Обучение имеет три категории: Обучение под наблюдением где модель использует входные данные для прогнозирования выходных данных. Обучение без наблюдения - без использования маркированных данных т.е. модель пытается найти закономерности в данных. Обучение с подкреплением - обучения «Агента» взаимодействовать с окружающей средой для достижения своей цели. И так же делится на поверхностное обучение где используется только один слой узлов нейронной сети и глубокое обучение где используется несколько уровней для обработки обучающих данных. Для строительной индустрии технологии машинного обучения интересны возможность обрабатывать значительный объем данных используя технологии облачных вычислений в течении всего жизненного
цикла проекта в режиме реального времени. Тем не менее для эффективного использования Машинного обучения необходимы точные и достоверные данные [1, с.1].
SVM (Support Vector Machines) - метод опорных векторов, где алгоритмы SVM используются для разработки концептуальной модели сметной стоимости строительства, позволяющей прогнозировать стоимость строительства проекта. Для решения задачи прогнозирования (регрессии или классификации) необходимо предоставить SVM точные обучающие данные. SVM обычно применяется совместно с DTREG — это программное обеспечение для прогнозного моделирования и анализа, которое создает метод опорных векторов. Принцип работы SVM заключается в построении гиперплоскости в N-мерном пространстве для разделения набора данных на отдельные классы. Где опорные векторы относятся к обучающим образцам. SVM — широко используемая модель, и идеально подходят для классификации сложных наборов данных малого и среднего размера. Такие модели, способны учиться на данных. Теория SVM основана на принципах статистического обучения. Универсальность SVM в том, что такие модели можно применять как для задач классификации, так и для задач регрессии. Главным условием по применению SVM является создание базы данных [2, с.1-7].
Линейная регрессия использует анализ для прогнозирования затрат на создание различных параметров, для прогнозирования значения переменной на основе значения другой переменно. Переменная, которую вы хотите предсказать, называется зависимой переменной. Переменная, которую вы используете для прогнозирования значения другой переменной, называется независимой переменной. Например, линейная регрессия может предсказать, вырастут ли цены на жилье на 25%, 50%, 75% или 100% на основе данных о населении, но не
может предсказать точную стоимость дома [3, с.8-9].
Модели искусственных нейронных сетей отличаются от моделей машинного обучения тем что принимают решения на основе своих обучающих данных, часто с человеческим руководством, а нейронные сети принимают точные решения с высокой степенью автономности и учатся на опыте и предыдущих ошибках Рисунок 1.
Искусственные нейронные сети - это тип техники искусственного интеллекта, работающий по принципу алгоритма обучения человеческого мозга. Искусственная нейронная сеть состоит из большого количества обрабатывающих элементов с их связями и имеет три различных уровня: входной, скрытый и выходной. За счет использования больших хранилищ данных и наборов данных вместе со значительной мощностью позволяет эффективно применять данную технологию для расчёта смет [4, с.8-11].
Рис. 1. Структура искусственной нейронной сети [4, с.6].
Таблица 1. Применения различных типов искусственного интеллекта
для определения сметной стоимости объектов инфраструктуры.
Тип модели ИИ Точность Тип объектов Ссылка
Метод опорных векторов 90.3% Здания [2, с.7 ]
Линейная регрессия 96% Плотины [3, с.11]
Искусственные нейронные сети 93% Шоссе [4, с.11 ]
Анализ и выводы.
Как видно из Таблицы 1 самую высокую точность в процентном соотношении показывает модели линейной регрессии. Одной из возможных причин этого является долгое использование данных моделей в индустрии и как правило их постоянное улучшение. Когда метод опорных векторов и искусственные нейронные сети сравнительно новые модели, использующиеся в индустрии и их потенциал в полной мере ещё не раскрыт.
Так как строительный проекты на протяжении всего жизненного цикла сталкивается с неопределенностями и высокими рисками. Что в первую очередь зависит от точности сметных расчетов которые показывают полную стоимость проекта. Отсюда следует что расчет стоимости проекта, является ключевым. При значительных неточностях таких расчетах их переоценки или недооценки может привести к трудностям в реализации проекта. Данные модели можно рассматривать как точный эффективный инструмент для прогнозирования затрат, когда неизвестны факторы и риски, определяющие затраты. Будущее исследование будет иметь цель изучение новых гибридных моделей и их характеристик. Так как для избежания перерасхода средств, ресурсов и времени, что вызывает негативные последствия и является одной из главных проблем в
строительных проектах, можно за счёт использования модели прогнозирования затрат на основе искусственного интеллекта. В связи с этим очень важно продолжать исследование этой тематики с целью повышения точности прогнозирования затрат. Использование автоматизированных методов сметных расчета затрат могут значительно ускорить процесс и сократить затраты времени и ресурсов. Различные типы искусственного интеллекта ещё находятся на начальных стадиях внедрения в строительной индустрии, тем не менее они более эффективны и точны для раннего прогнозирования затрат по сравнению с традиционными методами.
СПИСОК ЛИТЕРАТУРЫ:
1. Jfari, A., Pazhouhan, I., Bettinger, P. Machine Learning Modeling of Forest Road Construction Costs // Forests. 2024. DOI: 10.3390/f12091169 (дата обращения: 01.08.24);
2. Rafiei, M. H., Adeli, H. Novel Machine-Learning Model for Estimating Construction Costs Considering Economic Variables and Indexes // Journal of Construction Engineering and Management. 2018. Vol. 144, No. 12, p. 04018106. DOI: 10.1061/(ASCE)TO.1943-7862.0001570 (дата обращения: 06.08.24);
3. Petheram, C., McMahon, T. A. Dams, dam costs and damnable cost overruns // Journal of Hydrology X. 2019. Vol. 3. DOI: 10.1016/j.hydroa.2019.100026 (дата обращения: 12.08.24);
4. AL-Zwainy, F. M. S., Aidan, I. A.-A. Forecasting the Cost of Structure of Infrastructure Projects Utilizing Artificial Neural Network Model (Highway Projects as Case Study) // Indian Journal of Science and Technology. 2017. Vol. 10, No. 20, pp. 1-12. DOI: 10.17485/IJST/2017/v 10i20/108567 (дата обращения: 17.08.24).
Levshchanov S.V.
Data Scientist, Self-employed (Krasnodar, Russia)
USE OF ARTIFICIAL INTELLIGENCE TECHNOLOGIES TO DETERMINE ESTIMATE COSTS IN THE CONSTRUCTION INDUSTRY
Abstract: this article reflects the analysis and practice of applying artificial intelligence technologies to determine the estimated cost in the construction industry. The article discusses the types of artificial intelligence technologies usedfor estimating in the construction industry.
Keywords: artificial intelligence, estimate calculations, neural networks, machine learning.
