Sök

Data för inlärning först: Att träna AI-lösningar för MEP-design

16.04.2024

MagiCAD Group

Företagsnyheter

Nya framsteg inom AI har snabbt gjort tekniken och dess olika tillämpningar till en del av våra personliga och professionella liv. På MagiCAD Group strävar vi ständigt efter att främja MEP-design med hjälp av de senaste tekniska innovationerna.

Frågan om data

Den omedelbara fördelen med AI-teknik är förmågan att hantera och utvärdera data i en volym som är långt bortom mänsklig kapacitet. Detta möjliggör mer meningsfullt mänskligt arbete och automatiserat rutinarbete med hjälp av AI.

Men för att utveckla denna förmåga behöver AI-lösningarna först stora mängder data för inlärning, och detta finns i dag inte helt lättillgängligt. Inom specialiserade områden, såsom MEP-design, blir detta problem ännu mer uppenbart. Det är därför tillgängligheten av öppna data och datadelning på sikt kan behövas för att påskynda utvecklingen.

Att övervinna bristen på data för inlärning med automatisk skapade planlösningar

Vår senaste forskning om potentiella tillämpningar av AI-teknik ställdes öga mot öga med den centrala frågan om data för inlärning. I vårt fall innebar det planritningar, eftersom utvecklingen av pålitliga maskininlärningsmodeller för MEP-design kräver tillgång till ett brett spektrum av olika potentiella planritningar som inte finns tillgängliga.

Bristen på inlärningsmaterial drev ett projekt som syftade till att automatisera skapandet av en byggnads planritning – en traditionellt manuell och resursintensiv uppgift för arkitekter. Även om detta var möjligt i 2D-rum skulle det ha varit betydligt svårare att skapa i 3D-miljöer.

Fördelarna med diffusionsbaserade generativa modeller

Trots att Generative Adversarial Networks (GAN:er) ofta är det vanliga valet för liknande tillämpningar, har vi i vårt projekt beslutat att använda diffusionsmodeller. Diffusionsmodeller använder en iterativ process för att förbättra ofullständiga dataunderlag, vilket resulterar i en stabil inlärningsmiljö och generering av högkvalitativa versioner av olika planritningar.

En diffusionsbaserad modell visar sin mångsidighet genom att kunna skapa detaljrika och detaljerade planritningar från grunden, samt förbättra befintliga planritningar genom att fylla i saknade detaljer och förutsäga rumsegenskaper.

Vid tidigare arbete med planritningar har fokus ofta legat på rumslayouter medan detaljer som fönsterplacering och möblering har setts som mindre viktiga för slutanvändaren. En diffusionsbaserad modell tar dock hänsyn till dessa element och levererar mer konsekvent realistiska resultat. Därför anser vi att metoden passar särskilt bra för våra behov.

Testning av modellen

För att kontrollera hur väl vår metod fungerar, lät vi två testgrupper bedöma våra exempel på planritningar. Den ena gruppen besatt djup arkitektkompetens och den andra gruppen bestod av lekmän.

Generellt sett var responsen från båda användargrupperna positiv, och de tyckte att planritningarna såg realistiska ut.

Även om vår nuvarande diffusionsbaserade modell för att skapa provlayouter har sina begränsningar när det gäller att justera designparametrar, visar modellen på betydande potential trots begränsade data för inlärning och enbart justering av standardparametrar.

Vårt planritningsprojekt pekar tydligt på AI:ns och maskininlärningens potential att effektivisera och förbättra MEP-designprocesser. Genom att hålla jämna steg med ny teknik och främja innovation strävar vi efter att erbjuda våra kunder de bästa lösningarna som uppfyller byggindustrins ständigt föränderliga behov.