ИИ в проектировании: ускорили тестирование LLM для девелопера из ТОП-5
SoftMediaLab подключили ML-инженера и ускорили проверку гипотез применения нейронных сетей в генерации планировочный решений
Причина
Создание evendraft-планировок занимало у девелопера много времени: проектировщики перебирали десятки вариантов, вручную проверяли их соответствие нормам и корпоративным стандартам.
Компания понимала, что ИИ может ускорить рутинные этапы, но задачу нужно было решать быстро, без формирования собственной AI-команды под этот проект. На это было несколько причин:
- нанимать ML-специалиста «в штат» — долго и дорого;
- требовался эксперт, который знает архитектурные генеративные модели;
- нужен был человек, способный выстроить полный цикл: от подготовки данных до метрик качества.
Задачи ML-инженера
Перед специалистом SoftMediaLab стояли три ключевые задачи:
- Построить устойчивую комбинацию LLM и датасетов, которая сможет автоматически генерировать валидные планировочные решения;
- Сократить время тестирования гипотез: быстро отсеивать неэффективные модели и подходы;
- Подобрать инструменты и сценарии использования ИИ, которые реально ускорят работу проектировщиков, не снижая точности и соответствия нормам.
Контекст
Один из крупнейших девелоперов жилья в России (топ-5 рынка) искал способ ускорить проектирование планировок и снизить нагрузку на архитекторов.
Чтобы быстро запустить R&D и проверить потенциал моделей, девелоперу потребовался внешний специалист — ML-инженер с опытом работы c LLM для генеративных задач.
SML предоставили инженера за 2 недели, взяв на себя поиск, оценку и сопровождение. Он подготавливал данные, тестировал модели, генерировал планировки и искал точки роста.
Решение
1. Подготовка данных
Инженер провел ревизию датасетов девелопера, очистил данные, добавил примеры, усиливающие логику геометрии и связанности помещений.
2. Подбор моделей
Совместно с лабораторией внедрения AI-решений и проектным офисом девелопера была сформирована витрина моделей для тестирования, включающая несколько крупных языковых моделей и ряд специализированных архитектурных LLM.
3. Генерация по двум сценариям
Инженер проверял способности моделей генерировать планировки:
- По заданному контуру помещения и фиксированным зонам (кухня, санузел, гостиная);
- На основе графической связанности, когда важны соседства помещений и логика перемещения.
Проверка показала: модели хорошо воспроизводят типовые контуры, но слабо работают с новыми, нестандартными формами помещений. Это важный вывод для промышленного применения: LLM не обладают глубоким «архитектурным мышлением» и требуют дообучения.
4. Быстрая итерация и улучшение качества
Специалист перебирал архитектуры моделей, настраивал промпты, корректировал датасеты, анализировал ошибки и вносил улучшения. Компания регулярно оценивала выходные данные, выбирая наиболее перспективные подходы.
Результаты
За время работы над проектом специалист SML:
- подобрал оптимальное сочетание моделей и датасетов, обеспечивающее стабильную генерацию решений;
- разработал метрики для оценки геометрии, корректности и «осмысленности» планировок;
- добился того, что модели научились генерировать корректные планировки в формате JSON, удобном для интеграции во внутренние системы девелопера.
Подключение ML-инженера в аутстаф-формате позволило девелоперу быстро протестировать потенциал LLM без создания собственной команды, получить экспертный R&D за короткий срок и заложить основу для автоматизации проектирования.
Рубрики
Интересное:
Новости отрасли:
Все новости:
Публикация компании
Контакты
Рубрики