Как девелопер сократил время проектирования квартир с недель до секунд

Поиск гипотезы

Крупный девелопер, работающий в сегменте массового жилья, решил изучить возможности искусственного интеллекта в строительной сфере. В компании задумались: в каких бизнес-процессах девелопера нейросети могут принести реальную пользу. С такой задачей в конце 2024 года обратились к команде IT_ONE, обладающей технологической экспертизой и опытом анализа сложных бизнес-систем.

Для IT_ONE этот проект стал исследовательским вызовом: требовалось погрузиться в бизнес-процессы заказчика и понять, чем нейросети могут быть полезны крупной девелоперской компании. В январе 2025 года архитектор, аналитик и менеджер приступили к изысканиям в «полях».

Довольно быстро специалисты IT_ONE нащупали перспективную гипотезу. В строительных проектах один из основных вызовов связан с длительными согласованиями планировок. Архитекторы тратят значительное время на подбор композиций квартир: распределение площадей между «однушками», «двушками» и «трешками», учет нормативов по освещению, расположению окон и инженерных ограничений. Каждая доработка отбрасывает проект на несколько недель назад.

Таким образом, приоритетным сценарием применения ИИ стала автоматизация проектирования квартир. Нейросеть должна предсказать, как архитектор компании мог бы решить задачу при заданных параметрах: площадь, количество комнат, расположение входа. Реализуемость этой концепции и решено было проверить.

Этапы и сложности проекта

Проект разделился на две стадии. Первая — консалтинг: наблюдение за процессами, изучение существующих инструментов и требований к будущему решению. Она заняла 1,5 месяца. Вторая — разработка и тестирование прототипа нейросети, потребовала 6 месяцев работы команды.

Итак, нейросеть должна принимать внешние параметры квартиры (координаты углов, входных дверей, окон) и на их основе автоматически формировать внутреннюю планировку: расставлять перегородки, межкомнатные двери и назначать помещения (кухня, спальня, санузел, гардеробная и т. д.). Результат должен выдаваться в формате JSON, чтобы его можно было интегрировать в чертежные программы или быстро визуализировать.

Существующие открытые датасеты (например, планировки американских или китайских домов) не подходили ни по архитектурной логике, ни по актуальным стандартам. Поэтому команда исследователей могла опираться только на реальные проекты заказчика. Для подготовки датасета пришлось решить несколько нетривиальных задач. Во-первых, исходных примеров оказалось мало для полноценного обучения. Во-вторых, данные были разбалансированы — разные типы квартир представлены неравномерно: где-то десятки примеров, а где-то единицы. Кроме того, в исходных чертежах встречались ошибки (которые не смущали человека, но путали машину): неточные координаты, лишние точки на прямых линиях, комната в виде «ломаного» многоугольника, дверь, висящая в «воздухе».

В итоге 70-80% времени проекта заняла очистка и подготовка датасета. Инженеры IT_ONE разработали специальные утилиты для контроля смежности комнат и внешнего контура, а также фильтрации для автоматического исправления ошибок. Кроме того, отдельная программа генерировала новые планировки из старых для того, чтобы сбалансировать классы. Таким образом удалось «размножить» дефицитные типы планировок, не нарушая общего стиля.

Когда данные были подготовлены, команда приступила к обучению модели. По сути, использовалась языковая архитектура, но ее «языком» стали не слова, а координаты. Модель училась преобразовывать внешний контур квартиры в набор внутренних помещений и связей между ними. На вход — цифры, описывающие периметр, на выход — координаты внутренней планировки и подписи комнат.