Может ли ИИ проектировать квартиры: опыт SML и девелопера из топ-5

Проектирование жилых комплексов — это сложное сочетание творчества и монотонной, рутинной работы. Архитектор тратит десятки часов на создание множества вариантов планировок под один контур, учитывая строительные нормы (СНиП), расположение окон и дверей, минимальные площади помещений. Для девелоперов это означает длительное проектирование, высокие трудозатраты и риски ошибок, которые влияют на сроки вывода объектов на рынок.

Задачи с повторяющейся логикой и типовыми решениями требуют много времени, но не столько творчества — здесь потенциально может помочь искусственный интеллект. Однако важно проверить, насколько нейросети способны работать в строгих архитектурных рамках и насколько их результаты можно интегрировать в бизнес-процессы.

С чего все начиналось

Мы получили задачу оценить, насколько генеративный ИИ может облегчить работу архитекторов и повысить эффективность проектирования. Основные цели были:

• Протестировать и выбрать подходящие LLM и методы обучения для создания геометрически корректных планировок.
• Проверить, насколько ИИ справляется с соблюдением важных правил — правильной смежности помещений, расположения окон и дверей, требований по площадям.
• Оценить возможность интеграции автоматической генерации планировок в реальный рабочий процесс архитекторов.

В проекте не ставилась цель заменить специалистов, а только исследовать, как ИИ может усилить их работу, делая ее быстрее и точнее.

Основные этапы R&D проекта:

Шаг 1. Подготовка данных. Девелопер передал SML большой датасет — 44 325 планировок в формате JSON с контурами квартир, комнат, дверей и окон. Инженер очистил данные от ошибок и дубликатов, устранил пересечения и «дыры» в планировках. За счет поворотов, отражений и других операций по наращиванию данных, набор вырос до 136 тысяч примеров.

Для удобства обработки планировки были представлены в виде графов — моделей, которые отражают взаимосвязи между помещениями, чтобы ИИ понимал структуру и логику расположения комнат.

Шаг 2. Выбор и обучение LLM. Совместно с лабораторией построили витрину из нескольких моделей. Обучение включало стандартный supervised fine-tuning (SFT) и reinforcement learning (RL) с функцией штрафов за нарушение геометрии.

Модели выбирались и оценивались по способности корректно воспроизводить планировки с учетом правил и качеством соответствующих JSON-выходов, пригодных для интеграции в проектные системы девелопера. Итоговую модель отобрали по критериям стабильности, точности и скорости генерации.

Шаг 3. Интеграция в процесс работы архитектора. Модели генерировали планировки по двум сценариям:

• По заранее заданному внешнему контуру с фиксированными зонами (например, кухня, санузел, гостиная).
• На основе графической связанности, когда важна логика соседства помещений и перемещений.

Результаты генерации автоматически импортировались в CAD-систему, где архитекторы дорабатывали эскизы, проверяли их соответствие нормам и вносили творческие корректировки.

Специалист SML проводил регулярный анализ ошибок, перебирал архитектуры моделей, корректировал промпты и датасеты. Компания девелопера в свою очередь контролировала качество, выбирая лучшие варианты.

Контроль качества

Для оценки качества создан набор метрик, который учитывал не только геометрические ошибки (дыры, пересечения, выходы за контур), но и смысловую логику — например, обязательное наличие окон в кухнях и гостиных, запрет окон в гардеробах и санузлах, соответствие площадей помещениям.

Такой подход позволил не только научить ИИ генерировать планировки, но и встроить его в рабочий процесс с учетом бизнес-требований девелопера.

Результаты

SoftMediaLab совместно с девелопером создала устойчивый стек моделей и датасетов для генерации планировок, разработала систему метрик для оценки геометрии и логики решений, а также обучила ИИ формировать корректные JSON-планировки, совместимые с проектными инструментами.

Мы получили:

• Доля планировок с серьезными ошибками («дырами») снизилась с уровня значимой проблемы до 6,9%.
• Модели точно учитывали требования по размещению окон и прочим нормам.
• Скорость генерации одного эскиза сократилась до 3–5 секунд, что уменьшило рутинный перебор вариантов в 5–10 раз.

Эти результаты демонстрируют, что ИИ отлично справляется с типовыми и повторяющимися задачами, а роль архитектора сохраняется ключевой для творческой доработки и контроля качества.

Совместная работа позволила сформулировать важный вывод: гибридные модели «человек + ИИ» способны ускорять проектирование, снижать ошибки и экономить ресурсы.

Оптимальные версии моделей планируется интегрировать в ежедневную работу архитекторов, где ИИ станет помощником на ранних этапах, ускоряя создание эскизов, сокращая время на рутинный выбор вариантов, снижая нагрузку и повышая качество решений в целом.