По оценке Национального центра развития ИИ, около 3% строительных компаний используют технологии на основе искусственного интеллекта в своей работе, благодаря чему в 2021 году они дополнительно заработали 2,1 млрд рублей. В сфере ЖКХ и развития городской среды таких компаний 6% и экономический эффект от применения технологий в 2021 году здесь составил 400 млн рублей. Минстрой в начале 2023 года прогнозировал, что «прирост в строительной области за счёт использования решений на основе искусственного интеллекта (ИИ) может достигнуть 2,5% внутреннего валового продукта в год».
ИИ уже на текущем этапе развития технологий помогает строительной отрасли генерировать дополнительные доходы. И в процесс модернизации вовлекается всё больше игроков рынка.
«Отрасли строительства и ЖКХ уже сегодня сталкиваются с рядом вызовов, которые можно решить с помощью ИИ, — отмечает Кирилл Поляков, сооснователь цифровой облачной платформы для мониторинга, контроля и управления инвестиционно-строительными проектами Pragmacore. — Например, рост населения и уровня городской застройки приводят к увеличению количества проектов, которые необходимо реализовывать быстро и эффективно. В этом контексте ИИ может помочь оптимизировать процессы, снизить затраты и риски».
Как ИИ повышает эффективность строительного бизнеса и компаний из сферы ЖКХ: разбираем с экспертами Альянса в сфере ИИ.
ИИ уже на текущем этапе развития технологий помогает строительной отрасли генерировать дополнительные доходы. И в процесс модернизации вовлекается всё больше игроков рынка.
«Отрасли строительства и ЖКХ уже сегодня сталкиваются с рядом вызовов, которые можно решить с помощью ИИ, — отмечает Кирилл Поляков, сооснователь цифровой облачной платформы для мониторинга, контроля и управления инвестиционно-строительными проектами Pragmacore. — Например, рост населения и уровня городской застройки приводят к увеличению количества проектов, которые необходимо реализовывать быстро и эффективно. В этом контексте ИИ может помочь оптимизировать процессы, снизить затраты и риски».
Как ИИ повышает эффективность строительного бизнеса и компаний из сферы ЖКХ: разбираем с экспертами Альянса в сфере ИИ.
ИИ в строительстве
«Строительство как одна из самых консервативных отраслей экономики всегда с настороженностью относится ко всем нововведениям. Тем не менее ИИ тут уже прижился и применяется в решении таких прикладных задач, как мониторинг хода строительства (обработка фото- и видеоданных с дронов), учёт рабочей силы на площадке, контроль перемещения персонала и материалов, соблюдение техники безопасности», — говорит Борис Хапачёв, генеральный директор компании «Проптех», основатель двух ИТ-стартапов для строительства — экосистемы PropTech.OnLine и решения по «умному» мониторингу бетона PropTech.SMC. По его мнению, наибольший эффект уже виден в маркетинге и продажах — там, где надо работать с большим объёмом неструктурированной информации, в коммуникации с клиентами (в чатах и с голосовыми ботами). На подходе, по мнению Хапачева, следующее направление применения — специализированные ИИ-ассистенты для различных специалистов, от инженера до генерального директора.
«В среднесрочной перспективе ждём появления „роботов“ на площадке, — говорит Хапачёв. — Например, роботизированных кранов, экскаваторов и бульдозеров, самосвалов и бетономешалок с автопилотом. Эксперименты и пилотирование технологий уже идут на отечественных площадках».
Группа компаний «Самолёт» уже тестирует робособак для сканирования строительного объекта. Задачи — контроль соответствия построенного объекта проекту, соблюдение техники безопасности на площадках, проведение различных измерений. С помощью технологии машинного обучения робот самостоятельно ориентируется на местности, свободно передвигается по разным поверхностям. Робособака ускоряет решение многих задач в строительстве. Так, на создание 3D-модели объекта площадью 2000 «квадратов» у неё уйдёт всего 12 минут, тогда как у геодезиста — до 72 часов. Кроме того, отклонение в 3D-модели будет составлять не более 2 сантиметров.
«В среднесрочной перспективе ждём появления „роботов“ на площадке, — говорит Хапачёв. — Например, роботизированных кранов, экскаваторов и бульдозеров, самосвалов и бетономешалок с автопилотом. Эксперименты и пилотирование технологий уже идут на отечественных площадках».
Группа компаний «Самолёт» уже тестирует робособак для сканирования строительного объекта. Задачи — контроль соответствия построенного объекта проекту, соблюдение техники безопасности на площадках, проведение различных измерений. С помощью технологии машинного обучения робот самостоятельно ориентируется на местности, свободно передвигается по разным поверхностям. Робособака ускоряет решение многих задач в строительстве. Так, на создание 3D-модели объекта площадью 2000 «квадратов» у неё уйдёт всего 12 минут, тогда как у геодезиста — до 72 часов. Кроме того, отклонение в 3D-модели будет составлять не более 2 сантиметров.
Приоритетные направления применения ИИ в строительстве
Мониторинг строительных объектов и рабочих
Проблема. Низкая производительность строительных работ из-за несоблюдения рабочими регламента, срыва сроков, несвоевременного информирования руководства.
Решение:
отслеживание прогресса строительства, поступления материалов, объёмов ресурсов дронами и камерами видеонаблюдения;
фиксация времени простоя рабочих, сверка с закреплённым графиком путём анализа информации с носимых устройств и стационарных камер.
Результат: рост производительности на 30%.
Решение:
отслеживание прогресса строительства, поступления материалов, объёмов ресурсов дронами и камерами видеонаблюдения;
фиксация времени простоя рабочих, сверка с закреплённым графиком путём анализа информации с носимых устройств и стационарных камер.
Результат: рост производительности на 30%.
Прогнозирование рисков и автоматизация типовых операций
Проблема. При ручном проектировании приходится каждый раз заново осуществлять типовые операции, что повышает вероятность ошибки и затраты времени. Также отсутствие автоматизированных технологий не позволяет учесть все факторы риска при долгосрочном планировании.
Решение:
внедрение ИИ в системы планирования и управления: разработка сметы, критический анализ, выявление рисков на основе исходных данных, прогнозирование и т. д.;
применение модулей искусственного интеллекта в типовом проектировании: разработка инженерных сетей, описание элементов, проверка соответствия строительным нормам, выгрузка информации и т. д.
Результат: рост производительности на 20%, снижение издержек на 10%, сокращение времени проектирования на 40%.
Применение автономной техники
Проблема. Для управления сложной строительной техникой требуется комплектация штата высококвалифицированных рабочих, что вызывает трудности из-за нехватки кадров на рынке труда.
Решение:
освоение автономной строительной техники, способной выполнять сложные операции круглосуточно и без перерывов, облегчая труд рабочих и повышая эффективность строительных работ.
Результат: снижение эксплуатационных расходов на 50%, повышение скорости возведения зданий на 50%.
На 30% может вырасти производительность после внедрения ИИ на стройке
К основным сдерживающим факторам применения ИИ в строительстве и ЖКХ эксперты относят:
отсутствие понимания необходимости внедрения технологии;
недостаток информации об искусственном интеллекте;
несовместимость с используемым оборудованием;
недостаток квалифицированных кадров.
«Применение ИИ позволит ускорить проектирование, улучшить контроль, повысить производительность, уменьшить потери и, как итог, снизить себестоимость строительства, — подытоживает Борис Хапачёв. — Но надо понимать, что это эволюционные изменения, а не революционные. ИИ — это всего лишь новый инструмент, которым ещё надо научиться пользоваться».
На 40% сокращает ИИ период проектирования в строительстве
ИИ в ЖКХ
Жилищно-коммунальное хозяйство развивается в соответствии с концепцией «умного города». Главные задачи — моментальное выявление неисправностей и сокращение до минимума периодов аварийного простоя.
Приоритетные направления применения ИИ в ЖКХ
Обнаружение утечек, выявление отклонений в потреблении воды и мошеннических действий
Проблема. Регулярные потери ресурсов из-за протечек в системе водоснабжения и мошеннических действий повышают расходы на эксплуатацию, снижают износоустойчивость инфраструктуры и её защищённость.
Решение:
использование виброакустических датчиков для своевременного выявления протечек в системе;
выявление отклонений на основе предыдущего опыта с помощью нейросетей;
анализ данных с целью обнаружения мошеннических действий и аномалий в потреблении водных ресурсов.
Результат: сокращение потерь воды на 20%, сокращение расходов на ТО и ремонт на 10%, повышение доходов на 10%.
Создание цифровых двойников
Проблема. Подбор параметров и регулирование положений запорной арматуры выполняются неэффективно, что приводит к увеличению расходов и снижению прибыли.
Решение:
внедрение ИИ в системы планирования и управления: реализация цифрового двойника коммунальной инфраструктуры, который силами искусственного интеллекта подберёт оптимальные параметры для котельных, трубопроводов, тепловых сетей и т. д. В режиме реального времени.сметы, критический анализ, выявление рисков на основе исходных данных, прогнозирование и т. д.;
Результат: снижение эксплуатационных расходов на 20%, снижение убытков от аварий на 50%.
Прогнозирование электропотребления
Проблема. Предприятия подают заявку на объёмы электропотребления заранее, что приводит к штрафам при несоблюдении установленных лимитов (как в меньшую, так и в большую сторону).
Решение:
внедрение ИИ-модели прогнозирования, позволяющей с учётом разных переменных факторов сформировать корректную заявку.
Результат: снижение штрафов на 20%.
На 50% снижаются убытки от аварий в ЖКХ при внедрении ИИ
«Применение технологий информационного моделирования в связке с ИИ позволяет автоматизировать процессы закупок, контроля проектных решений, исправлений ошибок перехода на строительную площадку», — отмечает Николай Козак, директор по ИТ и цифровой трансформации ДОМ.РФ. Также эксперт видит огромные перспективы применения ИИ в бюджетировании и планировании проекта, в динамичном пересчёте на основе подготовленных размеченных данных с предшествующих и уже реализованных объектов, классификаторов и справочников.
Решение:
внедрение ИИ в системы планирования и управления: разработка сметы, критический анализ, выявление рисков на основе исходных данных, прогнозирование и т. д.;
применение модулей искусственного интеллекта в типовом проектировании: разработка инженерных сетей, описание элементов, проверка соответствия строительным нормам, выгрузка информации и т. д.
Результат: рост производительности на 20%, снижение издержек на 10%, сокращение времени проектирования на 40%.
Применение автономной техники
Проблема. Для управления сложной строительной техникой требуется комплектация штата высококвалифицированных рабочих, что вызывает трудности из-за нехватки кадров на рынке труда.
Решение:
освоение автономной строительной техники, способной выполнять сложные операции круглосуточно и без перерывов, облегчая труд рабочих и повышая эффективность строительных работ.
Результат: снижение эксплуатационных расходов на 50%, повышение скорости возведения зданий на 50%.
На 30% может вырасти производительность после внедрения ИИ на стройке
К основным сдерживающим факторам применения ИИ в строительстве и ЖКХ эксперты относят:
отсутствие понимания необходимости внедрения технологии;
недостаток информации об искусственном интеллекте;
несовместимость с используемым оборудованием;
недостаток квалифицированных кадров.
«Применение ИИ позволит ускорить проектирование, улучшить контроль, повысить производительность, уменьшить потери и, как итог, снизить себестоимость строительства, — подытоживает Борис Хапачёв. — Но надо понимать, что это эволюционные изменения, а не революционные. ИИ — это всего лишь новый инструмент, которым ещё надо научиться пользоваться».
На 40% сокращает ИИ период проектирования в строительстве
ИИ в ЖКХ
Жилищно-коммунальное хозяйство развивается в соответствии с концепцией «умного города». Главные задачи — моментальное выявление неисправностей и сокращение до минимума периодов аварийного простоя.
Приоритетные направления применения ИИ в ЖКХ
Обнаружение утечек, выявление отклонений в потреблении воды и мошеннических действий
Проблема. Регулярные потери ресурсов из-за протечек в системе водоснабжения и мошеннических действий повышают расходы на эксплуатацию, снижают износоустойчивость инфраструктуры и её защищённость.
Решение:
использование виброакустических датчиков для своевременного выявления протечек в системе;
выявление отклонений на основе предыдущего опыта с помощью нейросетей;
анализ данных с целью обнаружения мошеннических действий и аномалий в потреблении водных ресурсов.
Результат: сокращение потерь воды на 20%, сокращение расходов на ТО и ремонт на 10%, повышение доходов на 10%.
Создание цифровых двойников
Проблема. Подбор параметров и регулирование положений запорной арматуры выполняются неэффективно, что приводит к увеличению расходов и снижению прибыли.
Решение:
внедрение ИИ в системы планирования и управления: реализация цифрового двойника коммунальной инфраструктуры, который силами искусственного интеллекта подберёт оптимальные параметры для котельных, трубопроводов, тепловых сетей и т. д. В режиме реального времени.сметы, критический анализ, выявление рисков на основе исходных данных, прогнозирование и т. д.;
Результат: снижение эксплуатационных расходов на 20%, снижение убытков от аварий на 50%.
Прогнозирование электропотребления
Проблема. Предприятия подают заявку на объёмы электропотребления заранее, что приводит к штрафам при несоблюдении установленных лимитов (как в меньшую, так и в большую сторону).
Решение:
внедрение ИИ-модели прогнозирования, позволяющей с учётом разных переменных факторов сформировать корректную заявку.
Результат: снижение штрафов на 20%.
На 50% снижаются убытки от аварий в ЖКХ при внедрении ИИ
«Применение технологий информационного моделирования в связке с ИИ позволяет автоматизировать процессы закупок, контроля проектных решений, исправлений ошибок перехода на строительную площадку», — отмечает Николай Козак, директор по ИТ и цифровой трансформации ДОМ.РФ. Также эксперт видит огромные перспективы применения ИИ в бюджетировании и планировании проекта, в динамичном пересчёте на основе подготовленных размеченных данных с предшествующих и уже реализованных объектов, классификаторов и справочников.