Forwarded from Goodini | диджитал офис
Media is too big
VIEW IN TELEGRAM
Робот R.I.S.E. от Schindler автономно устанавливает лифты
Он в шахте сверлит поверхности и устанавливает анкерные болты. Работает круглосуточно. С помощью камеры можно за ним удаленно наблюдать, но, по сути, оператор не требуется. Робот получает задание прямо из BIM-модели — это гарантирует точную установку в соответствии с разметкой. Передача информации идет в обе стороны: робот берет ТЗ из модели, а в нее возвращает информацию о своей проделанной работе.
Он в шахте сверлит поверхности и устанавливает анкерные болты. Работает круглосуточно. С помощью камеры можно за ним удаленно наблюдать, но, по сути, оператор не требуется. Робот получает задание прямо из BIM-модели — это гарантирует точную установку в соответствии с разметкой. Передача информации идет в обе стороны: робот берет ТЗ из модели, а в нее возвращает информацию о своей проделанной работе.
Forwarded from Всё о стройке
This media is not supported in your browser
VIEW IN TELEGRAM
Мини-квест. Выше одно видео из 2 половин: на одной реальная квартира, а на другой — сгенерированная ИИ. Какая из них настоящая?
Пишите в комментариях👇🏻
Пишите в комментариях👇🏻
Media is too big
VIEW IN TELEGRAM
Archilogic — платформа на искусственном интеллекте для управления цифровыми двойниками
Сервис создали швейцарские программисты. Он позволяет создать из поэтажных планов цифровой двойник здания и проводить виртуальные экскурсии по нему, а также создавать визуализации будущих помещений с помощью искусственного интеллекта.
Попробовать можно здесь.
Сервис создали швейцарские программисты. Он позволяет создать из поэтажных планов цифровой двойник здания и проводить виртуальные экскурсии по нему, а также создавать визуализации будущих помещений с помощью искусственного интеллекта.
Попробовать можно здесь.
Forwarded from Всё о стройке
🇰🇿Наши казахстанские коллеги из ГК Шар Құрылыс тоже (как и «Техзор») посетили крупнейшую в Дубае выставку строительной индустрии «BIG 5»
В видео выше директор по цифровизации ГК Шар Құрылыс Чингизхан Файзуллин специально для ТГ «Всё о стройке» заснял ИИ-решение, которое сканирует область, оценивает объем работ, далее сравнивает эту информацию и показывает результат в виде графиков.
Также из интересного на выставке представлено: тендерная платформа Lexacon, комплексный продукт для проектирования Qubu, дроны от VERTLINER, система для управления строительной площадкой на основе 3D-моделей Specter automation.
Всё, что считаете интересным, — кидайте @svetlanaopryshko либо в наш бот😉
Справочно:
Шар-Құрылыс — это казахстанский строительный холдинг с собственным домостроительным комбинатом, который уже более 25 лет строит жилье и имеет 17 завершенных объектов.
#цифровизация
В видео выше директор по цифровизации ГК Шар Құрылыс Чингизхан Файзуллин специально для ТГ «Всё о стройке» заснял ИИ-решение, которое сканирует область, оценивает объем работ, далее сравнивает эту информацию и показывает результат в виде графиков.
Также из интересного на выставке представлено: тендерная платформа Lexacon, комплексный продукт для проектирования Qubu, дроны от VERTLINER, система для управления строительной площадкой на основе 3D-моделей Specter automation.
Всё, что считаете интересным, — кидайте @svetlanaopryshko либо в наш бот😉
Справочно:
Шар-Құрылыс — это казахстанский строительный холдинг с собственным домостроительным комбинатом, который уже более 25 лет строит жилье и имеет 17 завершенных объектов.
#цифровизация
SoET2024_Report.pdf
25.2 MB
State of European Tech: результаты европейского тех-сектора за 10 лет
Аналитики Atomico и Invest Europeк изучили рынок европейских технологий и подготовили отчет. Мы собрали главное⬇️
⚫️ Несмотря на кадровый голод, сейчас в Европе в тех-секторе работает 3,5 млн человек. Это в 7 раз больше, чем в 2015 году, что показывает рост количества разработок в отрасли компьютерных технологий за 10 лет. Это подтверждает и сумма инвестиций: за 2015-2024 — $426 млрд, за 2005-2015 — всего $43 млрд.
⚫️ Отмечен рост темпов возникновения и новых компаний, и компаний с оценкой более $1 млрд: 35 тысяч новых и 358 в миллиард. Эти компании за 10 лет заработали почти $1 трлн, но 33% респондентов назвали недостаток ликвидности и распределения ключевым барьером для инвестиций в венчур.
⚫️ Искусственный интеллект захватывает мир — за 10 лет число специалистов по нему увеличилось в 6 раз, до 159 тысяч человек. 23% всех сделок до $5 млн в 2024-м забрали проекты, связанные с искусственным интеллектом и машинным обучением.
⚫️ К 2034 году тех-сектор Европы может достигнуть стоимости $8 трлн с кадровым резервом в 20 миллионов человек к 2034 году.
Полностью отчет в прикрепленном файле⬆️
Аналитики Atomico и Invest Europeк изучили рынок европейских технологий и подготовили отчет. Мы собрали главное
Полностью отчет в прикрепленном файле
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Когда нужно собрать большой датасет для непрерывной видеоаналитики😁
Почему нейросети не подходят для проектирования кварталов и городов
Наткнулись на интересное мнение. На Хабре Егор Смирнов, разработчик из лаборатории «Интеллектуальные технологии городского планирования» Университета ИТМО, рассуждал, что нейросети не применимы для генерации целого квартала или города. Почему?
Недостаток качественных данных для обучения
Нейросети нужно «скормить» огромный объем реализованных проектов, чтобы она научилась выдавать приемлемый результат. И счет идет не на сотни, а на десятки тысяч. Столько у наших застройщиков нет. К тому же нужны машиночитаемые планы. То есть либо доставать сразу такие, либо переводить — это время.
И еще один вопрос — а судьи кто? Кто будет решать, какие проекты добавлять в датасет, и по каким критериям? Это к моменту про качество данных для обучения. Если давать нейросети проекты с косяками, то и она выдаст сплошные косяки. И если на генерации картинок это приводит всего лишь к шести пальцам, то в стройке такое не пройдет. Нужно 100% соответствие нормативам и стандартам, иначе проект просто не пройдет экспертизу.
Биг дата тоже не вариант
Нейросети пытаются обучить находить закономерности на картах, но городская застройка меняется, сохраняя какие-то рудименты прошлого, которые нейросети не понять. На картах нет множества данных, необходимых для строительства. Они есть в городских администрациях... Вот, собственно, этим и хороша ИСУП, так как там, по идее, содержится вся взаимосвязанная информация о территории. Но никто не давал доступа к ИСУП и «Стройкомплексу» для обучения нейросетей.
Что делать
Использовать алгоритмы для расчетов, а нейросетям отдать первоначальную генерацию визуалов, чтобы застройка не выглядела математически выверенной матрицей без души.
Наткнулись на интересное мнение. На Хабре Егор Смирнов, разработчик из лаборатории «Интеллектуальные технологии городского планирования» Университета ИТМО, рассуждал, что нейросети не применимы для генерации целого квартала или города. Почему?
Недостаток качественных данных для обучения
Нейросети нужно «скормить» огромный объем реализованных проектов, чтобы она научилась выдавать приемлемый результат. И счет идет не на сотни, а на десятки тысяч. Столько у наших застройщиков нет. К тому же нужны машиночитаемые планы. То есть либо доставать сразу такие, либо переводить — это время.
И еще один вопрос — а судьи кто? Кто будет решать, какие проекты добавлять в датасет, и по каким критериям? Это к моменту про качество данных для обучения. Если давать нейросети проекты с косяками, то и она выдаст сплошные косяки. И если на генерации картинок это приводит всего лишь к шести пальцам, то в стройке такое не пройдет. Нужно 100% соответствие нормативам и стандартам, иначе проект просто не пройдет экспертизу.
Биг дата тоже не вариант
Нейросети пытаются обучить находить закономерности на картах, но городская застройка меняется, сохраняя какие-то рудименты прошлого, которые нейросети не понять. На картах нет множества данных, необходимых для строительства. Они есть в городских администрациях... Вот, собственно, этим и хороша ИСУП, так как там, по идее, содержится вся взаимосвязанная информация о территории. Но никто не давал доступа к ИСУП и «Стройкомплексу» для обучения нейросетей.
Что делать
Использовать алгоритмы для расчетов, а нейросетям отдать первоначальную генерацию визуалов, чтобы застройка не выглядела математически выверенной матрицей без души.
Последний день осени, а мы уже нашли подарок вашему отделу ИИ-разработки. Это одна из самых больших баз материалов по LLM: бесплатные курсы, инструменты, открытые модели, видео и многое другое.
Вы знаете, кому переслать. #учимся
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Компания Niantic обучает большую геопространственную модель (БГМ) на данных игроков Pokémon Go
Почему именно покемоны
Потому что игроки за 8 лет отсканировали телефонами миллион реальных локаций с разных ракурсов — это несколько миллионов фотографий с привязкой к локации, сезону и времени суток. На данный момент это самый большой датасет пространственных данных в мире.
Чем поможет роботам и нейросетям
Нейросети и роботы ориентируются в пространстве на основе данных, которые им дали. Они знают только ту часть реального мира, которую им показали на фото и видео, и не умеют достраивать среду вокруг.
Инженеры Niantic начали решать эту проблему и разработали нейросеть MicKey, которая сравнивает объекты и по закономерностям понимает, что это один и тот же объект под разными углами.
Теперь они хотят создать БГМ и обучить ее на данных, полученных от игроков в Pokémon Go. Так что истерия по ловле покемонов в дополненной реальности принесет пользу — роботы и нейросети научатся определять мир не точками, а целыми объектами, что в разы улучшит их осознание окружающего мира. И самое важное — не сами данные, на которых ее обучат, а то, какие выводы научится делать на них нейросеть. То есть она станет более автономной, а значит, для устройств, имеющих БГМ в основе, нужно будет меньше операторов.
Новая модель будет применима для игровой индустрии, беспилотных устройств, гаджетов на дополненной и виртуальной реальности. А в стройке это поможет автоматизировать процессы геодезии, строительного контроля и т.д.
Почему именно покемоны
Потому что игроки за 8 лет отсканировали телефонами миллион реальных локаций с разных ракурсов — это несколько миллионов фотографий с привязкой к локации, сезону и времени суток. На данный момент это самый большой датасет пространственных данных в мире.
Чем поможет роботам и нейросетям
Нейросети и роботы ориентируются в пространстве на основе данных, которые им дали. Они знают только ту часть реального мира, которую им показали на фото и видео, и не умеют достраивать среду вокруг.
Инженеры Niantic начали решать эту проблему и разработали нейросеть MicKey, которая сравнивает объекты и по закономерностям понимает, что это один и тот же объект под разными углами.
Теперь они хотят создать БГМ и обучить ее на данных, полученных от игроков в Pokémon Go. Так что истерия по ловле покемонов в дополненной реальности принесет пользу — роботы и нейросети научатся определять мир не точками, а целыми объектами, что в разы улучшит их осознание окружающего мира. И самое важное — не сами данные, на которых ее обучат, а то, какие выводы научится делать на них нейросеть. То есть она станет более автономной, а значит, для устройств, имеющих БГМ в основе, нужно будет меньше операторов.
Новая модель будет применима для игровой индустрии, беспилотных устройств, гаджетов на дополненной и виртуальной реальности. А в стройке это поможет автоматизировать процессы геодезии, строительного контроля и т.д.