Zdjęcie: © Nitcharee – stock.adobe.com
Czym dokładnie jest sztuczna inteligencja (AI), a czym nie jest?
Owszem, jest to temat omawiany już do znudzenia i niemal nudny, jednak ponieważ nie zawsze łatwo jest to rozróżnić, chcielibyśmy przyjrzeć się temu bliżej w kontekście naszego konkretnego zastosowania w projektowaniu instalacji technicznych budynków (MEP).
Ogólnie rzecz biorąc, termin AI (sztuczna inteligencja) odnosi się do systemów zdolnych do wykonywania zadań, które wcześniej wymagały ludzkiej inteligencji, często przy niewielkim lub żadnym widocznym wysiłku. Jednym ze szczególnie udanych podejść w tej dziedzinie są sieci neuronowe, które próbują naśladować funkcjonowanie ludzkiego mózgu: z neuronami, połączeniami między nimi (o zróżnicowanej sile), receptorami jako interfejsem służącym do postrzegania świata zewnętrznego oraz sygnałami „wysyłanymi” między receptorami a neuronami, a także między samymi neuronami. To, co w przypadku takich sieci określa się mianem „uczenia”, odpowiada procesowi uczenia się u ludzi: w zależności od zastosowanej metody połączenia między neuronami są selektywnie wzmacniane lub osłabiane, aż sieć zacznie osiągać wystarczająco dobre wyniki w zakresie danego zadania.
Natomiast klasyczne algorytmy i funkcje matematyczne działają zgodnie z wcześniej zdefiniowanymi regułami. Nie są to bynajmniej starsze, słabsze narzędzia. Algorytm stanowi opis jasno zdefiniowanej metody rozwiązywania problemu: konkretne dane wejściowe zawsze dają ten sam, jednoznaczny wynik. Nazywa się to metodą deterministyczną. Dotyczy to nie tylko prostych wzorów obliczeniowych – takich jak te dotyczące strat ciśnienia w rurze – ale również bardziej rozbudowanych, a nawet wysoce złożonych metod: rozwiązywania kolizji między rurami w przestrzeni trójwymiarowej lub obliczania całych sieci hydraulicznych z tysiącami węzłów i odbiorników. Wszystko to można opisać za pomocą jasno sformułowanych reguł i logiki, a zatem rozwiązać w sposób deterministyczny. Metody takie są szybkie, oszczędne pod względem zasobów i w pełni identyfikowalne. Kluczowy wymóg jest zawsze ten sam: problem musi dać się w pełni opisać za pomocą zestawu reguł. Właśnie w tym miejscu wyznaczają się granice zastosowań, a właśnie tam zaczynają się praktyczne zastosowania sztucznej inteligencji.
Sztuczna inteligencja jako skrót – a kto potrzebuje czytać mapę
Teoretycznie wybór odpowiedniego narzędzia byłby prosty, a w kontekście inżynieryjnym decyzja często opowiadałaby się za algorytmem klasycznym. W praktyce sytuacja wygląda inaczej. Zarówno twórcy oprogramowania, jak i użytkownicy coraz częściej sięgają po modele językowe, nawet w przypadkach, gdy problem można by opisać na tyle precyzyjnie, by rozwiązać go deterministycznie. Powód jest zrozumiały: opracowanie solidnego, przetestowanego i łatwego w utrzymaniu algorytmu wymaga czasu i wiedzy specjalistycznej – z kolei model językowy dostarcza w ciągu kilku minut rozwiązanie, które często jest „wystarczająco dobre”. A jeśli wynik spełnia wymagania, decyzja nie jest trudna. Ten kompromis jest zasadniczo uzasadniony – jest to przecież decyzja ekonomiczna, podobnie jak każda inna w branży projektowej. Niesie ona jednak ze sobą ryzyko, które jest szczególnie poważne w dziedzinie inżynierii: stwierdzenie „wystarczająco dobre” nie jest obiektywnym stwierdzeniem, lecz oceną, a ocena ta wymaga fachowej wiedzy. Jeśli nie znają Państwo granic zastosowania rozwiązania opartego na sztucznej inteligencji, nie są Państwo w stanie ocenić, czy wynik jest rzeczywiście akceptowalny.
W tle czai się bardziej subtelne niebezpieczeństwo: im częściej stosuje się to uproszczenie, tym rzadziej ćwiczy się rzeczywisty proces myślowy. Fachowa wiedza nie wynika z samego tylko korzystania z wyników, lecz z pracy nad problemami – poprzez popełnianie błędów, wprowadzanie poprawek i stopniowe kształtowanie zdolności oceny. Każdy, kto na stałe powierza obliczenia, wymiarowanie lub decyzje planistyczne modelowi językowemu, ryzykuje utratę właśnie tej wiedzy specjalistycznej, która jest niezbędna do krytycznej oceny wyników sztucznej inteligencji. Nie jest to scenariusz hipotetyczny: przypomnijmy sobie wpływ, jaki nawigacja GPS wywarła na nasze poczucie orientacji – jest on niepostrzegalny, stopniowy i zauważalny dopiero wtedy, gdy system zawodzi. Unikanie sztucznej inteligencji nie może być alternatywą; należy raczej korzystać z niej świadomie: rozumieć wyniki sztucznej inteligencji, a nie po prostu przyjmować je za dobrą monetę; regularnie ćwiczyć własną zdolność oceny sytuacji; oraz aktywnie rozwijać swoją fachową wiedzę – zwłaszcza w miarę jak narzędzia stają się coraz potężniejsze. Skróty nie mogą zastępować ludzkich umiejętności.
Jak firma Autodesk wykorzystuje sztuczną inteligencję?
Wraz z programem Revit 2027 firma Autodesk wprowadziła Autodesk Assistant – wraz z dodatkowymi funkcjami opartymi na sztucznej inteligencji – w ramach „Tech Preview”. Poniżej wyjaśniono, co dokładnie to oznacza, czym obecnie zajmuje się Asystent, jak działa technologia, która za nim stoi, czego obecnie jeszcze brakuje oraz czego możemy się spodziewać w przyszłości.
Ważna informacja dodatkowa: Po opublikowaniu niniejszego artykułu aplikacja Autodesk Assistant zakończyła fazę podglądu technicznego!
Czym jest Autodesk Assistant (obecnie)
Autodesk Assistant to asystent oparty na sztucznej inteligencji, zintegrowany bezpośrednio z programem Revit, który nie tylko wyjaśnia, jak korzystać z poszczególnych funkcji, ale może również samodzielnie wykonywać zadania w modelu.
W programie Revit interfejs Asystenta przypomina klasyczny chatbot z polem tekstowym, w którym użytkownik może zadać pytanie lub opisać zadanie. Asystent działa w tle, wykorzystując własny model sztucznej inteligencji firmy Autodesk.
Aby przetworzyć żądanie, model ten analizuje wprowadzoną prośbę, porównuje ją z dostępnymi narzędziami, określa, które narzędzia należy uruchomić i w jakiej kolejności, a następnie je uruchamia oraz analizuje wyniki (pośrednie). Wyniki te są następnie wykorzystywane jako parametry wejściowe dla kolejnego wywołania, co ostatecznie prowadzi do pożądanego rezultatu. Jeśli w poleceniu opisano zadania, dla których nie ma odpowiednich narzędzi, Asystent powiadomi o tym użytkownika i wyjaśni, w jaki sposób zadanie można wykonać ręcznie.
Same narzędzia opierają się zazwyczaj na klasycznej, deterministycznej logice programowej. Otrzymują one zdefiniowane dane wejściowe (parametry), działają na modelu za pomocą interfejsu API programu Revit i generują przewidywalny wynik. Te same dane wejściowe → ten sam wynik. Model sztucznej inteligencji „tylko” uzyskuje do nich dostęp, ale w rzeczywistości nie jest częścią tych funkcji. Niemniej jednak model sztucznej inteligencji odgrywa kluczową rolę w koordynowaniu działania narzędzi – rolę, której nie należy lekceważyć. Dlatego też na tym etapie bardzo ważne jest stosowanie „silnego/inteligentnego” modelu. Czy model obecnie stosowany przez firmę Autodesk jest już „wystarczająco dobry” do tego zadania, dopiero się okaże.
Dostępne narzędzia są określane przez załadowane „serwery MCP” (zob. sekcja informacyjna poniżej „Model Context Protocol (MCP)”). Serwer MCP udostępnia listę narzędzi w określonym formacie. Każde narzędzie jest szczegółowo opisane: jakie zadanie pełni, jakich informacji potrzebuje do prawidłowego działania oraz czy i w jakiej formie zwraca wynik.
Obecnie jednak program Autodesk Assistant współpracuje wyłącznie z jednym serwerem MCP obsługiwanym przez samą firmę Autodesk, oferującym stały zestaw funkcji. W praktyce oznacza to: Ta funkcja jest obecnie ograniczona!
Funkcjonalność, którą firma Autodesk obecnie udostępnia na swoim serwerze MCP, jest oficjalnie podzielona na sześć obszarów:
1. Zapytania
dotyczące modelu
wyszukiwanie i analiza
elementów oraz parametrów
2. Zarządzanie
arkuszami
tworzenie i porządkowanie
arkuszy rysunkowych
3. Zarządzanie
pomieszczeniami
wyszukiwanie i administrowanie
danymi dotyczącymi pomieszczeń
4. Harmonogramy
tworzenie i
organizowanie
harmonogramów
5. Eksport
generowanie
danych modelu
6. Operacje
na elementach
edycja elementów
Choć struktura ta może wydawać się jasna, firma Autodesk opublikowała dotychczas jedynie ograniczoną dokumentację dotyczącą szczegółowego zakresu każdego z tych obszarów – co nie jest niczym niezwykłym w przypadku wersji zapoznawczej. Z całą pewnością można stwierdzić, że możliwe jest pobieranie danych modelu oraz modyfikowanie parametrów istniejących elementów — w tym ostatnim przypadku nawet w dużych ilościach, obejmujących setki elementów w ramach jednej operacji. Jednak bardziej zaawansowane edycje modelu, takie jak tworzenie nowych elementów lub edycja definicji rodzin, nie są obecnie możliwe.
Poniższe konkretne przykłady pokazują, w jaki sposób można już dziś korzystać z programu Autodesk Assistant. Zostały one zrealizowane w ramach naszego przykładowego projektu „Office-Example-MEP”, dzięki czemu można je łatwo wypróbować.
Szczególnie dwa ostatnie przykłady ilustrują prawdziwą siłę tego podejścia: przeprowadzenie takiej kontroli spójności w tradycyjny sposób wymagałoby znacznego nakładu pracy ręcznej, na przykład przy użyciu zestawień i dokładnej analizy danych. Teoretycznie Asystent może wykonać to zadanie w ramach jednego przepływu pracy sformułowanego w języku naturalnym. Jak to zwykle bywa w przypadku sztucznej inteligencji, wyniki tych zapytań nie są deterministyczne. To, czy pomieszczenie o nazwie „miejsce spotkań” powinno faktycznie nosić nazwę „strefa spotkań”, z pewnością podlega interpretacji. Fakt, że nie zawsze działa to jeszcze idealnie, może wynikać z tego, że rozwiązanie znajduje się w fazie wersji zapoznawczej, lub z modelu sztucznej inteligencji wykorzystywanego przez Autodesk Assistant.
Wybierz i filtruj
| Zaznacz wszystkie panele sufitowe z ogrzewaniem promiennikowym w projekcie | Zaznacza wszystkie rodziny, których nazwa zawiera słowo „Radiant Ceiling Panel” | TAK |
| Ile paneli sufitowych z ogrzewaniem promiennikowym znajduje się na pierwszym piętrze? | Odpowiada na proste pytanie dotyczące zliczenia na podstawie danych modelu. | TAK |
| Zaznacz wszystkie rury o długości > 2 m | Operacja nie powiodła się, ponieważ nie można odczytać parametru długości. Samodzielna próba określenia długości przez sztuczną inteligencję przy użyciu „prostokątów ograniczających” prowadzi do znacznie niedokładnych wyników. | NIE |
Tworzenie dokumentacji
| Proszę utworzyć nowy arkusz planu i umieścić na nim „Stację wody pitnej”. | Powoduje utworzenie nowego arkusza i umieszczenie na nim określonego widoku (widok szczegółowy „Stacja wody pitnej”). Nie można jednak dokładnie wskazać lokalizacji. | TAK i NIE |
| Proszę oznaczyć wszystkie panele sufitowe z ogrzewaniem promiennikowym w bieżącym widoku za pomocą etykiety „LIN_HT_OUTLET” | Wyszukuje elementy i tworzy żądaną etykietę | TAK |
Analiza i testowanie
| Proszę sprawdzić wszystkie nazwy pomieszczeń (w obszarach MEP) pod kątem błędów ortograficznych i sporządzić listę tych, w których występują błędy. | Narzędzie analizuje wszystkie pomieszczenia i identyfikuje nazwy oznaczone jako „potencjalnie” nieprawidłowe. Umożliwia ono edycję nazw (w oparciu o Państwa własne propozycje lepszych nazw), co faktycznie działa. | TAK |
| „Przeanalizuj wszystkie rury i armaturę oraz zidentyfikuj wartości parametru „LIN_POSITION_NUMBER_A” zawierające problemy z formatowaniem, takie jak niespójne formaty”. „Proszę krótko opisać, który format jest najczęściej spotykany, oraz wymienić wszystkie odstępstwa”. | Wynik jest w większości bezużyteczny, ponieważ zgodnie z własnym oświadczeniem sztuczna inteligencja przeprowadza jedynie losowe kontrole. Niektóre wartości odstające nie zostały uwzględnione. Aby uzyskać najdokładniejsze wyniki, zaleca się podejście ręczne. | NIE |
Proszę kliknąć na przegląd po lewej stronie, aby go powiększyć.
Czego można się spodziewać w przyszłości
Aplikacja Autodesk Assistant jest wyraźnie oznaczona jako wersja Tech Preview. Jej obecna postać stanowi zatem migawkę, a nie stan ostateczny. Wyłaniają się trzy trendy.
Pierwszy z nich dotyczy dostępności aplikacji Assistant dla zewnętrznych serwerów MCP. Obecnie komunikuje się ona wyłącznie z wewnętrznym serwerem firmy Autodesk; ogłoszono jednak wsparcie dla serwerów MCP nowej generacji – zarówno hostowanych lokalnie, jak i opartych na chmurze. Zmieniłoby to zasadniczo charakter aplikacji Assistant: z zamkniętego narzędzia o stałym zestawie funkcji przekształciłaby się ona w otwartą platformę, do której można by zintegrować specjalistyczne funkcje dostawców zewnętrznych jako dodatkowe narzędzia. Użytkownicy mogliby wówczas korzystać z tych narzędzi w ramach tego samego, znanego interfejsu, z którego korzystają, aby uzyskać dostęp do narzędzi firmy Autodesk.
Drugi aspekt dotyczy uprawnień do zapisu dla aplikacji zewnętrznych. Serwer MCP, który jest obecnie publicznie dostępny, ogranicza się do narzędzi tylko do odczytu – dane modelu można analizować, ale nie można ich modyfikować. Dopiero dodanie narzędzi do zapisu przekształciłoby zewnętrzne klienty AI z prostych narzędzi analitycznych w pełnoprawne narzędzia edycyjne. Czas pokaże, kiedy i w jakim zakresie firma Autodesk podejmie ten krok.
Trzeci aspekt dotyczy wyboru modelu sztucznej inteligencji. Autodesk Assistant korzysta obecnie z modelu opracowanego wewnętrznie przez firmę Autodesk. Gdy tylko Assistant otworzy się na zewnętrzne serwery MCP – a tym samym na inne klienty AI – możliwość wykorzystania lepszego modelu do danego zadania stanie się rzeczywistością, zamiast ograniczać się do jednego, z góry zdefiniowanego modelu.
Wszystkie trzy ścieżki rozwoju mają jedną wspólną cechę: choć firma Autodesk przedstawiła ogólny kierunek, konkretne harmonogramy ani wiążące zobowiązania nie zostały jeszcze ogłoszone. W celu dokonania rzetelnej oceny zaleca się zatem uważne śledzenie dalszego rozwoju wersji Tech Preview.
Jak LINEAR „wykorzystuje sztuczną inteligencję”
Podczas gdy firma Autodesk opiera swoją strategię w zakresie sztucznej inteligencji na centralnym asystencie w interfejsie użytkownika CAD, LINEAR przyjmuje szersze podejście: wykorzystuje sztuczną inteligencję tam, gdzie faktycznie odciąża ona codzienną pracę związaną z planowaniem – wbudowaną w same funkcje specjalistyczne, a nie tylko w chatbota działającego na wcześniejszym etapie.
Obecna sytuacja Wwersji
LINEAR Building 26.0 wprowadzono nowy moduł „Room Data Sheet” wraz z dwiema funkcjami opartymi na sztucznej inteligencji, które znacznie zmniejszają nakład pracy związany z codziennym planowaniem. Termin „sztuczna inteligencja” odnosi się tutaj do dużych modeli językowych (LLM), które szczególnie dobrze sprawdzają się w zadaniach opisanych poniżej. Rozwiązanie to jest szczególnie skuteczne, ponieważ zadania te koncentrują się na rozpoznawaniu wzorców, a sztuczna inteligencja nie jest wykorzystywana w niewłaściwy sposób do wykonywania obliczeń deterministycznych. Oferuje ona sugestie i przejmuje zadania, których wykonanie w innym przypadku wymagałoby czasochłonnej i skrupulatnej dbałości o szczegóły.
Jakość wsparcia zależy oczywiście od zastosowanego modelu sztucznej inteligencji. Dlatego firma LINEAR celowo przyjęła otwarte podejście do tej kwestii: mogą Państwo wybrać praktycznie dowolny model – od wysokowydajnych modeli hostowanych w dużych centrach danych po modele open source działające lokalnie na Państwa własnym sprzęcie. Wstępnie zainstalowany model „LINEAR Standard” opiera się na kompaktowym modelu dostarczonym przez OpenAI, z którego klienci LINEAR mogą obecnie korzystać bezpłatnie i bez konieczności konfiguracji – choć, co zrozumiałe, nie wykorzystuje on w pełni potencjału dużych modeli chmurowych.
Wsparcie AI dla wprowadzania danych specyficznych dla danego typu
Wprowadzanie danych specyficznych dla danego typu pozwala na rejestrowanie wszelkiego rodzaju danych dotyczących pomieszczeń – niezależnie od branży, fazy planowania, tego, czy dane są istotne dla obliczeń, czy służą wyłącznie do celów dokumentacyjnych, a także niezależnie od tego, czy składają się one z liczb, czy tekstu. Ta i tak już prosta metoda gromadzenia danych może być teraz wspierana przez model LLM – bez konieczności formułowania samego zadania, czyli bez konieczności podawania mu „podpowiedzi”.
Wystarczy jedno kliknięcie, aby model LLM nauczył się, jaką wartość należy obliczyć, jaka jest jej jednostka miary oraz, w stosownych przypadkach, jakie wartości są dopuszczalne. Następnie otrzymuje on informację, na podstawie czego ma wyliczyć tę wartość.
Najlepiej zilustrować to na przykładzie: Należy zidentyfikować „typ pomieszczenia” w systemie LINEAR Building, ponieważ ma on kluczowe znaczenie dla obliczeń obciążenia chłodniczego, ponieważ na jego podstawie wywodzi się dane obliczeniowe określone w normach. Wykonywanie tej czynności ręcznie jest czasochłonnym zadaniem w przypadku budynków o dużej liczbie pomieszczeń. Wprowadzanie danych specyficznych dla danego typu znacznie przyspiesza ten proces, ponieważ typ pomieszczenia dla pomieszczeń o tej samej nazwie wystarczy wprowadzić tylko raz. Jednak w przypadku większych budynków nadal wiąże się to z większym nakładem pracy.
Model LLM może odpowiednio poradzić sobie z tym zadaniem, gdy tylko pozna listę możliwych typów pomieszczeń i otrzyma nazwy pomieszczeń. W tym celu wystarczy wprowadzić parametr „Nazwa pomieszczenia” jako wartość wejściową, a parametr „Typ pomieszczenia” jako wartość wyjściową w oknie dialogowym wprowadzania wartości specyficznych dla danego typu, a następnie pozwolić sztucznej inteligencji wykonać swoją pracę. Ponieważ LINEAR Building zna dozwolone typy pomieszczeń, automatycznie uwzględnia te informacje, skutecznie zapobiegając w ten sposób „halucynacjom” sztucznej inteligencji.
Wyniki są początkowo prezentowane w formie listy sugestii. Listę tę można sortować według wartości wejściowych i wyjściowych lub według poziomu pewności sztucznej inteligencji. Pewność wyrażana jest w procentach (0–100%), co wskazuje, na ile sztuczna inteligencja jest pewna danego wyniku. Dlatego zaleca się sortowanie wyników według poziomu pewności, a przede wszystkim sprawdzenie wyników o niskim poziomie pewności i skorygowanie ich w razie potrzeby. Ważna uwaga: Poziom pewności stanowi samoocenę sztucznej inteligencji, ale nie jest obiektywną miarą dokładności. Nawet model może się mylić, nie zdając sobie z tego sprawy. Pomaga to ustalić priorytety testów, ale nie zastępuje ich.
Wprowadzanie danych dostosowane do typu obiektu z wykorzystaniem sztucznej inteligencji: oto jak to działa w systemie LINEAR BUILDING
Oczywiście w przypadku sztucznej inteligencji pojawiają się również przeszkody. Niejednoznaczne pojęcie, takie jak „pomieszczenie”, może odnosić się do zupełnie innego rodzaju pomieszczenia w kompleksie biurowym niż w hotelu. Z kolei termin „biuro” nie wyjaśnia jeszcze, czy chodzi o biuro jednoosobowe, czy grupowe. W obu przypadkach sztuczna inteligencja może jednak okazać się pomocna: w pierwszym przypadku należy dodać opcjonalną wskazówkę, na przykład: „Ten budynek to hotel”. W drugim przypadku „powierzchnia pomieszczenia” stanowi dodatkowy parametr wejściowy dla „nazwy pomieszczenia”. Na tej podstawie sztuczna inteligencja może określić, dla ilu osób przeznaczone jest dane pomieszczenie.
Proszę kliknąć na przegląd po lewej stronie, aby go powiększyć.
Wsparcie sztucznej inteligencji w wyszukiwaniu pomieszczeń
Funkcja „Filtr pomieszczeń oparty na sztucznej inteligencji” nie ma na celu zastąpienia prostych, deterministycznych filtrów – takich jak wyszukiwanie według nazw, błędów, wielkości pomieszczeń lub innych przedziałów wartości. Byłoby to zarówno marnotrawstwem zasobów, jak i nieefektywne: polecenie typu „Wyszukaj wszystkie pomieszczenia o powierzchni większej niż 100 m²” po prostu zajmuje więcej czasu niż wpisanie „>100” w polu filtru wielkości pomieszczenia.
Ta funkcja naprawdę sprawdza się w sytuacjach, w których wymagane są kryteria nieprecyzyjne, rozpoznawanie wzorców lub jednoczesne uwzględnienie wielu zestawów danych dotyczących pomieszczeń – filtry, które w ten sposób są znacznie łatwiejsze do wdrożenia lub których w inny sposób nie dałoby się wdrożyć. Oto kilka przykładów:
- „Pomieszczenia, których nazwy zawierają literówki”
- „Pomieszczenia, których obciążenie grzewcze nie odpowiada typowi pomieszczenia (szpital)”
- „Pomieszczenia, które mogą mieć zbyt mało gniazdek elektrycznych”
Są to „skróty” filtrujące, które mogą nie dawać w 100 procentach dokładnych wyników i które – przy znacznie większym nakładzie pracy – można by również rozwiązać bardziej precyzyjnie przy użyciu metod deterministycznych. Jednak to właśnie prostota aplikacji gwarantuje, że niespójności są w ogóle wyszukiwane i wykrywane – niespójności, które w przeciwnym razie mogłyby zostać przeoczone.
Jak to działa w szczegółach?
Filtr oparty na sztucznej inteligencji oszczędza czas użytkownika w dwóch etapach. Po pierwsze, funkcja wykorzystuje podpowiedź, aby określić, jakie informacje są faktycznie potrzebne. Przy określaniu obciążenia grzewczego rolę mogą odgrywać: obciążenie grzewcze właściwe (W/m²), bezwzględne obciążenie grzewcze pomieszczenia, typ pomieszczenia, wielkość pomieszczenia oraz rodzaj wentylacji. W pierwszym etapie sztuczna inteligencja otrzymuje wszystkie możliwe nazwy parametrów wraz z ich znaczeniem i jest proszona o dokonanie sensownego wyboru na potrzeby filtrowania. Rzeczywiste dane dotyczące pomieszczeń są przekazywane dopiero w drugim etapie, a samo filtrowanie odbywa się na podstawie tych danych.
Czy wszystko to jest „bezpieczne”?
Odpowiedź brzmi jednoznacznie: „tak i nie”. Niemniej jednak, jeśli chodzi o bezpieczeństwo danych, udział odpowiedzi „nie” jest bardzo niewielki.
Sam system LINEAR Building nie przekazuje modelom sztucznej inteligencji żadnych informacji dotyczących samego projektu (nazwa, lokalizacja, właściciel budynku, typ budynku itp.). Wszystkie informacje o budynku muszą zatem zostać „dodatkowo podane” (na przykład: „Ten budynek to szpital”). Model otrzymuje wyłącznie dane dotyczące pomieszczeń. Jeśli jednak nazwy lub wymiary pomieszczeń zawierają informacje, które nie mogą opuścić obiektu, należy korzystać z lokalnie hostowanych instancji sztucznej inteligencji. Nie są one (jeszcze) tak wydajne, ale pozostają całkowicie pod naszą kontrolą.
Jeśli chodzi o niezawodność w sensie dokładności wyników, wymagana jest większa ostrożność – jak wyjaśniono na początku. Systemy sztucznej inteligencji nie mogą zastąpić wiedzy specjalistycznej i doświadczenia zawodowego. Sugestie sztucznej inteligencji nie powinny być nigdy stosowane bez weryfikacji.
Spojrzenie w przyszłość
Oczywiście nie jest to bynajmniej koniec zastosowań sztucznej inteligencji w oprogramowaniu LINEAR. Wdrożyliśmy pierwsze oczywiste zastosowania w nowym module „Karta danych pomieszczenia” programu LINEAR Building i z niecierpliwością czekamy na opinie naszych użytkowników.
Nasze zrozumienie danych, ich znaczenia oraz wzajemnych powiązań otworzy w przyszłości jeszcze więcej możliwości. Kolejnym logicznym krokiem jest rozszerzenie funkcjonalności sztucznej inteligencji na platformy modelowe. Również w tym przypadku sensowne jest uproszczenie wprowadzania danych oraz uczynienie funkcji wyszukiwania i filtrowania bardziej inteligentnymi – zwłaszcza że są one często niedostatecznie zaimplementowane w platformach natywnych.
Rzut oka na nasze środowisko robocze pokazuje, że ten krok to coś więcej niż tylko deklaracja intencji:
Stworzyliśmy już prototyp naszego własnego serwera MCP i podłączyliśmy go przykładowo do sztucznej inteligencji „Claude”. Testy tego prototypu przyniosły już obiecujące wyniki. Dwa przykłady zaczerpnięte z rzeczywistego modelu ilustrują, na czym polega jego prawdziwa siła.
W pierwszym przypadku polecenie brzmi zasadniczo: „Proszę wybrać wszystkie urządzenia w systemie grzewczym, których moc znamionowa wynosi ≤ 300 W”. Aby poprawnie rozwiązać to zadanie, system musi wiedzieć znacznie więcej niż wynika to wprost z polecenia: które klasy elementów są faktycznie uznawane za „urządzenia”, tak aby można je było przypisać do dziedzin ogrzewania i chłodzenia; w którym parametrze określona jest moc znamionowa; oraz że centralna jednostka wentylacyjna o mocy 15 000 W nie powinna zostać uwzględniona w wyniku. To właśnie tę wiedzę kontekstową serwer LINEAR MCP dostarcza modelowi sztucznej inteligencji; sztuczna inteligencja po prostu przekłada intencję wyrażoną w języku naturalnym na odpowiednie zapytanie.
W drugim przypadku chodzi o pozornie proste pytanie: „Ile powierzchni użytkowej jest dostępne w budynku – z wyłączeniem powierzchni komunikacyjnych i technicznych?”. Również w tym przypadku rzeczywista inteligencja nie tkwi w modelu językowym, lecz w zgromadzonej wiedzy na temat tego, jakie typy pomieszczeń klasyfikuje się jako strefy komunikacyjne (np. korytarze), a jakie jako pomieszczenia techniczne (serwery, szyby, windy, klatki schodowe), oraz w jaki sposób na podstawie tych informacji oblicza się powierzchnię użytkową. Model językowy formułuje pytanie, a LINEAR zapewnia technicznie poprawną klasyfikację.
W obu przypadkach obowiązuje ta sama zasada: sztuczna inteligencja pełni rolę interfejsu językowego, jednak wyniki stają się wiarygodne dopiero dzięki połączeniu ustrukturyzowanych danych planistycznych z wiedzą modelu językowego dotyczącą konkretnej dziedziny zastosowań.
To, czy funkcje te będą w przyszłości dostępne również dla Autodesk Assistant za pośrednictwem rozszerzeń serwera MCP, zależy od firmy Autodesk i jej strategii. Nie jesteśmy od tego zależni.
Po wstępnych testach szybko staje się jasne jedno: interfejs użytkownika oparty wyłącznie na modelu chatbota jest przydatny, jeśli chce się przekształcić intencję użytkownika w zautomatyzowane działania. Analizy, które wcześniej wymagały pracy ręcznej lub kodowania, nagle stają się tak proste, jak powierzenie ich pracowitemu – choć nie zawsze niezawodnemu – pracownikowi. Dlatego zaleca się przydzielanie wyłącznie tych zadań, które można ocenić znacznie szybciej, niż wykonać je samodzielnie.
W przypadku wielu zadań związanych z planowaniem nadal jednak preferowane są konwencjonalne podejścia. Jeśli chodzi o obliczenia techniczne, nie chce się, aby model językowy spędzał godziny na wymawianiu liczb, aż wyniki będą wyglądały na wiarygodne, a następnie – miejmy nadzieję – okażą się poprawne. Istnieją również lepsze sposoby przekazywania zadań konstruktywnych niż korzystanie z czatu. Właśnie do tego dziesiątki lat temu wynaleziono mysz – doskonale radzi sobie ona z tym zadaniem i, dzięki ludzkiej wiedzy specjalistycznej, działa znacznie szybciej i precyzyjniej, niż kiedykolwiek mógłby to zrobić model językowy. Pomimo całego naszego entuzjazmu naszym zadaniem pozostaje zatem dalszy rozwój obu światów: zarówno nowych narzędzi opartych na sztucznej inteligencji, jak i sprawdzonych rozwiązań, które po prostu stanowią lepszy wybór w przypadku wielu zadań i pozostaną nim w dającej się przewidzieć przyszłości.
Szerokie pole działania – z zachowaniem kontroli przez ludzi
Przedstawione tutaj funkcje to jedynie niewielka próbka tego, co sztuczna inteligencja może wnieść do codziennej działalności firm inżynieryjnych i projektowych. Poza konkretnym zastosowaniem w oprogramowaniu do planowania otwiera się szeroki wachlarz możliwości: od pomocy w wykonywaniu powtarzających się zadań, przez wyszukiwanie norm i przepisów technicznych, po tworzenie dokumentacji lub analizę ogromnych ilości danych, których ręczne przetworzenie byłoby praktycznie niemożliwe. Wszędzie tam, gdzie konieczne jest rozpoznawanie wzorców, ustalanie powiązań lub wykonywanie czasochłonnych, żmudnych zadań, sztuczna inteligencja może odciążyć ekspertów. Dzięki temu pozostaje więcej czasu na to, co naprawdę wymaga profesjonalnej wiedzy specjalistycznej: planowanie, ocenę i podejmowanie decyzji. Jednak nawet pobieżny przegląd tego tematu znacznie wykraczałby poza zakres niniejszego artykułu.
Funkcje dostępne obecnie stanowią dopiero początek, a nie cel. Jedno jednak pozostanie niezmienne: świadome i krytyczne podejście do tych narzędzi nadal ma kluczowe znaczenie. Sztuczna inteligencja może skrócić drogę i wytyczyć kierunek, ale to ludzie muszą nadal ponosić odpowiedzialność za wynik.
Model Context Protocol (MCP)
MCP to otwarty standard, który umożliwia modelowi sztucznej inteligencji komunikację z zewnętrznymi narzędziami i źródłami danych.
Podstawowa idea jest prosta: zamiast programować oddzielny, dostosowany do potrzeb interfejs dla każdej sztucznej inteligencji i każdej aplikacji, wszystkie zaangażowane strony posługują się tym samym „językiem”. Kluczowe znaczenie mają tutaj trzy pojęcia:
1. Klient MCP
aplikacja zawierająca model sztucznej inteligencji i łącząca się z jednym lub kilkoma serwerami MCP. W przypadku programu Revit jest to Autodesk Assistant (lub, przy pomocy połączeń zewnętrznych, również inne aplikacje, takie jak Claude Desktop).
2. Narzędzie
konkretna funkcja, którą model sztucznej inteligencji może wywołać – na przykład „Żądaj elementów” lub „Edytuj parametry”. Każde narzędzie musi posiadać opis widoczny dla użytkowników (nazwa, przeznaczenie, wymagane dane wejściowe, format wyjściowy). To właśnie ten krok sprawia, że narzędzie jest wykrywalne przez model sztucznej inteligencji i gwarantuje, że może zostać poprawnie wywołane.
3. Serwer MCP
program, który łączy jedno lub więcej narzędzi, informuje o ich dostępności, przyjmuje wywołania i realizuje odpowiednią funkcję.
Termin „serwer” odnosi się wyłącznie do roli, a nie do struktury: serwer MCP może być samodzielną usługą sieciową, ale może również stanowić po prostu lokalny moduł lub bibliotekę programową zintegrowaną bezpośrednio z aplikacją wraz z narzędziami.
Podsumowując, można stwierdzić, że:
sztuczna inteligencja w coraz większym stopniu znajduje zastosowanie w inżynierii usług budowlanych i będzie odgrywać trwałą rolę w tej dziedzinie. Obecnie skupiamy się na stworzeniu technicznych warunków wstępnych do integracji, opracowaniu wstępnych aplikacji oraz ich testowaniu w praktyce. Kluczowe znaczenie ma rozróżnienie między tym, co jest „wykonalne”, a tym, co jest „rozsądne”, a w oparciu o to dostarczanie weryfikowalnych rozwiązań. Firma LINEAR będzie aktywnie uczestniczyć w kształtowaniu tego rozwoju, zawsze zachowując równowagę między wiedzą techniczną a praktycznymi korzyściami w ścisłym dialogu z naszymi klientami.