Робот контролирует совместную работу инженеров / конструкторов / архитекторов в разном ПО

           Что такое совместная работа проектировщиков ? Этот процесс и он чем то напоминает неуправляемый хаос. Но все же для получения желаемого РЕАЛЬНОГО результата необходимо грамотное управление данного сложного процесса. Процесса с тысячами взаимосвязей между всеми участниками процесса.
           В машиностроении существует производственная система которая выстраивает технический процесс от А до Я, другими словами любая задача раскладывается на детали и данные детали мы можем улучшать до бесконечности. В проектировании, любая, даже казалось бы идентичная задача, складывается из немного разного набора деталей. И одной из самых сложных задач в проектировании с точки зрения TPS (Toyota Production System - Производственная система), является ускорение и улучшение процесса выдачи заданий между подразделениями проектного института. И мы решили попробовать решить данную задачу с точки зрения именно производственной системы.

Сравнение результатов нахождения изгибающих моментов между нейросетью, RSA, SCAD

         Пару недель назад я опубликовал тестовое видео демонстрации работы нейросети при нахождении изгибающих моментов:

Нейросеть находит изгибающие моменты в плите.

          После того как у меня получились положительные результаты тестов нахождения изгибающих моментов в плите, я смог кратно ускорить процесс разработки нейросетевых библиотек приложения Prometey.
          На сегодняшний день у меня уже две основные нейронные модели. Обученные нейронные модели по своей сути представляют собой набор нейронных связей в виде сотен и тысяч строк кода почти одних чисел:

Prometey. Релиз версии 1.0 и дорожная карта до конца года

         Релиз приложения я планировал изначально на 1 сентября, но я смог устранить все проблемы быстрее чем планировал и опубликовал приложение раньше.
         Приложение рассчитывает и реализует:
1. Эффективность конструктивных решений
2. Вертикальную нагрузку на пилоны и колоны
3. Положение центра тяжести грузовых площадок
4. Цветовое разбиение интенсивности распределения грузовых площадей в плите перекрытия
5. Экспорт результатов в файл формата DXF
6. Общий обмен файлами расчета между пользователями
7. Сканирование чертежей и любой информации через камеру телефона
8. Загрузка фотографий в формате PNG любого размера и разрешения
9. И многое другое

Prometey. Как приложение будет бороться с пиратством и почему оно платное ?!

        Многие слышали и знают приложение CUBE, если вбить в поиск точное название (или хотя бы примерное), то первым в запросе будет ссылка на Google Play. Но вторая ссылка будет вести на пиратский сайт:

Prometey. САПР решает вопрос эффективности расположения городов в США и России. Экспорт результатов в dxf

         

          Реализуя основные функции мобильного приложения Prometey я снова столкнулся с проблемой масштаба , поэтому решил обойти этот вопрос без помощи нейросетей с распознаванием двумерной информации. Задачу решил более практично, пользователь сам подбирает масштаб с помощью простого в использовании инструмента. Проблема масштаба встала когда я попытался перекинуть dxf в Allplan. Не было ясно в каком масштабе сама модель, так как модель в Prometey отстраивается в произвольном масштабе согласно масштаба изображения на котором происходят все построения. И проблема масштаба так же остро стояла при обмене пользователями моделями, не ясно в каком масштабе модель полученная от другого человека, поэтому коэффициент масштаба записывается в саму модель файла Prometey.

Prometey. Нейронные сети в конструировании

         Многие компании пытались создать сложные генетические алгоритмы, но все потерпели крах. В основном по одной причине, попытке создать сложный алгоритм с большим количеством нелинейных зависимостей. Но для того что бы создать искусственную генетику, необходимо понять как функционирует вполне себе природная.
          Возьмем для примера человека, как мы распознаем лица, буквы, цифры , геометрию ? Это очень сложный вопрос, но на его смог ответить Ян Лекун - французский ученый в области информатики и нейробиологии. Он можно сказать является основателем такого вида нейронных сетей как CNN - convolution neural network, данная нейросеть работает по принципу зрительной коры человеческого мозга, где простые клетки распознают прямые линии под различными углами и передают информацию в более сложные клетки в которых собираются уже более сложные изображения и т. д. пока не складывается полная картинка увиденная человеческим глазом.
     

Prometey. Эффективность конструктивных решений. Часть 2

          В этой части мне хотелось бы поговорить конкретно про эффективность. Я думаю ни для кого не является секретом , что от удачного расположения пилонов зависят напряжения возникающие в плите перекрытия. Да и в целом правильное расположение пилонов в целом характеризует не только несущую способность каркаса здания, но и его экономические показатели. Так как конструктор должен заложить необходимое и достаточное количество материалов, без перегибов в большую или меньшую сторону.

Prometey. Приложение искусственного интеллекта для проектирования конструктивных решений

          В продолжение предыдущей статьи, показываю ролик о том, что сейчас протестировано и работает как часы:

А именно:
1- создание за 5 минут любой сложности расчетной схемы по фотографии плана
2- возможность изменить расчетную схему с мгновенным выводом результатов расчета в режиме реального времени
3- оптимизация работы на самых слабых устройствах
4- интуитивно понятное и привычное управление на мобильных устройствах

Что в данный момент прорабатывается к моменту выхода ближе к осени 2019 года:
1. Авторасположение пилонов вдоль архитектурных стен под контролем нейросети.
2. Сохранять и загружать расчетные схемы.

Определение эффективности конструктивных решений любого монолитного здания методом МВК. Часть 1.

          Работая над программой Phobos я столкнулся с интересной задачей, ее сложно описать словами, по сути это сплошная математика, а именно "релаксация Ллойда". Для чего она мне в приложении искусственного планировщика квартир я не буду обсуждать. Но я решил сделать отдельное приложение, задача которого определить эффективность конструктивных решений монолитного здания в 100 000 раз быстрее любых существующих решений.

Профессиональная или игровая видео карта Nvidia лучше в многопоточных расчетах ? GPU или CPU ?

          Часто краем уха слышу разговоры про производительность той или иной видеокарты в различных тестах и приложениях. Частенько тесты скатываются к измерению частоты кадров в секунду. Но сегодняшний тест мы проведем в более интересном ракурсе.
          Многие слышали (тем более от меня) что например в такой программе как ANSYS есть возможность включений функции параллельных вычислений за счет GPU.
         GPU - это графическое ядро вашего компьютера, корпорация Nvidia предоставила пользователям для своей линейки продукции технологию параллельных вычислений CUDA. Но при этом, когда-то давно, решили ограничить ее использование среди профессиональных видеокарт и пользовательских. Таким образом для обычных пользовательских игровых видео карт был заблокирован доступ технологии CUDA в не рамок определения цвета пикселя вашего монитора. И корпорация ANSYS не стала сопротивляться решению Nvidia и так же не стала вмешиваться в данную проблему, и по сей день технология CUDA в программе ANSYS поддерживается только профессиональными картами.

Phobos. Эксперимент по созданию ИИ в архитектуре. Часть 1. Введение

         "Я думаю, что наш разум-это программа, в то время как мозг - аналог компьютера. Теоретически возможно скопировать содержимое мозга на компьютер и таким образом создать форму вечной жизни. Сегодня, однако, это не в наших силах"
                                                                                                                                     Стивен Хокинг.

        Читая эту фразу можно задуматься, а ведь возможно все это действительно голая теория не применимая на практике !? На этот вопрос невозможно ответить приведя пример из повседневной практики. Когда я начал разрабатывать приложение CUBE, я по большей части просто решил испытать свои силы, но чем дальше я заходил за границы своего опыта, тем больше рос интерес к искусственному интеллекту. И сегодня (01.01.2019) я решил попробовать свои силы еще на более сложной задаче, к которой шел с мая прошлого года. Задача сама по себе довольно простая и одновременно невероятно сложная, так как она не сводится к управлению точек пространства, или решению системы уравнений, или разложению на простые множители, она творческая по своей структуре. Решение задачи сводится к созданию планировки помещения/квартиры/этажа с чистого листа и эту задачу будет решать моя новая программа под названием Phobos. Пока работа ведется по планировке помещений и работа огромная, подготовительный период составил более 2-х месяцев, во время которого я просто составлял план, малейшая ошибка отбросит меня на месяцы назад.
        Phobos - это божество обозначающее в греческой мифологии страх и он сопровождал в битвах своего отца Ареса - бога войны, наводя ужас на врагов. Phobos это эксперимент по созданию творческого разума, который возможно сможет заменить людей, а возможно и нет, это страх перед неизвестностью в противостоянии искусственного интеллекта и человека.
        Проблема в том, как можно навязать программе творческую составляющую классическим способом? Ведь творчество это не математическая функция, творчество не возможно описать цифрами ! Но давайте разберемся так ли это на самом деле, может вполне возможно творчество описать математически ?! как вам эта идея ?

Phobos. Эксперимент по созданию ИИ в архитектуре. Часть 4. Предварительная структура нейросети

         "Искусственный интеллект - фундаментальная угроза для всего человечества"
                                                                                                                                     Стивен Хокинг.

         С одной стороны может показаться, что эта фраза очень надуманная и не содержит в себе большой угрозы, но к последней части данного цикла статей вам это уже не покажется на столько надуманным, ведь основная задача которую мы хотим решить - это создание искусственного архитектора.

Phobos. Эксперимент по созданию ИИ в архитектуре. Часть 3. Основные виды ИИ

      "Когда компьютер свихнется из-за баб, без обид, или убьет себя из-за лишнего веса, тогда, может быть, я еще поверю в ИИ"
                                                                                                                                   
                                                                                                                                    "Dead like Me"
                                 
            Ну а пока еще этого не произошло (ли ?), давайте для начала посмотрим какие уже задачи решает ИИ. Мне нужно это сделать, что бы отвечать на вопрос - в какой задаче лучше применять тот или иной способ создания структуры ИНС.

Phobos. Эксперимент по созданию ИИ в архитектуре. Часть 2. Сбор данных

       "Проблема в том, что все алгоритмы машинного обучения, которые мы до сих пор видели, нуждаются в учителе, который покажет им правильный ответ. Они не могут научиться отличать опухолевую клетку от здоровой, если кто-то не повесит ярлыки «опухоль» и «здоровая клетка». А люди могут учиться без учителя, и делают это с самого первого дня своей жизни. Мы подошли к вратам Мордора , и долгий путь будет напрасным, если не обойти это препятствие. Но вокруг бастионов и стражников есть тропинка, и награда близка. Следуйте за мной… "
                                                                                                                          Педро Домингос 

       Знаменитый ученый практик в принципе описал всю суть проблемы машинного обучения. За последние десятилетия интерес к машинному обучению вырос в десятки тысяч раз и занимает лидирующую позицию в мире высоких технологий. Именно поэтому для своего нового коммерческого проекта Phobos я решил для начала написать сверточную нейронную сеть которая при помощи процедурного алгоритма научится находить на сайте застройщиков картинки, но не просто картинки , а планировки квартир, таким образом формируя обучающую выборку для ИИ. Не буду описывать все тонкости алгоритма, покажу лишь часть возможностей.

Искусственный интеллект или человек воплотит BIM ?

         Пока идут споры что есть BIM , что это вообще такое ? каков его физический или практический смысл ? в чем польза ? зачем оно вообще ? какими стандартами в сфере информационных технологий руководствоваться ? Project Enion решил пойти от обратного. Не создавать информацию ради информации, а наоборот научиться получать ее из окружающего пространства, с небольшим участием человека. В понятии "окружающая среда", есть небольшою нюанс и на этом нюансе мы остановимся немного подробнее.
         Но перед тем как начать, давайте договоримся, не стоит пытаться приложить опыт приложений в которых вы работали ранее, к статье, не стоит накладывать полученные знания о BIM к статье. Представьте себя совсем юным специалистом с не затуманенным сознанием, не младенцем, но с уровнем интеллекта позволяющим иметь уже понятие об окружающих тебя вещах. Статья заставит твои извилины поработать настолько, на сколько ты никогда не думал сможет твой мозг и перед началом нам с тобой необходимо уяснить основные термины которые встретятся в статье: