#цифровая_информационная_модель — Public Fediverse posts

Создание ведомости отделки помещений. Как быть в отсутствие специальных инструментов?

Ведомость отделки помещений формируется архитекторами и проектировщиками как на начальной стадии разработки отделочных решений, так и при последующем создании дизайн-проекта. Этот документ является важной частью проектной документации и обеспечивает точное определение материалов, технологий, требований к выполнению работ. Если вы уже знакомы с Узнать больше

https://habr.com/ru/companies/nanosoft/articles/1000832/

#nanocad #нанософт #nanocad_bim_строительство #ведомость_отделки_помещений #BIMпроектирование #инженерия #цифровая_информационная_модель #спецификации #проектная_документация #автоматизация_проектирования

Проектное бюро UDM Lab перешло на nanoCAD и не пожалело

Проектное бюро UDM Lab , известное разработкой инженерных и архитектурных проектов, таких как Дворец водных видов спорта в Екатеринбурге и концертный комплекс «Сириус» , полностью перешло на Платформу nanoCAD. В статье мы расскажем, почему компания выбрала российское ПО, какие задачи решает новая САПР и как переход повлиял на эффективность проектирования и взаимодействие между отделами. Вы узнаете, какие преимущества дает автоматизация рутинных операций, поддержка формата DWG и интеграция с требованиями ГОСТ и СП, а также как UDM Lab планирует развивать собственные надстройки для специализированных задач. Узнать больше об опыте

https://habr.com/ru/companies/nanosoft/articles/974902/

#nanocad #cad #bimмоделирование #3dмоделирование #инженерия #строительные_конструкции #инженерные_системы #архитектура #цифровая_информационная_модель #оптимизация_трудозатрат

Сам себя не похвалишь… это сделает искусственный разум. Ревью Deepseek о нашем проекте с LLM

Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки! «Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть. 1. Масштаб и сложность задачи Авторы взялись за невероятно амбициозную и сложную задачу — автоматизировать проверку соблюдения строительных норм и стандартов (СНиПов, СП) с помощью машинной интерпретации текстовых требований. Это проблема на стыке лингвистики, семантического анализа, машинного обучения и предметной области (строительство, BIM). То, что команда не испугалась и продолжает работу, вызывает огромное уважение. 2. Практический подход Мне импонирует, что авторы не просто теоретизируют, а идут от практики: тестируют на реальных моделях (IFC, CDE), работают с разными BIM-системами (CADLib, Larix, Tangle, BIMIT) и учитывают ограничения существующего ПО. Это признак зрелости проекта — они понимают, что идеальное решение недостижимо, и идут итеративно. 3. Семантический анализ Подход к разметке текста требований выглядит очень продуманным. Выделение семантических компонентов (Subject, Object, Property и т.д.) и установление связей между ними — это основа для последующей генерации machine-readable правил. То, что используется гибридный подход (нейросеть + ручная проверка), — разумно, так как чистое ИИ пока не справляется с точностью и контекстом. Что же сказал Deepseek?

https://habr.com/ru/companies/nanosoft/articles/947304/

#автоматизация #искусственный_интеллект #цифровая_информационная_модель #машиночитаемый_формат #машинное_обучение #cad #ml #семантическая_разметка #deepseek #llm

Сам себя не похвалишь… это сделает искусственный разум. Ревью Deepseek о нашем проекте с LLM

Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки! «Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть. 1. Масштаб и сложность задачи Авторы взялись за невероятно амбициозную и сложную задачу — автоматизировать проверку соблюдения строительных норм и стандартов (СНиПов, СП) с помощью машинной интерпретации текстовых требований. Это проблема на стыке лингвистики, семантического анализа, машинного обучения и предметной области (строительство, BIM). То, что команда не испугалась и продолжает работу, вызывает огромное уважение. 2. Практический подход Мне импонирует, что авторы не просто теоретизируют, а идут от практики: тестируют на реальных моделях (IFC, CDE), работают с разными BIM-системами (CADLib, Larix, Tangle, BIMIT) и учитывают ограничения существующего ПО. Это признак зрелости проекта — они понимают, что идеальное решение недостижимо, и идут итеративно. 3. Семантический анализ Подход к разметке текста требований выглядит очень продуманным. Выделение семантических компонентов (Subject, Object, Property и т.д.) и установление связей между ними — это основа для последующей генерации machine-readable правил. То, что используется гибридный подход (нейросеть + ручная проверка), — разумно, так как чистое ИИ пока не справляется с точностью и контекстом. Что же сказал Deepseek?

https://habr.com/ru/companies/nanosoft/articles/947304/

#автоматизация #искусственный_интеллект #цифровая_информационная_модель #машиночитаемый_формат #машинное_обучение #cad #ml #семантическая_разметка #deepseek #llm

Сам себя не похвалишь… это сделает искусственный разум. Ревью Deepseek о нашем проекте с LLM

Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки! «Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть. 1. Масштаб и сложность задачи Авторы взялись за невероятно амбициозную и сложную задачу — автоматизировать проверку соблюдения строительных норм и стандартов (СНиПов, СП) с помощью машинной интерпретации текстовых требований. Это проблема на стыке лингвистики, семантического анализа, машинного обучения и предметной области (строительство, BIM). То, что команда не испугалась и продолжает работу, вызывает огромное уважение. 2. Практический подход Мне импонирует, что авторы не просто теоретизируют, а идут от практики: тестируют на реальных моделях (IFC, CDE), работают с разными BIM-системами (CADLib, Larix, Tangle, BIMIT) и учитывают ограничения существующего ПО. Это признак зрелости проекта — они понимают, что идеальное решение недостижимо, и идут итеративно. 3. Семантический анализ Подход к разметке текста требований выглядит очень продуманным. Выделение семантических компонентов (Subject, Object, Property и т.д.) и установление связей между ними — это основа для последующей генерации machine-readable правил. То, что используется гибридный подход (нейросеть + ручная проверка), — разумно, так как чистое ИИ пока не справляется с точностью и контекстом. Что же сказал Deepseek?

https://habr.com/ru/companies/nanosoft/articles/947304/

#автоматизация #искусственный_интеллект #цифровая_информационная_модель #машиночитаемый_формат #машинное_обучение #cad #ml #семантическая_разметка #deepseek #llm

Сам себя не похвалишь… это сделает искусственный разум. Ревью Deepseek о нашем проекте с LLM

Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки! «Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть. 1. Масштаб и сложность задачи Авторы взялись за невероятно амбициозную и сложную задачу — автоматизировать проверку соблюдения строительных норм и стандартов (СНиПов, СП) с помощью машинной интерпретации текстовых требований. Это проблема на стыке лингвистики, семантического анализа, машинного обучения и предметной области (строительство, BIM). То, что команда не испугалась и продолжает работу, вызывает огромное уважение. 2. Практический подход Мне импонирует, что авторы не просто теоретизируют, а идут от практики: тестируют на реальных моделях (IFC, CDE), работают с разными BIM-системами (CADLib, Larix, Tangle, BIMIT) и учитывают ограничения существующего ПО. Это признак зрелости проекта — они понимают, что идеальное решение недостижимо, и идут итеративно. 3. Семантический анализ Подход к разметке текста требований выглядит очень продуманным. Выделение семантических компонентов (Subject, Object, Property и т.д.) и установление связей между ними — это основа для последующей генерации machine-readable правил. То, что используется гибридный подход (нейросеть + ручная проверка), — разумно, так как чистое ИИ пока не справляется с точностью и контекстом. Что же сказал Deepseek?

https://habr.com/ru/companies/nanosoft/articles/947304/

#автоматизация #искусственный_интеллект #цифровая_информационная_модель #машиночитаемый_формат #машинное_обучение #cad #ml #семантическая_разметка #deepseek #llm