🧱 Как работает база знаний строительного бота?
И почему он умеет находить нужные регламенты по смыслу, а не по ключевым словам?

Каждый раз, когда вы задаёте вопрос, бот:

1. 🔍 Обращается к базе знаний
2. Выбирает подходящие стандарты
3. Формирует ответ на их основе

Если же в базе знаний не находится нужной информации — бот всё равно не молчит. Он отвечает на основе встроенных знаний ChatGPT. Но сначала — база знаний.

Что такое база знаний бота и как она устроена?

Чтобы создать базу, первое, что нужно — это сами стандарты в читаемом PDF-формате. Далее из этих PDF формируется датасет.

⚠️ Проблема:
Открытого датасета российских строительных стандартов не существует.
Поэтому я создаю его сам, шаг за шагом наполняя СП, ГОСТами, Постановлениями.

Что входит в датасет?

Это не просто тексты, а структурированные данные, где к каждому документу добавляются:
-номер
-название
-тип (СП, ГОСТ, Тех. регламент и т.д.)
-категория
-статус
-ключевые слова
-ключевые темы
-язык

📦 Всё это складывается в JSON-документы, чтобы бот мог работать с ними как с базой знаний.

💡 Было бы круто, если бы один из органов стандартизации РФ сделал такой датасет и открыл к нему доступ. Но пока его нет — я собираю свой, прогоняя каждый стандарт через AI анализ.

Как бот ищет информацию по смыслу?

После сбора датасета — его нужно преобразовать в векторы, чтобы бот мог искать не по словам, а по смыслу.

🧠 Преобразование текста в вектор — это ключевой этап.
Именно на нём завязана вся магия: когда бот находит не точное совпадение, а близкую по смыслу фразу в стандарте.

Итак, база знаний бота включает:

1. 📄 PDF-документы стандартов (доступны по команде /reference)
2. 🧾 JSON-датасет с анализом и метаданными
3. 🧊 Векторную базу данных для смыслового поиска

Как это работает при вашем вопросе:

1. Вы пишете вопрос
2. Вопрос преобразуется в вектор
3. Сопоставляется с векторами из базы
4. Находятся самые близкие по смыслу документы
5. Формируется ответ на основе этих документов

Если подходящих векторов не нашлось — бот отвечает на основе собственных знаний (ChatGPT).

Вот так бот ищет нужные регламенты и нормы по смыслу вашего запроса.
Именно поэтому он умеет находить СП и ГОСТы даже тогда, когда вы не указали их номер или точное название ⚙️

Если вы ещё не слышали термин "Вайб программирование", наверняка скоро услышите. 👂 Это ещё одна технология, безусловно заслуживающая внимания. 🧐
По оживленным диалогам в профессиональных сообществах, можно сказать что количество скептиков и энтузиастов Вайб подхода примерно совпадает. ⚖️

Вайб подход глазами проектировщика должен выглядеть примерно так: 🏗
Представьте себе, вам дают инструмент который по мановению руки, например, рассчитывает балку и армирует ее, учитывая все тонкости, не просто автоматическая расстановка стержней, а полностью законченная работа. 💻 Выбираешь балку/перекрытие/колонну, делаешь запрос, рассчитай и заармируй... Модель выполняет задания, периодически спрашивая конструктора об исходных данных.
— Я закончила, оформить чертежи по ГОСТ?
— Ок, продолжай.
...и чертежи готовы! 📝✅
Т.е. рутинная работа отдана ИИ, вам только остается выдавать задания и проверять результаты. 🔍

Вот этот момент нам кажется очень далёким, но для разработчиков он уже настал, ожидается, что к 2027 году доля кода, созданного ИИ, вырастет до 25%, а на глобальном уровне прогнозируют, что к 2030 году ИИ будет генерировать до 95%. Как это отразится на его качестве — это другой вопрос. 🤔
С одной стороны это даёт просто колоссальное повышение производительности программиста 📈, с другой, темп разработки становится гораздо быстрее, решения менее продуманными.

До чат ГПТ разработка двигалась гораздо медленнее, но более вдумчиво что-ли, прежде чем внедрить какой-то новый подход, изучишь кучу документации, посерфишь на форумах. 📚 Сейчас — запрос на ресёрч в чат ГПТ, выдача задач в Cursor, всё решение найдено и реализовано. ⚡️
Производительность выросла в разы. 🚄 Но боюсь без понимания архитектуры как код будет работать, можно создать Франкенштейна, который в конечном счёте загнётся. 🧟‍♂️

Пример из недавнего: в одном из последних обновлений добавил возможность голосования, дал задачу внедрить код чтобы реализовать эти кнопки в Cursor. Модель предложила изменения в коде, просмотрел, все логично, немного потестил, должно работать, обновил бота... 🤖
На всё про всё с проработкой нескольких вариантов ушло ну часа два-три, по старинке потратил бы день, два. ⏱️ В итоге... получил залипание кнопок в случае, если два и более пользователя нажали голосовать одновременно. 😅 А все потому что ИИ выбрал реализацию метода немного отличную от той что уже есть в коде.

Проводя это обновление вручную я бы не допустил этой ошибки, но потратил бы больше времени. ⏳ Вот и палка о двух концах: с одной стороны трудозатраты падают в разы, но из-за быстрого темпа разработки вероятность внедрения ошибки в продукт возрастает.

К чему это всё? К тому что, не важно как мы относимся к Вайбу или к любой новой технологии, которая уже вошла в тренд — она уже здесь и, скорее всего, останется с нами надолго. 🌐 Возможно, стоит попробовать использовать новые инструменты для прокачки своих навыков, ведь технологии развиваются, а мы вместе с ними. 🌱

Как работает база знаний строительного бота? Магия чанкирования 🔍

Расскажу о том, как бот находит нужную информацию в огромных строительных стандартах. ✨

Представьте, что вы задаете боту вопрос:
"Допускается ли общее вводно-распределительное устройство на два пожарных отсека?" (взял из последнего обсуждения в канале, спасибо автору!)

Как бот находит ответ? 🤔
Сначала он должен понять смысл вашего вопроса. Не просто отдельные слова, а именно о чём вы спрашиваете в целом. Это как разница между пониманием отдельных ингредиентов и пониманием всего рецепта блюда. 🍲

Затем боту нужно найти похожую информацию в строительных стандартах. Но тут возникает сложность - стандарты огромные! Если взять стандарт целиком, то его общий смысл будет слишком широким. Например, общий смысл пожарного СП6 будет каким-то таким: "устанавливает требования пожарной безопасности для низковольтных электроустановок" - это очень обобщённо и не отвечает на конкретный вопрос. ❌

Поэтому придумали специальный подход - "чанкирование". Это как разрезание большой книги на маленькие заметки. 📝✂️
Я разбиваю каждый стандарт на небольшие смысловые кусочки (чанки). Это примерно 3-4 кусочка на одной странице документа. Каждый такой кусочек посвящен какой-то конкретной теме или правилу.
Когда вы задаете вопрос, бот сравнивает его не с целым стандартом, а с каждым маленьким кусочком, и находит тот, который больше всего подходит по смыслу🔎📚

Сейчас я экспериментирую с оптимальным размером этих кусочков (чанков). Слишком маленький кусочек может не охватить нужной темы, слишком большой - размоет информацию в нём.
Какой оптимальный размер чанка, это сложный вопрос, зависит от типа документации, от задач которые решает бот. 🤓
Для строительной тематики размер чанка будет один, для юридических документов другой, для художественной литературы третий. 📚

После обновления бот будет еще точнее находить нужные стандарты для ответа на ваши вопросы, и я обязательно учту все пожелания по актуализации СП! 🔄✅

📢 Как известно, если гора не идёт к Магомеду... 🏔➡️👨‍💼

🚀 Выкладываю в открытый доступ свой строительный датасет! 🏗📚

📋 Строительный датасет — это те же самые стандарты, но в машиночитаемом формате. Помимо текстового содержания документов, здесь также присутствуют и структурированные метаданные.

💾 В датасете собрано около 250 наиболее востребованных строительных стандартов, и коллекция будет регулярно пополняться.

🙏 Приглашаю профессиональное сообщество и всех неравнодушных энтузиастов присоединиться к расширению этой базы данных.

👨‍💻 Код для автоматической конвертации PDF в датасет и подробная инструкция доступны в том же репозитории на GitHub. 📄⚙️

🔍 Ссылка: [russian-construction-standards]

💡 Верю, что этот проект станет полезным инструментом для интеграции AI-технологий в строительную отрасль и основой для создания инновационных решений! 🏢

🤖 И на всякий случай, ссылка на бота, который использует этот строительный датасет [https://t.me/Pdflyx_bot}]

#датасет #строительство #опенсорс #Python #AIвСтроительстве

🤖 Простой сценарий для применения AI/RAG 📁

📂 У каждого наверняка есть папка, в которой накопилась куча разных документов, которые желательно как-то сгруппировать. Отличный пример — папка Downloads в браузере или Inbox на сервере компании.

💡 А что, если просто скормить их LLM с задачей классифицировать документы, разделить на группы и отсортировать?

🔄 Примерно по такому алгоритму работает код по созданию строительного датасета из поста выше ☝️:

1️⃣ Он сканирует PDF файлы, передает в модель первые 5 страниц (обычно этого хватает для понимания, какой документ перед тобой)

2️⃣ Далее определяет тип документа из заранее заданного списка (СП, ГОСТ, Постановление и т.д.), выбирает подходящую категорию (Архитектура, Конструкции...)

3️⃣ Пытается найти информацию о дате публикации, изменениях, ревизиях — в общем, собирает всю доступную полезную информацию о стандарте с титульных страниц

4️⃣ На основании собранной информации переименовывает файл-оригинал, соблюдая единые требования по наименованию (всё как мы любим!)

5️⃣ И затем создаёт JSON файл для строительного датасета

📌 Этот первый шаг по работе с PDF — чем не автоматическая группировка документов по внутреннему содержанию?

🔮 Приложений для такого инструмента может быть очень много, а реализация может адаптироваться под любую задачу: просто меняете инструкции к модели и получаете нужный результат!

🔗 Код доступен в репозитории: [code ]

#AI #RAG #PDF #документооборот #Python #LLM #автоматизация

🕰 Помните времена, когда нейронки сидели "на диете" без интернета?

🤔 Времена Chat GPT 3 - 3.5, года полтора-два назад...

❌ Задаешь модели вопрос по текущим событиям и получаешь ответ: "Сорри, моя база знаний заканчивается в 2023 году".

🚀 А потом появился Perplexity! Стартап, который взял те же "ограниченные" модели, но научил их нырять в интернет за свежей информацией.
🌐 Сейчас такая фишка появилась практически у всех крупных ИИ-систем — умение заглянуть в сеть за актуальными данными.
⏳ При этом базовая "память" моделей по-прежнему упирается в потолок тренировочного периода. Вот, например, Chat GPT 4o тренировали в 2024 — значит, о 2025 она сама по себе ничего не знает.

❓ Так как же современные нейронки используют актуальные знания из интернета?

🧩 Тут и помогает нам всё тот же RAG! Когда вы задаете вопрос по недавним событиям, модель использует свою базу знаний, актуальную на момент тренировки — и в ней нет этих событий, о которых вы спрашиваете. Далее модель делает запрос, аналогичный классическому запросу в поисковик типа Яндекса или Гугла, открывает страницы, ищет подходящий текст и добавляет его в контекст.

🏗 По сути, тот же принцип, что и в нашем строительном боте, только вместо базы СНиПов и ГОСТов — отобранные страницы из интернета!

🤖 И да, предвосхищая вопрос — наш бот не имеет прямого выхода в интернет. Он работает исключительно с нормативной базой. Если спросите о трендах рынка недвижимости или последних инновациях в строительстве — ответит в рамках тех знаний, которые были актуальны на момент обучения модели.

💫 P.S. Мой личный топ-3 нейросетей для разных задач:
- Нужно быстро вытащить информацию из интернет-пространства? Запрос в Perplexity!
- Технический вопрос, запрос с инструкциями/схемой через API - Chat GPT!
- Нужен текст с "человеческой душой" и стилем? Claude!

#AI #нейронки #RAG #ChatGPT #Perplexity #Claude #поиск #интернет

🔄 Друзья, рад поделиться очередным обновлением бота!

📋 Что изменилось:

💬 Больше цитат в ответах
Раньше бот показывал максимум 2 цитаты из документов — оказалось, что этого часто недостаточно. Теперь он приводит все наиболее релевантные выдержки из стандартов для полноты ответа.

📚 Расширенная база знаний
Добавлено еще больше документов — теперь в базе 350+ актуальных стандартов!

✅ Проверка актуальности документов
Каждый стандарт теперь проходит автоматическую проверку на актуальность через официальный сайт ФАУ ФЦС:

🔮 В планах: дополнительная проверка через https://стройкомплекс.рф/rntd для максимальной достоверности данных.

📊 Полный список стандартов в базе бота (с указанием статуса документа) можно посмотреть здесь: https://pdflyx.com/standards.html

🚀 Продолжаем делать бота еще точнее и полезнее для вашей работы!

🤖 Почему строительные боты иногда "выдумывают" пункты стандартов?

Разбираем самую частую проблему ИИ-помощников в строительстве 👇
🎯 90% галлюцинаций происходит при двух условиях:
1️⃣ Нет нужного стандарта в базе → бот отвечает из общих знаний, а не из нормативов
2️⃣ Вопросы с конкретными номерами пунктов → "укажи точные пункты СП, где написано про..."

🧠 Что происходит в "голове" бота:
Когда вы спрашиваете "укажи конкретные пункты стандарта...", вы задаете сразу ДВА вопроса:
- Найди требования по теме ✅
- Найди точный номер пункта ❌

И вот тут начинается проблема! 🔥
Между номером пункта "Х.Х.ХХ" и его содержанием почти нет смысловой связи. ИИ пытается найти логику там, где её нет, и начинает "творить" 🎨

💊 Как лечится? Только через RAG!
Когда стандарт есть в базе знаний → бот получает кусочки текста ВМЕСТЕ с номерами пунктов → промахнуться гораздо сложнее!

📊 Реальный тест GPT-4.1:

Задача: Укажи конкретные пункты из СП где указана минимальная ширина эвакуационного выхода.

❌ Вопрос через сайт ChatGPT.com (без базы знаний):
Ответ: "СП 1.13130.2020, Пункт 5.2 - минимальная ширина 0,8м"
Проверяем → пункт 5.2 про детские сады! 🤦‍♂️
✅ Вопрос строительному боту https://t.me/Pdflyx_bot (с RAG и базой знаний):
"СП 1.13130.2020, Пункт 4.2.19 - ширина должна быть не менее 0,8м..."
Проверяем → точное попадание! 🎯

🔮 Вывод:
Галлюцинации = отсутствие нужных стандартов в базе + вопросы про номера пунктов
🚀 Решение — постоянно добавлять новые стандарты в базу знаний. По отзывам пользователей, таких ошибок уже значительно меньше. Чем больше документов в базе → тем меньше "творчества" от AI 😉

🤖 Операторы AI или как Нейронки подстраиваются под человеческий облик

Интересное и перспективное направление развития AI агентов - Операторы 🚀

Их суть состоит в том, что они умеют взаимодействовать с вашим компьютером, открывать нужные приложения, выполнять команды внутри PC и тд.
Упрощенная версия этого агента - взаимодействовать со средой только в рамках интернет браузера - над чем и бьются сейчас топ AI компании 💻

💰 OpenAI Operator - дорого, но работает
Недавно у OpenAI вышел свой Operator, он доступен по pro-подписке всего в то в $200 💸
Его основная функция - серфить по браузеру и нажимать на нужные кнопки.

🆓 Open Operator - бесплатная альтернатива
То же самое выполняет Open Operator - опенсорс проект, который творит магию (хотя и часто вылетает, это ж опенсорс) 🎭

🏗 Тест на строительной тематике
Задача:
"Найди и скачай ГОСТ 11371" 📋

Забегая вперед скажу, что он почти справился, уткнулся только в самый последний шаг, там где потребовалось вводить данные для авторизации 🔐
Но чтобы дойти до этого последнего шага, ему потребовалось подтвердить, что он человек и пройти Капчу от Google, причем многократно - и он справился! 🎯
Как он отрабатывает капчу - смотрите в видео в приложении 🎥

🔮 Будущее технологии
Эта технология еще слабо применима из-за частых багов (где-то с пятой попытки мне удалось дойти до этого последнего шага) 🐛

Но почувствуйте перспективу:
Найди лучшие предложения по ипотеке и отправь запрос в банки 🏠
Зайди в FB, VK создай пост 📱
Напиши комментарии к постам 💬
Найди вакансии, отошли CV и сопроводительное письмо 📄
Пройди тесты, устройся на работу... 💼

Ну в общем, вы поняли... 😏

🚀 Поделюсь, как AI технологии трансформируют рынок стартапов — на своём примере.

Мой стартап строительного бота — это история одного человека. Я действительно верю: с текущими технологиями вполне реально поднять продукт в одиночку, закрыв и разработку, и продвижение 💪

Сейчас всю разработку всех модулей проекта веду я. Честно говоря, их становится всё больше, и уследить за ними становится сложнее 😅 Думаю, нужно будет расширяться хотя бы до двух человек. Продвижение продукта тоже на мне.

В текущей фазе проекта (наверное, её можно назвать «начальное привлечение пользователей и формирование early adoption пула») у меня уходит примерно 50/50 времени между разработкой и продвижением ⚖️

Я с трудом представляю такую ситуацию пару-тройку лет назад. Что ни говори, но производительность в программировании и создании контента изменилась разительно 📈

Я прикупил себе подписку на ChatGPT и Cursor, и активно ими пользуюсь. Можно сказать, что в моей команде кроме меня есть Python-разработчик и как минимум один маркетолог — то есть нас трое: я и условно два AI-агента 🤖

Что по деньгам: весь бюджет стартапа — это накладные расходы на софтверные подписки, аренда VPS, домен — где-то $600 в год на всё про всё 💰

Самая большая статья расходов — токены. Их уходит прилично: технология RAG предполагает, что контекст, передаваемый в AI-модель, довольно ёмкий и сжигает приличное количество токенов. При текущем наборе активных пользователей — в районе $100 в месяц и чек постоянно растет.

Как видите, траты есть, но они вполне осязаемы. Чтобы запустить стартап, не нужны миллионы ✨

AI действительно изменил правила игры для соло-основателей. То, что раньше требовало команды из нескольких человек, теперь можно делать одному с помощью умных инструментов 🔥

Хочу сказать огромное спасибо всем, кто уже пользуется ботом и даёт обратную связь! 🙏 Ваши вопросы и предложения — это то, что помогает развивать проект дальше.

📊 Не много слов о продуктовом подходе и планах монетизации.

Чтобы стартап продолжал жить, нужно понимание того, что он будет приносить прибыль. И тут подходим к продуктовому подходу проверки гипотез 🎯

Вот такие гипотезы я уже проверил:
✅ Подтверждение спроса от широкой строительной аудитории
✅ Подтверждение высокого интереса от профессионалов
✅ Подтверждение естественной востребованности продукта
✅ Высокий уровень доверия и применимости в профессиональной среде

Осталось проверить одну очень важную гипотезу: о финансовой состоятельности продукта.
Вопрос для проверки гипотезы простой — продукт создаёт финансовые поступления для поддержания и развития своего функционала? 💡

Собственно, это финальные экзамены для продукта: сдал экзамены — велком, не сдал — сорян, закрываем или меняем ориентацию продукта, если это возможно 🎓

С июля планирую ввести платные подписки и посмотреть на конверсию, сформировать дальнейшие планы по развитию нашего строительного бота 💳

Понимаю, что переход на платную модель — всегда болезненный момент. Но без этого невозможно развивать продукт дальше, улучшать функционал и поддерживать стабильную работу.

При этом базовая функциональность останется бесплатной — с определенными ограничениями по количеству запросов и доступу к расширенным возможностям.

Для тех, кто ещё не пробовал — приглашаю протестировать бота бесплатно прямо сейчас! А если у вас есть идеи по улучшению или вопросы по функционалу — пишите, всегда рад пообщаться с профессионалами!

Вместе мы делаем инструмент лучше ⚡️

Надеюсь на ваше понимание и поддержку! 🙏

Научились ли современные AI модели читать чертежи? 🤔

В контексте полноценного использования AI в строительстве первое, что необходимо — это научить ИИ анализировать чертежи. После этого открываются невиданные возможности по проверке проектов на соответствие нормам, извлечению и верификации спецификаций и многому другому. 📊
Тем не менее в настоящее время эта область совсем мало изучена — современные модели только-только начали понимать чертежи. 🔍

Мой путь экспериментов:
🔸 2-3 года назад экспериментировал с Claude и ChatGPT — результаты были практически нулевыми, никакого понимания того, что за чертеж перед ними, не было ❌
🔸 Год назад пробовал с последней на тот момент Claude, дал задание посчитать количество унитазов на архитектурном плане — результат неплохой! Ошиблась на один и распознала помещения тоже верно ✅ Но с инженерными системами было плохо 📉
🔸 Сейчас проверил, загрузил схему по ВК в GPT-4.1 (см. приложение) 🖇

⚠️ Уточнение: я передаю изображения планов именно как растровое изображение в JPEG. Если передавать векторный PDF, результаты будут другие — скорее всего хуже. С растровыми изображениями модель анализирует чертежи через компьютерное зрение! 👁

Задания для схемы ВК:
1️⃣ Прочитай чертеж и опиши его в деталях
2️⃣ Посчитай спецификацию
3️⃣ Посчитай количество умывальников

Результаты обнадёживают:
✅ Описание чертежа: Модель правильно определила, что это схема водоснабжения B1 и T3, описала системы, узлы, оборудование — но складывается впечатление, что модель собрала всю описательную часть по тексту, а не по графике.
✅ Спецификация: GPT выдал таблицу с элементами схемы, но включил не всё! Посчитал так же длины труб (хотя на схеме нет размеров!) — не знаю, насколько точно и каким методом, проверить достоверность не могу.
✅ Подсчет умывальников: Модель сама сообразила, что умывальники — это треугольный символ с вертикальной линией, произвела визуальный обход и насчитала 16 штук. У меня тоже получилось 16! 🎯 Правда, я не эксперт в ВК, мог и ошибиться — если есть эксперты по водоснабжению в чате, дайте фидбек!

Вывод:
Прогресс в чтении чертежей налицо! 📈
Не думаю, что это экспертный уровень, но базовые навыки для чтения чертежей уже присутствуют, и с этим можно работать: настроить внутренний пайплайн подсчёта спецификаций, добавить самопроверки, повысить экспертность в ответах и т.д.

🔍 Умеют ли современные AI модели измерять по чертежам?
Взял идею проверки навыков моделей из комментария к предыдущему посту — спасибо автору! 🙏

Загрузил архитектурный план в несколько моделей: GPT-4.5, Claude Sonnet, а также попробовал reasoning-модель O3 и режим Perplexity Labs (аналог reasoning). Все модели дали примерно одинаковый результат — провалились 📉

🎯 Простые задачи — справляются
Если дать прямую задачу в стиле "определи площадь здания на плане" — все модели справляются. Они подсматривают размеры, которые есть на плане, и вычисляют площадь ✅

❌ Сложные задачи — проваливаются
Если же искомых размеров нет — задача проваливается.

На запрос "определи площадь выделенного участка" (размеры участка даны частично):
Ответ: "Для определения точной площади на плане необходимо знать масштаб чертежа или точные физические размеры участка" 🤷‍♂️

🔬 Эксперимент с масштабом
Хорошо, значит нужно определить масштаб! Даю запрос:

1. "Используя размеры, которые даны на чертеже, определи масштаб изображения. В последствии нужно будет определять площади выделенных участков на этом плане, опираясь на масштаб"
На этом запросе O3 и Perplexity Labs долго думали и даже написали и запустили мини-приложение на Python для работы с растром 🐍
Результат: все модели выдали похожие масштабы: 9-10.5 пикселей/метр. Звучит обнадеживающе!

2. "Определи площадь участка, обведенного красным"
📊 Результаты:
Perplexity Labs — 47,62 м²
O3 — 108 м²
Sonnet — 252 м²
GPT-4.5 — 248,34 м²
Правильный ответ: 397 м² ✅

Как видите, не-reasoning модели были ближе к правильному ответу, но всё еще очень далеки. Видимо, reasoning-модели перемудрили с решением и закопались в расчетах 🤯

🎯 Итог
Модели на текущем уровне развития:

✅ Умеют:
Идентифицировать объекты на чертежах и схемах, даже если они обозначены условно
Понимать последовательность размещения объектов на плане
Определять, кто за чем расположен и в каком помещении находится

❌ Не умеют:
Спроецировать эту информацию на реальные (или хотя бы приблизительные) размеры
Пока что измерения по чертежам остаются слабым местом 📐

Недавно один мой хороший знакомый из научной среды обратился за консультацией по поводу перспектив применения гуманоидных роботов на стройке. Что думаете? 🤔

Я не особо верю в роботов на стройке. Ну т.е. в обычных кирпиче-укладчиков 🧱❌
На стройке будет сложно заменить нишевые профессии, там очень дешёвый труд, который не требует больших квалификаций. 💰

И робот должен быть очень дешёвым и очень прочным, чтобы выдержать прилёты кирпичей и балок 💪.
Если робот выйдет на стройку, он должен быть высокофункциональным и прочным, и плюс ко всему его должно быть не жалко, а значит он должен стоить ну хотя бы как стиральная машинка 🧺.

Где роботы могут быть полезны ✅
Как вариант можно упирать на сейфти — роботы для опасных работ и на какие-то тяжёлые условия работ и т.п. ⚠️ Но это очень ограниченное применение.

Если бы я вводил роботов на стройку, выбрал бы высокооплачиваемую, высококвалифицированную профессию. Может что-то типа инспектора: ходит по стройке, снимает встроенным лидаром, сверяет с проектом, выдаёт предписания 📋 (видел где-то подобное, там робот на колёсах катится и снимает фотки 360° 📸).
Или дрон летает по стройке и так же выполняет съёмку, следит за выполнением работ, отклонениями от проекта 🚁.

Человеческий фактор 👷‍♂️
Второй момент — помню наш опыт по применению планшетов и дронов на стройке, и помню смятение работяг, когда им вверяют дорогую штуку, которая стоит как их полугодовой оклад 😰. Как они будут ею пользоваться? Конечно очень бережно — спрячут в сейф 🔒.
С роботом думаю будет что-то подобное. В сейф его не спрячешь, но весь фокус стройплощадки будет на нём, чтобы у него было всё хорошо и лишь бы не сломался 🛡.

Когда робот будет стоить как стиральная машинка? 💸
Пока роботы на стройке стоят примерно как бюджет всей стройки:

Робот-каменщик SAM — $500k 💰
Блокоукладчик Hadrian X — $2ml 💸

Прогноз 🔮
В течение 3-5 лет мы скорее всего увидим какие-то локальные попытки и примеры применения гуманоидов на стройке, но скорее всего это, так и останется единичными маркетинговыми случаями 📈.
Реального применения гуманоидов на стройке мне пока не видится ❌.

🧠💥 Ваш мозг деградирует, когда вы используете ChatGPT!

Массачусетский технологический институт опубликовал новое исследование под названием "Ваш мозг на ChatGPT: накопление когнитивных долгов и снижение навыков решения проблем" 📊

🔗 Оригинал вот тут https://www.media.mit.edu/publications/your-brain-on-chatgpt/

📋 Краткое содержание исследования
Исследование изучало когнитивные и неврологические эффекты использования больших языковых моделей (LLM), таких как ChatGPT, для написания эссе 🔬

🔬 Методология

👥 Участники и группы: В четырехмесячном исследовании приняли участие 54 человека, разделенные на три группы: одна использовала LLM (ChatGPT), другая — поисковую систему, а третья, «только мозг» (Brain-only), работала без внешних инструментов.

📝 Задачи: Участники в течение трех сессий писали эссе в стиле SAT, используя назначенный им метод. На четвертой сессии пользователей LLM попросили писать без инструментов (LLM-to-Brain), а участникам из группы «только мозг» предоставили доступ к LLM (Brain-to-LLM).

📊 Анализ: Исследователи использовали электроэнцефалографию (ЭЭГ) для мониторинга мозговой активности, обработку естественного языка (NLP) для анализа эссе, а также оценки как от живых преподавателей, так и от ИИ-судьи для оценки качества текстов.

🎯 Ключевые выводы

Результаты исследования указывают на потенциальный «когнитивный долг», возникающий из-за использования ИИ для письменных задач ⚠️

🧠 Снижение мозговой активности: Анализ ЭЭГ показал, что у пользователей LLM была самая слабая и наименее распределенная нейронная связность по сравнению с группами, использовавшими поисковик и работавшими без инструментов. Когнитивная вовлеченность, по-видимому, снижалась по мере увеличения зависимости от внешних инструментов.

📝 Унификация письма: Эссе, написанные с помощью LLM, оказались более похожими друг на друга по формулировкам, темам и структуре. Люди-оценщики часто наказывали эти эссе за отсутствие оригинальности, даже если модели ИИ-оценки ставили им высокие баллы.

🤖 Снижение чувства авторства и запоминания: Участники из группы LLM сообщали о более низком чувстве авторства по отношению к своей работе. Им также было труднее вспоминать и цитировать предложения из только что написанных ими эссе.

⚡ Негативные эффекты зависимости: Когда пользователям LLM пришлось писать без помощи ИИ на четвертой сессии, они показали значительно худшие результаты и признаки снижения нейронной вовлеченности. Их мозговая активность оставалась «вялой». Напротив, участники, которые сначала писали самостоятельно, а затем использовали LLM (Brain-to-LLM), продемонстрировали лучшее запоминание и более высокую вовлеченность мозга, что указывает на более целенаправленное использование инструмента.

💡 Заключение
Это исследование предполагает, что, хотя ИИ-инструменты предлагают удобство, постоянная зависимость от них может ослабить критическое мышление, память и когнитивные усилия, необходимые для глубокого обучения. Последовательность использования инструментов имеет значение: сначала задействовать собственные мысли, а затем использовать ИИ для доработки, представляется более выгодным подходом с когнитивной точки зрения 🎯

Будьте осторожны при использовании AI, неподсядьте! 🚨

От себя хочу добавить, мне кажется работает и обратный способ: задействуем AI, ресёрчим тему, AI накидывает результаты, включаем мозг, изучаем результаты, проверяем гипотезы, учимся! 🧠💪

🤖 Расскажу, как сейчас идет работа над подготовкой данных для базы знаний бота, и немного о том, почему решил обновить разметку с привязкой ответов к пунктам стандартов, а не к страницам.

❓ Почему взялся за это обновление? Само собой оно непростое и требует значительной переработки и улучшения базы знаний.

1️⃣ Во-первых, это предложение поступило от вас — пользователей бота, основано на реальных кейсах и потребностях.

2️⃣ Во-вторых, статистика использования бота четко показывает: ответы с привязкой к пунктам интересуют намного больше, чем к страницам.

3️⃣ Ну и третье — переразметка значительно повысит качество подбора документов ботом.

Почему? 🤔
Всё дело в чанках! 🔍

Коротко о том, как работает поиск информации внутри бота: задаёте вопрос → бот ищет ответ в «кусочках» (чанках), на которые разделены загруженные стандарты. Очень важно попасть в оптимальный размер этих чанков: слишком большие — размывают смысл, слишком маленькие — теряется контекст.

📚 Огромное преимущество российских стандартов в их чёткой структуре: разделы и статьи сразу дают понятные смысловые блоки. Переразметка по пунктам стандартов и есть идеальный подход к формированию таких чанков, над которым сейчас и работаю.

🔥 Главный челлендж — определить начало и конец пункта. Например, «5 Изделия железобетонные» — это заголовок раздела или просто пункт в списке? Или вообще ссылка на другой пункт?
Приходится детально разбирать каждый документ, обращая внимание на различные (часто неочевидные!) признаки структуры: разделы, статьи, списки, таблицы… И таких моментов десятки, особенно с учетом разнообразия нумераций (где-то с точкой, где-то без, буквенные и цифровые, капслоком и без…). 😵‍💫

Кстати, помните времена, когда заголовки выделяли КАПСЛОКОМ? Наверное, это наследие эпохи кульманов и до-вордовских компьютеров. У нас постепенно отказались от этой традиции благодаря Word, а вот в Индонезии до сих пор любят писать и стандарты, и чертежи капсом! 😄

🚧 В общем, переразметка базы знаний почти завершена — скоро ждите важное обновление! 🚀

PS: подсчитал, что средний размер чанка в СП примерно 500-600 символов, в ГОСТе — 200-300 символов. Т.е. СП делится на кусочки примерно такого объема:

«Проектирование фундаментов под колонны зданий осуществляется с учетом нагрузок, передаваемых на основание. Для фундаментов колонн из монолитного железобетона допускается устройство подушки из бетона класса не ниже B7.5 толщиной не менее 100 мм. Армирование фундаментов должно выполняться в соответствии с проектом, предусматривающим защитный слой бетона толщиной не менее 30 мм. При проектировании следует учитывать характеристики грунтов основания, нормативные значения нагрузок и возможные дополнительные воздействия, такие как температурные и влажностные деформации. Особое внимание необходимо уделять выбору арматуры и контролю качества бетонирования для обеспечения долговечности и несущей способности конструкции.»

А ГОСТ вот такого:
«Толщина защитного слоя бетона до поверхности рабочей арматуры должна быть не менее:
25 мм для плит и стен;
35 мм для балок и колонн;
40 мм для фундаментов. Допускается увеличение толщины защитного слоя бетона при соответствующем обосновании в проектной документации.»

♟️ Февраль 1996 — Deep Blue впервые побеждает действующего чемпиона мира по шахматам Гарри Каспарова в первой партии матча из шести игр.

🏆 11 мая 1997 — Deep Blue от IBM окончательно побеждает Гарри Каспарова со счетом 3.5-2.5, став первым компьютером, выигравшим полноценный матч у чемпиона мира.

🎲 Март 2016 — AlphaGo побеждает Ли Седоля (9-й дан), одного из сильнейших игроков в го, со счетом 4-1.

🌟 Май 2017 — AlphaGo обыгрывает Кэ Цзе, игрока №1 в мире на тот момент.

💻 Июль 2025 — Модель OpenAI занимает второе место на соревновании по программированию AtCoder World Tour Finals 2025 в Токио.🥈
🥇 Победителем турнира стал польский программист Пшемыслав Дембяк («Psyho»).

🚀 Это был напряжённый 10-часовой марафон программирования, где участвовали 12 сильнейших программистов планеты. OpenAI впервые поднялся в топ-3 крупного международного соревнования такого уровня!

🤔 Стоит ли нам беспокоиться? Сейчас ни один шахматный гроссмейстер или мастер го не решится на матч с ИИ — шансов у человека уже практически нет.

Ставлю на то, что через год ИИ уже будет первым в соревнованиях по программированию. 🔮📈

А вот результаты другого конкурса, которые говорят в пользу обратной точки зрения — что ИИ ещё далеко до лидерства в гонке программирования с человеком. 🤖💻

Институт Laude Institute объявил первого победителя премии K Prize — многоэтапного соревнования по программированию с помощью ИИ. Можно сказать, это было соревнование по «вайб-кодингу». 🌊👨‍💻

Победил бразильский промпт-инженер Эдуардо Роча де Андраде, который, внимание❗️, дал правильные ответы лишь на 7.5% вопросов теста. 🥲

В чём суть конкурса?
✅ Участвуют только опенсорс-модели, соревнование проводится офлайн с ограниченными вычислительными ресурсами.

✅ Задачи не должны присутствовать в тренировочных данных моделей — то есть ИИ должен самостоятельно думать, анализировать и искать решения. 🧠🔍

О чём говорит столь низкий результат?

Может, опенсорс моделям далеко до топовых коммерческих, вроде ChatGPT? 🚧

Или ИИ хорош только в решении уже знакомых задач, а с абсолютно новыми — пробуксовывает? 🔄

А может, это ярко показывает пропасть между «вайб-кодингом» и профессиональным программированием? ⚠️

Вопросов больше, чем ответов. Но гонка продолжается! 🏁