Всем привет 👋

Знали про NavisPythonShell (NPS)? И что можно забыть о всех плагинах в Navisworks при таком подходе? (AI щас не беру)
Расскажу:

🥲 NPS позволяет запускать IronPython внутри Navisworks и взаимодействовать с Navisworks .NET API.
Связка простая:

Python ➡️ .NET➡️ Navisworks API ➡️ модель

Через API можно получать практически любые доступные данные модели: элементы, свойства, параметры, коллизии, поисковые наборы и т.д.
💡Полученные данные можно сразу обработать и отправить в PostgreSQL или другую БД (далее уже по цепочки можно сделать что угодно.....)
Причем функции можно параметризовать: передали ЦИМ, дисциплину, тип данных ➡️ получили и записали именно нужную информацию.

Одина из примеров связки (использует моя команда):

Navisworks ➡️ Python ➡️ БД ➡️ Power BI / аналитика / отчеты - моя любимая 😄 (данные наше все, рассказывал кстати на BIM завтраке про data-driven-bim и как управлять более чем 15 подрядчиками одновременно
(данные из ревит не считаю, тоже можно , но это другая история- допустим у нас нет ревит, а только nwd)

пиши в комментариях +, дам плагин бесплатно.😉

#AIBIM

Всем привет 👋

Наконец то допиливаю модуль по работе с Power Query и расширенному редактору запросов, а так же приведения кода в удобочитаемый вид, запилил пару видосов сегодня, хотел без масштаба, а курс получается объемный, подумаю что урезать 🧐, хочу все только то, что действительно используется на практики без воды.


Всем хороших выходных 💪

#Аналитика

Всем привет 👋

Немного про RAG (Retrieval-Augmented Generation) и наш текущий эксперимент с командой.
💡 Если максимально просто: RAG позволяет LLM сначала найти нужную информацию в вашей базе знаний, а затем использовать ее для формирования ответа.
Мы собрали локальную связку:
Документы ➡️ Python ➡️Embeddings ➡️pgvector ➡️ RAG ➡️Ollama ➡️ Qwen3 8B ➡️ ответ
🇨🇳 В качестве локальной LLM тестируем Qwen3 8B через Ollama. Корпоративные документы при этом можно обрабатывать внутри локальной инфраструктуры.
Что уже поняли на практике:
🔵 RAG — это далеко не только LLM. Качество ответа сильно зависит от подготовки документов, chunking, embeddings, metadata, поиска, reranking и формирования контекста.
🔵 Чем грамотнее архитектура RAG, тем релевантнее данные получает LLM ➡️ тем точнее итоговый ответ.
👩‍💻 И здесь снова важен Python. Он связывает весь pipeline: обработку документов, создание embeddings, работу с PostgreSQL/pgvector, retrieval и передачу найденного контекста в LLM.
🔵 Qwen3 8B — хороший вариант для пилота, но для более сложных задач и продвинутого reasoning уже хотим тестировать более крупные модели. А здесь начинаем упираться в GPU и объем VRAM.

💵 А самое главное — зачем все это бизнесу?

Такой подход может значительно упростить навигацию по внутренним знаниям компании: бизнес-процессам, регламентам, инструкциям, проектной документации, стандартам и накопленной базе знаний.
Вместо ручного поиска по десяткам документов сотрудник задает вопрос ➡️ система находит релевантные фрагменты ➡️ LLM формирует ответ на их основе и указывает источник.

По сути, это шаг от «где лежит нужный документ?» к «задай вопрос корпоративным данным». 🚀

Следующий этап — улучшать retrieval и тестировать более мощные локальные модели с расширением серверов.

Результатом очень доволен, теперь только масштабирование и закрепление.
Так же модель можно менять, корпоративная внутренняя библиотека или внешняя LLM.

#AIBIM

Всем привет! 👋

Продолжаю делиться результатами нашего исследования и разработки RAG (Retrieval-Augmented Generation) для корпоративного BIM Portal.
В предыдущем посте рассказывал, как мы с командой собрали локальную связку Python + PostgreSQL + pgvector + Ollama + Qwen3 8B.
С тех пор немного продвинулись. 📈

💡 Что реализовали?

Полноценный RAG-модуль для BIM Portal, который позволяет искать информацию в корпоративных документах и получать ответы с указанием источников.
Как работает связка:
Документы ➡️ Python ➡️ Embeddings ➡️ PostgreSQL/pgvector ➡️ Semantic Search ➡️ Qwen3 8B ➡️ Ответ
🔵 Главный вызов — работа со сложными PDF и таблицами.
Обычное извлечение текста из PDF часто нарушает структуру таблиц: перемешиваются строки, колонки и значения. В результате RAG извлекает нерелевантные фрагменты, что напрямую влияет на качество ответа.
Поэтому реализовали Table-Aware Ingestion
(Прием данных с учетом таблиц).
Таблицы обрабатываются отдельно от обычного текста.
Строки сохраняются как структурированные chunks с заголовками и metadata.
Текст разбивается на смысловые фрагменты с overlap.
Поиск выполняется по embeddings с использованием pgvector.
🎯 Результаты: удалось значительно повысить точность поиска по BEP, регламентам, инструкциям и табличным требованиям.
🐍 И снова отмечу важность Python — именно он связывает обработку документов, векторизацию, поиск, базу данных и LLM в единую архитектуру.
💡 Следующий этап — два независимых AI-контура:
🔒 Local AI (Qwen3 16B + RAG) — закрытая корпоративная база знаний, внутренние документы, бизнес-процессы и регламенты. Данные остаются внутри инфраструктуры компании (ранее была Qwen3 8B + RAG).
Кстати разницы почти нет, главное грамотное разбить на chunks и калибровать Semantic Search.
🌐 External AI (OpenAI API) — общие вопросы, аналитика, программирование и более сложные задачи, не требующие передачи конфиденциальной информации.
Главный вывод исследования: качество корпоративного AI определяется не только мощностью LLM, но и архитектурой подготовки, хранения и извлечения данных.
Можно подключить более мощную модель, но если retrieval возвращает некорректный контекст, качественного ответа ждать сложно.
🎯 Наша цель — превратить BIM Portal в единую интеллектуальную точку доступа к корпоративным знаниям, где сотруднику не нужно искать информацию по десяткам документов.

По итогу если смотреть в сторону масштабирования, то остается заниматься шлифовкой кода и расширением базы, а так же следить за ответами и от ситуации калибровать.

Если дочитал до конца , держи мой дорогой друг 🥧

#AI

Доброе заряженное утро!



Пока пашем, живем)) ⚡️

#спорт

Привет, подписчики! 😀

Стараюсь следить за лучшими практиками, новыми инструментами и технологиями в сфере BIM и цифровизации строительства.
Недавно на LinkedIn один из коллег поделился интересным инструментом — pyNavis для Autodesk Navisworks. Решил поделиться находкой с вами! 🥲
💡 pyNavis — инструмент для создания собственных расширений Navisworks с использованием Python.
Что особенно интересно:

➡️ Собственные кнопки и панели — можно создавать инструменты под конкретные задачи BIM-команды.
➡️ Автоматизация через API — работа с элементами модели, свойствами, поисковыми наборами и другими доступными функциями Navisworks.
➡️ Интеграция с AI — можно подключать локальные LLM (Ollama/Qwen) или внешние сервисы (OpenAI, Claude) через API.
➡️ Интеграция с БД — извлекать данные из моделей, обрабатывать их и передавать в PostgreSQL для дальнейшей аналитики в Power BI.

По сути, можно создать собственную панель BIM-инструментов прямо внутри Navisworks, где каждая кнопка запускает нужный сценарий автоматизации.

Далеко не всегда нужно разрабатывать всё с нуля, когда можно использовать готовые решения и адаптировать их под собственные бизнес-процессы.
📚 Документация: Документация PyNavis

Пиши в комментарии + если интересно, скину исходный код и установку.

#BIM

🚨Короче история такая вечерняя получилась:
Сижу такой думаю набросаю класс новый себе в python назову Manager, добавил значит много магических методов и не только, всякое здоровье придумал, отдых, уровни , должности, сделал backend (FastAPI) под все это, тоже думаю попрактикуюсь, далее такой, хм, надо завайбкодить frontend, а какой... дайка думаю буду react использовать, все быстро сделал, нашел все скилы на гитхабе - работает, потом такой подумал, а почему не сделать попробовать обучающий симулятор для студентов, про базу работы с моделью, кто что согласовывает и так далее, мини игры, и вот сюжет:
🤩Ты — начинающий BIM-менеджер на стройке: находишь ошибки, координируешь решения и растёшь от Junior до директора по цифровизации. Выполняешь задания, проходишь тесты, получаешь опыт и повышаешь уровень. Энергия и усталость требуют планировать нагрузку и вовремя отдыхать.
В будущем добавлю персонажей и переговоры, сроки и бюджет, последствия решений, новые объекты, проектирование, монтаж, приёмку работ и управление командой.
💡 Цель симулятора — помочь начинающим специалистам погрузиться в BIM-проектирование, понять взаимодействие дисциплин и отработать типовые рабочие ситуации в безопасной учебной среде.

как вам идея? 😀
больше практики, больше практики...

#AI

Всем привет 👋

1 раз в неделю агент скидывает новости в мире цифровизации и применение AI в строительстве, поэтому буду делиться свежачком 🧐

AI × BIM | Обновление на 25.10.2026
AI всё глубже входит в инженерные процессы — от анализа коллизий до проверки документации. Главное из обзора:
➡️Revizto: AI подключают к BIM-координации через MCP. Агент анализирует замечания, выявляет просрочки и готовит сводки по ответственным. Изменения в систему вносятся после подтверждения пользователя.
➡️ Arcadis: AI-проверки выходят за рамки пилотов. По опубликованному кейсу, инструмент используют около 500 инженеров в 17 странах. В одном из приведённых примеров проверка конструктивных решений заняла 67 часов вместо 185 — сокращение трудозатрат примерно на 64% в конкретном процессе.
➡️ Autodesk: курс на AI-агентов между программами. Развивается архитектура, которая позволит подключать корпоративные системы и подбирать инструменты под задачу. Самостоятельный Autodesk Assistant ожидается в 2027 году.
➡️ Asta 2026.3: больше аналитики для строительных графиков. В Asta Powerproject и Asta Vision развиваются встроенные аналитические панели, обмен с Primavera P6, управление базовыми графиками и анализ истории изменений. Также расширяются API и webhooks. Для BIM это особенно интересно с точки зрения связи элементов модели с работами графика через код вида работ, этаж, сектор и шифр комплекта РД.
➡️ GraphRAG: больше связей между проектными данными. Neo4j анонсировала Context Engine, пока в закрытом предварительном доступе. Для строительства такой подход интересен возможностью связать элемент модели, документацию, работу графика и замечания.

Что это меняет: ценность AI всё больше зависит от доступных ему данных. Актуальные версии, единые коды и связи между системами становятся основой полезной автоматизации.

#НовостиЦифровизации

Всем привет!

👨‍💻Работа со словарями нас окружает практически везде!
Иногда, чтобы не забывать основы, полезно освежить память. 🥶
Как быстро подсчитать количество элементов по категориям, используя словарь?
💡Разберём на простом примере: типы и размеры элементов Revit, сгруппированные по категориям.
Для решения используем Python и collections.Counter.

Из кода получаем:
Окна 2
Двери 2
Стены 2
Перекрытия 1
Несущие колонны 1

#Python

💡 Всем хорошей субботы! 🤝
Вероятно, многие уже используют этот инструмент, но в BIM-сообществах пока не встречал подобные кейсы. 🧐
Поэтому подготовил адаптированный .md-файл для установки Power BI MCP Server через Codex.
Просто загрузите файл в Codex (Desktop или IDE, например VS Code) и попросите агента выполнить установку согласно приложенной инструкции.

⁉️ Что это даёт на практике?
➡️ Полное управление файлом с помощью агента
➡️ Работа с семантической моделью Power BI — анализ таблиц, столбцов, связей и мер.
➡️ Генерация и оптимизация DAX — создание, редактирование и проверка мер любой сложности.
➡️ Автоматизация моделирования данных — создание таблиц, вычисляемых столбцов, мер и связей.
➡️ Анализ данных через естественный язык — задаём вопросы AI-агенту, который формирует и выполняет DAX-запросы к модели.
➡️ Аудит существующих моделей — поиск потенциальных ошибок, неоптимальных связей и избыточных вычислений.
➡️ Документирование — автоматическое формирование описаний мер, таблиц и структуры семантической модели.

По сути, AI-агент становится полноценным помощником при разработке семантических моделей Power BI.

⬇️*.md файл прикреплю в комментариях

#Аналитика
#BIM