ИИ-помощник BIM Inspector: как мы упростили адаптацию новых пользователей и снизили порог входа при освоении продукта

Введение

Проблема: 2 000+ проектировщиков тратят 15–30 минут на поиск ответа в 120+ инструкциях Confluence.

Решение: ИИ-помощник на основе архитектуры RAG, который отвечает за несколько минут.

Результат: время поиска сократилось до 5 минут, адаптация персонала — с 2–4 недель до 3–5 дней.

Меня зовут Максим Курбатов, я — руководитель продукта BIM Inspector в ПИК Digital. Сегодня расскажу, как мы решили одну из непростых задач в BIM-автоматизации — помогли новому пользователю начать работать с системой за дни, а не за недели.

Что такое BIM Inspector?

BIM Inspector — это система автоматической проверки модели и конструкторской документации на соответствие BIM-требованиям, стандартам и нормативам. Она встроена в среду проектирования (Revit, AutoCAD) и проверяет модель по мере внесения изменений. Более подробно вы можете ознакомиться с продуктом BIM Inspector и историей его создания в нашей предыдущей статье «Экосистема ПИК. История BIM Inspector».

Как это работает:

1. Проектировщик работает в Revit.

2. Система автоматически отслеживает изменения, формирует очередь и выполняет проверку на выделенных фермах.

3. Результат отображается в программе или веб-интерфейсе.

4. Проектировщик всегда видит актуальные результаты с перечнем проверок, описанием ошибок, элементами с несоответствиями и ссылками на инструкции по их исправлению.

5. Исправление ошибок выполняется с помощью инструментов экосистемы BIMTeam.

6. После исправлений модель проверяется автоматически и при соответствии требованиям переводится в статус «Выпуск».

Проблема: «утонули» в инструкциях

Когда мы запускали BIM Inspector, у нас была одна цель — упростить проверку моделей. Но чем дольше развивался продукт, тем больше росла база знаний в Confluence. Сегодня она содержит более 120 инструкций по проверкам, а также множество статей о настройках сервиса. 

И вот парадокс: система должна упрощать и ускорять работу, но пользователь тратит много времени, чтобы понять, почему модель не прошла проверку и как это исправить.

Так мы поняли: хорошая документация — это не решение, если с ней сложно работать.

Мы задали себе простой вопрос: «А что, если пользователь сможет просто спросить — и сразу получить точный, структурированный ответ?»

Идея родилась из боли: проектировщик не хочет читать инструкции. Он хочет быстро исправить ошибку и продолжить работу. Так появился ИИ-помощник — не как модный тренд, а как инженерное решение проблемы доступа к знаниям. Далее мы подробно расскажем про выбранный подход и технологии.

Механика решения 

Почему мы выбрали RAG

Мы сознательно отказались от дополнительного обучения LLM — это дорого и долго. Вместо этого мы построили систему на архитектуре генерации с расширением поиска — RAG (Retrieval-Augmented Generation), которая работает с существующей базой знаний.

Что такое RAG?

RAG — это подход, при котором:

1. Система ищет релевантные фрагменты в базе знаний.

2. Передаёт их в языковую модель.

3. Модель генерирует ответ на основе найденного контекста.

Преимущество: не нужно дополнительно обучать модель, достаточно качественно организовать поиск по существующим данным.

Индексация: как данные становятся «понятными» ИИ

Перед тем, как система сможет отвечать на вопросы, документы проходят многоступенчатую обработку.

1. Источники данных

Система работает с реальными корпоративными данными:

• Confluence — централизованная база знаний (120+ инструкций);

• Локальные файлы — PDF, DOCX, XLSX, PPTX, Markdown, HTML.

Никакого дополнительного обучения языковой модели! Вся информация берётся из существующих источников.

2. Чанкинг

Документы разбиваются на фрагменты:

• Размер чанка: 300 символов;

• Перекрытие: 120 символов между соседними чанками.

Зачем? Чтобы сохранить логические утверждения целиком и обеспечить плавный переход между фрагментами.

3. Векторизация с применением LaBSE

LaBSE (Language-agnostic BERT Sentence Embedding) — многоязычная модель от Google, которая преобразует предложения на 109 языках в единое векторное пространство.

Технические характеристики:

• Размерность вектора: 768 измерений;

• Поддерживаемые языки: 109 языков, включая русский и английский;

• Максимальная длина текста: 512 токенов.

Как это работает:

Расстояние между векторами = семантическая близость. Фразы «высота этажа» и «floor height» имеют малое косинусное расстояние, несмотря на разные языки.

4. Хранение

• ChromaDB — хранит векторы для семантического поиска;

• NetworkX — графовая БД хранит связи между чанками.

Поиск: как система находит правильный ответ

Когда пользователь задаёт вопрос: «Почему модель не проходит проверку FmStatus?», запускается сложный конвейер из пяти этапов.

1. Расширение запроса (Query Expansion)

Система автоматически генерирует синонимы и связанные термины:

Это увеличивает шанс найти релевантные документы.

2. Гибридный поиск

Одновременно выполняются два типа поиска:

Лексический поиск (BM25+)

BM25 — классический алгоритм ранжирования документов, разработанный в 1990-х годах. Он оценивает релевантность на основе:

• Частота термина (TF) — сколько раз слово встречается в документе;

• Обратная частота документа (IDF) — насколько слово уникально;

• Длина документа — короткие документы с совпадениями ранжируются выше.

Что добавляет «+» в BM25+?

1. Проблема нулевых совпадений: добавляет бонус за смежные термины.

2. Жёсткое ранжирование: более плавное ранжирование за счёт сглаживания.

3. Игнорирование контекста: учитывает соседние слова и порядок терминов.

Векторный поиск

Переводит текст в числовое представление (векторы) и находит семантически похожие фрагменты.

Пример: «Актуальность семейств» и «используемые семейства» система считает бл��зкими по смыслу, даже если в документе нет точного совпадения.

Почему гибридный подход?

Гибридный поиск даёт лучшее из двух миров: семантика + точность.

3. Реранкинг

Комбинирует три сигнала для финального ранжирования:

1. Cross-encoder — глубокая семантическая оценка.

2. Метаданные — тип документа, дата обновления.

3. Термины — точные совпадения ключевых слов.

4. Диверсификация (MMR)

MMR (Maximal Marginal Relevance) — алгоритм, который балансирует между релевантностью и разнообразием результатов.

Проблема без диверсификации:

С диверсификацией (λ = 0.7):

5. Контекстное расширение

Система добавляет соседние чанки из графа (NetworkX), чтобы ответ был полным. Это гарантирует, что пользователь получит не только прямой ответ, но и контекст (примеры, исключения, связанные правила).

Генерация ответа

Отобранные фрагменты передаются в LLM (у нас это DeepSeek-чат). Модель формирует чёткий, структурированный ответ с указанием источников.

Ответ содержит:

• объяснение причины ошибки;

• пошаговую инструкцию по исправлению;

• ссылку на источник.

Обработка сложных запросов

Система умеет обрабатывать составные вопросы без дополнительных вызовов языковой модели: «Расскажи принцип работы плагина, какие параметры заполнять, как настраивать».

Как это работает:

1. Автоматически разбивает запрос на части:

   • принцип работы → концептуальный поиск;

   • параметры → справочный поиск;

   • настройка → процедурный поиск.

2. Применяет специализированные стратегии поиска для каждого типа.

3. Гарантирует охват всех аспектов (Coverage-aware re-ranking).

4. Формирует структурированный ответ с заголовками.

Что изменилось: результаты

«Теперь я не читаю инструкции — я просто спрашиваю», — реальный отзыв проектировщика.

Следующие шаги

Решение, изначально созданное для BIM Inspector, планируется развернуть как самостоятельный сервис, который будет интегрирован во все продукты экосистемы ПИК.

Вывод

ИИ-помощник — это не магия, а инженерное решение:

• он не заменяет документацию, а делает её живой и интерактивной;

• он не требует дополнительного обучения, а использует то, что уже есть;

• он понимает контекст, сложные запросы.

Главный принцип: «Пользователь не должен учиться системе — система должна понимать пользователя».

Мы не упрощали продукт — мы упростили доступ к его ценности. ИИ-помощник — это мост между сложной автоматизацией и человеком.

Ссылки

• BIMTeam

• BIM Inspector