1° C
Ma 2024. december 06., péntek, Miklós napja van.
1° C
Ma 2024. december 06., péntek, Miklós napja van.

Bejelentkezés

e-Mérnök Rendszer


* Elfelejtett jelszó
Emlékezzen rám


Letöltés
MMK Középtávú stratégia
2021-2025


Főoldal 5 praxis 5 MI, mint az építőipar megújulásának mozgatórugója

MI, mint az építőipar megújulásának mozgatórugója

dec 4, 2023 | praxis

A mesterséges intelligencia (MI) a ChatGPT megjelenésével robbanásszerűén tört be a legtöbb iparágba és egyre nagyobb teret hódít, hogy a mindennapi életünket és munkánkat megkönnyítse. Nincs ez másképpen az építőipar területén sem, mégis ahhoz, hogy alkalmazni tudjuk a mesterséges intelligencia alapú rendszereket elsősorban a felsővezetői szintnek kell tisztában lennie azzal, hogy milyen lehetőségeket is hoz az MI, illetve, hogy hol és hogyan is tudjuk alkalmazni a piacon már elérhető technológiákat.

 

Nem csupán hazánkban, de világszinten a mai napig elmondható és kutatásokkal is alátámasztottuk, hogy a digitalizáció legnagyobb gátja maga a felsővezetői réteg gondolkodásmódja. Egyetlen egy kérdés van még mindig ezen kevésbé innovatív gondolkodásmódú cégvezetők fejében (nem csak hazánkban): Miért is változtassunk, ha vállalkozásunk még mindig termeli a profitot? Talán ez a kérdés egy külön cikket érdemelne, mi hiszünk abban, hogy az innovatív technológiák megkönnyítik a mindennapi munkánkat, miközben a hatékonyság növekedésen keresztül költséget takarítanak meg a vállalkozások számára és indirekt módon is hozzájárulnak a fenntartható fejlődési célok eléréséhez.

Nyitókép – Forrás: Midjourney, generálta Nyerges Viktória

 

Építőipar 4.0

Ahhoz azonban, hogy megértsük, hogyan indulhatunk el a digitalizáció és ezen belül is mesterséges intelligencia útján először érdemes pár szót ejteni a digitalizációról, vagy még inkább az építőipar ipari forradalmáról, vagyis az Építőipar 4.0-ról. Építőipar 4.0 egy olyan iparági átalakulás, amelyben az iparág versenyszerkezete a technológiák integrációjával átalakul. Ez az átalakulás magában foglalja az innovatív technológiákat (fizikai és digitális, mint pl. robotika, MI, digitális iker), módszereket (Lean, Integrált projekt megvalósítás, SCRUM) és az emberi erőforrás kompetenciáit (hard és soft skillek, digitális vezetéselmélet) annak érdekében, hogy egy jóval fenntarthatóbb (ESG – környezet, társadalom és irányítás) iparággá váljon az építőipar. Az Építőipar 4.0 összességében két fő pillérből áll: egyik pillére a digitális ökoszisztéma, a másik pedig a kiber-fizikai rendszer. A digitális ökoszisztéma magában foglalja a digitális térben együttműködő vállalkozásokat és embereket, akik közös platformokon keresztül működnek együtt, felhasználva a kiber-fizikai rendszert, mely kapcsolatot teremt a virtuális adatok és a fizikai világ között. Egy konkrét példával talán egyszerűbben megérthető, ha azt mondom, hogy a kiber-fizikai rendszer egy 360 fokos kamera, mely valós időben gyűjti az adatok a projektről, míg a digitális ökoszisztéma az a platform, ahol az összegyűjtött adatokat több szereplő felhasználhatja például hibalista készítésre vagy elemzésre, esetleg egy projekt nyomon követésre.

A Budapesti Corvinus Egyetemen végzett munkánk során egy olyan digitális érettségi modellt kutatunk, mely stratégiai iránymutatást nyújt a vállalkozásoknak az Építőipar 4.0 területén. Ezek alapján hat olyan fő kategóriát azonosítottunk, melyek ugyanolyan hangsúlyosak a digitalizáció szempontjából: (1) technológia menedzsment és üzleti alkalmazások, (2) együttműködés és kommunikáció, (3) kultúra és emberi erőforrás menedzsment, (4) automatizált technológiák, (5) innováció, (6) projekt/üzleti folyamatok és változás menedzsment. Ezen modell segített számunkra azonosítani azt, hogy az egyes technológiák bevezetése során nem elegendő csupán egy szoftvert vásárolni, kiemelt figyelmet kell szentelni a projekt folyamatok mellett az üzleti folyamatokra és az emberi kompetenciákra is, és együtt szükséges ezen területeket fejleszteni.

2. ábra: építőipar 4.0 területei [4]

 

A fent említett hat területen belül a mesterséges intelligencia az (4) automatizált technológiák egyik pillére. Ebből az ábrából is látszik, hogy az iparág megújulása egy óriási témakör (nem csak a BIM-ről van szó!), melyben az adatvezérelt technológiák – beleértve az MI-t – csak egy apró szelete a megújulásnak. Erről az „apró” szeletről lesz szó a cikk további részében.

 

MI általában

Egyre többen beszélünk arról, hogy MI-t fejlesztünk, de mégis úgy tűnik, hogy számos alapfogalommal és definícióval nem vagyunk tisztában, és inkább az úgynevezett „buzzword”-ökkel dobálózunk. Természetesen nem egy egyszerű téma, de azt hiszem, amikor szakmát választottunk az építőipar területén, a legtöbbünk elkötelezte magát az innováció és a folyamatos fejlődés mellett. És ez a fejlődés már nem áll meg az anyagok területén, tisztában kell lennünk a lehető legmodernebb technológiákkal is.

  1. ábra MI és területei [6]

 

A mesterséges intelligencia olyan gépi képesség, mely érzékel, érvel, tanul, interaktív a környezettel, megold problémákat és gyakorolja a kreativitást. A gépi tanulás a mesterséges intelligencia egy fajtája. A gépi tanuláson keresztül a szakemberek olyan modellek segítségével fejlesztenek mesterséges intelligenciát, amelyek emberi irányítás nélkül képesek “tanulni” az adatmintákból. Az emberek számára kezelhetetlenül nagy mennyiségű és összetett adat, amely mostanában keletkezik, megnövelte a gépi tanulásban rejlő lehetőségeket, valamint az arra való igényt. A gépi tanuló algoritmusok az adatok és tapasztalatok feldolgozása révén ismerik fel a mintákat, tanulnak és alkalmazkodnak az új adatok segítségével, így idővel növelik a hatékonyságukat is. A gépi tanulás célja, hogy leírja mi az, ami fog történni, illetve, hogy ajánlást adjon mit kell csinálni, hogy elérjünk egy adott célt. Három fő típusa van: a felügyelt tanulás (supervised learning), mely esetben egy modell egy előre meghatározott adathalmazon tanul és a cél, hogy a modell az összefüggéseket megtanulva képes legyen előrejelzéseket tenni új adatok alapján; a felügyelet nélküli tanulás (unsupervised learning) esetében a modell a bemeneti adatok mintáit keresi és célja, hogy a mintázatokat a modell maga fedezze fel. Végezetül pedig a megerősített tanulás (reinforcement learning), melynek célja, hogy a modell stratégiákat alkosson környezeti interakciók segítségével.

A mélytanulás, a gépi tanulás egy fajtája, tágabb adatforrásokat képes hatékonyan kezelni minimális emberi beavatkozással, gyakran pontosabb eredményekkel. A neurális hálózatok rétegei, “neuronok”, összekapcsolva működnek, nagy adatmennyiséget feldolgozva és komplex jellemzőket tanulva minden rétegben. A hálózat meghatározza az adatokat, tanul a helyességükről, és alkalmazza a tanultakat az új adatokra. Például, ha megtanul egy tárgyat, felismeri azt egy új képen. Jelenleg a mélytanulást a pontfelhőből készített BIM modell generálására használják. Emellett egyre jobban teret hódít a mélytanulás az eszköz leltár területén, ahol a tárgyak felismerését AR szemüveg segíti.

 

MI alkalmazási területei az építőiparban

Az építőipar területén belül az MI olyan intelligens gépek és programokat jelent, melyek utánozzák a kognitív rendszereket, hogy tanuljanak vagy problémákat oldjanak meg. Főbb alkalmazási területeik a következők: tudásalapú rendszerek; számítógépes látás; robotika; természetes nyelvfeldolgozás; automatizált tervezés és ütemezés, és optimalizálás.

  1. ábra AI alkalmazási területei az építőiparban [5]

 

Tudás alapú rendszerek területére soroljuk a szakértői rendszereket, intelligens ügynököket, az eset alapú érvelést és a kapcsolt rendszereket. Szakértői rendszereket lehet alkalmazni például a tervezés során a szabványok gyorsabb átlátásában, az intelligens ügynökök használata a logisztika és anyagmozgatás területén lehet érdekes, az eset alapú érvelés építőipari gépek és eszközök hibaelhárításában segíthetnek, míg a kapcsolt rendszerek az épületenergetika optimalizálásában alkalmazhatóak.

Számítógépes látás területére sorolható a jelenet rekonstrukció, a mozgáselemzés és a képfelismerés. A számítógépes látás a mesterséges intelligencia egyik területe, amely a számítógépeket a digitális képek és videók értelmezésére és megértésére képezi ki. Többek között az önvezető autókban, az ipari automatizálásban és a robotikában használják. Idén nyáron Keszthelyen megrendezett Creative Construction konferencián volt lehetőségem találkozni olyan fejlesztővel, aki Japánban az építkezésekre fejlesztett olyan mobiltelefonos alkalmazást, mely a munkások arcát figyelve képes felismerni az egészségügyi állapotukat, melynek köszönhetően meg tudják előzni a fáradtságból vagy betegségből adódó lehetséges baleseteket. De ebbe a kategóriába sorolható még a Midjourney.ai is, melynek egyik szakterülete a számítógépes látás, melyet például a Zaha Hadid építész iroda már napi szinten alkalmaz látványtervek generálására.

A mesterséges intelligencia alkalmazása a robotika területén sem kivétel. Az MI az építőipari robotikában mászás, aktuáció, locomotion és érzékelés területén alkalmazható. A mászás területére sorolhatók például az MI-vel felszerelt drónok, melyek a projektek felmérésére és monitorozására, automata körbejárásra lehetnek alkalmas. Az aktuáció területén az exoskeltonok támogathatják az építőipari munkások nehéz terheinek emelését, amelyek előre jelzik a felhasználó mozgását, támogatást nyújtva és csökkentve a sérülések kockázatát. A locomotion vagy mozgatás területén beszélünk olyan építőipari gépekről, például az MI által vezérel toronydarukról, melyek a BIM modellel és a valósággal összekötve autonóm mozgatják az építőipari anyagokat, miközben figyelik az aktuális időjárást (LiDAR és kameratechnológiát is kombinálva). Továbbá ide tartoznak még az érzékelők, mint például az okos betonérzékelők, melyek figyelik a beton kötési idejét, hőmérsékletét, páratartalmát nem csak az építkezés alatt, de az épület teljes életciklusában.

A természetes nyelvi feldolgozás (NLP) két területet foglal magában: az írott szöveg felismerése és a beszéd felismerése. Erre a területre sorolhatjuk a ChatGPT-t is, mely képes lehet műszaki leírások generálására, vagy tender anyagok gyors elemzésére is. De lehetőségünk van arra, hogy az építőipari anyagok technológiai leírásait és műszaki adatait elemezve információt kapjunk a termékek fenntarthatóságáról is. Ide sorolhatjuk még a Sparkel-t, mely képes a tervekből kinyerni a műszaki adatokat és mennyiségeket is.

MI rendszerek segítségével lehetőség van az építési tervek gyorsabb és hatékonyabb készítésére. Az algoritmusok optimalizálhatják az elrendezéseket, figyelembe véve a különböző tényezőket, mint például a költségek, erőforrások és idő. Mindemellett az ütemezés területén a képfelismeréssel kombinálva a LEAN módszer segítségével akár valós időben tudjuk figyelni projektünk előrehaladását. Ezt a módszert használja például az OpenSpace is, melyről később bővebben is írok.

Optimalizáló algoritmusok segítségével terveket, folyamatokat és költségeket optimalizálhatunk.

Természetesen ezen területek sem feltétlen különíthetőek el ilyen szigorúan egymástól, egy-egy technológia többfajta rendszert és irányt is magában foglalhat. Talán annak, hogy mire is alkalmazzunk az MI-t a jelenleg elérhető modelleknek köszönhetően az építőiparban már csak a saját képzelőerőnk és persze a pénztárcánk szab határt.

 

Kihívások saját MI alapú rendszerek fejlesztésében

Az MI alapú rendszerek fejlesztések során számos komoly kihívással kell szembenéznünk. Az kezdeti költségek magasak, és a projektek előrehaladtával folyamatosan növekednek, miközben a kiber-biztonságra kiemelt figyelmet kell szentelni a rendszerek sebezhetősége miatt. A Nordlocker nevű cég kutatásaiból kiderült, hogy 35 iparág közül az építőipart éri az utóbbi időben a legtöbb kiber támadás, mely főként a projekt fázisok sajátos jellegéből fakad. Az algoritmusoknak folyamatosan fejlődniük kell a technológiai változásokhoz való alkalmazkodás érdekében. A tradicionális üzleti modellekkel való összehangolás és a szabványok hiánya további kihívásokat vet fel. Mindezek mellett az MI-szakértők hiánya is komoly probléma, hiszen a területen való jártasság elengedhetetlen a sikeres projektek megvalósításához. Ezen kihívások megfelelő kezelése kulcsfontosságú a hatékony és fenntartható mesterséges intelligencia-fejlesztések eléréséhez.

Akkor érdemes saját fejlesztésbe belevágni? Természetesen egy építőipari cégnek sem árt, ha mielőbb elkezd foglalkoztatni programozókat, de mégis kérdés, hogy mit és mire akarunk használni. Belső adatokat elemezni? Projekt során rendszereket építeni? Szükséges -e új rendszereket építeni? Vagy inkább a piacon már elérhető rendszereket érdemes használni? Mindezek mellett kérdés, hogy megfelelő digitalizációval rendelkezik-e a vállalkozásunk ahhoz, hogy képes legyen befogadni a mesterséges intelligencia alapú technológiákat? Akár saját fejlesztésről van szó, akár egy meglévő technológiáról mindenképpen kiemelten fontos a technológiák mellett a megfelelő kiber-biztonság is.

 

Példaesetek a napjainkban elérhető technológiákról

A ConTech Consulting Kft-nél széleskörű technológiai portfólióval dolgozunk, beleértve a kiber-biztonságot is, azonban jelen cikk esetében három olyan technológiát emelnék ki, melyek már most is alkalmazzák a mesterséges intelligenciát és segíthetik az építőipari projektek kivitelezését és üzemeltetését.

 

Építőipari anyagok fenntartható elemzése a BIM modellben – BIM Match

A bimmatch mesterséges intelligencia platformja egyszerűsíti az építőipari anyagok beszerzési folyamatát, lehetővé téve a projektcsapatok számára, hogy könnyedén eligazodjanak az összetett anyagadatok között. A specifikációk automatizálásával a platform biztosítja, hogy a projektek a költségvetésen belül valósuljanak meg, folyamatosan monitorozva a beépítendő anyagok fenntarthatósági paramétereit. A platform lehetővé teszi a projektgazdák számára, hogy a PDF formátumú, hosszadalmas műszaki specifikációkat BIM-paraméterekké alakítsák át, így azok egyszerűen megoszthatók a teljes projektcsapattal.

5. ábra bimmatch-modell és a gyártók közti modul

 

A bimmatch a Text to BIM technológiát alkalmazza, ami annyit jelent, hogy a műszaki adatokból BIM adatokat generál. Ezen adatokat használja fel a rendszer úgynevezett „szénlábnyom-számológépe”, hogy kapcsolatot teremtsen az Ipar 4.0-ba belépő gyártók, a projektcsapatok és a termékbeszállítók között. A platformon keresztül az anyagbeszállítók feltölthetik saját termékeik modelljeit és műszaki paramétereit. A platform MI algoritmusa elemzi a gyártók által felajánlott termékeket fenntarthatóság szempontjából, majd a tervező szoftverbe beépülő modulon keresztül felajánlja a tervezők számára a megfelelő terméket, melynek BIM paramétereit egy gombnyomással integrálhatja a tervező. Ennek köszönhetően a beruházók egyszerűen és gyorsan képesek elemezni a teljes épület szénlábnyomát és az anyagok BREEAM és LEED szabványoknak való megfelelőségét BI eszközök segítségével a BIM modellen keresztül.

 

Mesterséges intelligencia a pontosabb és gyorsabb előkészítésért – Sparkel

6. ábra: Sparkel – 2D terv és 3D modell modul

A 2D-s és 3D-s tervek értelmezése és a műszaki problémák azonosítása viszonylag hosszú időt vesz igénybe, és a nem megfelelő mennyiségi kalkuláció a projekt során jelentős többletköltséghez vagy akár a projekt elvesztéséhez is vezethet.

A Sparkel megoldja a fent említett a kihívásokat. Platformja a gépi tanulást és a felhőtechnológiát kihasználva gyors és pontos kalkulációkat biztosít, így hozzájárul az építőipar innovációjának és hatékonyságának előmozdításához, és pozitív hatást gyakorol a környezetre. A platformon keresztül az építőipari szakemberek az MI segítségével gyorsan és egyszerűen áttekinthetik a terveket és specifikációkat, valamint pontos és átfogó mennyiségi listákat készíthetnek egy olyan interaktív felületen keresztül, melyet a ChatGPT támogat.

A platform valós idejű áttekinthetőséget biztosít arról, hogy a tervezésben bekövetkező változások hogyan hatnak a teljes projektre, így a szakemberek gyorsan megérthetik a változások következményeit, és megalapozott döntéseket hozhatnak.

Az előkészítő mérnökök és a BIM menedzserek olyan szoftvereket keresnek, amelyek könnyen automatizálják a folyamatokat és új lehetőségeket teremtenek. Azáltal, hogy a Sparkel gépi tanulást alkalmaz az építész és mérnöki tervek elemzésére, és azonnal szolgáltatja az összes anyagigényt, költséget, környezeti hatást és ütemtervet, a Sparkel értékes megoldást nyújt számukra.

 

Kivitelezés és épület üzemeltetés – OpenSpace

Az OpenSpace a piacon elérhető egyik legegyszerűbb, mégis számos MI-t alkalmazó technológiája 360 fokos kamera segítségével a projekten gyűjtött képek elemzésével átláthatóvá teszi a projekt mindennapi nyomon követését, legyen szó kivitelezésről vagy üzemeltetésről. A program az algoritmusának köszönhetően már képes a projekt készültségét is jelezni a LEAN módszerrel kombinálva. A technológiának köszönhetően nem csupán hibalistákat készíthetünk, de akár ellenőrizhetjük a szerződésben vállalt határidőket és készültséget utólag is, mely a legtöbb projekt esetében kérdéses. Az OpenSpace az alábbi technológiákat alkalmazza: számítógépes látás (Vision Engine), gépi tanulás és SLAM.

  1. ábra OpenSpace – BIM és a 360 fokos kép

A Vision Engine a felismeri és felcímkézi a képen található a kulcsfontosságú jellemzőket, és azokat az alaprajzokhoz rendeli, így a felvett környezetet vizuálisan is értelmezi. Emellett a 3D rekonstrukciót használja, hogy a térbeli jellemzőket lokalizálja és a 3D környezetet újból létrehozza. Ennek során összehasonlítja a két kép jellemzőit, majd kiszámítja a kamera becsült pozícióját, amely a legjobban összehangolja ezeket a jellemzőket. Ez a folyamat több ezerszer ismétlődik meg egy teljes OpenSpace 360°-os videofelvételen, létrehozva egy 3D pontfelhőt, majd a pontfelhő képen látható jellemzőit egy 3D-s térbeli helyhez köti.

A gépi tanulási algoritmusok a tréning adatok alapján matematikai modellt hoznak létre a jövőbeli eredmények előrejelzésére anélkül, hogy kifejezetten a feladat elvégzésére programoznák őket. A Vision Engine minden egyes rögzítési és sétálási útvonalat tréning adathalmazként használ. Minden egyes alkalommal, amikor végigsétál a helyszínen a 360 fokos kamerát viselő munkavállaló, a Vision Engine egy kicsit többet tanul a 3D környezetről, amelyben tartózkodik, így gyorsabban és pontosabban igazítja és térképezi fel a képeket.

  1. ábra: OpenSpace Track modul – projekt nyomon követése

 

A szimultán helymeghatározás és térképezés (SLAM) egy olyan technika, amellyel egy ismeretlen környezet térképét készíthetjük el, miközben egyidejűleg mozgunk benne, mely az önvezető autók navigációjának egyik alapvető algoritmusa. Az OpenSpace képalapú SLAM-et használ a kamerát viselő munkatárs útvonalának megbecslésére az alaprajzon, melynek során az algoritmusok folyamatosan összehangolják a adatokat a pozíció és az útvonal becsléséhez.

 

Összegzés és zárógondolatok

Ebben a cikkben részletesen körbejártuk, hogyan lép be a mesterséges intelligencia az építőipar mindennapjaiba, és hogyan hozhat létre fenntarthatóbb és hatékonyabb munkafolyamatokat. Az Építőipar 4.0 korszakában az MI nem csupán egy trend, hanem elengedhetetlen eszköz a versenyképesség és az innováció szempontjából.

Ahogyan az MI folyamatosan fejlődik, és a technológia egyre jobban beágyazódik az építőipari folyamatokba, az elkövetkező években további lenyűgöző fejlesztésekre számíthatunk. Az itt említett technológiák és rendszerek csupán a jéghegy csúcsát jelentik a területen, és új lehetőségek tárulnak fel, amint az iparág egyre szorosabban integrálja az MI-t mindennapi gyakorlatába.

A fentiekben felsorolt technológiák Gold partner fogalmazói vagyunk, így amennyiben a fenti technológiák bevezetése vagy további technológiák bevezetése felkeltette a figyelmüket keressenek minket bizalommal.

 

Felhasznált források és szakirodalom ajánló

Végezetül pedig, akinek meghoztam a lelkesedését, hogy jobban elmélyüljön a témában, az alábbi szakirodalmakból érdemes szemezgetni; melyeket jelen cikk forrásaként is felhasználtam:

  • Farzad Pour Rahimian, Jack Steven Goulding, Sepehr Abrishami, Saleh Seyedzadeh, Faris Elghaish- Industry 4.0 Solutions for Building Design and Construction A Paradigm of New Opportunities
  • Anil Shawney, Mike Riley, Javier Irizzary – CONSTRUCTION 4.0 An Innovation Platform for the Built Environment
  • Orsolya Nagy, Ilona Papp, and Roland Zsolt Szabó – Construction 4.0 Organisational Level Challenges and Solutions- Sustainability, 2021 vol. 13, no. 21
  • Orsolya Heidenwolf, Ildikó Szabó – Construction 4.0 Maturity Tool with Ontology Development Methodology for Organisations, Proceedings of the Creative Construction Conference 2023
  • Massimo Regona, Tan Yigitcanlar, Bo Xia, Rita Yi Man Li – Opportunities and Adoption Challenges of AI in the Construction Industry: A PRISMA Review, Journal of Open Innovation: Technology, Market, and Complexity, Volume 8, Issue 1,2022,45
  • McKinsey & Company – What every CEO should know about generative AI, 2023
  • McKinsey & Company – Artificial intelligence: Construction technology’s next frontier, 2018
  • McKinsey & Company – From start-up to scale-up: Accelerating growth in construction technology

 

Szerző: Heidenwolf Orsolya CEO – ConTech Consulting Kft.; Msc okl építőmérnök, a Budapesti Corvinus Egyetem kutatója

 

„Úgy vélem, eljött az idő, hogy az építőiparban ne csak építkezzünk, hanem egy fenntartható, ember-központú jövőt teremtsünk.” Orsolya a BME Építőmérnöki karán MSc-t, majd később a Gazdaság- és Társadalomtudományi Kar MBA szakán végzett. Jelenleg a Budapesti Corvinus Egyetem Üzleti Informatika karán az Építőipar 4.0 témakörét kutatja. A ConTech Consulting alapítója, mely az építőipari és termelő/gyártó vállalkozások digitális transzformációját segíti tanácsadással és alkalmazott kutatás-fejlesztéssel. Orsolya rajong az építőipari innovációkért, és hisz abban, hogy a digitalizáció egy olyan eszköz, mely egy fenntartható építőipart tud teremteni a jövő generációja számára.

Az összegzés és zárógondolatok szerzője a ChatGPT, az OpenAI által fejlesztett mesterséges intelligencia nyelvi modell. A cikk feldolgozásával és értelmezésével kapcsolatos információkért és elemzésekért felelős, hogy a mesterséges intelligencia terjedésének és alkalmazásának megértését támogassa az építőiparban és más iparágakban.

A cikkben megjelenő képek elkészítését a Midjourney.ai végezte, egy technológiával foglalkozó vállalat, mely fejlett mesterséges intelligencia (MI) és gépi tanulás (ML) megoldásokat fejleszt. Az NLP terén, azaz a természetes nyelvfeldolgozásban, és a számítógépes látás területén is kiemelkedő, előrehaladott algoritmusokat és modelleket alkalmaznak.

 

Források: https://api.pageplace.de/preview/DT0400.9780429675119_A38620781/preview-9780429675119_A38620781.pdf

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/what-every-ceo-should-know-about-generative-ai

https://www.mckinsey.com/capabilities/quantumblack/our-insights/an-executives-guide-to-ai

https://www.mckinsey.com/industries/private-equity-and-principal-investors/our-insights/from-start-up-to-scale-up-accelerating-growth-in-construction-technology

fókusz

Egymillió fajt fenyeget a kihalás veszélye

A klímaváltozás a jég visszahúzódása, illetve a gleccserek fogyatkozása révén is szembetűnő – szögezte le a geológus szakma véleményére hivatkozva Áder János volt államfő, a Kék Bolygó Klímavédelmi Alapítvány kuratóriumi elnöke Kék bolygó című podcastjának december...

história

Decemberi mérnök-kalauz

Technikatörténeti érdekességek, programok, műszaki- és mérnöki évfordulók 2024 decemberében.   Mérnök-kamarai szakmai továbbképzések Az év utolsó napjához közeledve a kötelező szakmai továbbképzések teljesíthetősége érdekében a Magyar Mérnöki Kamara egyes szakmai...

digitális mérnök újság


Mérnökigazolvány
Kamarai kedvezmények


Keresés

Melyik kategórián belül szeretne keresni?(Kötelező)