Pour une entreprise française spécialisée dans l’analyse, les essais et l’inspection techniques. La plateforme BIM reçoit un volume important de données provenant de divers intervenants, mais celles-ci ne sont pas correctement organisées. Nous utilisons des algorithmes d’apprentissage automatique pour regrouper et classer ces données, facilitant ainsi leur utilisation efficace dans les projets.
Le besoin
La plateforme BIM reçoit un volume énorme de données des différents intervenants du projet. Ces données sont dans des fichiers de type IFC, PDF et autres supports et outils informatique (QR code, capteurs…).
Ces données ne sont pas correctement rangées et classées dans la plateforme.
- Regrouper les données standards et non- standards dans des grands regroupements de propriétés :
- Exemples de données standards : épaisseur d’un mur, isolation acoustique d’une fenêtre, largeur des carreaux d’un revêtement…
- Données non-standards : Ce sont données propres d’un projet qui correspondent à un besoin utilisateur
- Faire apparaitre les données dans le bon endroit dans la plateforme
Prestations réalisées
Algorithme d’apprentissage automatique (machine Learning) pour prédire l’appartenance d’une donnée à un regroupement prédéfini
Algorithme d’apprentissage automatique (machine Learning) pour prédire l’appartenance d’une donnée à un regroupement prédéfini
- Construction d’un modèle basé sur un algorithme d’apprentissage semi- supervisé :
- On fournit à l’algorithme des exemples de données qui ont déjà associées à des classes (regroupements) : chaque donnée est étiquetée manuellement avec sa classe respective
- L’apprentissage se fait à fur et à mesure de l’arrivée des données pour mettre à jour le modèle de façon incrémentale
Différents types d’apprentissage automatique mis en œuvre :
- Supervisé : toutes les données sont étiquetées et les algorithmes apprennent à prédire le résultat des données d’entrée.
- Non supervisé : toutes les données ne sont pas étiquetées et les algorithmes apprennent la structure inhérente à partir des données en entrée. Pas de classes définies et connues.
- Semi-supervisé : Certaines données sont étiquetées mais la plupart d’entre elles ne sont pas étiquetées et un mélange de tech
