For a French company specializing in technical analysis, testing, and inspection. The BIM platform receives a significant volume of data from various stakeholders, but it is not properly organized. We use machine learning algorithms to group and classify this data, thus facilitating its effective utilization in projects.
The need
The BIM platform receives a huge volume of data from various project stakeholders. This data comes in the form of IFC files, PDFs, and other digital formats and tools (QR codes, sensors, etc.).
These data are not properly organized and classified within the platform.
- Grouping standard and non-standard data into large property groupings:
- 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
Services rendered
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
