Customize consent preferences

We use cookies to help you navigate efficiently and to execute certain functionalities. You can find detailed information about all cookies under each consent category below.

The cookies that are categorized as 'necessary' are stored on your browser as they are essential for the basic functionalities of the website. ... 

Always active

The necessary cookies are crucial for the basic functions of the website, and it will not function as intended without them. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies enable certain functionalities such as sharing website content on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information about the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze key performance indicators of the website, which helps provide a better user experience for visitors.

No cookies to display.

Advertising cookies are used to provide visitors with personalized advertisements based on previously visited pages and to analyze the effectiveness of the advertising campaign.

No cookies to display.


Bandeau de titre - Opéra-Conseil

BIM – Classifying properties into groupings


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

Discover more Case Studies