ГК ФСК × Самолёт 10D — CV-пилот автоматического определения факта выполненных строительных работ
Описание проекта
В июне 2024 г. ГК «Самолёт» и ГК ФСК заключили соглашение о сотрудничестве в цифровизации строительства. В рамках пилота ФСК и «Самолёт 10D» тестируют решение по автоматическому определению факта выполненных строительно-монтажных работ с помощью ИИ. Система относится к модулю AI Monitoring платформы «Самолёт 10D» — одного из семи комплексных продуктов платформы. Цель пилота — максимальное сращение планового и реального графиков за счёт раннего выявления отставаний. Обмен данными между двумя крупными застройщиками ускоряет обучение ИИ-моделей.
Задача
Традиционный контроль прогресса строительно-монтажных работ требует ручных проверок и ведётся с запозданием. Отставания от графика выявляются поздно, когда их устранение стоит дороже. Нужна система раннего предупреждения на основе автоматического анализа данных со стройплощадки.
Цели внедрения
-
Автоматически определять факт выполненных строительно-монтажных работ без ручных проверок
-
Максимально синхронизировать плановый и реальный графики строительства
-
Сократить сроки и себестоимость строительства
Результаты
-
Финансы
-
Ожидаемое сокращение себестоимости строительства (точные данные будут получены по итогам пилота) Время
-
Ожидаемое сокращение сроков строительства (по результатам пилота) Качество и эффективность
-
Ожидаемое сокращение процесса сбора необходимого объёма фактических данных — на 30%
-
Достижение этого результата с использованием на 20% меньше ресурсов (заявление Самолёт 10D)
-
Совместный массив данных ФСК и Самолёта позволяет быстрее обучать ИИ-модели Нагрузка и масштаб
-
Пилот на объектах ГК ФСК
-
Потенциальное расширение на весь портфель обеих компаний Надёжность
-
Нет данных по результатам пилота Импортозамещение и compliance
-
Российская разработка Самолёт 10D Качественный эффект: Первый в российском девелопменте пример публичного межкомпанейского сотрудничества по обмену строительными данными для обучения ИИ. Созданный прецедент открывает возможности для отраслевого «полигона данных» и ускорения обучения ИИ-моделей за счёт масштаба.