Подборка ИИ-инструментов для проектирования

Коллеги из бюро dLab собрали  ИИ-инструменты, которые  помогают проектировать, обучаться проектированию и работают в Revit.

⚫️Autodesk Generative Design — генерирует оптимальные варианты конструкций, снижая расход материалов (пример: крыша торгового центра в Дубае с экономией стали 22%).

⚫️TestFit и PlanFinder — автоматизируют создание планировок на основе параметров участка и норм.

⚫️BIMcollab ZOOM — выявляет коллизии в моделях, которые сложно заметить вручную.

⚫️ Karamba3D — оптимизирует конструкции, снижая расход арматуры и ускоряя расчёты.

⚫️ Solibri Model Checker — быстро проверяет модели на соответствие нормам и выявляет скрытые ошибки.

⚫️ ALICE Technologies — оптимизирует строительный график, сокращая сроки и повышая эффективность.

⚫️ dLab — AI-помощник в Revit для обучения и поддержки пользователей в реальном времени. Он отвечает на вопросы и предоставляет подробные инструкции с визуальными примерами. Это разгружает «старичков» от части вопросов новичков.

Группа «Самолет» разработала ИИ-решение для подбора планировок

Решение построено на архитектуре с параллельной обработкой двух потоков данных. Разберём, как это работает под капотом.

Архитектура модели
Система использует два независимых нейросетевых модуля, каждый из которых обрабатывает свой тип данных:

1. Рекуррентная нейросеть (RNN)
⚫️Анализирует цифровой след пользователя: историю просмотров, клики, предпочтения по локациям.
⚫️Формирует эмбеддинг пользователя в виде числового вектора.

2. Полносвязная нейросеть (DNN)
⚫️ Обрабатывает параметры квартир: от базовых (комнаты, площадь, цена) до сложных (удалённость от магистралей, инфраструктура).
⚫️ Создаёт вектор-описание каждой планировки.

На выходе модель сравнивает результат двух потоков, представленных в виде числовых векторов, и на основе расстояния между ними определяется релевантность — чем ближе векторы, тем выше уровень рекомендации.

Обучение и оптимизация
⚫️Metric Learning: модель обучалась так, чтобы эмбеддинги пользователя и подходящих квартир сближались, а неподходящих — отдалялись.
⚫️ Объём данных: 700k+ действий пользователей для обучения.
⚫️ Скорость работы: оптимизирована для минимальной задержки при инференсе.

⚫️Эффективный поиск: вместо линейного перебора — быстрый подбор через векторное сравнение.
⚫️Гибкость: модель можно дообучать на новые метрики (например, уровень шума или экологию района).
⚫️Бизнес-эффект: в 2x рост конверсии за счёт точных рекомендаций.

Что дальше?
Планируется дообучение модели на новые целевые действия (например, реакцию на спецпредложения) и интеграция с другими сервисами компании.

Transformer Lab — лаборатория для экспериментов с LLM

... увидели у коллег и решили посмотреть, что это такое.

Transformer Lab — бесплатное и открытое приложение, которое можно запустить локально на Windows, Mac и Linux.
 
⚫️ Можно скачать из библиотеки одну из сотен популярных моделей: Llama3, Mistral, Qwen, Gemma и другие. 
⚫️Дообучить модель на разных устройствах - от Apple Silicon до GPU.
⚫️Общаться с моделями в чате, настраивать параметры генерации и использовать разные движки вывода.
⚫️ Работать с собственными датасетами и создавать свои обучающие наборы.
⚫️Поддержка обучения с подкреплением и оптимизация предпочтений.

Это отличный инструмент для тех, кто хочет быстро и удобно тестировать LLM, создавать прототипы и проводить эксперименты без сложной настройки окружения.

Код на Гитхабе.

MIT, Microsoft и Google представили I-Con — периодическую таблицу для машинного обучения

I-Con (Information-Contrastive Learning) — это фреймворк, который собрал в единую структуру более 20 классических методов ML: от регрессии до контрастивного обучения.

Что в нём полезного
⚫️Чётко показывает, какие алгоритмы на что нацелены: классификация ищет границы, кластеризация — группы, регрессия — числовые зависимости.
⚫️Помогает находить пустые ячейки — намёк на ещё не изобретённые методы.
⚫️Вместо бесконечного перебора идей можно быстро комбинировать техники осознанно.
⚫️Даёт новый взгляд на ML как на связанную систему, а не россыпь несвязанных алгоритмов.

Перспективы серьёзные: компьютерное зрение, NLP, биомедицина, рекомендательные системы — везде можно будет строить новые решения осознаннее.

В следующем посте напишем, чем I-Con может пригодиться в генеративном проектировании, а пока посмотрите про проект на официальных источниках:

Страница проекта
Техотчет
GitHub

Как эффективно программировать с агентом — гайд по Claude Code от Anthropic

Настройте рабочее окружение
⚫️Создайте файл CLAUDE.md в корне проекта: опишите команды, гайдлайны, особенности, частые ошибки. Агент будет использовать этот файл как справочник.
⚫️ Регулярно обновляйте CLAUDE.md.

Управляйте доступом к инструментам
⚫️Разрешайте агенту только те команды и инструменты, которым доверяете.
⚫️Для работы с GitHub установите gh CLI — агент сможет создавать PR, читать комментарии и выполнять другие задачи.

Автоматизируйте рутину
⚫️Добавляйте свои bash-скрипты и утилиты: агенту можно объяснить, как их использовать.
⚫️ Для повторяющихся задач (например, фиксы багов, анализ логов) создайте шаблоны команд в .claude/commands.

Используйте проверенные рабочие паттерны
⚫️ Сначала просите агента изучить код и составить план, только потом — писать реализацию.
⚫️ Применяйте TDD: сначала тесты, потом реализация. Агент может писать и запускать тесты, пока всё не заработает.
⚫️Для UI/ML: предоставьте макет или скриншот: агент будет дорабатывать код до совпадения результата с макетом.

Безопасность
⚫️Для массовых правок используйте контейнеры с отключённым интернетом и минимальными правами.

Используйте агента для изучения кода
⚫️Задавайте вопросы по архитектуре, функциям, истории изменений: агент быстро найдёт ответы, как опытный коллега.

Автоматизируйте работу с git и GitHub
⚫️Поручайте агенту написание коммитов, разрешение конфликтов, создание и обновление PR, анализ истории изменений.

Подробнее — в прикреплённом гайде.

Яндекс собирается разрабатывать роботов-гуманоидов и софт для них

Яндекс недавно рассказал о создании фонда технологических инициатив Yet Another Tech Fund с бюджетом 330 млн рублей, одним из проектов которого станет разработка человекоподобных роботов и софта для них. Роботы будут выполнять сервисные задачи и адаптированы для труда в существующей инфраструктуре (лестницы, двери, турникеты).

Этапы реализации:
💚2025 — разработка базового ПО
💚2026 — тестовые эксплуатации на реальных объектах
💚2027 — серийное производство специализированных модификаций

Фонд учрежден для разработок сотрудников компании — не только роботов, но и автономного транспорта, ИИ и других инициатив.

Берем пример, коллеги, как можно мотивировать персонал.