По мере развития продукта росла и база знаний: инструкции по проверкам, материалы по настройке, разбор исключений. Со временем пользоваться этой коллекцией стало трудно: документации много, поиск растягивается, соответственно и исправление ошибок в модели становится более трудозатратным.
Чтобы улучшить опыт работы с BIM Inspector мы решили создать сервис внутри Revit для быстрого доступа к базе знаний.
Решением стало внедрение ИИ-помощника в интерфейсе BIM Inspector внутри Revit.
Для проектировщика это выглядит как чат, в котором он может задать вопрос по работе продукта и там же получить на него ответ, сформированный ИИ на основе информации из базы знаний ПИК.
И вот, какие результаты мы получили в результате внедрения этой разработки:
● 2 000+ проектировщиков перестали тратить по 15–30 минут на поиск нужной инструкции среди 120+ страниц Confluence.
● Время нахождения ответа сократилось до пяти минут.
●Адаптация новых пользователей уменьшилась с 2–4 недель до 3–5 дней.
В этой статье мы хотим рассказать вам о технических подходах, примененных для разработки этой системы.
Решением стало внедрение ИИ-помощника в интерфейсе BIM Inspector внутри Revit.
Для проектировщика это выглядит как чат, в котором он может задать вопрос по работе продукта и там же получить на него ответ, сформированный ИИ на основе информации из базы знаний ПИК.
И вот, какие результаты мы получили в результате внедрения этой разработки:
● 2 000+ проектировщиков перестали тратить по 15–30 минут на поиск нужной инструкции среди 120+ страниц Confluence.
● Время нахождения ответа сократилось до пяти минут.
●Адаптация новых пользователей уменьшилась с 2–4 недель до 3–5 дней.
В этой статье мы хотим рассказать вам о технических подходах, примененных для разработки этой системы.
Подробности реализации
Вместо дообучения большой языковой модели — процесса, который требует значительных ресурсов и времени, — мы собрали ИИ-помощника на архитектуре RAG (Retrieval-Augmented Generation). Он не «знает всё», а подтягивает точные фрагменты из корпоративных источников и формирует из них ответ.
Как устроен наш RAG
Принцип работы можно разделить на 3 основных процесса:
Существуют различные подходы для их реализации, ниже описано то, что было выбрано нами.
Подготовка данных
● Источники: Confluence (120+ инструкций) и локальные файлы в форматах PDF, DOCX, XLSX, PPTX, Markdown, HTML.
● Чанкинг: документы режутся на части примерно по 300 символов с перекрытием 120 символов, чтобы логика предложения не терялась при разбиении.
● Векторизация: используем LaBSE — многоязычную модель эмбеддингов.
○ Вектор размером 768 измерений.
○ Поддержка 109 языков, в том числе русского и английского.
○ До 512 токенов на вход.
Семантическая близость работает независимо от языка: фразы «высота
Вместо дообучения большой языковой модели — процесса, который требует значительных ресурсов и времени, — мы собрали ИИ-помощника на архитектуре RAG (Retrieval-Augmented Generation). Он не «знает всё», а подтягивает точные фрагменты из корпоративных источников и формирует из них ответ.
Как устроен наш RAG
Принцип работы можно разделить на 3 основных процесса:
- Подготовка данных
- Поиск и отбор контента
- Генерация ответа
Существуют различные подходы для их реализации, ниже описано то, что было выбрано нами.
Подготовка данных
● Источники: Confluence (120+ инструкций) и локальные файлы в форматах PDF, DOCX, XLSX, PPTX, Markdown, HTML.
● Чанкинг: документы режутся на части примерно по 300 символов с перекрытием 120 символов, чтобы логика предложения не терялась при разбиении.
● Векторизация: используем LaBSE — многоязычную модель эмбеддингов.
○ Вектор размером 768 измерений.
○ Поддержка 109 языков, в том числе русского и английского.
○ До 512 токенов на вход.
Семантическая близость работает независимо от языка: фразы «высота
● Хранилища:
○ ChromaDB — векторный индекс для семантического поиска.
○NetworkX — граф связей между чанками (соседние фрагменты, разделы, примеры).
○ ChromaDB — векторный индекс для семантического поиска.
○NetworkX — граф связей между чанками (соседние фрагменты, разделы, примеры).
Поиск и отбор контента
- Расширение запроса: к исходной фразе автоматически добавляются синонимы и смежные термины, чтобы не упустить нужные формулировки из инструкций.
- Гибридный поиск: одновременно применяем
- лексический BM25+ (точные совпадения, сглаживание, учёт порядка слов и бонус за смежные термины);
- векторный поиск (семантика и синонимы, даже если слова не совпадают).
- Реранкинг: финальную выдачу оцениваем тремя независимыми сигналами:
1. cross-encoder для глубокой семантики,
2. метаданные (тип документа и дата обновления),
3. точные совпадения ключевых слов.
- Диверсификация: алгоритм MMR (λ=0.7) не даёт результатам «зациклиться» на одном и том же и обеспечивает покрытие разных аспектов вопроса.
- Контекстное расширение: по графу подтягиваем соседние куски — примеры, граничные условия, связанные правила. Это уменьшает риск вырванного из контекста совета.
Генерация ответа
Отобранные фрагменты передаются в LLM (используем DeepSeek Chat). На их основе формируется структурированный ответ:
● объяснение причины ошибки или поведения проверки;
● пошаговые действия по исправлению;
ссылки на первоисточники из базы знаний.
Отобранные фрагменты передаются в LLM (используем DeepSeek Chat). На их основе формируется структурированный ответ:
● объяснение причины ошибки или поведения проверки;
● пошаговые действия по исправлению;
ссылки на первоисточники из базы знаний.
При работе со сложными вопросами в стиле «как работает плагин, какие параметры заполнять и как настроить» система разбирает их на подзадачи.:
● принцип работы — концептуальный поиск,
● параметры — справочные фрагменты,
●настройка — процедурные шаги. Для каждой категории применяется своя стратегия поиска и реранкинга, а затем результаты собираются в единый, логично размеченный ответ. Это повышает полноту и снижает галлюцинации.
● принцип работы — концептуальный поиск,
● параметры — справочные фрагменты,
●настройка — процедурные шаги. Для каждой категории применяется своя стратегия поиска и реранкинга, а затем результаты собираются в единый, логично размеченный ответ. Это повышает полноту и снижает галлюцинации.
Что получили в итоге
В начале статьи мы написали про эффект, которого удалось достичь благодаря внедрению ИИ-помощника.
Почему это сработало:
● Мы не заменяли документацию — сделали её интерактивной.
● Мы не обучали модель с нуля — использовали уже накопленные знания.
●Мы добавили понимание контекста и кросс-языковую семантику. Главный принцип: не пользователь должен изучать систему, а система — понимать пользователя.
В начале статьи мы написали про эффект, которого удалось достичь благодаря внедрению ИИ-помощника.
Почему это сработало:
● Мы не заменяли документацию — сделали её интерактивной.
● Мы не обучали модель с нуля — использовали уже накопленные знания.
●Мы добавили понимание контекста и кросс-языковую семантику. Главный принцип: не пользователь должен изучать систему, а система — понимать пользователя.
Дальнейшие планы
Технологию, созданную для потребностей BIM Inspector, планируется вынести в отдельный сервис ИИ-помощника,который будет встроен в среду Revit.
Основная цель - реализовать “единое окно” для получения ответов на вопросы как работает тот или иной инструмент экосистемы ПИК. Благодаря такой реализации мы сможем обеспечить для пользователя более удобный процесс работы в ТИМ, когда, при возникновении трудностей не нужно отвлекаться от процесса проектирования. Добиться у проектировщика ощущения, что рядом с ним находится всегда готовый помочь BIM специалист.
Технологию, созданную для потребностей BIM Inspector, планируется вынести в отдельный сервис ИИ-помощника,который будет встроен в среду Revit.
Основная цель - реализовать “единое окно” для получения ответов на вопросы как работает тот или иной инструмент экосистемы ПИК. Благодаря такой реализации мы сможем обеспечить для пользователя более удобный процесс работы в ТИМ, когда, при возникновении трудностей не нужно отвлекаться от процесса проектирования. Добиться у проектировщика ощущения, что рядом с ним находится всегда готовый помочь BIM специалист.
