İnşaat Sektöründe Yapay Zeka: Trunk Tools’un 60 Günden 10 Güne Düşürdüğü Belge İnceleme

İnşaat projeleri, temiz ve düzenli verilerden oluşan SaaS platformlarına nadiren benziyor. Gerçeklik, karmaşık belgeler, gizli şemalar, örtük iş akışları ve aylarca süren manuel süreçlerle dolu. Bu zorluklar, inşaat projelerinin yönetimini kolaylaştırmak amacıyla kurulan Trunk Tools şirketini, genel amaçlı yapay zeka modellerinden çok daha etkili olan özel bir mimari geliştirmeye yöneltti.

Trunk Tools’un üç katmanlı sistemi — algılama, semantik ve ajanlar — sayesinde belge inceleme süreleri aylardan günlere indi. Şirket, bu yaklaşımla aynı zamanda maliyetli saha hatalarını da büyük ölçüde azalttığını ve milyonlarca sayfalık belgenin üzerinde çalışabilen otonom ajanlara olanak sağladığını belirtiyor.

Trunk Tools’un kurucu ortağı ve CEO’su olan Sarah Buchner, “Veriyi dağınık sistemlerden alıp ön işleme tabi tuttuk, yapılandırdık ve ardından ontoloji aracılığıyla bilgi grafiğine aktardık. Sonrasında ise bu verilerle yapay zeka modellerini eğittik” diyor. Buchner aynı zamanda eski bir marangoz olarak, sektörün karmaşıklığına doğrudan tanık olmuştu.

Genel amaçlı yapay zeka modellerinin endüstriyel verilerdeki sınırları

Genel amaçlı büyük dil modelleri (LLM’ler), geniş bir yelpazede işlev görmek üzere tasarlanmış olsalar da, derinlemesine uzmanlık gerektiren alanlarda yetersiz kalabiliyor. Kritik Farklılıklar şunlardır:

• Nadir terimler ve jargon: Genel modeller, sektöre özgü terimleri ve kısaltmaları doğru şekilde çözümleyemiyor. Örneğin, bir inşaat belgesinde yer alan "#4 donatı demiri" ifadesi, bir yazılım geliştirici için anlam ifade etmeyebilir.

• Biçimsel ve bağlamsal zorluklar: Belge biçimleri, referans sistemleri ve yerleşik uygulamalar, genel modellerin tahmin yeteneklerini zorluyor. Fransa’daki bir hukuk sözleşmesinin anlaşılması, bir model için kolay olabilir ancak pratisyenlerin ihtiyaç duyduğu spesifik madde referanslarını yakalaması zorlaşabilir.

• İç sistemlerde saklı veriler: En değerli kurumsal veriler, genel modellerin eğitim veri setlerinde yer almayan özel formatlarda ve dahili sistemlerde bulunuyor. Bu veriler, RAG (Retrieval-Augmented Generation) gibi yöntemlerle biraz iyileştirilebilse de, modellerin alana özgü akıl yürütme yetenekleri hala sınırlı kalıyor.

Kriti Faujdar, AI altyapısı ve ajan teknolojileri konusunda kıdemli bir ürün yöneticisi olarak, “Ön eğitim için sektöre özgü veriler kullanılmalı, ardından gerçek görev örnekleriyle ince ayar yapılmalı ve kendi değerlendirme metrikleri oluşturulmalı” diyor. “Milyonlarca gürültülü veriyi tarayıp eğitmek yerine, birkaç bin pratisyenin gerçek verilerinden oluşan bir veri seti çok daha etkili sonuçlar verir.”

Faujdar ayrıca, MoE (Uzman Karışımı) mimarilerinin, alan uzmanlığına sahip modelleri daha düşük hesaplama maliyetleriyle sunabileceğini de ekliyor. RAG ile ince ayarın birleştirilmesi de etkili bir yaklaşım olarak öne çıkıyor: RAG, uzun ve karmaşık belgelerdeki gerçekleri yönetirken, ince ayar modelleri ise sektöre özgü kelime dağarcığı ve akıl yürütme yeteneklerini güçlendiriyor.

Sébastien De Bollivier adlı bir yazılım geliştirici, hibrit yığınların avantajlarını vurguluyor. Genel amaçlı bir modelin akıl yürütme ve orkestrasyon görevleri için kullanılırken, daha küçük bir ince ayarlı modelin (veya özenle seçilmiş bir belge koleksiyonundan yoğun veri çekiminin) alan spesifik veri çıkarımı için kullanılmasının önemini belirtiyor. De Bollivier, “Modeli daha akıllı hale getirmek için değil, iş akışınızın gerektirdiği spesifik çıktı formatında daha güvenilir olmasını sağlamak için ince ayar yapın” tavsiyesinde bulunuyor.

İnşaat, hukuk ve sağlık gibi yüksek hata maliyetlerine sahip sektörler, bu tekniklerden en çok fayda sağlayan alanlar arasında yer alıyor. Bu sektörler, standartlaştırılmış belge formatları ve hataya karşı yüksek hassasiyet gereksinimleri nedeniyle, alan eğitiminin getirisini net bir şekilde görüyor.

Ancak, bu modellerin bir dezavantajı da var: Uzmanlaştıkları alanın dışındaki konularda performansları ciddi şekilde düşebiliyor. Bu nedenle, modellerin yeniden eğitilmesi gerekebiliyor.

Trunk Tools’un üç katmanlı mimarisine derinlemesine bakış

Trunk Tools’un CTO’su Amrish Kapoor’a göre, inşaat gibi yüksek hassasiyet gerektiren sektörlerde, verilerin doğrudan büyük dil modellerine aktarılması yeterli olmuyor. Kapoor, “Çoğu dönüştürücü model olasılıksal çalışır. Bir resme baktığında ‘muhtemelen bir ağaç’ ya da ‘muhtemelen bir çocuk oyun alanı’ diyebilir, ancak inşaat belgelerindeki 2 milimetrelik bir sembolün anlamını tam olarak çözümleyemez” diyor.

Bu semboller, yer aldıkları konuma göre farklı anlamlar taşıyabiliyor. Örneğin, bir duvarın üzerindeki küçük bir yay şekli, bir kapıyı temsil edebilir. Kapoor, “Bu sembolleri doğru şekilde yorumlamak için modelin, yılların deneyimine sahip bir ustanın bakış açısına sahip olması gerekiyor” diye ekliyor.

Trunk Tools’un üç katmanlı mimarisi, iş akışlarını aşağıdaki şekilde organize ediyor:

1. Algılama Katmanı: Karmaşık belgelerden (PDF’ler, çizimler, taramalar) veri çıkarımı ve okunması.

1. Semantik/Grafik Katmanı: Çıkarılan verilerin anlamlandırılması ve ilişkilerin kurulması.

1. LLM’ler ve Ajanlar Katmanı: Üst düzey akıl yürütme ve otomatik görev gerçekleştirme.

Buchner, “Algılama katmanı, AI’nın bu dilini öğrenmesini sağlıyor. Semantik katman ise bu bilgiyi anlamlandırıyor” diyor. Örneğin, bir kapının sadece bir kapı olarak tanımlanmasının ötesinde, ilgili çizimlere, spesifikasyonlara ve montajı yapacak olan yükleniciye bağlanmasını sağlıyor. Bu sayede mühendisler, “Burada bir kapı var mı?” sorusundan ziyade, “Bu kapı ileride bir soruna yol açar mı?” gibi kritik soruları yanıtlayabiliyor.

İnşaat sektöründe, bir sorunun erken tespit edilmesi ile geç tespit edilmesi arasındaki maliyet farkı oldukça büyük. Buchner, “Bir tasarım aşamasında tespit edilen bir çatışma nispeten düşük maliyetli iken, aynı sorunun sahada tespit edilmesi on binlerce dolarlık zarara yol açabiliyor” diyor.

Sistem, belge türünü tanımladıktan sonra içeriğine göre veri çıkarımına başlıyor. Bu veriler, platformda dönüştürülüp zenginleştiriliyor ve ardından bilgi grafi ilişkileri ile kullanıcı iş akışlarını tetikleyen ajan tabanlı süreçlere entegre ediliyor. Örneğin, bir mimari bülten incelenerek, eski ve yeni sürümler arasındaki değişiklikleri görsel olarak karşılaştıran bir katman oluşturulabiliyor. Ardından, yapılan değişiklikleri basit terimlerle açıklayan yazılı anlatılar da üretilebiliyor. Bu da kullanıcıların değişiklikleri daha kolay anlamasını sağlıyor.