L’intelligenza Artificiale: I computer aiutano i tecnici

L’intelligenza Artificiale: I computer aiutano i tecnici

Come i computer possono aiutare i tecnici del settore delle costruzioni

Marco Picinelli, BIM Consultant | BIM Coordinator

AI: Cosa è e come si struttura.

Sempre più spesso, nel settore AEC, si sente far riferimento a terminologie come Artificial Intelligence, Deep Learning, Machine Learning, dicendo, tanto quanto si diceva qualche anno fa del nostro amato BIM stesso, che sarebbe stato il futuro. Meno spesso si capisce davvero cosa si intenda con questi termini, Cerchiamo allora di far chiarezza sia terminologica che, se possibile, di concetto su questi temi.

Addentrandoci più nel tema per capire quanto sia interessante (e complesso) cercheremo di far luce su quali sono le attuali applicazioni e se il nostro settore è pronto a far proprio il concetto di Intelligenza Artificiale con alcuni esempi pratici e proveremo poi a capire per cui cosa si intende per AI e come questi sistemi sono applicabili a modelli BIM, dove, come vedremo, la I diventa fondamentale.

Attraverso una lettura semplifica di un concetto complesso, si può affermare l’Intelligenza Artificiale è il concetto base, il macroinsieme di tutto, cui fa seguito il Machine Learning, cui fa seguito a sua volta il Deep Learning. Ma andiamo come sempre per gradi.

Arificial intelligence, Machine Learnig e Deep Learnig: 3 parti della stessa medaglia.

ARTIFICAL INTELLIGENCE – Cervello umano, corpo da macchina

L’applicazione di una intelligenza “umana” alle macchine viene teorizzata la prima volta da John McCharty, informatico statunitense, nel 1956. Attraverso questa si pensava di affidare mansioni tipicamente relazionabili agli uomini invece alle macchine. I compiti di problem solving, organizzazione, lettura e riorganizzazione dei dati, comprensione di forme ed oggetti, sarebbero dovuti essere propri, almeno nella prima concezione delle cose, appunto di strumenti complessi come i PC.

Più scolasticamente quindi l’AI è la capacità di una macchina di apprendere in modo simile a un essere umano, di fare proprie nuove informazioni e rielaborarle per far crescere il proprio sistema di intelligenza, secondo un miglioramento continuo ; approcciando in maniera indipendente e non programmata un problema, fornendo soluzioni proprie. Maggiore è il numero di dati a cui è esposta la macchina, migliore sarà la comprensione e la fornitura di informazioni. L’intelligenza artificiale è una tecnologia interdisciplinare che abbraccia a suo modo rami diversi, tuttavia l’apprendimento automatico, di cui parleremo in seguito, è il settore dell’AI che è attualmente di più ampia portata, e di cui maggiormente si discute.

Questa è la chiave nella costruzione in cui molti dei processi attuali dipendono dalle capacità umane. L’intelligenza artificiale ci consente di ottimizzare questi processi e ridurre costi, tempi e rischi e migliorare la qualità dell’output nei progetti. L’astrazione di questo tema, che sembra portarci ad una riflessione più sul rapporto uomo-macchina che altro, è molto interessante, in quanto poi applicabile concretamente al lavoro di tutti i giorni, e quindi alla modellazione e gestione di base dati che i modelli stessi portano con sé.

MACHINE LEARNING – Le macchine intelligenti imparano da loro stesse

Se l’AI è la madre di tutto, allora il Machine Learning è il figlio primogenito, ovvero una prima evoluzione del concetto. Questo è confermato anzitutto dalla data di teorizzazione di apprendimento automatico delle macchine, ovvero il 1959, anno in cui Arthur Samuel, informatico statunitense, parlò di “apprendimento automatico senza espressa programmazione”, attraverso un programma di dama. Ancora una volta i giochi tornano utili per la risoluzione di problemi ben più complessi, ma il serious game non è oggetto di questo articolo.

La dama: l’apprendimento delle macchine parte da qui.

Il processo di apprendimento continuo era dato dal fatto che il programma, con una sua funzione intrinseca, fosse in grado di analizzare la posizione della dama istante per istante, e riconoscere le posizioni già viste in passato, ed attraverso la massimizzazione della funzione (basata su più variabili), vincere la partita. In questo caso quindi l’uomo non dice cosa e come fare alla macchina, ma fornisce ad essa un algoritmo, una tabella di allenamento, attraverso la quale la macchina, grazie al tempo e all’esperienza, allena sé stessa.

DEEP LEARNING – Apprendimento profondo, le macchine intelligenti si evolvono

Cercando di semplificare ancora il concetto, che diventa sempre più complesso mentre sempre più si va a scavando verso il basso, con apprendimento profondo si intende la capacità delle macchine di apprendere a diversi livelli di rappresentazione, ovvero basandosi su reti gerarchiche di fattori, dove il livello più alto si basa ed è definito in funzione di quello più basso. Si, è vero, concetti di difficile comprensione, ma con una immagine forse ci chiariamo le idee.

Confronto tra reti neurali semplici e reti neurali profonde: più layer, più approfondimento.

L’apprendimento profondo è quindi un insieme di tecniche di apprendimento basate su reti neurali artificiali, organizzate per strati, dove lo strato precedente è base per lo strato successivo, con una rielaborazione delle informazioni continua e sempre più approfondita, e per questo profonda.

La prima teorizzazione di questi concetti arriva nei primi anni Ottanta con Kunihiko Fukushima, scienziato giapponese. Il concetto in sé era molto rivoluzionario ma allora, diversamente da adesso, la capacità computazionale delle macchine (ora i PC hanno a disposizione sistemi di calcolo basati su GPU)  e la scarsità di dati (ora invece i Big Data sono parte del nostro lessico comune, anche se ci sarebbe da discutere sulla cultura del dato e sulla loro utilizzabilità) , e questo ha comportato un non raggiungimento dei risultati attesi.  Dopo questo bagno di concetti, iniziamo a porci qualche domanda più legata al nostro fare quotidiano ed all’applicazione di tutto questo ai modelli che produciamo, ed ai dati che in esso vivono.

AI-based BIM: Le basi di dati.

Parlare oggi di dati, e di modelli, è ormai fondamentale. Confrontandosi con esperti del settore e con chi mastica di BIM da tempo, si nota come la vera spinta al settore, anche in termini di driver per un miglioramento in termini qualitativi, sia data dai dati e dalle informazioni ma al contempo è evidente come ancora il concetto di DATO e quindi di INFORMAZIONE non sia parte della concezione comune per chi è nel settore AEC.

La cultura del dato, che oggi si sta sviluppando, sembra seguire la rotta della filosofia BIM, ovvero, in una sua prima concezione il BIM era

BUILDING INFORMATION MODEL; in cui l’attività chiave era la modellazione, e per cui molti ancora tendono a confondere il modello con un semplice 3D, dimenticando che il BIM è processo e non solo strumento o output, e non è soltanto geometria ma anche metadato associato.

Oggi forse la parola chiave diventa INFORMATION, ovvero le informazioni che il modello con sé genera e che possono, se ben strutturate, essere gestiste. L’acronimo allora potrebbe diventare

BUILDING INFORMATION MANAGEMENT: ovvero gestione di informazioni che dai modelli derivano, per una migliore gestione poi della progettazione e della gestione degli edifici stessi.

In questi termini quindi il vero valore che il BIM assume è quello della gestione strutturata dei dati in tutte le fasi del processo e del progetto (inteso come commessa), dal concept alla gestione dell’edificio, al fine di applicare poi processi di apprendimento automatico delle macchine. La base dati diventa quindi fondamentale ed ancor prima la sua strutturazione, per avere dei database con costituzione gerarchica che comporterà una facilitazione nell’utilizzo successivo, e per questo l’uomo è ancora parte fondamentale del processo.

AI-based BIM, possibili applicazioni.

Parlare di AI-assisted BIM non è certo cosa facile, o forse nemmeno cosa realistica, per il mercato AEC che oggi ci troviamo davanti. Pensare ad un uso spinto di queste tecnologie per portare avanti progetti e processi, quando ancora mancano standard davvero condivisi, anche sulle base dati è futurismo? Forse si; ma con qualche sforzo di astrazione, e con qualche caso reale nel mondo, possiamo provare ad applicare tali concetti al BIM.

Anzitutto, come già detto, i software di BIM Authoring, generano già di per sé una mole di dati non trascurabile, e la loro interpretazione e gestione non è certo un invito a nozze per chi non ha una GPU impiantata nel cervello. La gestione dei dati con sistemi di apprendimento automatico è necessaria per diversi motivi, tra cui:

  • Riduzione del rischio di errore;
  • Analisi predittiva su base dati ampia;
  • Velocità di processo dei dati e analisi.

In via generale anche solo questi 3 motivi dovrebbero spingere a procedere ad una ricerca di applicazione ampia dell’AI nel settore AEC, ma fare un triplo salto mortale, non avendo ancora una cultura del dato e sua strutturazione diffusa è forse troppo. Fino a quando non capiremo che la strutturazione dati diventa fondamentale sarà come mettere un bambino a pilotare un’astronave, utopico.

Quando i dati saranno strutturati allora potremo pensare ad applicazioni come:

Sicurezza sul cantiere: Il tema della sicurezza è ancora e sempre molto caldo, anche se tanto si è fatto. Pesare che sempre più i modelli prodotti finiranno a servizio del cantiere, e di questo parleremo in altri articoli, non è utopico, anzi, è reale. La base dati di questi modelli permetterà ai PC di fare analisi di rischio predittive e quindi di tutelare coloro che nel nostro settore lavorano per costruire. In questo anche AR/VR sono già a loro modo utili.

Movimentazione delle parti e gestione del site: Se pensiamo sempre più ad una edilizia industrializzata ed off-site (la tendenza del mercato sembra avvicinarsi a questa concezione sempre più), l’intelligenza artificiale, potrebbe portare a gestione degli stock in cantiere e movimentazione di uomini e mezzi sempre migliori, riducendo i rischi ma anche le tempistiche di montaggio e smontaggio delle opere, configurando in funzione di variabili sempre maggiori il miglior modo di gestire lo spazio disponibile. In questo secondo esempio anche il generative design ed computational design potrebbero far comodo.

Progettazione di interi edifici o quartieri: Anche le città sono produttrici di dati. Parlare oggi di Smart Cities non è utopia, anzi. Le sperimentazioni e le reali applicazioni di sistemi complessi di sensori e sistemi IoT per la gestione di reti (trasporti, energia ecc..) sono sempre più diffuse. In funzione di questi dati in input, le soluzioni ricavabili, anche in funzione dell’user experience, sono molteplici e resilienti ai dati in ingresso. Non dimentichiamoci che “d’una città non godi le sette o le settantasette bellezze, ma le risposte che da ad una domanda”.

Aumento della produttività: Sappiamo bene, e già in altri articoli ne abbiamo parlato, che il settore delle costruzioni è uno dei meno produttivi tra tutti, e anche per questo, investimenti in AI, potrebbero portare, su termini medio-lunghi, a riduzione di tempi e quindi aumenti significativi di produttività, avvicinandosi sempre più alla manifattura, fattore di confronto spesso citato e da mettere come obbiettivo, se parliamo di % di produttività. Sicuramente l’automazione di task ripetibili, la riduzione di errori umani nel processo, e di sostituzione per questo con macchine, diventerebbe spinta per il settore.

AI e progettista: quale rapporto?

Il tema è scottante a dir poco. Nei meetBUG (meet BIM User Group Italia) si è spesso finito a parlare di persone, di uomini, di ruoli. Il futuro della professione sembra sempre più, in particolare in questo periodo, strizzare l’occhio alla filosofia BIM nel suo cuore pulsante, quello del dato, che per alcuni è ormai realtà, ed in particolare a processi informatici, per cui la conoscenza di sistemi e linguaggi di programmazione sembra diventare fondamentale.

Molte volte ci si è chiesti se l’evoluzione del progettista è quella di diventare a suo modo un po’ informatico, o se invece saranno altre figure con cui collaborare a doversi occupare di questo. Una risposta non esiste.

Sicuramente nozioni base sulla cultura del dato e sulla sua gestione dovrebbero diventare parte del bagaglio comune di ogni progettista che si affaccia a questa professione, tanto mutevole in questi ultimi anni, in cui l’innovazione e la ricerca di soluzioni diventa sempre più necessaria, perché il cambiamento corre su una strada dritta e veloce, e non si può farsi trovare impreparati. Parlare di implementazione della filosofia BIM non è come parlare del passaggio dal tecnigrafo a sistemi CAD, perché si tratta solo di strumenti, non certo di processi, e non si parla assolutamente di Dati e Informazioni, che sono cuore pulsante ormai del gioco.

L’evoluzione del progettista va in questa direzione? I signori citati qui per la parte di AI sono tutti scienziati ed informatici, che poco c’entrano con l’architettura e l’ingegneria, ma credo che la contaminazione del settore AEC, ormai in atto, porterà a miglioramenti evidenti, forse con specializzazioni maggiori di quelle attuali, in cui solo ragionando davvero in team e con logiche collaborative, si potranno risolvere problemi sempre più complessi con strumenti ormai noti. La macchina non sostituirà l’uomo, perché la componente umana resta comunque base da cui partire, in tutte le sue sfaccettature, ma sicuramente una mano dall’ Intelligenza Artificiale possiamo farcela dare, almeno per le cose che ci annoiano. Dobbiamo soltanto essere in grado di dare in pasto alla macchina qualcosa che è in grado di digerire, e per fare questo serve uno sforzo in direzione di standardizzazione e condivisione comune di formati.

Molti sicuramente ora vedono come un ostacolo, una complicazione, un sistema che sia data-driven, e ne sono spaventati, in quanto la gestione non sembra loro essere così controllabile, se non si hanno basi culturali e professionali molto specifiche, ma se pensiamo al futuro credo che avere un buon alleato a servizio del tecnico, che risolve problemi complessi e fornisce soluzioni proprie non sia poi così utopico, visti anche i massicci investimenti che le Software House stanno mettendo in campo per queste applicazioni.