23 ноября 2023 года руководители проекта гражданского строительства, включая исследователей ISSAI, партнеров и приглашенных экспертов, приняли участие в исследовательской встрече по проекту «Индексация циркулярной экономики в строительной отрасли с использованием больших данных и искусственного интеллекта» под руководством профессора Ферхата Карача.
На встрече обсуждался прогресс проекта в тех ключевых областях, которые стимулируют инновации в строительном секторе:
Изучение мнений заинтересованных сторон об экономике замкнутого цикла в строительном секторе: анализ обработки естественного языка в дискурсе социальных сетей: используя передовые методы искусственного интеллекта и НЛП, мы углубились во взгляды заинтересованных сторон на интеграцию принципов циркулярной экономики в строительство. Наши результаты выявили 54% положительных, 28% нейтральных и 18% отрицательных мнений. Инновационный онлайн инструмент позволяет классифицировать мнения, предлагая важную информацию для разработки политики и роста промышленности в направлении устойчивого будущего.
Экономика замкнутого цикла в строительном секторе и устойчивость городов: исследование связывает экономику замкнутого цикла с устойчивостью городов путем оценки блокировок дорог после землетрясения с помощью дистанционного зондирования и ГИС. В нем предлагается методология точного определения блокировок, проливающая свет на неэффективность реагирования на чрезвычайные ситуации. Данный инструмент помогает градостроителям и политикам защитить города от будущих сейсмических потрясений.
Индексация экономики замкнутого цикла в строительной отрасли: аннотация строительных площадок с использованием спутниковых изображений: в этом исследовании, используя спутниковые снимки высокого разрешения из 45 различных городов, определяются строительные площадки для индексации устойчивости городов. Первоначальная ручная аннотация обученными модераторами на CVAT.ai направлена на разработку модели машинного обучения, способной идентифицировать строительные площадки и связанные с ними объекты, тем самым помогая в изучении города и усилиях по устойчивому развитию.
Кроме того, модель машинного обучения, в первую очередь, фокусировалась на выявлении фундаментов зданий из набора данных из 17 873 объектов. При первоначальном тестировании была показана 20% точность, а на обучающих наборах – улучшение до 30%. Примечательно, что во время проверки модель выявила упущенную модератором точку, продемонстрировав потенциал улучшения точности.