Generative AI in the Construction Industry: A State-of-the-art Analysis

📄 arXiv: 2402.09939v1 📥 PDF

作者: Ridwan Taiwo, Idris Temitope Bello, Sulemana Fatoama Abdulai, Abdul-Mugis Yussif, Babatunde Abiodun Salami, Abdullahi Saka, Tarek Zayed

分类: cs.AI, cs.CL, cs.HC, cs.IR, cs.LG

发布日期: 2024-02-15

备注: 74 pages, 11 figures, 20 tables

💡 一句话要点

提出生成性人工智能框架以提升建筑行业生产力

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成性人工智能 建筑行业 生产力提升 数据驱动 定制化解决方案 检索增强生成 大型语言模型

📋 核心要点

  1. 建筑行业在多个流程中面临生产力低下的挑战，现有方法无法有效解决这些问题。
  2. 论文提出了一个框架，帮助建筑公司利用自身数据构建定制的生成性AI解决方案，包含数据收集、数据集整理、训练定制LLM等步骤。
  3. 实验结果显示，采用RAG技术后，模型在质量、相关性和可重复性方面有显著提升，分别提高了5.2%、9.4%和4.8%。

📝 摘要（中文）

建筑行业是全球经济的重要组成部分，但在设计、规划、采购、检查和维护等多个流程中面临生产力挑战。生成性人工智能（AI）能够基于输入或先前知识生成新颖且真实的数据或内容，为解决这些挑战提供了创新和颠覆性的方案。然而，现有文献对建筑行业中生成性AI的现状、机会和挑战缺乏系统分析。本研究旨在填补这一空白，提供生成性AI在建筑领域的前沿分析，主要目标包括：回顾和分类建筑行业中现有及新兴的生成性AI机会与挑战；提出一个框架，帮助建筑公司利用自身数据构建定制的生成性AI解决方案；通过案例研究展示该框架的应用。研究结果表明，检索增强生成（RAG）在质量、相关性和可重复性方面分别提高了基线大型语言模型（LLM）5.2%、9.4%和4.8%。

🔬 方法详解

问题定义：本论文旨在解决建筑行业中生成性AI应用的现状、机会与挑战，现有方法在提升生产力方面存在不足。

核心思路：通过构建一个定制化的生成性AI框架，帮助建筑公司利用自身数据，提升设计、规划等流程的效率和质量。

技术框架：整体架构包括数据收集、数据集整理、训练定制的大型语言模型（LLM）、模型评估和部署等主要模块。

关键创新：提出的检索增强生成（RAG）方法显著提升了模型的性能，与传统方法相比，能够更好地处理建筑行业特定的文档和数据。

关键设计：在模型训练中，采用特定的损失函数和网络结构，以确保生成内容的质量和相关性，同时进行多轮评估以优化模型性能。

📊 实验亮点

实验结果表明，采用检索增强生成（RAG）技术后，模型在质量、相关性和可重复性方面分别提高了5.2%、9.4%和4.8%，显著优于基线大型语言模型（LLM），展示了该方法在实际应用中的有效性。

🎯 应用场景

该研究的生成性AI框架可广泛应用于建筑行业的多个领域，包括设计优化、合同文档查询、项目管理等，具有提升生产力、质量和安全性的潜力。未来，该框架可能推动建筑行业的数字化转型，促进可持续发展。

📄 摘要（原文）

The construction industry is a vital sector of the global economy, but it faces many productivity challenges in various processes, such as design, planning, procurement, inspection, and maintenance. Generative artificial intelligence (AI), which can create novel and realistic data or content, such as text, image, video, or code, based on some input or prior knowledge, offers innovative and disruptive solutions to address these challenges. However, there is a gap in the literature on the current state, opportunities, and challenges of generative AI in the construction industry. This study aims to fill this gap by providing a state-of-the-art analysis of generative AI in construction, with three objectives: (1) to review and categorize the existing and emerging generative AI opportunities and challenges in the construction industry; (2) to propose a framework for construction firms to build customized generative AI solutions using their own data, comprising steps such as data collection, dataset curation, training custom large language model (LLM), model evaluation, and deployment; and (3) to demonstrate the framework via a case study of developing a generative model for querying contract documents. The results show that retrieval augmented generation (RAG) improves the baseline LLM by 5.2, 9.4, and 4.8% in terms of quality, relevance, and reproducibility. This study provides academics and construction professionals with a comprehensive analysis and practical framework to guide the adoption of generative AI techniques to enhance productivity, quality, safety, and sustainability across the construction industry.