1、目前美国已经有不少总包公司开始使用SmartVid，所以这里介绍的案例也与SmartVid有关。一开始是想通过案例来介绍这个工具，但是为了能更好的说明背后的思路，所以我在融入案例同时直接介绍这个工具以及蕴含在背后的开发理念。人工智能1955年的时候，两位科学家做了一个名为逻辑专家（Logic Theorist）的程序：它将每个问题都表示成一个树形模型，然后选择最可能得到正确结论的那一枝来求解问题。这个程序被许多人认为是第一个AI程序。1956年，“人工智能”的概念被正式提出。随着计算机应用的普及，以学习数据推倒映射的机器学习，以及用复杂、庞大的神经网络进行机器学习的深度学习开始逐渐成为研究的主
2、流。NVIDIA对人工智能发展阶段的定义机器学习是人工智能研究较为年轻的分支，自80年代开始变得活跃。其基本目标是学习一个从X到Y的函数（映射），来做分类或者回归的工作。最简单的案例就是通过一封邮件的特征来进行一系列的是与否判断从而断定是否为垃圾邮件。机器学习经常和数据挖掘联系在一起是因为现在好多数据挖掘的工作是通过机器学习提供的算法工具实现的。决策树是机器学习基于所获取知识的主要表示形式之一：用决策树来划分物体的类属，树中每一内部节点对应一个物体属性，而每一边对应于这些属性的可选值，树的叶节点则对应于物体的每个基本分类。这也是目前建设行业用的比较多的知识表达形式（拓展阅读：BiM杂谈未来建造
3、的逻辑与知识）Decision Tree基于决策树与所积累的知识，管理人员可以设计一个学习决策树（learned decision tree），使得机器可以基于设定的逻辑与知识，对某个未发生的数据或条件进行学习并判断、预测结果。Learned Decision Tree深度学习是机器学习里面目前比较火的一个方向（也是个大坑），本身是神经网络算法的衍生，用复杂、庞大的神经网络进行机器学习。机器学习对“经验”的依赖性很强，计算机需要不断从解决一类问题的经验中获取知识，学习策略。而深度学习的其动机在于建立、模拟人脑进行分析学习的神经网络，以模仿人脑的机制来解释数据，例如图像，声音和文本。所以深度学习
4、是在机器学习基础上更为智能的概念。基于神经网络的深度学习SmartiVidSmartVid是一款基于收集的各类项目数据，通过对数据的提取与归类，再利用机器学习对数据进行分析的工具。SmartVid的目的是是通过对数据的管理从而提高项目信息的协同能力、优化对数据的管理、以及现场的管理。SmartVid的研发团队主要是原Vela Systems的人员。2014年开始投入研发，最近1年来，SmartVid逐渐进入主流AEC的视野。SmartVid数据的来源从前文所述，机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。所以机器学习的数学基础是“统计学”，需要大量的数据来作为支撑。我们传统的获
5、取信息的方式往往是通过标准化的表格或者人工的录入来实现。但是任何标准化的信息获取流程最后常常是以失败告终，因为人性的潜意识是随性的，对标准化以及额外的工作是抵触的。于是Josh Kanner从People-Process-Technology这个思路出发，避开通过增加信息录入的流程来获取项目数据，而是将SmartVid直接连入我们日常的沟通和协同平台，以获取点点滴滴的数据。沟通是项目管理的基础，为了项目实施我们会进行各种方式的沟通：比如发送文字信息，发送现场照片、视频，比如我们用语音对话，比如现场的监控，再比如我们在项目协同平台上进行的种种文件共享。SmartVid便是通过接入这些我们日常管理
6、的沟通或协同平台，来收集我们在解决项目问题时所发生的琐碎信息。所有信息的获取不需要任何表单或者人为的录入。SmartVid的信息获取信息的处理在获得了各类零碎的项目数据后，SmartVid通过设定的逻辑在所有的信息中提取关键词，同时对信息进行识别确定信息所从属的对象。信息筛选完后，将提取的数据进行重新组合，使得对象具备属性，属性里是对象数据。举个简单的例子，比如我们在日常工作中可能会发现某些安全或质量隐患需要及时上报。这个时候项目管理人员可能会拍一张照片或者视频，然后附着一段语音来描述问题：“3层西侧走廊的送风管道安装位置有问题”。这只是我们日常工作中无数次会遇到的问题。随着时间的推移，这些数
7、据也会逐渐流逝。但在SmartVid中，这些数据会被记录并重新进行结构组合保存下来：通过图像识别技术SmartVid会认识到图片中有诸如“风管、水管”之类的对象，通过语音识别，电脑给这些对象添加了“位置”“系统”“质量”这样的属性，同时电脑通过语音“学习”到图片中的风管是送风，位置在3层西侧走廊，出现了安装偏移的问题。于是“送风”、“3层西侧走廊”、“安装偏移”变成了这个对象在“位置”“系统”“质量”三个属性里的参数。信息的提取与归类SmartVid将获取的信息做成了矩阵式的结构。通过不断的信息获取以及逻辑网络的设置，于是电脑不断的“学习”，在某个阶段，电脑可能通过海量的信息处理知道了这个风管
8、在“位置”、“系统”、“加工单位”、“安装人员”“设计单位”等种种属性的参数，而这些属性也成为了其他对象的属性。于是通过前期的逻辑关系设置，电脑根据海量的信息整理出了针对项目的强大的信息逻辑矩阵。信息的使用矩阵式的数据结构为SmartVid在信息的双向提取创造了很大的便利：通过对信息的收集与处理形成一个智能的“信息楼宇”。比如在某天，某个房间的管道出现问题，管理者可以通过矩阵式的数据迅速找到当时发生在这个部位与这个管道发生的所有数据。比如，管理人员想看某处隐蔽工程的内部情况，SmartVid会迅速在海量信息中寻找出这处隐蔽工程当时的图像或者文字。信息的重新组合与再提取再比如，项目的某个对象出现
9、了质量隐患，在发现质量问题后，管理者可以把项目所有同类对象具有相似属性的数据进行调出。目前SmartVid还在继续对收集的项目数据进行进一步挖掘。随着以后数据的来源及样本的越来越丰富，Josh Kanner表示未来肯定会发掘出更多的数据价值。智能识别图像识别是SmartVid另一项重要的技术，也是目前人工智能中相对成熟的技术。如前文所说的，SmartVid每天会对项目海量的图片及视频进行处理，通过图像识别技术，SmartVid可以对图像中的对象进行辨认，以确定图像中出现的对象以及其身份。图像中的对象识别随着技术的发展，或者未来在录入项目管理人员的ID后，我们的工具能识别出照片里的每个人，以进行更好的信息分类，方便我们的精细化管理以及数据的可追溯性。机器学习用于安全管理值得一提的是，Josh Kanner还设定了各种安全隐患的识别逻辑，通过每天项目管理人员在工作中传递的图片与视频，SmartVid会自动识别照片中出现的安全隐患，并通过以归类的信息定位安全隐患对象及位置，形成预警。比如在每天的照片中发现某处的安全防护不符合要求，或者照片的管理人员有安全违规行为。这个目前是SmartVid最重要的功能之一。未来的发展之前花了4篇文章讲了知识与逻辑的关系，很多人说连续讲4篇确实有点啰嗦，但是这样做是为了以后更好地阐述我们行业向“智能”方向的发展而做铺垫。
