Trunk Tools, azienda leader nella gestione della costruzione tramite strumenti tecnologici avanzati, ha recentemente implementato un'architettura specializzata a tre strati — percezione, semantica e agenti — per affrontare i dati complessi del settore costruzione. Il risultato? Una riduzione da 60 a 10 giorni del tempo di revisione dei documenti, oltre a prevenire errori costosi in cantiere e permettere ad agenti autonomi di elaborare milioni di pagine di documentazione.

Il problema centrale

I documenti industriali sono raramente semplici, organizzati e standardizzati. I dati spesso si trovano in formati proprietari, schemi non dichiarati, workflow impliciti e task che si sviluppano su lunghe scale temporali. La maggior parte dei modelli LLM attuali ha serie difficoltà nel gestire quei dati.

“I modelli LLM generali vengono addestrati per essere capaci di tutto, ma sono deboli in aspetti molto specifici”, ha spiegato Kriti Faujdar, senior product manager in AI. “Spesso non capiscono termini rari, il ragionamento specifico del dominio, o il contesto implicito che solo i professionisti conoscono.”

Sébastien De Bollivier, sviluppatore web e di software, ha aggiunto: "L'informazione settoriale è spesso densa di gergo, abbreviazioni e di formati specifici. Modelli come GPT-4 possono capire un contratto legale francese, ma difficilmente riusciranno a individuare i riferimenti agli articoli essenziali che i professionisti devono citare.”

Per comprenderlo, la pre-elaborazione sui dati specifici di settore è critica. Sulla base di dati veri provenienti da professionisti esperti, l'addestramento su poche migliaia di esempi autentici supera di molto l'utilità di milioni di dati rumorosi e non verificati, ha sottolineato Faujdar.

Il vantaggio dello stack ibrido

Un'architettura ibrida, che combina un modello generico specializzato in ragionamento e orchestrazione con un modello più piccolo addestrato su dati settoriali o un sistema di retrieval basato su un corpus specifico, si mostra efficace.

    • Hybrid Stacks: Utilizzare un LLM per ragionamento generale insieme ad un modello più piccolo per attività specifiche.
    • Fine-tuning mirato: Non addestrare un modello per renderlo "più intelligente", bensì per renderlo più affidabile in rapporto al formato specifico richiesto dal sistema.

Questo approccio è particolarmente adatto a settori come costruzione, legalità, e sanità, dove errori hanno costi elevati e il formato dei documenti è standardizzato.

Gli strati chiave di Trunk Tools

Perception

Nel settore edile, i modelli tradizionali non riescono a interpretare correttamente i disegni simbolici che costituiscono un linguaggio visivo implicito. Trunk Tools utilizza un layer di percezione addestrato su dati simbolici provenienti da PDF, disegni o scansioni, per iniziare a "leggere" la documentazione.

Layer Semantico

Livello successivo è dedicato a dare significato al dato estratto. Per esempio, un simbolo di porta non è solo “una porta”, ma una serie di relazioni che collegano il simbolo al dettaglio del disegno, alla specifica regolamento o alla tecnica necessaria per installarlo.

Layer di agenti AI

Il più avanzato strato si basa sull'utilizzo di agenti AI e modelli LLM, che operano sugli dati elaborati in precedenza. Questi agenti possono comparare versioni di disegni architettonici, evidenziare cambiamenti, e generare descrizioni semplici e immediate sugli aggiustamenti, riducendo la possibilità di errori in tempo reale o anticipando costi futuri.

La sfida della scalabilità

I workflow del settore costruzione sono caratterizzati da numerosi assunti impliciti e da una rete complessa di relazioni tra dati distribuiti in modi non uniformi. Secondo Sarah Buchner, CEO di Trunk, la quantità di dati non strutturati rende quasi impossibile gestirli in maniera umana.

Un edificio di altezza media genera intorno ai 3,6 milioni di pagine di documentazione. Buchner afferma: “Se stampiamo tutto in un'unica pila, salirà in altezza esattamente quanto l'edificio in questione.” Questo tipo di volume e complessità richiede strumenti estremamente efficienti.

Addestramento su dati specifici

Gli strati di Trunk — percezione, semantica e LLM — sono addestrati su dataset fortemente specifici, basati su dati di clienti reali, con autorizzazione esplicita e auto-etichette. I dati vengono deidentificati ed aggregati, e Trunk raccoglie ulteriori informazioni attraverso modelli BIM 3D.

Per assicurare elevate prestazioni, Trunk rilascia agenti con un livello minimo di accuratezza pari al 95%. Utilizza pipeline di valutazione continua in base a dati ground truth verificati da esperti. La società ha adottato un modello LLM-as-a-judge, dove il modello LLM valuta la performance non solo obiettivamente (giusto/sguisto) ma anche soggettivamente, aggregando metriche complesse.

Agenti in azione

    • Revisione documentale: Un agente può confrontare varie versioni di un progetto di architettura e creare una sovposizione visiva chiara, evidenziando aggiungenze o eliminazioni.
    • Generazione di testo: Gli agenti producono narrazioni testuali che descrivono in linguaggio comprensibile e sintetico ciò che è cambiato nel disegno.
    • Coordinazione: Questo tipo di output aiuta i team a rivedere i preventivi, capire l'evoluzione del progetto e coordinare i contatti con partner di terze parti.

Gestione della latenza

Sebbene Trunk possa oggi gestire dati complessi grazie ai suoi modelli ad alta precisione, Buchner ha sottolineato che l’aumento della capacità di ragionamento dei modelli comporta anch’esso rischi in termini di latenza computazionale.

“Gestiamo metriche specifiche per valutare oggettivamente la latenza”, ha detto Kapoor, aggiungendo che prima del lancio al cliente vengono effettuati test strumentali per garantire una performance ottimale.

Conclusione

Dal punto di vista dei benefici reali, l’architettura a tre strati di Trunk Tools dimostra come i modelli generici si siano rivelati di scarsa utilità per dati settoriali. Invece, l'uso di dati addestrati su casi di settore, con architetture ibride ben definite, permette di affrontare documenti complessi e risolvere problemi ad alto costo come anticipazioni di errori in cantiere.

Faujdar conclude: “