ProjectWise es un conjunto de aplicaciones de gestión de proyectos de Bentley Systems, que puede servir como centro de datos de varias disciplinas y formatos, durante todo el ciclo de vida del proyecto, y permite trabajar en un entorno de gemelo digital. Dado que muchos de sus clientes del sector del transporte trabajan principalmente en un entorno Bentley (por ejemplo, DGN y MicroStation, y paquetes de software de diseño relacionados), tenía sentido gestionar los proyectos CLIP en este conjunto.

“El automóvil CLIP, o automóvil robot, como lo llamamos, es realmente una herramienta de sesión visualizada para que entendamos lo que ocurre con nuestros algoritmos”, explica Stefanchuk. “El usuario final nunca va a ver eso”. Aunque tengo que decir que fue divertido ver el automóvil robot representado en una demostración. “Lo que quieren, en última instancia, son los gráficos de los ejes de las características dentro del entorno SIG y las propiedades asignadas a estas”.

Para averiguar cuáles son esas propiedades en cualquier punto de la autopista, Phocaz ha desarrollado una herramienta que puede buscar y encontrar esas características. La IA se entrena en los diversos aspectos espaciales de las características, como las marcaciones de los carriles para bicicletas (que pueden variar mucho incluso de un condado a otro), y aplica otras reglas, como la distancia a la que hay que mirar para cubrir la anchura estándar del derecho de vía. “Tuvimos que conceptualizar y visualizar lo que queríamos que hicieran los algoritmos”, explica Stefanchuk. “Pensamos en una carretera sinuosa que recorriera el campo, en cómo la conduciríamos en el mundo físico y en lo que podríamos ver por las ventanillas delanteras y laterales. Luego, cómo enseñar a la IA a 'viajar' por los carriles CAD canalizados y aprender de lo que probablemente vería".

“Hay un par de aspectos en los que el CLIP/automóvil robot es realmente una ventaja”, afirma Stefanchuk. “Una de ellas es que no tenemos que recopilar todos los datos a la vez, solo tenemos que recopilar lo que vemos en ese momento, tomar decisiones al respecto, guardarlo hasta que estemos listos para informar sobre ello y seguir avanzando por la autopista”. Cuando nos topamos con algo como una marca en el pavimento, podemos utilizar algunos modelos visuales de IA para averiguar qué representa esa marca”.

“Lo que aprendimos del proyecto CLIP es que podemos empezar con un símbolo, como una flecha de giro a la derecha o a la izquierda, y enseñar a una IA a detectarlo”, explica Stefanchuk. “Pero podemos tomar otras decisiones basándonos en lo que podemos deducir de eso, como por qué tipo de carril estoy circulando. ¿Estamos circulando por un carril de giro a la derecha, por un carril de paso, por un carril de giro a la izquierda, por un carril de giro en U, etc.?”.

Phocaz no se centró solo en las marcas en el pavimento. Con el mismo enfoque que usaron para las marcas en el pavimento, pueden crear un modelo de aprendizaje automático para cualquier celda que se encuentre en cualquier biblioteca de celdas. "Nuestro cerebro de IA es un modelo de aprendizaje automático (MLM, del inglés Machine Learning Model)", dijo Stefanchuk. "Nuestro software, una aplicación separada de CLIP (llamada Phorz AI), guiará al usuario a través de la creación de su propio MLM a partir de una o varias celdas (símbolos) como una flecha de giro, una ciclovía, una entrada de vehículos, una alcantarilla, etc. El MLM que crea un usuario se puede aplicar para detectar estos objetos en cualquier modelo de iTwin (gemelo digital). La idea era que pudiéramos hacer que fuera lo suficientemente fácil para cualquier persona crear un MLM capaz de detectar características en un proyecto CAD. En el caso del CLIP de GDOT, tiene un MLM que entrenamos para que no tengan que realizar este paso". Para los proyectos de otros clientes, se crea un modelo maestro, pero se deja la puerta abierta para que cualquier usuario aumente y enseñe a la IA, ya que las celdas y los símbolos pueden variar de una ciudad a otra, de un condado a otro, etc.

Phocaz ha sido galardonada recientemente como finalista en la categoría de Ingeniería Empresarial de los premios anuales Year in Infrastructure Going Digital Awards, celebrados en Singapur el 11 y 12 de octubre del 2023. En el mismo evento, en el discurso de apertura de Julien Moutte, director de tecnología de Bentley Systems, se hizo una demostración de CLIP para extraer flechas de giro hacia la izquierda a partir de planos CAD de autopistas. "GDOT siempre creyó que sus planos CAD podrían ser una rica fuente de datos de activos", dijo Moutte. "Pero acceder a esos datos requería recopilar manualmente diseños y dibujos, miles de ellos, y luego inspeccionar cada activo de forma visual, lo que requeriría incontables horas. Para iluminar los datos oscuros, Phocaz utilizó ProjectWise con tecnología de iTwin para crear gemelos digitales que se pueden analizar de manera más eficiente al usar IA con detección de características y referencias espaciales. Phocaz fue aún más lejos y utilizó una novedosa técnica de IA para llenar los vacíos entre los modelos. Crearon un agente de IA que puede circular virtualmente por los carriles del gemelo digital y detectar las líneas centrales. Con la automatización de la IA, el proceso de extracción de los datos ya no requiere tiempo prolongado y altos costos para sus clientes.

“CLIP es un flujo de trabajo único que hemos desarrollado a fin de resolver este problema para nuestros clientes del sector del transporte”, afirma Ramsey. “Podemos empezar con el contexto del requisito previo con el que trabajamos: las carreteras. Así que no necesariamente podríamos aplicarlo a la arquitectura, por ejemplo. Sin embargo, una vez que entendemos cuál es ese contexto, podemos empezar a pensar en cómo recopilamos datos de ese tipo de diseños”.

¿A qué aplicaciones para infraestructuras podría adaptarse este enfoque? Los servicios públicos vienen inmediatamente a la mente. Existen redes de transmisión y distribución y, en el caso de las redes de telefonía y comunicaciones, existen elementos de conectividad basados en reglas que podrían ayudar a afinar el análisis tanto de las características lineales como de los tipos de accesorios. En lo que respecta a los servicios públicos subterráneos, teniendo en cuenta lo poco práctico que resulta localizar físicamente todos los elementos, la automatización de la extracción de características CAD puede resultar muy valiosa. No se descarta que con este tipo de solución se consiga extraer características de planos de ingeniería escaneados. Sin embargo, existen problemas de referencia espacial (escala y registro posicional), además de la calidad/integridad de las conversiones de ráster a vector (aunque también se ha avanzado mucho en el uso de la IA para mejorarlas).

A medida que los municipios, las empresas de servicios públicos y los campus tratan de construir gemelos digitales, el costo de la captura total de datos físicos y los estudios de construcción se erigen como un obstáculo para una adopción más amplia. Sin embargo, pocos elementos se construyeron sin algún tipo de planos de diseño y, al menos para aquellos de las últimas cuatro décadas, es probable que existan planos CAD que puedan extraerse de este modo. En los millones de archivos CAD que hay por ahí se esconde un enorme tesoro de datos oscuros. Es hora de hacer un mejor uso de él.