O ProjectWise é uma suíte de gestão de projetos da Bentley Systems, que pode servir como uma central de dados de várias disciplinas e formatos, durante todo o ciclo de vida do projeto, e permite trabalhar em um ambiente de gêmeos digitais. Como muitos de seus clientes do setor de transportes trabalham principalmente em um ambiente Bentley (por exemplo, DGN e MicroStation e pacotes de software de projeto relacionados), fazia sentido gerenciar projetos CLIP nesse pacote.

"O CLIP car, ou carro robô, como o chamamos, é realmente uma ferramenta de sessão visualizada para nós, para entender o que está acontecendo com nossos algoritmos", disse Stefanchuk. "O usuário final nunca verá isso." Embora eu deva dizer que foi divertido ver o carro-robô em uma demonstração. "O que eles querem, em última análise, são os gráficos de linha central dos recursos no ambiente GIS e as propriedades atribuídas a eles."

Para descobrir quais são essas propriedades em um determinado ponto da rodovia, a Phocaz desenvolveu uma ferramenta que pode procurar e encontrar essas características. A IA é treinada nos vários aspectos espaciais dos recursos, como marcações de ciclovias (que podem variar muito, mesmo de um município para outro), e aplica outras regras, como a distância a ser observada para cobrir as larguras padrão da faixa de domínio. "Tivemos que conceituar e visualizar o que queríamos que os algoritmos fizessem", disse Stefanchuk. "Pensamos em uma estrada sinuosa que atravessa o campo, como a dirigiríamos no mundo físico e o que poderíamos ver pelas janelas dianteiras e laterais. Depois, como ensinar a IA a "viajar" pelas pistas de CAD canalizadas e aprender com o que provavelmente veria".

"Há alguns pontos em que o CLIP/robô é realmente uma vantagem", disse Stefanchuk. "Um deles é que não precisamos coletar todos os dados de uma só vez, só precisamos coletar o que vemos naquele momento, tomar decisões sobre eles, guardá-los até que estejamos prontos para relatar o que aconteceu e, então, continuar a seguir pela rodovia. Quando nos deparamos com algo como uma marca de pavimento, podemos usar alguns modelos visuais de IA para descobrir o que essa marca de pavimento representa."

"O que aprendemos com o projeto CLIP foi que podemos começar com um símbolo, como uma seta para virar à direita ou à esquerda, e podemos ensinar uma IA a detectá-lo", disse Stefanchuk. "Mas podemos tomar outras decisões com base no que podemos inferir a partir disso, como o tipo de pista em que estou dirigindo. Estamos dirigindo em uma faixa de conversão à direita, em uma faixa de passagem, em uma faixa de conversão à esquerda, em uma faixa de conversão em U e assim por diante?

A Phocaz não se concentrou apenas nas marcações da calçada. Usando a mesma abordagem utilizada para as marcações de pavimento, eles podem criar um modelo de aprendizado de máquina (Machine Learning Model) para qualquer célula que esteja em qualquer biblioteca de células. "Nosso cérebro de IA é um modelo de aprendizado de máquina (MLM)", disse Stefanchuk. "Nosso software, um aplicativo separado do CLIP (chamado Phorz AI), orientará o usuário na criação de seu próprio MLM, começando com uma ou mais células (símbolos), como uma seta de curva, ciclovia, entrada de garagem, bueiro, etc. O MLM que um usuário cria, pode ser aplicado para detectar esses objetos em qualquer modelo iTwin (gêmeo digital). A ideia era que pudéssemos facilitar a criação de um MLM que detectasse recursos em um projeto de CAD. No caso do CLIP do GDOT, ele tem um MLM que treinamos para que eles não precisem realizar essa etapa." Para outros projetos de clientes, é criado um modelo mestre, mas eles deixam a porta aberta para que qualquer usuário aumente e ensine a IA, pois as células e os símbolos podem variar de cidade para cidade, de condado para condado etc.

A Phocaz foi recentemente homenageada como finalista na categoria Engenharia Empresarial do prêmio anual Year in Infrastructure Going Digital Awards, realizado em Singapura, de 11 a 12 de outubro de 2023. No mesmo evento, no discurso de Julien Moutte, diretor de Tecnologia (Chief Technology Office) da Bentley Systems, foi demonstrado que o CLIP extrai setas para virar à esquerda de desenhos de rodovias em CAD. "O GDOT sempre acreditou que seus desenhos CAD poderiam ser uma fonte rica de dados de ativos", disse Moutte. "Mas para acessar esses dados era necessário coletar manualmente projetos e desenhos - milhares deles - e depois inspecionar visualmente cada ativo, o que levava inúmeras horas. Para iluminar os dados obscuros, a Phocaz usou o ProjectWise com o iTwin para criar gêmeos digitais que podem ser analisados com mais eficiência usando IA com detecção de recursos e referência espacial. A Phocaz foi ainda mais longe, usando uma nova técnica de IA para preencher as lacunas entre os modelos. Eles criaram um agente de IA que pode dirigir virtualmente ao longo das pistas no gêmeo digital, detectando as linhas centrais. Com a automação da IA, o processo de extração de dados não é mais proibitivo em termos de tempo ou custo para seus clientes.

"O CLIP é um fluxo de trabalho exclusivo que desenvolvemos para resolver esse problema para nossos clientes de transporte", disse Ramsey. "Podemos começar com o contexto do pré-requisito com o qual estamos trabalhando - estradas. Portanto, não necessariamente poderíamos aplicá-lo prontamente, por exemplo, à arquitetura. No entanto, quando entendermos qual é esse contexto, poderemos começar a pensar em como coletar dados desses tipos de projetos."

A quais aplicações de infraestrutura essa abordagem poderia ser adaptada? Os serviços públicos vêm imediatamente à mente. Há redes de transmissão e distribuição e, no caso de redes de telefonia e comunicação, há elementos de conectividade baseados em regras que podem ajudar a refinar ainda mais a análise das características lineares e dos tipos de acessórios. Quando se trata de serviços públicos subterrâneos, considerando a impraticabilidade de localizar fisicamente todos os recursos, a automação na extração de recursos de CAD pode ser inestimável. Não está fora de questão que possa haver algum sucesso, usando esse tipo de solução, para a extração de recursos de desenhos de engenharia digitalizados. No entanto, há desafios de referência espacial (escala e registro posicional), além da qualidade/completude das conversões de raster para vetor (embora tenha havido muito progresso com o uso de IA para aprimorá-las também).

À medida que as prefeituras, os serviços públicos e os campi buscam criar gêmeos digitais, o custo da captura de dados físicos completos e das pesquisas as-built é um obstáculo para uma adoção mais ampla. No entanto, poucos recursos foram construídos sem algum tipo de desenho de projeto e, pelo menos para os que foram construídos nas últimas quatro décadas, é provável que existam desenhos CAD que possam ser extraídos dessa maneira. Há uma enorme quantidade de dados ocultos nos milhões de arquivos CADS existentes. É hora de fazer melhor uso dele.