Искусственный интеллект становится одним из ключевых инструментов цифровизации строительной отрасли. Нейросети уже используются для анализа проектной документации, прогнозирования сроков и стоимости работ, управления ресурсами, выявления рисков и автоматизации принятия решений. Однако по мере роста роли ИИ возникает принципиально новый вопрос: что произойдет, если алгоритмы начнут обучаться не только на данных реального мира, но и на информации, которую сами генерируют?
Российские математики из МФТИ и Института проблем передачи информации имени А. А. Харкевича РАН исследовали именно такой сценарий. Ученые разработали математическую модель, описывающую эволюцию систем искусственного интеллекта в условиях замкнутой обратной связи. Такой подход особенно актуален для цифровых систем, которые постоянно анализируют собственные прогнозы и используют результаты алгоритмов для формирования новых данных.
Как возникает «зеркальный лабиринт»
Традиционные модели машинного обучения предполагают, что данные поступают из внешней среды и относительно независимы от работы самого алгоритма. Но в реальных цифровых системах это условие постепенно нарушается.
Например, алгоритм прогнозирует вероятность получения строительной организацией финансирования. Решение банка на основании этого прогноза меняет фактическую статистику кредитования. В дальнейшем новая статистика снова попадает в обучающую выборку. Получается замкнутый цикл: ИИ анализирует среду, воздействует на нее, а затем обучается на измененной им же среде.
Похожий механизм может возникать в системах управления строительными проектами. Если алгоритм постоянно рекомендует определенный способ планирования работ, распределения ресурсов или выбора подрядчиков, пользователи начинают следовать этим рекомендациям. Через некоторое время накопленные данные уже отражают не только объективные характеристики строительного процесса, но и предыдущие решения самой системы.
В результате нейросеть может постепенно потерять способность объективно оценивать происходящее. Ученые называют подобную ситуацию «зеркальным лабиринтом»: система фактически начинает изучать отражение собственных решений вместо независимой картины реальности.
Два сценария деградации ИИ
Исследование рассматривает самообучение как динамический процесс, в котором распределение данных постоянно изменяется под воздействием работы модели. Для математического описания этого процесса используется теория динамических систем.
Полученные результаты показывают наличие двух принципиальных сценариев.
Первый — коллапс вариативности. Распределение данных постепенно сужается и стремится к предельно концентрированному состоянию. На практике это может выражаться в чрезмерной уверенности алгоритма в ограниченном наборе прогнозов. Система перестает учитывать многообразие реальных ситуаций и фактически формирует собственное информационное «эхо».
Второй — неограниченный рост ошибки и дисперсии. В этом случае система теряет устойчивость, а качество прогнозирования постепенно ухудшается. Ошибки, возвращаясь в обучающую выборку, могут усиливать последующие ошибки, приводя к деградации предсказательной способности.
Исследователи определили математические условия, при которых система может переходить к одному из этих режимов. Теоретические выводы были проверены с помощью вычислительных экспериментов на синтетических данных и задачах линейной регрессии.
Почему проблема важна для строительной отрасли
Для цифрового строительства вопрос качества исходных данных имеет критическое значение. BIM-модели, исполнительная документация, календарные графики, данные строительного контроля, сведения о затратах и результаты мониторинга объектов постепенно превращаются в единую цифровую среду.
Если в такую систему интегрируется ИИ, необходимо учитывать не только точность его первоначальных прогнозов, но и то, как его решения изменяют данные последующих циклов анализа.
Это особенно важно для:
- автоматизированного планирования строительных работ;
- прогнозирования сроков завершения объектов;
- оценки стоимости строительства;
- управления материальными и трудовыми ресурсами;
- анализа строительных рисков;
- автоматического контроля проектной документации;
- интеллектуального управления инженерными системами;
- цифровых двойников зданий и сооружений.
Например, если система постоянно прогнозирует увеличение сроков определенного вида работ, руководители могут закладывать дополнительные резервы времени. Через несколько циклов накопленная статистика действительно покажет более продолжительные сроки — не обязательно потому, что технология стала менее эффективной, а потому что прогноз ИИ изменил поведение участников проекта.
ИИ требует контроля качества данных
Для строительных компаний это означает, что внедрение искусственного интеллекта не должно ограничиваться покупкой готовой нейросети или подключением специализированного сервиса. Необходимо выстраивать полноценную систему управления данными и контролировать происхождение информации, поступающей обратно в обучающий контур.
Практический подход предполагает разделение первичных данных, результатов работы алгоритмов и данных, сформированных под влиянием рекомендаций ИИ. Такой принцип позволяет избежать ситуации, когда собственные прогнозы системы постепенно становятся единственным источником информации для ее дальнейшего обучения.
Таким образом, развитие цифровизации строительства требует не только более мощных нейросетей, но и грамотной архитектуры цифровой среды. ИИ способен значительно повысить эффективность строительного управления, однако его результаты должны оставаться частью контролируемого человеком процесса, а не превращаться в самоподтверждающуюся систему принятия решений.
Для строительной отрасли это особенно актуально на фоне перехода к BIM, цифровым двойникам, автоматизированному управлению объектами и комплексному анализу больших массивов производственных данных. Чем больше решений передается алгоритмам, тем важнее понимать, какие данные формируют их прогнозы и как сами прогнозы меняют будущие данные.