Онтологическая модель данных Классификатора строительной информации: фундамент для генеративного проектирования и машинопонимаемых требований
Кузьмин И. Н., первый заместитель директора
Федерального центра нормирования, стандартизации
и технической оценки соответствия в строительстве (ФАУ «ФЦС»)
В предлагаемой статье рассмотрены направления деятельности ФАУ «ФЦС» по созданию онтологической модели данных Классификатора строительной информации, переводу
Реестра требований в машинопонимаемый формат, а также содействию в развитии технологий информационного моделирования и генеративного проектирования ОКС.
Создание полноценной онтологии Классификатора строительной информации является целевым технологическим решением для достижения стратегической задачи по оцифровке нормативной базы. Применение искусственного интеллекта обеспечивает баланс между вероятностными моделями и детерминированными правилами на основе применения комбинированного подхода, включающего детерминированные проверки на основе графа знаний и большие языковые модели (LLM).
Создание онтологии КСИ и переход к гетерогенным графам знаний приведет к функционально-содержательному изменению культуры работы с нормативами в строительной отрасли.
Цифровые нормы в строительстве: как преодолеть субъективизм при создании машинопонимаемых требований
Переход строительной отрасли к сквозной цифровизации требует принципиально нового качества работы с нормативно-технической документацией. Сегодня фокус внимания экспертов смещается от простой генерации текстов к созданию машиночитаемых и машинопонимаемых нормативных требований. В основе этого процесса лежит онтологический подход, который позволяет трансформировать текстовые положения документов в строгие, логически связанные структуры данных, пригодные для автоматизированной проверки.
Определенные практические результаты на этом пути уже получены. В 2025 году были успешно переведены в цифровой формат и формализованы первые 100 нормативных требований, а их практическая жизнеспособность была подтверждена в ходе апробации в среде отечественных систем автоматизированного проектирования (САПР). Однако этот опыт выявил и ключевую методологическую проблему.
Процесс перевода нормативного текста в цифровой вид напрямую зависит от тегирования,
то есть сопоставления ключевых сущностей требования с элементами Классификатора строительной информации (далее — КСИ). При ручном подходе к разметке документов возникает сильный субъективный фактор. Итоговый результат кодирования начинает полностью зависеть от уровня инженерного мышления, а также накопленного проектного
и экспертного опыта конкретного специалиста. Из-за отсутствия жестких алгоритмов интерпретации один и тот же пункт нормативного документа может быть оцифрован разными экспертами по-разному.
Таким образом, ручной метод делает процесс формирования базы цифровых требований недетерминированным. Это создает серьезные риски для стандартизации и ставит перед профессиональным сообществом новый вызов: поиск инструментов, способных минимизировать субъективизм при работе с КСИ.
Эволюция КСИ: от плоского справочника к графу знаний
На текущем этапе КСИ функционирует преимущественно как «плоский» справочник.
Его структура и состав систематизируют информацию по процессам жизненного цикла объектов капитального строительства (ОКС), включая инженерные изыскания, проектирование, строительство, эксплуатацию, ремонт и снос. Также в него входят классификационные таблицы строительных изделий, материалов, трудовых ресурсов, помещений и характеристик объектов.
Главное ограничение такой структуры — отсутствие явных логических связей между элементами разных таблиц. Плоский справочник не позволяет автоматически строить иерархии «здание → система → материал» или связывать пространственные объекты
с инженерными сетями, а значит, машина не может самостоятельно проследить влияние изменения одного элемента на другие. Для преодоления этих ограничений ФАУ «ФЦС», выступающее оператором как Реестра требований, так и самого КСИ, инициировало создание цифровой онтологии классификатора через семантические триплеты «Субъект – Предикат – Объект».
Важно понимать, что для создания полноценной онтологии КСИ недостаточно просто загрузить нормативные массивы в готовую модель искусственного интеллекта — автоматический запуск без предварительной подготовки не способен обеспечить корректность логических выводов. Для развертывания системы необходимы колоссальные объемы структурированных данных,
и самое главное — эти данные должны быть экспертными.
В связи с этим в 2026 году ФАУ «ФЦС» была проведена масштабная работа по созданию базы семантических триплетов в ручном режиме. Данный массив стал жестко верифицированным фундаментом для построения онтологии КСИ.
В рамках этой работы выстроены последовательные, логически понятные цепочки связей по конкретным объектам капитального строительства (ОКС) — от общего вида ОКС до конечных материалов его технических и инженерных систем.
Разработка онтологии КСИ напрямую связана с решением стратегической задачи по переводу нормативных положений в машинопонимаемый формат. Данная модель призвана полностью автоматизировать сам процесс перевода требований. За счет онтологического подхода достигается высокая точность тегирования (разметки) сущностей и объектов нормативного акта элементами КСИ, а также обеспечивается детерминированный выбор связей между ними. На основе этой строгой семантической разметки программная логика, которая представляет собой машинопонимаемую часть генерируемого XML-файла, выстраивается в автоматическом режиме и с достаточно высокой точностью.
Таким образом, онтология является целевым технологическим решением для достижения задач ФАУ «ФЦС» по оцифровке нормативной базы.
Роль искусственного интеллекта: баланс между вероятностными моделями и детерминированными правилами
Внедрение искусственного интеллекта (далее- ИИ) в работу с техническими нормами требует особой осторожности. Использование ИИ, опирающегося исключительно на статистические закономерности и вероятности, должно быть строго ограничено рамками проверенных данных.
Для достижения этого баланса ФАУ «ФЦС» применяется комбинированный подход:
- Детерминированные проверки на основе графа знаний являются приоритетом для критических решений, обеспечивая гарантированную точность вывода.
- Большие языковые модели (LLM) выступают в роли вспомогательного интеллектуального интерфейса: они преобразуют запросы инженера с естественного языка в команды для структурированного обхода онтологии и возвращают результаты в удобочитаемом виде.
С целью качественного расширения обучающей выборки и повышения точности работы LLM,
в настоящее время ФАУ «ФЦС» приступает к масштабной семантической обработке реальных проектов строительства ОКС. Полученные на основе анализа пояснительной записки, проекта организации строительства и рабочей документации данные дополнят состав целевого обучающего датасета. Кроме того, поскольку ФАУ «ФЦС» является оператором Реестра требований, весь его массив данных также подлежит сквозной переработке в машиночитаемые структурированные датасеты. В будущем этот процесс будет происходить регулярно: по мере внесения любых изменений или дополнений в Реестр требований, новые данные будут автоматически преобразовываться в датасеты для актуализации знаний ИИ-систем.
Существует два основных подхода к интеграции LLM в такие системы:
- Полное дообучение (fine-tuning, включая адаптивные методы LoRA/QLoRA) — применяется для формирования базовой компетенции модели, обучения её профессиональному языку, структуре нормативных документов и стилю. Однако этот способ требует больших вычислительных ресурсов и переобучения при каждом обновлении нормативов.
- Метод Retrieval-Augmented Generation (RAG) — позволяет модели обращаться к внешним источникам знаний в реальном времени. Это обеспечивает прозрачность ответа (каждая цитата имеет ссылку на источник) и снижает риск «галлюцинаций». Именно RAG становится основным инструментом для оперативной работы с актуальными нормативами.
Графовый RAG: следующий уровень точности
Стандартный RAG, основанный на векторном поиске, хорошо находит семантически близкие текстовые фрагменты, но он не способен учесть структурные связи между сущностями. Например, он может найти требование, где упоминается стена, но не построить цепочку «стена является частью здания, которое относится к классу высотных», — а значит, не может проверить применимость нормы.
Для решения этой проблемы применяется подход Graph RAG, который осуществляет направленный обход графовых структур с учетом типов связей онтологии КСИ.
Это обеспечивает логическую целостность анализа. При запросе о требованиях к ограждающим конструкциям система проходит по графу: «Стена — состоит из материала — кирпич — имеет характеристику теплопроводности — регулируется СП таким-то».
Одной из перспективных реализаций такого подхода является архитектура PIKE-RAG, разрабатываемая с применением языка Python, которая демонстрирует возможности глубокой интеграции LLM с графом знаний. Однако ключевым фактором является не конкретный программный инструмент, а сама методология использования онтологии для навигации, которая гарантирует исключение генерации недостоверных данных.
Заключение
Создание онтологии КСИ и переход к гетерогенным графам знаний — это не просто внедрение новой IT-инфраструктуры. Это изменение самой культуры работы с нормативами в строительной отрасли. Мы переходим от эпохи, когда норма была пассивным текстом, требующим ручной интерпретации, к эпохе, когда норма становится активным, машинопонимаемым правилом.
Этот переход приносит конкретную пользу всем участникам процесса:
- Проектировщик освобождается от рутины поиска норм и снижает риск дорогостоящих ошибок.
- Заказчик получает объект с более высоким уровнем гарантии соответствия нормам безопасности и технологичности на последующих этапах автоматизации здания.
- Регулятор получает инструмент для автоматизированного контроля, экономя ресурсы надзорных органов.
Таким образом, онтология становится «переводчиком», который превращает разрозненные тексты нормативов в единый язык общения между человеком, машиной и государственным регуляторным органом. Это фундамент для строительной отрасли будущего — отрасли,
где безопасность и соответствие нормам гарантируются не только подписью эксперта,
но и математической строгостью графа знаний.
Login with Google
Комментарии