建筑工程自动化如何为机器学习带来重大变化？

以前，机器学习是未来的技术，对于建筑工程行业来说还没有很多实际应用。今天，机器学习正在全世界范围内应用，以大大提高建筑施工的安全性。

1、为何机器学习在工程安全领域就能如此快速的落地应用呢？三个主要原因：

（1）工程管理中云和移动互联网技术的采用；

（2）施工中的数据源采集爆炸性出现；

（3）机器学习和深度学习技术迅速发展。

当移动互联网技术在建筑工地上普及时，随之而来的是数据的爆炸式增长。现场工作人员使用移动设备上的清单进行日常安全检查。他们整天跟踪安全观察和笔记，拍摄照片、视频，录制音频，而在某些网站上，无人机会拍摄额外的镜头。我们也开始看到在工作场所使用传感器/物联网和可穿戴设备来连续收集数据。平均每个施工作业现场现在每天可以生成50GB的数据。

同时，云技术使得将所有这些数据聚合到一个位置进行分析成为可能。例如，许多领先的工程承包商多年来一直使用BIM 360作为他们的施工管理平台，并汇总BIM模型、图纸、各类标记、问题点、检查清单、需求资料、提交的资料、冲突检测报告、项目和业务概况以及相关的项目元数据。最近，BIM 360还支持与行业中的多个数据源的连接，例如无人机捕获的图像和可穿戴技术，提供一个用于工程施工的联网数据生态系统。

每个项目都强调了特征工程自动化的一些好处：

  贷款偿还能力预测：与人工特征工程相比，自动化的特征工程可以将机器学习开发的时间缩短10倍，同时提供更好的建模性能表现；

  消费支出预测：自动化的特征工程通过内部的处理时间序列过滤器来创建有实际意义的特征，同时防止数据泄漏，从而实现成功的模型部署；（笔记）

特征工程：人工与自动

特征工程是获取数据集并构造可解释的变量—特征的过程，用于训练预测问题的机器学习模型。通常，数据分布在多个表中，并且必须汇集到一个表之中，其中的行包含观察结果和列中的特征。

传统的特征工程方法是使用相关领域知识创建一个特征，这是一个冗长、耗时且容易出错的过程，称为人工特征工程。人工特征工程是依赖于具体问题的，必须为每个新数据集重新编写代码。

特征工程自动化通过自动从一组相关的数据表中提取有用且有意义的特征，并使用一个可应用于任何问题的框架，来改进这个标准工作流。它不仅减少了在特征工程上花费的时间，而且还创建了可解释的特征，并通过过滤具有时间依赖性的数据来防止数据泄漏。

贷款偿还：建立更快更好的模型

当数据科学家在处理家庭信贷贷款问题的时候，所面临的主要难题是数据的大小和分布。看看完整的数据集，你会发现面对的是分布在7个表中的5800万行数据。除了单调乏味和耗时之外，人工特征工程还有以下问题：

  用于特定问题:我花费了很长时间编写的代码并不能应用于任何其它的问题；

  易错:每一行代码都会有可能导致其它的错误；

另外，最终的人工设计的特征受到了人类创造力和耐心方面的限制：我们只能考虑创建这么多的特征，并且只能花费这么多的时间。

特征工程自动化的承诺是通过获取一组相关的表，并使用可以应用于所有问题的代码，来自动创建数以百计有用的特征，进而跨越这些限制。

最后，在过去两年中，机器学习的研究人员，特别是深度学习技术的分支，已经在机器学习的应用可能性方面取得了快速进展。可以实时翻译语音的高性能算法和可以在围棋等复杂游戏中击败人类的算法只是一些典型例子而已。

似乎难以置信，但这是真的。经过适当培训的人工智能系统，现在可以分析和分类数据，不仅比同样训练有素的人更快，而且准确性更高。这是一个惊人的进步，使机器可以大大有助于提升施工作业现场的安全。

2.目前机器学习在工程安全中的应用

很多具有前瞻性意识的建筑公司，已经在他们的施工项目现场使用机器学习来保证工程安全，而像http://Smartvid.io和BIM 360 Project IQ这样的软件正在使机器学习技术比以往任何时候都更加强大和易于使用。

目前的安全管理应用包括：

（1）分析和标记视觉和音频数据，以了解现场的安全隐患和不安全做法。

（2）分析和标记视觉和音频数据，以记录和寻找可搜索的最佳实践。

（3）根据其所在的位置和其他基于检查数据、安全监测数据、问题点、检查表、现场照片等标准，识别潜在的安全风险和危害。

（4）根据作业现场数据识别具有不安全做法的分包商。

（5）根据当前和历史数据，确定工作现场中最常见的安全风险和危险。

（6）根据现有和历史数据中反复出现的施工危险和风险，优先考虑分包商级别、项目或业务单位级别的安全管理改进目标。

这些应用点目前可通过像http://Smartvid.io、Project IQ、OpenSpace.ai等软件平台获得，下面分别介绍下。

3. http://Smartvid.io是如何提升施工安全的

http://Smartvid.io对采集的视觉和音频数据进行分析和优先排序，以便通过人工智能和机器学习进行分析。他们还开发了使数据可操作所必需的机器学习平台。http://Smartvid.io平台聚合来自多种平台和格式的视觉和音频数据。然后，它使用职能标签SmartTag提取相关的安全数据并进行分析。它能够根据与先前发现的危险所相似的情况来识别当下的危险情况，例如错位的孔盖、未正确使用的梯子和错误放置的障碍物。

它还可以识别照片和视频中的人，并分析他们是否采取了规定的安全措施，包括他们是否穿着适当的个人防护装备（PPE）。然后可以对此信息进行标记并确定其优先级，以便对安全管理人员、监理人员和其他可以采取措施纠正安全问题的人员自动发出通知。