Шива Дхаван, сооснователь и генеральный директор Attentive.ai – Интервью

Шива Дхаван, сооснователь и генеральный директор Attentive.ai, – предприниматель, применяющий искусственный интеллект для трансформации рабочих процессов в области инфраструктуры и строительства. До основания Attentive.ai он занимал руководящие и операционные должности в технологической и деловой сфере, помогая формировать видение компании вокруг автоматизации традиционно ручных процессов в таких отраслях, как строительство, картография и геопространственный анализ. Под его руководством компания расширила свою деятельность на международном уровне, разрабатывая системы искусственного интеллекта, предназначенные для улучшения эффективности в области оценки, снятия показаний и управления инфраструктурой для предприятий и подрядчиков.

Attentive.ai – это компания по строительной технологии, работающая на основе искусственного интеллекта, которая фокусируется на автоматизации предстроительных и инфраструктурных рабочих процессов с помощью компьютерного зрения и геопространственного интеллекта. Ее платформа помогает подрядчикам, ландшафтным компаниям и операторам инфраструктуры ускорить задачи оценки, измерения и анализа объектов, которые ранее полагались на ручной труд. Продукт компании Beam AI предназначен для использования аэрофотосъемки и искусственного интеллекта для генерации высокодетальных измерений объектов и ландшафтных данных, giúpая бизнесу улучшить точность оценок, сократить операционные瓶ネки и более эффективно масштабировать проекты посредством автоматизации.

Вы основали Attentive.ai после масштабирования сервисного бизнеса в области картографии и страхования, и позже представили Beam AI как ваш флагманский продукт. Какие конкретные идеи из того раннего этапа привели вас к созданию Beam AI, и почему вы выбрали снятие показаний и оценку в качестве точки входа для трансформации строительных рабочих процессов?

Мой сооснователь, Ришабджит, и я пришли на рынок строительства в США во время COVID, когда подрядчикам пришлось оценивать работы без нахождения на объекте. То, что постоянно возникало, – это одно и то же ограничение: подрядчики теряли работу не потому, что они не могли выполнить работу, а потому, что у них не хватало времени на ее оценку. Один оценщик, сотни страниц планов, 4-8 часов на работу. Вы не можете развивать бизнес на этом.

Мы выбрали снятие показаний, потому что это начальная точка для всего. Ничто не движется, пока кто-то не измерит объем работ. А результат верифицируем; вы либо получили правильные количества, либо нет. Пропуск на 2% на работе стоимостью 10 миллионов долларов – это 200 000 долларов, которые теряются. Это не абстрактно. Это реальная стоимость, которую оценщики несут каждый день.

Строительство и полевые услуги часто рассматриваются как отрасли, медленно принимающие новые технологии. Каков был самый большой барьер для внедрения искусственного интеллекта в этом секторе, и как вы его преодолеваете?

Доверие. Оценщики построили свою карьеру на точности. Когда они что-то пропускают, их компания платит за это. Итак, когда мы появились с искусственным интеллектом, естественной реакцией было: как я могу быть уверен, что это правильно?

Мы не пытались убедить людей в обратном. Мы trực tiếp обратились к этому вопросу. Каждый готовый снятие показаний проверяется обученным человеком перед тем, как оно возвращается клиенту. Автоматизация справляется с объемом и скоростью.

Контроль качества ловит все, что требует второго взгляда. После нескольких работ клиенты видят закономерность: количества правильны, их команда не загружена планами, и заявки отправляются быстрее. Один из наших клиентов, Bommarito Construction, подал 50 больше заявок за шесть месяцев, используя платформу. Это более убедительно, чем любая демонстрация.

Beam AI фокусируется на автоматизации снятия показаний, традиционно ручном и трудоемком процессе. Почему этот рабочий процесс является таким важным входным пунктом для трансформации, основанной на искусственном интеллекте?

Каждый проект начинается с этого. Прежде чем вы сможете оценить что-либо, кто-то должен сидеть с планами и измерять все. Одно снятие показаний может занять целый день. Когда дела становятся загруженными, это становится потолком для того, сколько работы может выполнить команда.

Подрядчики не отказываются от работ, потому что они не хотят их. Они отказываются, потому что нет времени на их оценку.

Снятие показаний также имеет четкий, проверяемый результат: количества материалов. Вы знаете, если что-то было пропущено. Это делает его разумным местом для построения доверия к новой системе, особенно когда ставки высоки.

Ваша платформа позволяет компаниям увеличивать объем заявок без увеличения штата. Как вы видите, что это изменит конкуренцию и прибыльность в отрасли?

Это уже происходит. Когда подрядчику можно преследовать в три раза больше работ с той же командой, они становятся более избирательными. Они преследуют работы с более высокой прибыльностью. Они могут быстро реагировать, когда появляется большая возможность, вместо того, чтобы отказываться от нее, потому что они уже загружены.

Подрядчики, которые не думают об этом, будут чувствовать давление от тех, кто думает. Rays Stairs удвоил объем заявок и увеличил доход с 900 000 до 2 миллионов долларов за два месяца. Guardian Roofing сократил время снятия показаний с 25 часов в неделю до 5. Это не небольшие выигрыши. Они меняют то, что бизнес может фактически преследовать.

Beam AI включает в себя человеческий фактор в качестве слоя контроля качества (QA) наряду с автоматизацией. Как вы определяете правильный баланс между автономией искусственного интеллекта и человеческим контролем?

Мы думаем об этом в терминах уверенности и того, что на кону. Искусственный интеллект справляется со структурированной, повторяющейся работой хорошо: чтение документов, парсинг чертежей и извлечение количеств. Но результаты специфичны для отрасли способами, которые имеют значение. Как вы измеряете оборудование HVAC, не похоже на измерение структурной стали или арматуры.

Слой контроля качества существует для таких ситуаций. Для готового снятия показаний обученный рецензент проверяет каждый результат перед тем, как он возвращается клиенту. Для автоматизированных снятий показаний в течение 10 минут мы накопили достаточно данных, особенно в области HVAC и сантехники, чтобы двигаться быстрее без этого шага. Сталь скоро будет запущена. Уровень автономии отслеживает отрасль и сложность работы.

По мере улучшения моделей вы видите, что слой контроля качества становится менее центральным со временем, или он останется постоянной частью высокорисковых рабочих процессов, таких как оценка?

И то, и другое, в зависимости от того, как вы определяете это. Форма, которую он принимает, изменится. Большинство того, что человеческий рецензент ловит сегодня, перейдет к автоматическим проверкам внутри системы, когда модели улучшатся и мы накопим больше данных. Но я не думаю, что вы когда-либо удаляете верификацию из рабочего процесса с такими высокими ставками. Если подрядчику необходимо оценить работу стоимостью 50 миллионов долларов по стали, он захочет контрольный пункт.

То, к чему мы стремимся, – это сделать этот контрольный пункт быстрее и менее трудоемким. Цель не состоит в том, чтобы исключить контроль качества. Это сделать его более легким.

Attentive.ai сочетает автоматизацию искусственного интеллекта с реальными операционными рабочими процессами. Вы видите будущее искусственного интеллекта в строительстве как неотъемлемо гибридное, а не полностью автономное?

На предвидимое будущее, да. И я бы возразил против идеи, что “гибрид” – это утешительный приз. Строительство включает в себя суждение, которое не отражается в плане. Хороший оценщик знает свой местный рынок субподрядчиков. Он знает, как определенный генеральный подрядчик пишет спецификации. Он знает, сколько фактически будет стоить работа, что не всегда то, что говорят чертежи.

Искусственный интеллект справляется с количественной работой. Человек приносит контекст. Цель не состоит в том, чтобы заменить оценщиков. Это вытащить их из повторяющихся измерений, чтобы они могли тратить время на работу, которая действительно требует их суждения. Это также причина, по которой мы построили Beam AI как аугментатор, как встроенный младший оценщик, который справляется с механическими задачами.

Вы описали искусственный интеллект как становящийся основой предстроительства. Как выглядит это видение в течение следующих пяти лет?

Сейчас мы фокусируемся на переднем конце: планы в количества материалов, как можно быстрее и точно. Следующий слой – это управление заявками. Мы уже запустили Bid Dashboard и Bid Sniper, которые дают подрядчикам единую точку зрения на их трубопровод, сроки, запросы на информацию и дополнения.

В течение следующих пяти лет я хочу, чтобы платформа соединила снятие показаний напрямую с оценкой и закупками. Подрядчик загружает планы, и в течение нескольких часов он получает реальную картину того, что стоит работа и что ему нужно закупить. Это действительно другой способ управления предстроительством, чем то, что делают большинство команд сегодня.

Beam AI сейчас поддерживает несколько отраслей, от ландшафтного дизайна до гражданского и электрического строительства. Как вы балансируете построение обобщенных систем искусственного интеллекта с необходимостью глубокой оптимизации для конкретной отрасли?

Это реальное напряжение. Основная работа общая для всех отраслей: чтение документов, парсинг чертежей и извлечение количеств. Но результаты специфичны для отрасли способами, которые имеют значение. Как вы измеряете оборудование HVAC, не похоже на измерение структурной стали или арматуры.

Мы построили модели, специфичные для отрасли, и инвестировали в обучающие данные для каждой из них. Это причина, по которой мы начали с HVAC и механики, где наш набор данных был сильнейшим, прежде чем расшириться до сантехники и стали. Мы покрываем 15 или более отраслей, но мы честны в том, что не каждая отрасль находится на одном и том же уровне зрелости. Мы строим глубину, когда расширяемся.

Искусственный интеллект начинает преобразовывать традиционно офлайн-отрасли. Вы считаете, что строительство может стать одной из наиболее преобразованных отраслей в течение следующего десятилетия, и как это преобразование будет выглядеть на практике?

Да. Часть того, почему это недооценено, заключается в том, что оно было так долго ручным. Нет глубоко укоренившегося программного слоя, который необходимо заменить, как это есть в финансах или здравоохранении. Данные не были оцифрованы. Рабочие процессы не стандартизированы. Это звучит как проблема, но с нашей точки зрения это возможность. Мы не заменяем существующую систему. Во многих случаях мы строим первую.

Добавьте к этому капитал, инвестируемый в центры данных, производство и инфраструктуру прямо сейчас, и давление на то, чтобы оценить и построить быстрее, только увеличивается. Подрядчики, которые это выяснят, будут опережать. Те, кто не сделает, будут задаваться вопросом, что произошло.

Спасибо за отличное интервью. Читателям, которые хотят узнать больше, следует посетить Attentive.ai или Beam AI.