Gemini والبحث الدلالي: الذكاء الاصطناعي يختار الأثاث وفق المخططات المعمارية بدقة 87%

لا يزال اختيار الأثاث وفق المخطط المعماري مهمة تُنجَز يدويًا في قطاع البناء وتصميم الديكور الداخلي. يأخذ المتخصص المخطط، ويفتح كتالوج المورّد، ويبدأ بمراجعة البنود واحدًا تلو الآخر: يقارن الأبعاد والخامات والطراز. ويستغرق هذا الدور وحده من 20 إلى 40 ساعة عمل للمشروع الواحد. وعندما تتعدد المشاريع، تتضاعف التكاليف أضعافًا.

قرر فريق مطوّرين روس سدّ هذه الفجوة، فبنى نظام ذكاء اصطناعي يؤتمت عملية الاختيار بأكملها ويقدّم توصيات بدقة 87%.

تقع المشكلة عند تقاطع الرؤية الحاسوبية واسترجاع المعلومات. فالمخطط المعماري وثيقة متخصصة مليئة بالرموز والعلامات الاصطلاحية وشبكات المقياس والطبقات المتعددة المستويات. ولا يكفي مجرد التعرف على كائن داخل الصورة، بل يجب فهم الحل التخطيطي ككل، وتحديد المناطق الوظيفية، واستخلاص المواضع المخصصة لفئات أثاث بعينها، ومراعاة القيود الفعلية للمساحة.

قلب النظام هو بنية متعددة النماذج يؤدي فيها Gemini دور المنسّق الرئيسي. هذا النموذج هو من يتولى فهم المخطط: يتعرف على التخطيط، ويحدد الغرف، ويميّز غرفة النوم عن غرفة المعيشة، ويحدد مناطق المرور، ويرصد القيود المتعلقة بالارتفاع أو الإضاءة أو شكل الجدران. وهذا ليس مجرد OCR ولا تعرّفًا تقليديًا على الكائنات؛ فـ Gemini يعمل على دلالات الوثيقة المعمارية، ويستخرج بيانات منظَّمة تغذّي الطبقة التالية من النظام.

بعد أن يُفكَّك المخطط إلى وحدات ذات معنى، يبدأ دور البحث الدلالي في الكتالوج. فكل بند خضع مسبقًا للتحويل إلى متجهات: خصائص المنتج، من أبعاد وخامة وطراز ولوحة ألوان وفئة سعرية، حُوّلت إلى تضمينات متجهية (embeddings). ويقابل النظام متطلبات المخطط بهذا التمثيل المتجهي ويستخرج أقرب المطابقات. وما يخرج في النهاية ليس قائمة من مئات البنود المناسبة، بل مجموعة مرتّبة بالأولوية مع تفسير لسبب التوصية بهذا الطراز تحديدًا لموضع بعينه في المخطط.

ولا تقتصر البنية التقنية على مكوّنين. فإلى جانب Gemini والبحث الدلالي، يضم خط المعالجة نماذج للمعالجة المسبقة للمخططات: توحيد المقياس، وفصل الطبقات، وتنظيف آثار المسح الضوئي. فالمخططات الواردة من المؤسسات التصميمية تصل بحالات متباينة، من ملفات CAD مُصدَّرة نظيفة إلى وثائق ورقية ممسوحة ضوئيًا وفيها تمزقات وبقع. ويجب أن يعمل النظام بثبات على هذا النطاق كله دون معالجة مسبقة يدوية.

ولم يتحقق بلوغ دقة 87% من المحاولة الأولى. فقد كرّر الفريق التحسين على عدة عقد رئيسية: جودة تحليل المخططات بمختلف صيغها، واستراتيجية تحويل بيانات الكتالوج إلى متجهات، وآلية الترتيب النهائي. وبرزت صعوبة خاصة في التخطيطات غير النمطية، حين يستخدم المعماري رموزًا غير قياسية أو يقتصر المخطط على جزء من الغرفة فقط. وللحالات الطرفية أضاف الفريق منطقًا احتياطيًا (fallback) وطبقة إضافية للتحقق من النتيجة.

وتكمن القيمة العملية لهذا التطوير في مضاعفة الاستفادة من وقت المتخصصين. فإذا كان المصمم قادرًا في السابق على إنجاز 2–3 مشاريع أسبوعيًا بتفصيل كامل، فإنه بوجود النظام يراجع ويعدّل توصيات جاهزة بدل أن يصوغها من الصفر. وبالنسبة لشركات البناء العاملة على مجمعات سكنية نمطية، يعني ذلك إمكانية إدارة عشرات المشاريع بالتوازي دون زيادة متناسبة في عدد الموظفين.

ويُظهر المشروع كيف بدأت أنظمة الذكاء الاصطناعي متعددة النماذج تؤتمت مهام تشغيلية ظلت زمنًا طويلًا تُعدّ متخصصة أكثر من أن تعالجها الآلة. فالمخططات المعمارية نوع معقد من البيانات غير المنظَّمة، وقدرة Gemini على تحليلها دلاليًا تفتح الطريق أمام حلول مماثلة في مجالات مجاورة: المخططات الهندسية، والمخططات الإنشائية، والمواصفات الفنية. أما الخطوة المنطقية التالية فهي التكامل مع منصات BIM وتصدير التوصيات مباشرة إلى وثائق المشروع.