APPLICATION OF INTELLIGENT PRICE MONITORING SYSTEMS AT THE DESIGN STAGE OF CONSTRUCTION
Abstract and keywords
Abstract (English):
The article discusses the prospects for using intelligent systems for monitoring and analyzing prices of building materials at the design stage and preparation of estimate documentation. The advantages of using automated data collection on the market value of building resources using web scraping and semantic analysis are described, and a cybernetic model for managing the cost of construction projects is proposed, allowing for a prompt response to changes in market conditions. Practical recommendations are given for integrating such systems into the design process, which helps to improve the accuracy and reliability of estimate calculations.

Keywords:
price monitoring, intelligent systems, web scraping, semantic analysis, design automation, cost estimation, building materials, construction life cycle
Text

Введение

В условиях высокой волатильности цен на строительные материалы и оборудование проектировщики в настоящее время сталкиваются с серьёзными трудностями при оценке стоимости проекта на ранних стадиях. Волатильность цен означает непредсказуемые колебания стоимости ресурсов под влиянием рыночных факторов — от дисбаланса спроса и предложения до геополитических событий. Такие резкие изменения усложняют прогнозирование бюджета — оценки, сделанные в начале проектирования, быстро устаревают, что приводит к потенциальным неточностям в сметах. В результате, без оперативного обновления данных о ценах, строительные проекты рискуют выйти за рамки бюджета или столкнуться с дефицитом средств из-за недооценки затрат. Именно поэтому актуальна задача разработки интеллектуальных систем мониторинга рыночных цен — автоматизированных инструментов, способных в реальном времени отслеживать изменения стоимости материалов и оборудования и предоставлять точные данные для сметных расчетов еще на этапе проектирования.

И если вопросам автоматизации различных процессов при проектировании зданий и сооружений, а также при прохождении экспертизы проектной документации работ много [1-3], то вопросам автоматизации в части сметных расчетов и мониторинга цен публикаций не так много [4-6]. В тоже время стоит отметить, что развитие концепции «Индустрия 4.0», которая включает такие понятия, как Интернет вещей, искусственный интеллект, технологии информационного моделирования, машинное обучение и пр., принесло значительное количество технологий, позволяющих уже сегодня реализовать интеллектуальных систем мониторинга цен [7-13].

Актуальность и проблемы оценки стоимости на ранних этапах

В традиционной практике составления смет инженеры полагаются на прошлый опыт, устаревшие прайс-листы или разовые запросы поставщикам. Однако стремительный рост цен и их нестабильность делают такой подход ненадежным. Рост волатильности цен означает, что бюджеты, рассчитанные месяц назад, уже могут не соответствовать реальности. Например, цены на сталь или бетон могут меняться ежеквартально, а иногда и еженедельно, вследствие глобальных цепочек поставок и инфляционных процессов. На ранних этапах жизненного цикла строительства (стадия концепции и проектирования) особенно сложно учесть эти колебания, ведь до начала закупок проходят месяцы. Ошибка в оценке даже на 5–10% способна перерасти в значительное превышение сметы. Кроме того, заказчики ожидают от сметы высокой точности, иногда неоправданно предполагая, что предпроектная оценка будет «точным попаданием» в итоговую стоимость. Когда же фактические цены превышают прогноз, проект может потребовать переработки или дополнительного финансирования, что ведет к задержкам. В такой ситуации автоматизированный мониторинг цен становится критически важным инструментом для поддержки принятия решений — регулярное отслеживание рынка позволяет проактивно корректировать сметные расчеты и информировать заказчика о рисках изменения стоимости.

Обзор технологий мониторинга цен

Интеллектуальные системы мониторинга цен объединяют ряд передовых технологий, позволяющих автоматически собирать и интерпретировать данные с веб-источников:

  • Веб-парсинг с учетом динамического контента. Многие сайты поставщиков загружают цены с помощью JavaScript после первоначального открытия страницы. Традиционные методы (HTTP-запросы и парсинг HTML) могут не увидеть этих цен, поскольку обычные HTTP-клиенты (например, Requests) не выполняют JavaScript и возвращают только статический HTML. Это требует использования специальных средств: либо эмуляции браузера (headless-браузеры через Selenium, Playwright и др.), либо перехвата сетевых запросов страниц. Современные инструменты, такие как headless-браузеры или облачные scraping-API, способны рендерить страницу полностью, получая динамически загружаемые элементы (например, актуальные цены, подгружаемые через AJAX). В итоге парсинг становится надежным инструментом даже для сложных в техническом плане сайтов - система «видит» страницу почти как человек.
  • Семантический поиск и анализ. Чтобы найти нужные цены, недостаточно простого ключевого слова – названия материалов могут различаться, а товары иметь аналоги. Семантический поиск использует понимание смысла запроса и контекста, а не только точное совпадение слов. Например, при поиске цены на «кирпич керамический 250x120x65» система может семантически расширить запрос, включив синонимы и связанные термины: «кирпич одинарный», «кирпич обыкновенный М150» и т.д. Такой подход повышает полноту результатов. Семантический анализ также помогает извлекать смысл из текстовых описаний на сайтах: идентифицировать, что означает найденная позиция, соотнести ее с искомым материалом. Здесь применяются методы обработки естественного языка (NLP), включая named entity recognition для выделения сущностей (например, названий товаров, единиц измерения, производителей).
  • Автоматическое извлечение структурированных данных. Данные о ценах на сайтах поставщиков обычно представлены в виде карточек товаров, таблиц или прайс-листов. Задача системы — превратить неструктурированную веб-страницу в структурированные данные (записи о товаре). Интеллектуальные парсеры используют комбинацию правил и методов машинного обучения. С одной стороны, они распознают стандартные шаблоны разметки (например, HTML-тэги таблиц, списков), с другой — могут обучаться выделять нужные поля по контексту. Например, в коде страницы может не быть явных обозначений «цена» или «наименование», но семантический разбор текста позволит понять, что цифра со знаком валюты – это цена, строка определенного формата – описание, и т.д. Сложность в том, что структура разных сайтов поставщиков различна, и жестко запрограммированные парсеры требуют настройки под каждый сайт. Интеллектуальная система применяет подход «учись на примерах» — с помощью обученных моделей NLP она может извлекать однотипные данные даже из разных по верстке страниц. К примеру, используя заранее размеченные данные о продуктах (названия, бренды, характеристики), модель классифицирует текстовые узлы HTML и относит их к определенным полям (поле «цена», «название товара», «единица», «производитель» и пр.). В результате из несистематизированного HTML получается единая структура — по сути, таблица с нужными колонками.
  • Нормализованное сравнение цен и производителей. После сбора данных с разных площадок необходимо сопоставить позиции — убедиться, что сравниваются идентичные или эквивалентные товары. Здесь на помощь приходит нормализация. Во-первых, нормализация единиц измерения: цены должны быть приведены к общей базе (например, стоимость за штуку или за килограмм) для корректного сравнения. Если один поставщик указывает цену за упаковку из 50 штук, а другой — за 1 штуку, система сконвертирует первую в цену за единицу. Во-вторых, нормализация наименований и производителей: разные написания могут обозначать одно и то же. Интеллектуальные алгоритмы (включая кластеризацию и сравнение с помощью векторных представлений слов) способны определить, что «ООО СтройИнвест» и «Стройинвест, ООО» — это один производитель. Применяются и базы знаний (справочники компаний, товаров) для унификации названий. Аналогично, названия материалов приводятся к эталону – например, разные артикула или синонимичные названия объединяются под единым кодом номенклатуры. Все это позволяет агрегировать результаты: если один товар найден на 5 сайтах, система представит их как одну позицию с пятью вариантами цен. Такая автоматическая агрегация устраняет дубли и ошибки сопоставления, давая сметчику прозрачную картину диапазона цен по каждому материалу.

В Таблице 1 обобщены ключевые технологии и их роль в системе мониторинга цен.

Таблица 1.

Основные технологии, применяемые в интеллектуальных системах
мониторинга цен, и их назначение

Технология

Роль в системе мониторинга цен

Веб-парсинг с JavaScript-рендерингом

Извлечение цен с динамических сайтов поставщиков. Позволяет получать данные, загружаемые скриптами, эмулируя поведение браузера или перехватывая AJAX-запросы.

Семантический поиск

Поиск и фильтрация информации о товарах с учетом смысла запроса. Учитывает контекст, синонимы и связанные термины для более полного нахождения релевантных цен.

Извлечение структуры данных

Автоматическое распознавание полей (название, цена, единица, производитель) на веб-страницах. Преобразует неструктурированные HTML-страницы в структурированные записи (таблицы), пригодные для анализа.

Машинная нормализация данных

Сопоставление и унификация данных: перевод цен к единой единице измерения для справедливого сравнения, а также объединение различных названий одного товара или производителя в стандартный вид.

Автоматическая агрегация

Сведение данных с множества источников в единый набор. Исключает дубли и объединяет результаты, предоставляя сводку цен и атрибутов по каждому материалу на рынке в удобной форме (например, список или таблицу).

Кибернетический анализ. Мониторинг цен как система управления

Интеллектуальную систему мониторинга цен можно представить в виде кибернетического контура управления, где все элементы образуют замкнутый информационный цикл (рис. 1). По аналогии с системами автоматического регулирования, здесь присутствуют вход, регулятор, модель внешней среды и выход:

  • Вход (задача или поисковый запрос). На вход подаются исходные данные о потребности - перечень материалов или оборудование, для которых требуются актуальные цены. Это может быть текстовый запрос (например,  «арматура A500C диаметром 12 мм цена за тонну»), список позиций сметы или характеристики искомого товара. Входной сигнал задает цель системы – какую именно информацию необходимо найти.
  • Регулятор (модуль парсинга и фильтрации). Это ядро системы, ее алгоритмическая «управляющая часть». Получив запрос, регулятор решает, как его обработать - формирует поисковые подзапросы (например, к поисковым системам или напрямую к сайтам-поставщикам), запускает краулеры для обхода веб-страниц и применяет фильтры. Регулятор содержит логику, которая определяет, какие именно данные считать релевантными. Например, он отсеивает нерелевантные результаты (устаревшие цены, не подходящие по региону или объему предложения) и корректирует стратегию сбора в зависимости от ситуации. В кибернетическом смысле регулятор сравнивает текущее «состояние системы» с поставленной целью и вносит коррективы, подобно контроллеру с обратной связью. Если по какому-то материалу данных недостаточно, модуль может запустить дополнительный поиск или расширить критерии (например, взять близкий аналог товара).
  • Модель среды (внешняя среда поиска). Под внешней средой понимается совокупность источников, откуда система добывает информацию. Сюда входят поисковые машины (Google, Яндекс и пр.), которые индексируют сайты и позволяют находить страницы с ценами, а также сами веб-сайты поставщиков — интернет-магазины, площадки объявлений, биржи строительных материалов. Эта среда динамична и лишь частично подконтрольна системе - поисковые алгоритмы могут меняться, сайты — вводить защиту от ботов или обновлять дизайн. Интеллектуальная система содержит внутреннюю модель среды — знания о том, как устроены типовые сайты, как извлекать с них данные, какие сайты наиболее авторитетны для разных категорий товаров и т.д. По сути, модель среды — это комплекс правил и данных, с помощью которых регулятор эффективно взаимодействует с внешними ресурсами.
  • Выход (структурированный набор данных о ценах). На выходе контур выдает конечный продукт — собранные, очищенные и агрегированные сведения о ценах. Это может быть таблица цен на запрошенные материалы с указанием диапазона цен, среднего значения, источников (поставщиков) и условий (опт/розница, регион, дата обновления). Выходной сигнал служит для принятия решений:  сметчик или система управления проектом использует эти данные, чтобы скорректировать смету, провести анализ «что если» или обосновать бюджет перед заказчиком. Важна обратная связь: если выход не удовлетворяет требованиям (например, явно содержит выбросы или пробелы), цикл повторяется — запрос уточняется, настройки парсинга корректируются, запускается новый сбор данных. Таким образом, система работает как саморегулирующаяся: она может итеративно улучшать качество данных на основе анализа собственного результата, замыкая контур контроля (пользователь играет роль внешнего наблюдателя, который оценивает результат и при необходимости даёт системе новую команду).

Рис. 1. Управляющий контур системы мониторинга цен

Пример архитектуры инструмента мониторинга (Python)

Для практической реализации интеллектуального мониторинга цен можно использовать стек Python-технологий. На рис. 2 представлена упрощенная архитектура такого инструмента, которая включает несколько основных компонентов:

  1. Модуль сбора данных (краулер/парсер). Реализуется с помощью библиотек Python для веб-скрапинга. Например, сочетание Requests + BeautifulSoup позволяет извлекать HTML-контент и выделять нужные элементы. Однако для динамических сайтов задействуют Selenium (или аналог) — автоматизированный браузер, способный исполнить JavaScript и получить контент, недоступный простым запросом. Этот модуль отвечает за переход на внешний сайт: он принимает URL или поисковый запрос, загружает страницу, ждёт выполнения скриптов и возвращает сырой HTML-код страницы, содержащий цены.
  2. Модуль семантического анализа. Здесь происходит «понимание» как запроса, так и полученного контента. На основе входного описания материала формируется стратегия поиска (например, набор релевантных ключевых слов, синонимов). Далее, после парсинга HTML, NLP-алгоритмы извлекают смысловую информацию: находят название товара, стоимость, валюту, единицу, производителя, дату обновления. Этот модуль может опираться на заранее обученные модели: например, словарные модели или трансформеры, обученные на текстах прайс-листов, чтобы уверенно распознавать названия и характеристики. Результатом работы блока являются структурированные данные, например Python-словарь или JSON-объект для каждой найденной позиции (поля «наименование», «стоимость», «валюта», «единица», «поставщик», «URL источника» и т.п.).
  3. База данных цен. Собранные структурированные сведения сохраняются в хранилище — это может быть реляционная база (PostgreSQL, SQLite) либо NoSQL-решение (например, Elasticsearch для удобства текстового поиска по товарам). База данных позволяет агрегировать информацию с разных запусков системы и разных источников. Например, при повторном обновлении цен по тому же запросу система не только выдаст новые данные, но и сможет сравнить их с предыдущими, выявить тренды (повышение/понижение цен), а также отфильтровать дубликаты. Кроме того, исторические данные в БД важны для анализа рынка (возможность построения графиков изменения цен со временем).
  4. Логика агрегации и сравнения. Этот компонент совмещает данные, устраняя избыточность. Здесь применяется упомянутая нормализация — приводятся единицы измерения к общему стандарту, группируются одинаковые товары. Например, если один и тот же цемент найден на трех сайтах, система объединит их в одну запись с тремя вариантами цены. Также вычисляются сводные показатели - минимальная цена, максимальная, средняя по рынку, разброс. Могут быть реализованы и алгоритмы обнаружения аномалий: если одна из цен сильно выбивается, система пометит ее как потенциально ошибочную или требующую проверки.
  5. Интерфейс пользователя и отчеты. На практике инструмент представлен либо в виде веб-интерфейса, либо как модуль, интегрированный в программное обеспечение для смет (например, связанный с BIM-системой или Excel). Интерфейс отображает полученные данные в удобном формате - таблицы цен, графики тенденций, возможно, карты (если учитывается география цен). Пользователь может задавать новые запросы, уточнять параметры (например, выбрать регион или дату актуальности цен) и получать обновленные результаты. Также на основе базы данных могут генерироваться отчеты: например, экспорт актуальной сметной таблицы с подставленными текущими рыночными ценами, что снижает рутинную работу сметчика.

Рис. 2. Упрощенная архитектура интеллектуального мониторинга цен

В качестве иллюстрации можно привести упрощенный сценарий работы Python-инструмента. Скажем, нужно узнать текущие цены на бетон М300 в регионе Москвы. Сметчик вводит запрос через интерфейс. Система генерирует ряд поисковых подзапросов («купить бетон М300 Москва», «цена куба бетона М300» и т.д.) и передает их модулю сбора. Парсер с помощью Selenium посещает первые 10–15 ссылок, среди которых — сайты бетонных заводов и торговых площадок. Контент страниц поступает в модуль анализа, где из HTML извлекаются числовые значения цен (за 1 м³, за партию, с учетом доставки или без). Эти данные структурируются и помещаются в базу. Затем модуль агрегации сопоставляет цены: отличает цену за товар без доставки от цены с доставкой, учитывает НДС, пересчитывает если нужно к базовой стоимости. На выходе сметчик видит таблицу: «Бетон М300, оптовые поставки, цена за 1 м³» – и ряд значений с указанием поставщика и условий (самовывоз/доставка). Также система может построить график изменения средней цены за последний год (если данные накоплены в базе). Таким образом, за несколько минут получена актуальная информация, что было бы крайне трудоемко сделать вручную.

Технически подобный сервис можно реализовать на Python, используя свободно доступные библиотеки. К примеру, BeautifulSoup + Requests для простых сайтов, Selenium для сложных, pandas для обработки таблиц цен, NumPy для расчетов статистики, NLTK/spaCy или трансформерная модель для семантического понимания, SQLAlchemy для работы с базой данных. В реальных проектах также применяются специализированные фреймворки - существуют готовые решения для мониторинга цен (например, open-source проекты или коммерческие API), облегчающие разработку. Однако концептуально архитектура остается схожей с описанной выше.

Преимущества внедрения интеллектуальных систем мониторинга

Применение описанных технологий на этапе составления сметы дает ряд важных преимуществ:

  • Повышение точности смет и снижение ошибок. Человеческий фактор при ручном сборе цен может приводить к ошибкам - пропущенные позиции, неправильные единицы, опечатки. Автоматизированная система гарантирует консистентность данных: цены загружаются как есть с сайтов, с минимальным риском искажения. Кроме того, машина способна учесть десятки предложений и вычислить усредненные или наиболее вероятные цены, тогда как специалист физически ограничен в обзоре рынка. В результате смета становится более обоснованной, с меньшей вероятностью непредвиденных перерасходов. По оценкам экспертов, использование актуальных данных позволяет сократить разброс оценок и приблизить предварительную смету к итоговой контрактной цене, минимизируя отклонения.
  • Оперативность и экономия времени. Сбор информации, который вручную мог занять несколько дней (запросы поставщикам, ожидание ответов, обзвон компаний), автоматизированной системе под силу за часы или даже минуты. Это особенно важно при сжатых сроках проектирования, когда на уточнение сметы времени практически нет. Интеллектуальный инструмент может работать в фоновом режиме, обновляя цены регулярно (например, ежедневно) без участия человека. Сметчик получает готовые данные и может быстрее приступить к анализу и принятию решений. Таким образом, существенно ускоряется процесс подготовки коммерческих предложений и расчета стоимости — конкурентное преимущество для проектных организаций.
  • Адаптивность к изменениям рынка. Благодаря постоянному мониторингу система сразу реагирует на новые тенденции — рост цен на металл, сезонное удорожание цемента, появление на рынке новых дешевых поставщиков. Встроенные алерты могут уведомлять о значительных отклонениях – например, «цены на арматуру выросли на 15% за последний месяц». Это позволяет команде проекта своевременно принять меры: пересмотреть смету, заложить коэффициенты удорожания или закрепить цены с поставщиками заранее. В условиях нестабильной экономики такая гибкость особо ценна. По сути, система мониторинга выступает как инструмент управления рисками — проектная команда не «слепа» к тому, что происходит на рынке, и может проактивно адаптироваться.
  • Прозрачность и обоснованность для всех участников. Когда смета подкреплена объективными данными с рынка, это повышает доверие со стороны заказчика и инвесторов. Можно предъявить таблицы цен из открытых источников, продемонстрировать, что бюджет сформирован на основе реальных предложений поставщиков, а не умозрительных оценок. Это упрощает переговоры и утверждение сметы. Более того, система позволяет легко трассировать происхождение данных: для каждой цены известно, откуда она получена (URL сайта, дата). В случае споров или проверок такой аудит данных служит доказательной базой, повышая прозрачность ценообразования.
  • Масштабируемость и расширяемость. Интеллектуальные решения можно тиражировать на разные проекты и типы ресурсов. Например, один и тот же механизм пригоден для мониторинга цен как на стройматериалы, так и на оборудование, технику, услуги. База накопленных цен может превращаться в корпоративную систему знаний — своего рода каталог цен, постоянно обновляемый и пополняемый. В дальнейшем, подключив модули машинного обучения, на основе этих данных можно строить прогнозы (price forecasting) или оптимизационные модели (например, выбирать оптимальное время закупки или поставщика с лучшей ценой). Таким образом, начав с утилитарной задачи составления сметы, компания получает фундамент для более общей системы управления стоимостью в строительстве.

Для количественной оценки эффекта можно привести условный пример. Крупная проектно-строительная фирма внедрила систему мониторинга цен и интегрировала ее со своей программой составления смет. В течение года она отметила, что среднее отклонение плановой сметы от фактической цены контрактов снизилось с 20% до 5%. Кроме того, время на подготовку сметной документации сократилось на 30%, а трудозатраты сметчиков — на 15%, поскольку значительная часть рутинных действий автоматизирована. На базе изменения данных цифр возможно проиллюстрировать экономическую целесообразность внедрения подобных систем.

Заключение

На этапе проектирования строительства, когда закладывается основа будущего бюджета, доступ к актуальным и достоверным рыночным ценам является залогом точной сметы. Интеллектуальные системы мониторинга цен, объединяющие веб-скрапинг, семантический анализ и автоматическую агрегацию данных, позволяют решить проблему информационного разрыва между сметчиком и динамичным рынком. В статье рассмотрены ключевые компоненты таких систем - от технических деталей парсинга динамичных веб-страниц до концептуальной модели в виде кибернетического контура управления.

Результаты показывают, что применение подобных инструментов дает значимый эффект: повышается точность оценок, уменьшаются риски перерасхода, ускоряется процесс подготовки смет. В условиях волатильности цен на строительные ресурсы это конкурентное преимущество для компаний, позволяющее им быть гибкими и информированными. Кроме того, интеграция мониторинга цен с системами планирования (например, BIM) открывает возможности для создания цифровых двойников смет, где каждое изменение на рынке сразу отражается на финансовой модели проекта.

Перспективы развития подобных систем включают углубление элементов искусственного интеллекта - использование алгоритмов прогнозирования цен на основе больших данных, внедрение самообучающихся агентов, которые будут все эффективнее находить и интерпретировать ценовую информацию. Также возможно расширение охвата — от локальных рынков к глобальным, с учетом логистики и валютных рисков. В целом, цифровизация процесса сметного ценообразования, опирающаяся на интеллектуальный мониторинг рынка, становится неотъемлемой частью современного управленческого цикла в строительстве и обеспечивает более устойчивое и экономически обоснованное планирование проектов в неопределенной рыночной среде.

References

1. Babchuk V.I., Adamtsevich L.A. Automation of the process of passing the state examination of housing and civil construction projects using a domestic software package//Housing construction. 2024. No. 10. P. 52-60. DOI:https://doi.org/10.31659/0044-4472-2024-10-52-60 EDN: https://elibrary.ru/ZDPKAS

2. Filatov V.V., Pestrikova A.D., Adamtsevich L.A. Domestic experience in the development of information modeling technologies//Industrial and civil construction. 2023. No. 9. P. 80-87. DOI:https://doi.org/10.33622/0869-7019.2023.09.80-87 EDN: https://elibrary.ru/RWKEGQ

3. Babchuk V.I., Adamtsevich L.A. Automation of ifc mapping for export of information models according to the requirements of state examination//Industrial and civil engineering. 2024. No. 7. P. 70-78. DOI:https://doi.org/10.31659/0044-4472-2024-10-52-60 DOI: https://doi.org/10.33622/0869-7019.2024.07.70-78; EDN: https://elibrary.ru/EJNJCE

4. Egunova A. I., Averina A. E., Averin A. I. Automation of calculation of the cost of design and estimate documentation // Problems of modern science and education. - 2017. - No. 12. - P. 88-90.

5. Goncharova M. N. The role of monitoring in improving pricing in the construction industry // Economy and society. - 2021. - No. 2 (81). - P. 345-349.

6. Permyakova N. A. Actual problems and directions of development of cost estimation in construction // Actual researches. – 2024. – № 1(104). – P. 120–126.

7. Pilyay A., Shilova L. The use of normative basis for the construction cost for introduction OF 5D BIM in Russia//In the collection: XXIst International Scientific Conference on Advanced in Civil Engineering: Construction - The Formation of Living Environment, FORM 2018. Ser. "IOP Conference Series: Materials Science and Engineering" 2018. P. 062009. DOI:https://doi.org/10.1088/1757-899X/365/6/062009 EDN: https://elibrary.ru/YBUYLR

8. Adamtsevich L. A., Sorokin I. V., Nastychuk A. V. Promising technologies of Industry 4.0 in the context of digital transformation of the construction industry//Construction and architecture. 2022. Vol. 10. No. 4. Pp. 101-105 DOI:https://doi.org/10.29039/2308-0191-2022-10-4-101-105 EDN: https://elibrary.ru/GGNGAU

9. Adamtsevich L. Analysis of scientific research in the field of using AI in construction//Information resources of Russia. 2024. No. 6 (201). Pp. 42-59. DOI:https://doi.org/10.52815/0204-3653_204_6201_42 EDN: https://elibrary.ru/WQDDLU

10. Pilyai I.V. Application of artificial intelligence systems to estimate the time and cost of a construction project//Construction and architecture. 2023. Vol. 11. No. 1. P. 19. DOI:https://doi.org/10.29039/2308-0191-2022-11-1-19-19 EDN: https://elibrary.ru/PJKRVF

11. Kamaeva Yu.V., Zhdanova T.V., Ginzburg E.A. Application of artificial intelligence in construction: a review of domestic experience//Construction and architecture. 2024. Vol. 12. No. 2 (43). DOI:https://doi.org/10.29039/2308-0191-2024-12-2-8-8 EDN: https://elibrary.ru/TLBUKQ

12. Kamaeva Yu.V. Predictive analytics as a tool for minimizing and preventing emergency situations at capital construction sites//Construction and architecture. 2023. Vol. 11. No. 3. P. 1 DOI:https://doi.org/10.29039/2308-0191-2023-11-3-12-12 EDN: https://elibrary.ru/TWYQRS

13. Ginzburg A.V., Ryzhkova A.I. Artificial Intelligence Capabilities to Improve Organizational and Technological Reliability of Construction Production//Bulletin of MGSU. 2018. Vol. 13. No. 1 (112). P. 7-13. DOI:https://doi.org/10.22227/1997-0935.2018.1.7-13 EDN: https://elibrary.ru/XCIOMJ


Login or Create
* Forgot password?