Trunk Tools réduit le temps d'examen des documents de mois à jours grâce à une IA spécialisée

La société de gestion de projets de construction Trunk Tools a développé une architecture d'IA spécialisée à trois couches, réduisant considérablement les temps d'examen des documents. L'entreprise affirme que le système ramène le processus d'examen de 60 jours à 10, évitant ainsi des erreurs coûteuses sur site et permettant aux agents autonomes d'analyser des millions de pages de documentation.

Les grands modèles linguistiques (LLM) généralistes traditionnels peinent avec les données provenant d'industries spécialisées comme la construction. Ces modèles sont optimisés pour la largeur, pas nécessairement pour la profondeur, et échouent souvent à interpréter le jargon spécifique à l'industrie, les flux de travail implicites et les relations complexes. Sarah Buchner, fondatrice et PDG de Trunk Tools, a expliqué que leur objectif était de collecter des données à partir de systèmes distribués, de les prétraiter, de les structurer, puis de former des modèles d'IA sur cette base.

Le système de Trunk Tools comprend trois couches : Perception, Sémantique et Agents. La couche de Perception lit et extrait des données de documents complexes tels que des PDF et des dessins, où les symboles peuvent avoir des significations différentes selon leur emplacement. La couche Sémantique interprète ensuite ces données et comprend leurs relations, par exemple en reliant une indication de porte à ses spécifications ou au corps de métier responsable de son installation. Enfin, la couche Agents utilise ces informations pour soutenir l'automatisation des projets et répondre aux questions critiques.

Le développement de modèles spécialisés est crucial dans les secteurs où le coût des erreurs est élevé et la documentation standardisée, tels que la construction, le droit et la santé. L'approche de Trunk Tools offre un modèle pour transformer le chaos des données en flux de travail spécifiques à l'industrie, prêts à être utilisés par des agents d'IA. L'entreprise souligne que les modèles entraînés pour un domaine spécifique sont plus fiables que les modèles généralistes, qui manquent de capacité à traiter en profondeur les détails spécifiques de l'industrie.