Trunk Tools minskar granskningstiden för dokument från månader till dagar med specialiserad AI
Byggprojektledningsföretaget Trunk Tools har utvecklat en specialiserad trelagers AI-arkitektur. Systemet har minskat granskningstiden för dokument från 60 dagar till 10 dagar.

Byggprojektledningsföretaget Trunk Tools har utvecklat en trelagers AI-arkitektur som avsevärt har minskat granskningstiden för dokument. Enligt företaget har systemet kortat ner granskningsprocessen från 60 dagar till 10 dagar, vilket förhindrar kostsamma fel på byggarbetsplatser och ger automatiserade agenter möjlighet att förstå miljontals sidor dokumentation.
Traditionella, allmänna stora språkmodeller (LLM) kämpar med data från specialiserade områden som byggbranschen. Dessa modeller är optimerade för bredd, inte nödvändigtvis djup, och misslyckas ofta med att tolka branschspecifik terminologi, implicita arbetsflöden och komplexa relationer. Sarah Buchner, grundare och VD för Trunk Tools, förklarade att deras mål var att hämta data från distribuerade system, förbearbeta den, strukturera den och sedan träna AI-modeller baserat på den.
Trunk Tools system består av tre lager: Perception (igenkänning), Semantics (semantik) och Agents (agenter). Perceptionlagret läser och extraherar data från röriga dokument som PDF-filer och ritningar, där symbolers mening kan variera beroende på placering. Semantiklagret bearbetar den informationen och förstår dess relationer, såsom sambandet mellan en dörrmarkering och dess specifikationer eller entreprenören som installerar den. Slutligen använder agenterlagret denna information för att stödja projektautomation och besvara kritiska frågor.
Utvecklingen av specialiserade modeller är avgörande inom sektorer där kostnaden för fel är hög och dokumentationen är standardiserad. Sådana sektorer, förutom byggbranschen, inkluderar juridik och hälsovård. Trunk Tools tillvägagångssätt erbjuder en möjlighet att omvandla datakaos till branschspecifika arbetsflöden som är redo för AI-agenter. Företaget betonar att modeller tränade för en specifik sektor är mer tillförlitliga än allmänna modeller som inte kan hantera specifika branschdetaljer på djupet.