🤖 AI

Evidence-Grounded Constraint Checking in Construction Documents

Cet article présente un pipeline fondé sur des preuves pour automatiser la revue de documents de construction, démontrant que la réallocation des preuves visuelles d'aperçus de pages entières vers des tuiles chevauchantes focalisées améliore considérablement la précision de la décision dans des contextes spécifiques tout en révélant un compromis entre résolution et étendue qui limite les avantages universels et souligne le besoin continu d'une supervision experte.

Auteurs originaux : Rashid Mushkani, Hugo Berard, Shin Koseki

Publié 2026-08-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rashid Mushkani, Hugo Berard, Shin Koseki

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre un mystère, mais au lieu d'une scène de crime, votre bureau est un immense tas de plans de construction, de spécifications et de contrats juridiques. Ces documents sont énormes, remplis de texte minuscule, de dessins complexes et de références qui sautent d'une page à l'autre. Pour résoudre le mystère, vous devez vérifier si tout respecte les règles : Est-ce que la porte sur le dessin correspond à la porte sur la liste ? Est-ce que le matériau spécifié dans le contrat est réellement représenté sur le plan ? C'est le monde de la « vérification de contraintes » (constraint checking). Il s'agit d'une branche de l'intelligence artificielle où les ordinateurs tentent d'agir comme des ingénieurs experts, en vérifiant qu'une conception de bâtiment respecte toutes les lois et normes de sécurité nécessaires. Le grand défi ? Les ordinateurs sont excellents pour lire des mots, mais ils se perdent souvent lorsqu'ils doivent relier un détail infime d'un dessin à une phrase située dans un autre document. Si un ordinateur manque une minuscule violation de règle, il pourrait donner un « feu vert » à un bâtiment qui n'est pas sûr, ce qui est une très mauvaise chose. Ainsi, les scientifiques essaient de déterminer la meilleure façon de fournir ces documents à un ordinateur pour qu'il puisse repérer les erreurs sans être submergé.

Ce document, intitulé « Evidence-Grounded Constraint Checking in Construction Documents », s'attaque à un casse-tête très spécifique de ce travail de détective : Combien de l'image l'ordinateur doit-il voir ?

Les chercheurs ont mis en place une expérience ingénieuse pour tester deux manières différentes de présenter les documents à une IA. Imaginez que vous ayez un nombre limité de « créneaux photo » (le papier appelle cela un « plafond de quatre images ») pour montrer les documents à l'IA.

Option A (Page-RAG) : Vous montrez à l'IA quatre pages différentes, mais sous la forme d'un aperçu global et flou de la feuille entière. C'est comme regarder quatre cartes différentes de loin ; vous voyez tout le quartier, mais vous ne pouvez pas lire les noms des rues.
Option B (Region-RAG) : Vous montrez à l'IA une seule page, mais vous zoomez très près sur trois parties différentes de celle-ci, plus un aperçu général. C'est comme regarder une carte avec une loupe ; vous pouvez lire les noms de rues minuscules, mais vous ne voyez pas comment le quartier se connecte au suivant.

L'équipe a testé cela sur 160 tâches référencées par des experts tirées de 29 projets de construction réels. Ils ont utilisé quatre systèmes d'IA différents et ont répété les tests de nombreuses fois pour voir quelle méthode aidait l'IA à prendre de meilleures décisions.

Voici ce qu'ils ont trouvé, et c'est un peu un retournement de situation :

La victoire du « Zoom » (Mais seulement parfois)
Lorsqu'ils ont testé les mêmes six projets de manière répétée, le fait de zoomer sur les détails (Region-RAG) a fonctionné de manière surprenante. Cela a amélioré la précision de décision de l'IA de 10,6 points de pourcentage (passant d'environ 40 % de réussite à 51 % de réussite). Cela a également permis à l'IA de détecter moins de « faux passages » (dire par erreur qu'un bâtiment est sûr alors qu'il ne l'est pas). Dans ce test spécifique et répété, l'approche de la loupe a été la gagnante.

Le rappel à la réalité de la « Vue d'ensemble »
Cependant, l'histoire change lorsqu'ils ont examiné une plus grande variété de projets. Lorsqu'ils ont testé l'IA sur 23 projets différents et nouveaux qu'elle n'avait pas vus auparavant, la stratégie du zoom a en fait empiré. Dans ce test plus large, la précision a chuté de 4,1 points de pourcentage. L'IA a eu du mal car elle était tellement concentrée sur les détails minuscules d'une seule page qu'elle a manqué les connexions plus larges entre les différents documents.

La grande conclusion
Le document conclut qu'il n'existe pas de « solution miracle » unique pour la façon de présenter les documents à une IA.

Si vous devez vérifier un détail spécifique et local (comme « est-ce que cette poignée de porte correspond à la spécification ? »), zoomer est préférable.
Si vous devez vérifier comment différents documents sont liés entre eux (comme « est-ce que le calendrier correspond au dessin ? »), voir la page entière est préférable.

Les auteurs écartent explicitement l'idée qu'une méthode soit toujours supérieure à l'autre. Ils ont découvert que la « meilleure » approche dépend entièrement du type de règle que vous vérifiez. Ils soulignent également que, même avec la meilleure méthode, les systèmes d'IA actuels ne sont pas prêts à travailler seuls. Les taux d'erreur sont encore trop élevés, et l'IA manque souvent l'emplacement exact d'un problème. Le document suggère que l'avenir ne consiste pas à remplacer les experts humains, mais à construire un système « hybride » qui sait quand zoomer et quand prendre du recul, signalant les cas difficiles pour une révision humaine.

En bref, ce document nous enseigne que dans le monde de la vérification des règles de construction, on ne peut pas simplement donner à l'ordinateur une loupe ou un objectif grand angle et s'attendre à ce qu'il comprenne tout parfaitement. Il faut être intelligent quant à l'outil que l'on utilise, et même ainsi, on a toujours besoin d'un détective humain pour vérifier le travail.

Résumé Technique : Vérification de Contraintes Fondée sur des Preuves dans les Documents de Construction

Formulation du Problème
L'article traite du défi de la revue de documents professionnels dans le secteur de l'architecture, de l'ingénierie et de la construction (AEC), en le formulant comme un problème de vérification de contraintes fondé sur des preuves. Contrairement au questionnement visuel standard (VQA), la revue de documents de construction nécessite la vérification de contraintes typées à travers le texte, la géométrie, la structure du document et les états de révision. Une difficulté critique réside dans l'arbitrage entre la résolution (lire les détails de petite taille comme les lignes de rappel, les annotations et les dimensions) et l'étendue (maintenir le contexte de la mise en page globale pour les références inter-feuilles). Les auteurs postulent que les flux de texte non ordonnés échouent souvent à préserver les relations spatiales nécessaires à un jugement professionnel correct, et que les faux positifs non vérifiés (faux passages) entraînent des conséquences juridiques et de sécurité importantes.

Méthodologie
Les auteurs proposent un pipeline composé de quatre composantes centrales :

Adaptateurs de Sources : Un système de récupération de texte préservant la mise en page (utilisant BM25) combiné à des régions visuelles bornées. Le système prend en charge les PDF (évalués), le CAO et l'IFC (via des contrats d'adaptateurs).
Faits Typés : Un extracteur mappe les preuves sources vers des faits structurés contenant un prédicat, une valeur observée, une valeur attendue, un état (vérifié, violé, manquant, incertain), une confiance et des références sources.
Règles Déterministes : Un réducteur à échec fermé (fail-closed) exécute une logique à quatre états (Équation 1). Il donne la priorité aux violations sur les preuves manquantes et empêche la conversion d'une preuve incomplète en un « passage ». La logique de décision est strictement déterministe, garantissant que les mêmes faits produisent toujours la même décision sans révision générative.
Traces de Preuve et Escalade : Le système génère une trace auditable des étapes de la règle et des segments sources. Il escalade les cas qui sont incertains, manquent d'informations, ont une faible confiance ou manquent de citations sources pour examen par un expert.

Conception Expérimentale
L'étude évalue une intervention spécifique d'allocation de preuves en utilisant le jeu de données AEC-Bench (160 tâches référencées par des experts à travers 29 projets).

Variable Contrôlée : L'allocation d'un budget fixe allant jusqu'à quatre pièces jointes d'images.
Conditions :
- Page-RAG : Alloue la capacité à jusqu'à quatre aperçus de pages distincts.
- Region-RAG : Alloue la capacité à un aperçu de page plus trois recadrages haute résolution chevauchants de la boîte englobante de l'encre de cette page.
Blocs :
- Test Répété : 40 tâches de 6 projets, testées sur 4 systèmes LLM différents (Gemini 3.1 Pro, Gemini 3.6 Flash, GPT-5.6 Sol, GPT-5.6 Luna) avec 5 appels par cellule (2 400 essais).
- Extension de l'Étendue : 120 tâches de 23 projets disjoints, testées sur 2 systèmes avec 1 appel par cellule (480 essais).

Résultats Clés

Arbitrage Résolution vs Étendue :
- Dans le test répété (6 projets), Region-RAG a amélioré la précision de la décision standardisée de 10,6 points de pourcentage (de 40,3 % à 51,0 % ; $p=.031$ ) par rapport à Page-RAG. Il a également réduit considérablement les taux de faux passages.
- Dans l'extension de l'étendue (23 projets disjoints), la tendance s'est inversée. Region-RAG a diminué la précision de -4,1 points de pourcentage (non statistiquement significatif, $p=.209$ ), et les deux systèmes ont favorisé Page-RAG.
Décision vs Localisation : Bien que Region-RAG ait amélioré le triage grossier (précision de la décision) dans le petit échantillon, la correction exacte de la tâche et la localisation de la découverte sont restées faibles (par exemple, le F1 de localisation est passé de 5,2 % à 9,0 % dans le test répété). Le système identifie souvent la bonne décision sans localiser précisément le défaut.
Problèmes de Calibration : L'échantillonnage répété a montré une fréquence d'accord élevée mais une faible calibration ; l'accord élevé ne corrélait pas avec une haute correction. Les faux passages restent courants, rendant les systèmes inaptes à l'approbation autonome.

Contributions

Architecture : Une architecture de vérification de contraintes typées présentant une réduction déterministe, des contrats de preuves au niveau de la source et une escalade explicite vers l'expert.
Jeu de Données : Une suite de tâches référencées par des experts et lisible par machine, comprenant 160 tâches à travers sept familles de contraintes et 29 projets sources.
Résultat Empirique : Une expérience contrôlée démontrant qu'un gain de 10,6 points dans un test répété peut basculer vers une perte de -4,1 points dans un contexte plus large, exposant un arbitrage résolution–étendue fondamental qui nécessite un routage conscient des règles plutôt qu'une stratégie de pavage universelle.

Signification et Revendications
L'article affirme que le résultat central n'est pas un avantage universel pour le pavage (Region-RAG) mais un arbitrage mesuré qui nécessite un routage conscient des règles et des preuves avant l'examen par un expert. Les auteurs soulignent que :

Pas de Solution Universelle : Un paquet fixe focalisé sur les régions n'est pas une solution générale pour la revue de documents grand format ; l'étendue de la page est essentielle pour les vérifications inter-documents.
Sécurité à Échec Fermé (Fail-Closed) : L'architecture garantit que l'absence de preuves entraîne un statut de « Informations Manquantes » plutôt qu'un faux « Passage », préservant ainsi la responsabilité professionnelle.
Limites des Systèmes Actuels : Les systèmes actuels ne sont pas prêts pour l'approbation autonome en raison des faux passages fréquents, de la faible localisation exacte et de la confiance mal calibrée.
Direction Future : La voie pratique consiste en un vérificateur hybride qui route les preuves en fonction de la structure de la contrainte (par exemple, la géométrie locale nécessite de la résolution ; les vérifications d'index nécessitent de l'étendue) et expose la complétude de la preuve aux experts humains.

Les auteurs déclarent explicitement que leur travail n'infère pas l'accord des experts (car les données d'accord inter-annotateurs ne sont pas disponibles) et que les résultats sont spécifiques aux distributions de projets évaluées et aux déploiements hébergés, et ne constituent pas une garantie pour tous les documents de construction.

Résumé Technique : Vérification de Contraintes Fondée sur des Preuves dans les Documents de Construction

Articles similaires