घर बनाना एक वादे के साथ शुरू होता है: रेखाचित्रों का एक सेट जो एक निर्माता को बताता है कि वास्तव में क्या निर्माण करना है और कितनी सामग्री की आवश्यकता है। ये ब्लूप्रिंट केवल रेखाचित्र नहीं हैं; वे जटिल निर्देश हैं जहाँ एक एकल रेखा एक दीवार का प्रतिनिधित्व करती है, एक नोट लकड़ी के एक विशिष्ट प्रकार का संकेत देता है, और एक डाइमेंशन स्ट्रिंग (विमीय श्रृंखला) एक बीम की लंबाई निर्धारित करती है। इन पृष्ठों को सामग्री की सूची में बदलना—हर स्टड, हर ड्राईवॉल शीट और छत के हर वर्ग फुट को गिनना—एक कार्य है जिसे 'क्वांटिटी टेकऑफ' कहा जाता है। दशकों से, यह मानव विशेषज्ञों का क्षेत्र रहा है जिन्हें दर्जनों पृष्ठों में बिखरी हुई जानकारी को पढ़ना, मापना और मिलान करना पड़ता है, और अक्सर उन अंतरालों को उस ज्ञान से भर देते हैं जो कागज पर कभी दिखाई नहीं देता। यहाँ एक गलती केवल गणितीय त्रुटि नहीं है; इसका अर्थ हजारों डॉलर की बर्बाद सामग्री या एक ऐसा प्रोजेक्ट रुक जाना हो सकता है क्योंकि गलत मात्रा में कंक्रीट ऑर्डर किया गया था।

वर्षों से, कंप्यूटर वैज्ञानिकों ने मशीनों को यह काम सिखाने की कोशिश की है। लार्ज लैंग्वेज मॉडल्स (LLMs), शक्तिशाली कृत्रिम बुद्धिमत्ता प्रणाली जो निबंध लिख सकती हैं और प्रश्नों के उत्तर दे सकती हैं, इनका परीक्षण इन रेखाचित्रों पर किया गया है। वे टेक्स्ट को पढ़ सकते हैं और शब्दों को समझ सकते हैं, लेकिन वे ब्लूप्रिंट की दृश्य वास्तविकता के साथ संघर्ष करते हैं। वे एक दीवार देख सकते हैं लेकिन उसे सही ढंग से मापने में विफल हो सकते हैं, या वे दो अलग-अलग पृष्ठों पर दिखने वाले एक दरवाजे को दो अलग-अलग दरवाजे गिन सकते हैं। उनमें निर्माण संबंधी परंपराओं की विशिष्ट, जमीनी समझ का अभाव होता है—जैसे यह जानना कि दीवारें एक सटीक अंतराल पर रखे गए स्टड्स के साथ बनाई जाती हैं—जो अनुभवी बिल्डरों के मन में होती है। परिणाम एक ऐसे अंतर के रूप में सामने आया है जो मशीनों द्वारा कही जाने वाली बातों और उनके द्वारा वास्तव में गणना करने की क्षमता के बीच है।

Handoff AI Research की एक टीम ने अब Handoff-H1 नामक एक प्रणाली पेश की है, जिसे इस अंतर को केवल एक स्मार्ट मशीन बनाकर नहीं, बल्कि विशेष उपकरणों की एक ऐसी टीम बनाकर पाटने के लिए डिज़ाइन किया गया है जो एक साथ मिलकर काम करती है। वास्तविक आवासीय ब्लूप्रिंट के एक नए बेंचमार्क के विरुद्ध मूल्यांकित उनका कार्य दिखाता है कि कंप्यूटर विजन, विशेष सॉफ्टवेयर टूल और एक संरचित ज्ञान आधार (knowledge base) को संयोजित करने वाला एक सिस्टम ऐसे सामग्री अनुमान (material estimates) तैयार कर सकता है जो न केवल वर्तमान शीर्ष-स्तरीय एआई मॉडल से अधिक व्यापक हैं, बल्कि मानव विशेषज्ञों की सटीकता और पूर्णता का भी मुकाबला करते हैं।

समस्या का मूल कारण यह है कि निर्माण रेखाचित्र कैसे संवाद करते हैं। एक ब्लूप्रिंट हर एक कील या स्टड को सूचीबद्ध नहीं करता है; यह संरचना को दिखाता है और पाठक से मानक नियमों को लागू करने की अपेक्षा करता है। यदि कोई ड्राइंग एक दीवार दिखाती है, तो एक मानव अनुमानक (estimator) जानता है कि लकड़ी के स्टड्स की संख्या की गणना मानक अंतराल के आधार पर कैसे की जाए, भले ही ड्राइंग में अंतराल स्पष्ट रूप से न लिखा हो। इसके लिए एक फ्लोर प्लान को देखने, एक आयाम को मापने, दूसरे पृष्ठ पर एक नोट की जांच करने और फिर अंतिम संख्या तक पहुँचने के लिए एक 'रूल ऑफ थम' (अनुमानित नियम) लागू करने की आवश्यकता होती है। इस प्रक्रिया में तीन अलग-अलग चुनौतियाँ शामिल हैं: दृश्य तत्वों को स्पष्ट रूप से देखना, संबंधित जानकारी को जोड़ने के लिए कई पृष्ठों के माध्यम से तर्क करना, और परिणामों को उन उद्योग परंपराओं में स्थापित करना जो कभी लिखे नहीं जाते।

Handoff-H1 इन चुनौतियों का समाधान तीन परतों में कार्य को व्यवस्थित करके करता है। पहली परत उद्देश्य-निर्मित कंप्यूटर विजन मॉडल का एक सेट है। सामान्य इमेज रीडर्स के विपरीत, ये मॉडल निर्माण रेखाचित्रों पर विशेष रूप से प्रशिक्षित किए गए हैं ताकि वे टाइप किए गए तत्वों—कमरे, दीवारें, दरवाजे और खिड़कियों—की पहचान और लेबल कर सकें। वे कच्चे PDF फ़ाइलों से बुनियादी संरचना को पुनः प्राप्त करने के लिए सिस्टम की 'आंखों' के रूप में कार्य करते हैं। दूसरी परत एक निरंतर 'प्रोजेक्ट फाउंडेशन' है, एक संरचित डेटाबेस जो जो देखा गया है उसे व्यवस्थित करता है। यह फाउंडेशन जानकारी को एक पदानुक्रम (hierarchy) में रखता है जो वास्तव में निर्माण परियोजनाओं के निर्माण के तरीके को दर्शाता है, कार्य को फ्रेमिंग, प्लंबिंग और इलेक्ट्रिकल जैसे विभिन्न ट्रेडों में विभाजित करता है। महत्वपूर्ण रूप से, यह फाउंडेशन निर्माण नियमों और परंपराओं के एक क्यूरेटेड ज्ञान आधार पर आधारित है, जिससे यह सुनिश्चित होता है कि सिस्टम जानता है कि, उदाहरण के लिए, एक निश्चित प्रकार की छत के लिए ढलान की गणना के लिए एक विशिष्ट नियम की आवश्यकता होती है जो सपाट ड्राइंग में दिखाई नहीं देता है।

तीसरी परत 'विजन एजेंटों' का ऑर्केस्ट्रेशन (संचालन) है। ये सॉफ्टवेयर कार्यकर्ता हैं जो फाउंडेशन से मिली जानकारी और विजन मॉडल द्वारा प्रदान किए गए टूल का उपयोग करके वास्तविक गिनती और माप करते हैं। वे सब कुछ एक साथ करने की कोशिश नहीं करते हैं। इसके बजाय, वे एक समय में एक ट्रेड पर ध्यान केंद्रित करते हैं, जटिल योजनाओं को व्यक्तिगत सदस्यों में तोड़ने के लिए विशेष उपकरणों का उपयोग करते हैं, जैसे कि एक फ्रेमिंग प्लान को प्रत्येक एकल स्टड में तोड़ना। यदि कोई एजेंट अनिश्चित है, तो वह किसी विशिष्ट क्षेत्र को गिनने या मापने के लिए एक विशेष टूल का आह्वान कर सकता है, बजाय अनुमान लगाने के। अंत में, एक स्वतंत्र सत्यापन प्रक्रिया (verification pass) कार्य का ऑडिट करती है, अंतिम सूची तैयार होने से पहले छूटे हुए आइटमों या असंभव मात्राओं की जाँच करती है।

इस प्रणाली का परीक्षण करने के लिए, शोधकर्ताओं ने TAKEOFFBENCH-V1 नामक एक बेंचमार्क बनाया। उन्होंने दस वास्तविक, अनुमत आवासीय ब्लूप्रिंट के सेट एकत्र किए और उन्हें सामग्री की एक "गोल्ड स्टैंडर्ड" सूची के साथ जोड़ा। यह गोल्ड स्टैंडर्ड किसी एक व्यक्ति द्वारा नहीं बनाया गया था, बल्कि यह एक सहमति प्रक्रिया का परिणाम था जहाँ कई स्वतंत्र पेशेवर अनुमानकों ने एक ही ड्राइंग पर काम किया और उनके परिणामों को एक एकल, सत्यापित सत्य बनाने के लिए मिलान किया गया। यह दृष्टिकोण स्वीकार करता है कि मानव विशेषज्ञ भी कुछ मापों पर असहमत हो सकते हैं, इसलिए बेंचमार्क एक असंभव आदर्श के बजाय एक यथार्थवादी, उच्च-गुणवत्ता वाले मानक को दर्शाता है। इस बेंचमार्क में दो हजार से अधिक सत्यापित लाइन आइटम शामिल हैं, जो कंक्रीट और फ्रेमिंग से लेकर ड्राईवॉल और रूफिंग तक नौ अलग-अलग निर्माण ट्रेडों को कवर करते हैं।

जब शोधकर्ताओं ने परीक्षण चलाया, तो परिणाम चौंकाने वाले थे। उन्होंने Handoff-H1 की तुलना सात सबसे उन्नत उपलब्ध कृत्रिम बुद्धिमत्ता मॉडलों से की, जिसमें ओपन-वेट और क्लोज्ड-वेट दोनों सिस्टम शामिल थे। इन मॉडलों को समान कच्चे PDF फ़ाइल दिए गए और सामग्री की सूची बनाने के लिए कहा गया। इन सर्वश्रेष्ठ फ्रंटियर मॉडलों ने लगभग 61 प्रतिशत का कंपोजिट स्कोर प्राप्त किया। इसके विपरीत, Handoff-H1 ने 81.6 प्रतिशत का स्कोर प्राप्त किया। लगभग बीस अंकों का यह अंतर महत्वपूर्ण है, जो यह सुझाव देता है कि Handoff-H1 की विशेष वास्तुकला—इसका विजन, ज्ञान और ऑर्केस्ट्रेशन का संयोजन—उन समस्याओं को हल करता है जिन्हें सामान्य-उद्देश्य वाले मॉडल नहीं कर पाते।

शायद अधिक महत्वपूर्ण बात यह है कि सिस्टम की तुलना सीधे स्वतंत्र पेशेवर अनुमानकों से की गई थी, जो वे मानव विशेषज्ञ हैं जिन्होंने 'ग्राउंड ट्रुथ' बनाया था। जब इन मनुष्यों को उसी गोल्ड स्टैंडर्ड के विरुद्ध स्कोर किया गया, तो उन्होंने 77.6 प्रतिशत का कंपोजिट स्कोर प्राप्त किया। Handoff-H1 ने मानव औसत को पीछे छोड़ दिया, और दस में से छह ड्राइंग सेटों में विशेषज्ञों से अधिक स्कोर किया। सिस्टम ने यह उपलब्धि अपनी गहनता (thoroughness) से हासिल की; इसने मनुष्यों की तुलना में अधिक आइटमों को खोजा और गिना, विशेष रूप से फ्रेमिंग और रूफिंग जैसे जटिल क्षेत्रों में जहाँ मानव अनुमानक अक्सर विवरण भूल जाते हैं या स्कोप छोड़ देते हैं। जबकि मानव विशेषज्ञ उन वस्तुओं पर जो उन्होंने ढूंढी थीं, थोड़े अधिक सटीक थे, सिस्टम की व्यापक कवरेज की क्षमता के परिणामस्वरूप बेहतर समग्र अनुमान प्राप्त हुआ।

परिणामों के विश्लेषण से पता चला कि सिस्टम कहाँ उत्कृष्ट है और उसे अभी भी किन चुनौतियों का सामना करना पड़ रहा है। सिस्टम उन ट्रेडों पर असाधारण रूप से अच्छा प्रदर्शन करता है जिनमें क्षेत्रों और ढलानों से मात्रा निकालने की आवश्यकता होती है, जैसे कि रूफिंग और ड्राईवॉल, जहाँ मानव अनुमानक अक्सर निरंतरता बनाए रखने में संघर्ष करते हैं। यह प्लंबिंग फिक्स्चर और खिड़कियों जैसी गिनती वाले कार्यों में भी बहुत अच्छा प्रदर्शन करता है। हालाँकि, सिस्टम, मनुष्यों की तरह ही, निरंतर मापों (continuous measurements)—जैसे कि दीवार की सटीक लंबाई या छत का क्षेत्रफल—को सबसे कठिन कार्य पाता है। इन कार्यों के लिए ड्राइंग में मौजूद अस्पष्टताओं को सुलझाने की आवश्यकता होती है, जैसे कि क्या एक डाइमेंशन लाइन में दीवार की मोटाई शामिल है, एक ऐसी बहस जो मानव विशेषज्ञों के बीच भी हो सकती है। इन मापों पर सिस्टम की सटीकता मानव विशेषज्ञों की तुलना में थोड़ी कम थी, लेकिन इसकी कवरेज बहुत बेहतर थी, जिसका अर्थ है कि इसने कुल मिलाकर कम चीजें छोड़ीं।

शोधकर्ता इस बात पर जोर देते हैं कि यह सफलता कृत्रिम बुद्धिमत्ता में किसी एक बड़ी सफलता के कारण नहीं है, बल्कि विभिन्न क्षमताओं के सावधानीपूर्वक संयोजन के कारण है। सामान्य-उद्देश्य वाले मॉडल, यहाँ तक कि सबसे उन्नत भी, जब समान कच्चे इनपुट दिए गए, तो मानव विशेषज्ञों या Handoff-H1 सिस्टम के स्तर तक पहुँचने में विफल रहे। वे ऐसे अनुमान प्रस्तुत करते थे जो सुनने में तो सही लगते थे लेकिन उनमें आयामी आधार (dimensional grounding) की कमी थी, और वे अक्सर मात्राओं का भ्रम (hallucination) पैदा करते थे या उस ट्रेड-विशिष्ट तर्क को मिस कर देते थे जो एक ड्राइंग को सामग्री सूची में बदलने के लिए आवश्यक है। Handoff-H1 सिस्टम इसलिए सफल हुआ क्योंकि इसने सब कुछ करने के लिए एक एकल मॉडल पर भरोसा नहीं किया; इसके बजाय, इसने एक संरचित दृष्टिकोण का उपयोग किया जिसने देखने, जानने और तर्क करने को अलग किया।

यह कार्य विशेष क्षेत्रों में कृत्रिम बुद्धिमत्ता के लिए एक मार्ग प्रशस्त करता है। यह प्रदर्शित करता है कि जटिल, वास्तविक दुनिया के कार्यों के लिए, सबसे प्रभावी सिस्टम वे नहीं हैं जिनके पास सबसे बड़े भाषा मॉडल हैं, बल्कि वे हैं जो डोमेन की संरचना और नियमों की गहरी समझ के साथ बनाए गए हैं। कंप्यूटर विजन को एक क्यूरेटेड ज्ञान आधार और एक संरचित वर्कफ़्लो के साथ जोड़कर, सिस्टम एक ऐसा स्तर प्राप्त करने में सक्षम हुआ जो मानव विशेषज्ञों का मुकाबला करता है। शोधकर्ताओं ने अपने मूल्यांकन उपकरणों को सार्वजनिक कर दिया है, जिससे अन्य लोग अपने स्वयं के सिस्टम का परीक्षण उसी बेंचमार्क के विरुद्ध कर सकें, जबकि वास्तविक ब्लूप्रिंट डेटा और ग्राउंड ट्रुथ को प्रतिबंधित रखा गया है ताकि सिस्टम केवल उत्तरों को याद न कर सके। यह दृष्टिकोण सुनिश्चित करता है कि भविष्य की प्रगति वास्तविक क्षमता द्वारा मापी जाए, न कि प्रशिक्षण डेटा को याद करने की क्षमता द्वारा।

अध्ययन निष्कर्ष निकालता है कि हालांकि सिस्टम पूर्ण नहीं है, फिर भी यह एक ऐसे कार्य को स्वचालित करने की दिशा में एक महत्वपूर्ण कदम है जो लंबे समय से मानव विशेषज्ञों का विशेष क्षेत्र रहा है। यह मानव निरीक्षण की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि यह एक ऐसा उपकरण प्रदान करता है जो अकेले काम करने वाले मानव की तुलना में अधिक गहन और सुसंगत हो सकता है। एक ऐसे क्षेत्र में जहाँ एक एकल त्रुटि हजारों डॉलर की लागत ला सकती है, रेखाचित्रों के सेट से सामग्री की अधिक पूर्ण और सटीक सूची बनाने की क्षमता एक मूर्त सुधार है। सिस्टम का प्रदर्शन, जो सर्वोत्तम सामान्य कृत्रिम बुद्धिमत्ता मॉडल और औसत मानव अनुमानक दोनों से बेहतर है, यह दर्शाता है कि विशेष विजन, संरचित ज्ञान और समन्वित तर्क का संयोजन जटिल, वास्तविक दुनिया की समस्याओं को हल करने के लिए एक शक्तिशाली दृष्टिकोण है।