ModellenToepassingen 🇺🇸 11.08.2026 20:02

ONESTRUCTION bouwt met AWS GenAIIC het BIM-fundamentmodel Ishigaki-IDS

Alibaba/QwenAlibaba/Qwen Amazon Web ServicesAmazon Web Services ONESTRUCTION, Inc.ONESTRUCTION, Inc.
ONESTRUCTION, een Japanse startup in constructietechnologie, heeft met technisch advies van het AWS Generative AI Innovation Center Ishigaki-IDS gebouwd, een fundamentmodel gespecialiseerd in BIM-workflows voor de bouwsector. Het model, gebaseerd op Qwen3, gebruikt synthetische data en een trainingspijplijn in drie fasen (CPT, SFT, RLVR) om dataschaarste te overwinnen en een hoge nauwkeurigheid te bereiken bij IDS-generatie.
ONESTRUCTION, een start-up op het gebied van constructietechnologie, heeft met technisch advies van het AWS Generative AI Innovation Center als onderdeel van GENIAC Phase 3 Ishigaki-IDS ontwikkeld, een foundationmodel (FM) dat is gespecialiseerd in BIM-workflows (Bouwwerk Informatie Modellering) voor de bouwsector. Het model is gebaseerd op Qwen3 en pakt drie uitdagingen aan: schaarste aan gegevens voor de nieuwe IDS-standaard, het injecteren van een IFC-woordenschat van enkele duizenden termen en IDS-specifieke grammatica. Om deze te overwinnen, gebruikte ONESTRUCTION synthetische datageneratie met domeinexperts en een drietraps trainingspijplijn: voortgezet voorbereidend trainen (CPT), gesuperviseerd fijn afstemmen (SFT) en versterkend leren met verifieerbare beloningen (RLVR). Voor RLVR gebruikten ze de IDS-Audit-Tool van buildingSMART als beloningsfunctie om te zorgen voor welgevormde XML, structurele validiteit van IDS en semantische consistentie. Ze trainden op Amazon EC2 P5en-instanties met AWS ParallelCluster en sloegen gegevens op op Amazon FSx voor Lustre. Bij evaluatie met hun eigen IDS-Bench-benchmark scoorde Ishigaki-IDS bijna 100 procent op XML- en IDS-structurele naleving en boven 80 procent op IDS-inhoudelijke consistentie, terwijl algemene toonaangevende modellen onder de 25 procent scoorden op structurele naleving en bijna 0 procent op inhoudelijke consistentie. Het model ondersteunt het schalen van de contextlengte met YaRN en genereert correct met invoer en uitvoer tot ongeveer 120.000 tokens. Een gezamenlijke proof-of-concept met buildingSMART kreeg positieve feedback van zowel IDS-specialisten als niet-specialisten. Geleerde lessen zijn onder meer het belang van de kwaliteit van synthetische gegevens boven de kwantiteit, verifieerbare beloningen die de iteratie versnellen en stabiele infrastructuur die vrij experimenteren mogelijk maakt.
Bron: AWS ML blog — origineel
Eerdere berichten over dit onderwerp ↓
Vers nieuws