Le tableau de bord qualité montre en un coup d’œil quels objets livrés sont plausibles et lesquels doivent être retravaillés.
Services d’IA dans LIBAL : l’information au niveau de l’élément de construction plutôt que des documents dans un classeur
LIBAL emploie l’IA là où elle est efficace dans la construction : extraction de données à partir de documents, exploitation de la documentation existante, contrôle de plausibilité de la livraison d’informations par élément de construction et un Building Assistant qui cite ses sources.
En résumé : LIBAL emploie l’IA là où se situe le plus grand goulet d’étranglement de la construction : savoir si les informations livrées sur un élément de construction sont exactes et complètes. Quatre services sont aujourd’hui en exploitation. L’extraction de données reprend les informations des documents livrés pour les rattacher aux installations et aux produits. L’exploitation de la documentation existante transforme des archives accumulées au fil du temps en un socle de données structuré. Le contrôle de plausibilité de la livraison d’informations évalue, pour chaque élément de construction, avec un score de 0 à 100, si les attributs et documents requis sont réellement étayés. Le Building Assistant répond aux questions sur le bâtiment. Point commun : chaque affirmation est accompagnée d’une justification et d’un renvoi au passage du document.
Le vrai problème : la plupart des environnements de données sont des classements de documents
Ce qui est exploité dans la branche comme Common Data Environment est, en pratique, le plus souvent un classement commun de documents : PDF, plans, listes, classés, versionnés, validés. À première vue, le travail est fait. À la seconde, il manque précisément ce qui porte l’exploitation.
Un exemple du quotidien : une pompe. Le planificateur fournit les données de planification, c’est-à-dire les valeurs requises pour la pression et le débit massique. L’entreprise fournit plus tard les données de produit de l’appareil réellement installé ainsi que les documents associés, de la fiche technique au procès-verbal de réception et au mode d’emploi de maintenance. Deux intervenants, deux moments, deux sources, et entre les deux se trouve souvent l’appel d’offres avec une troisième version des mêmes valeurs.
Savoir si la pompe installée satisfait réellement à l’exigence planifiée ne figure finalement nulle part comme information sécurisée. Cela est dispersé dans des documents dont quelqu’un devrait comparer les données à la main. Si l’on place un chatbot d’IA sur ces données existantes, le résultat reste superficiel : le modèle trouve plusieurs valeurs de pression pour la même pompe, l’une issue de la planification, l’autre de la fiche technique du produit, et ne sait pas laquelle fait foi. L’IA sur des documents n’est aussi bonne que la structure qui se trouve dessous. C’est pourquoi nous intervenons un niveau plus bas, au niveau de l’information sur l’élément de construction, avec source et responsabilité.
Service 1 : extraction de données à partir de documents vers les installations et les produits
La première brique provient du projet de recherche SBIS (Smart Building Information Service), que LIBAL mène avec la ZHAW et la FHNW avec le soutien d’Innosuisse : l’extraction automatisée d’informations à partir des documents livrés et leur rattachement aux installations et aux produits.
Le traitement se fait en plusieurs étapes. D’abord, les documents sont lus (PDF, Word, Excel) et leur structure est reconnue, c’est-à-dire tableaux, titres et texte courant. Ensuite, le contenu est découpé en sections cohérentes sur le plan technique, les valeurs requises sont extraites pour chaque attribut, rattachées aux bons objets et contrôlées par rapport aux plages de valeurs admissibles. D’un dossier plein de fiches techniques naît ainsi un socle de données structuré, orienté objet, pour les installations et les produits.
Service 2 : faire de la documentation existante un socle de données structuré
Le deuxième service s’adresse au parc existant : des bâtiments exploités depuis des années sans qu’un socle de données structuré n’ait jamais été constitué. À la place, on dispose d’archives accumulées au fil des ans, composées de procès-verbaux de réception, de descriptifs de régulation et de commande, de listes de contrôle et de fiches techniques. Dans une évaluation récente, il y avait plus de 900 documents pour un seul bien immobilier.
Le service d’IA reprend cet ensemble de documents sous forme de paquet, y reconnaît les installations et les systèmes et les transforme en une forme structurée avec installations, éléments de construction, types, attributs et documents associés. Trois propriétés font la différence :
L’exigence d’information pilote l’extraction. Lors de l’import, on peut préciser quelles propriétés rechercher pour chaque installation, par exemple les attributs de niveau 1 d’un plan d’éléments : désignation de l’installation selon AKS, genre de travaux selon CFC, entreprise exécutante, date de réception, durées de garantie. L’IA travaille ainsi par rapport à un objectif défini et non à un vague « tout ce qui est important ».
L’IA sait où chercher. Les sources n’ont pas toutes la même productivité sur le plan technique. Les procès-verbaux de réception selon SIA 118 en fournissent la plus grande part : dans l’évaluation, ils couvraient sept des huit attributs de base, de l’entreprise d’exécution à la date de réception, en passant par le début et la fin de la garantie. La désignation et la structure des installations proviennent des descriptifs de régulation et de commande.
Les valeurs manquantes sont signalées, pas devinées. Ce qui ne figure pas dans les documents apparaît explicitement comme non étayé. La référence au local, par exemple, n’est pratiquement jamais documentée dans les données existantes, dans ce bien immobilier dans un seul document sur plus de 900. Rendre cette lacune visible vaut mieux que la combler de façon plausible.
Les PDF numérisés sans couche de texte, environ un tiers des données existantes, sont d’abord exploités par reconnaissance de texte. Au final, on n’obtient pas un classement consultable, mais un socle de données où l’information est attachée à l’objet.
Service 3 : contrôler la plausibilité de la livraison d’informations avec score, justification et preuve
Un projet de référence actuel montre l’ampleur de la tâche. Pour le projet Dreiklang au Kantonsspital Aarau, les services spécialisés comptent environ 60 000 documents dans la livraison d’informations. Les examiner un à un manuellement, les rattacher au bon élément de construction et en vérifier l’exhaustivité sur le fond n’est pas réalisable avec un effort raisonnable. En pratique, cela conduit à l’échantillon, et ce que l’échantillon ne détecte pas ne se remarque qu’en exploitation, lorsque l’information sur la maintenance ou la garantie est nécessaire et fait défaut.
C’est précisément là qu’intervient le service. Il répond, pour chaque élément de construction, à la question : la livraison d’informations est-elle conforme, et à quoi le reconnaît-on ?
Voici comment il fonctionne :
Un score par objet livré, pas par document. L’évaluation se fait par type, installation ou corps de métier sur une échelle de 0 à 100, répartie en un score de documents (les domaines de documents requis ont-ils été livrés ?) et un score d’attributs (les propriétés requises sont-elles étayées ?).
Le contenu compte, pas le nom du fichier. Un dossier « Fiche technique » ne suffit pas, il doit aussi contenir une fiche technique. On évalue ce que dit le document.
Les valeurs d’attributs ont besoin d’une preuve. Une valeur renseignée au niveau du type ne suffit pas à elle seule. L’indication du fabricant, le numéro de série ou la date de garantie sont considérés comme plausibles lorsqu’on les retrouve dans les documents déposés.
Chaque évaluation est justifiée et étayée. Au lieu d’un chiffre brut, le service fournit pour chaque attribut un constat avec renvoi à la section précise du document, par exemple : le document mentionne l’appareil et renvoie au numéro de modèle, le modèle/type est donc étayé de manière plausible.
Automatiquement dans le processus. Le contrôle démarre dès qu’une tâche de livraison d’informations passe à « En cours de contrôle ». Le résultat apparaît directement sur la tâche et de façon agrégée dans le tableau de bord qualité : combien d’objets livrés sont plausibles et lesquels ne le sont pas, chacun avec sa justification.
Traçable et reproductible. Le service fournit des résultats structurés via une interface, avec une règle d’évaluation fixe. Un même cas conduit au même résultat.
Le contrôle passe ainsi de l’échantillon à l’examen exhaustif, et de la formalité (fichier présent) à la substance (affirmation étayée). L’être humain reste le décideur : l’IA prépare, hiérarchise et justifie, la validation se fait en revue.
Service 4 : poser des questions au bâtiment avec le Building Assistant
Le quatrième service est le plus visible et aussi celui où la différence avec un assistant générique est la plus nette. Le Building Assistant, issu du projet SBIS, est un chatbot qui permet de poser des questions sur le bâtiment en langage naturel. Quand cette installation a-t-elle été réceptionnée ? Qui est l’entreprise ? Jusqu’à quand court la garantie ? Où trouver le mode d’emploi de maintenance de cet appareil ?
La différence décisive tient à la démarche. Un chatbot de documents ordinaire parcourt tous les PDF à la recherche de passages qui sonnent de façon similaire et en formule une réponse, avec le problème connu qu’une même donnée figure à trois endroits de manière différente. Le Building Assistant suit le chemin inverse :
D’abord l’objet. Il identifie sans ambiguïté de quelle installation, de quel type ou de quel élément de construction il s’agit, par l’identifiant d’objet et non par similarité de texte.
Ensuite son contexte. Il lit les attributs et les documents rattachés à cet objet, pas toutes les archives.
Puis la réponse, avec justificatif. Chaque affirmation est accompagnée du passage du document source. Qui veut vérifier accède d’un clic à l’endroit dans le PDF.
Le principe evidence-based s’applique ainsi : l’assistant répond à partir des données du projet, pas à partir des connaissances générales du modèle de langage. S’il ne trouve aucun justificatif, il le dit au lieu d’inventer une formulation plausible. Les réponses restent strictement limitées au projet et au bien immobilier et respectent les autorisations existantes.
La base technique provient de la recherche. Lors des travaux préparatoires de SBIS, un catalogue de questions a été élaboré à partir d’une analyse des parties prenantes et rattaché aux structures de données. Un constat en découle qui marque encore le produit aujourd’hui : une petite partie des questions couvre l’essentiel des besoins réels de l’exploitation. Qui répond à ces questions de manière fiable et étayée fait mieux qu’un assistant qui sait un peu tout faire.
Sur le plan technique, l’assistant partage ses outils avec les autres services d’IA, soit la même résolution d’objets et la même recherche liée aux documents. Ce que l’assistant fait en dialogue, le contrôle de plausibilité le fait de façon automatisée sur tous les objets livrés. Et comme ces outils sont disponibles via des interfaces, le même accès est aussi ouvert aux agents d’IA et aux systèmes tiers, pas seulement à l’être humain dans le navigateur.
La vidéo montre le déroulement : question au Building Assistant, réponse avec indication de la source, clic sur le justificatif et saut à l’endroit concerné du document.
Ce que cela signifie pour les maîtres d’ouvrage et les exploitants
| Avant | Avec les services d’IA |
|---|---|
| Contrôle par échantillon des livraisons | Contrôle exhaustif de tous les objets livrés |
| « Document présent » comme critère de qualité | Justificatif de contenu pour chaque attribut |
| Les informations manquantes se remarquent en exploitation | Les lacunes deviennent visibles à la réception |
| Relevé manuel des données existantes | Exploitation de la documentation existante assistée par l’IA |
| Recherche dans le document | Réponse avec renvoi à la source |
L’utilité ne naît pas seulement pendant la phase de construction. Qui peut prouver à la remise quelles informations sont complètes et lesquelles manquent exploite son bâtiment pendant des décennies sur un socle de données auquel on peut se fier. Et crée la condition pour que les futurs systèmes d’IA et agents puissent travailler dessus de façon utile.
Vous souhaitez savoir à quel point votre livraison d’informations est réellement complète ? Contactez-nous pour une démo, nous montrons le contrôle de plausibilité sur l’un de vos corps de métier.
Questions fréquentes
Que fait exactement le service d’IA de contrôle de plausibilité ?
Il vérifie, pour chaque élément de construction, installation ou corps de métier, si les attributs et documents requis ont réellement été livrés et sont étayés sur le fond, et renvoie un score de 0 à 100 avec une justification par attribut, y compris le renvoi au passage du document.
En quoi cela diffère-t-il d’un contrôle IDS classique ?
Un contrôle fondé sur des règles constate si un attribut est renseigné et si un document est présent. Le contrôle de plausibilité par IA vérifie en plus si le contenu correspond à l’usage prévu et si la valeur de l’attribut est démontrable dans les documents.
En quoi le Building Assistant diffère-t-il d’un chatbot de documents ordinaire ?
Un chatbot ordinaire parcourt tous les documents à la recherche de passages similaires. Le Building Assistant identifie d’abord l’objet, c’est-à-dire l’installation, le type ou l’élément de construction, puis lit uniquement ses attributs et les documents qui lui sont rattachés. La réponse est ainsi attachée à l’élément de construction et non à une recherche en texte intégral, et elle est étayée par le passage source.
L’IA ne fait-elle pas d’hallucinations ?
Chaque évaluation est liée à une section précise d’un document et est fournie avec sa référence. Si le service ne trouve aucun justificatif, il le signale au lieu de faire une supposition. La validation est donnée par la personne responsable.
Quels documents conviennent ?
Les PDF avec une vraie couche de texte fonctionnent le mieux. Les documents numérisés sont d’abord exploités par reconnaissance de texte ; selon l’expérience, cela concerne environ un tiers des fichiers dans les données existantes. Les procès-verbaux de réception selon SIA 118 ainsi que les descriptifs de régulation et de commande sont particulièrement productifs.
Cela fonctionne-t-il aussi pour les bâtiments existants sans modèle BIM ?
Oui. La documentation existante peut être importée sous forme de paquet et transformée en socle de données structuré, un modèle n’est pas une condition préalable. Les propriétés extraites pour chaque installation sont pilotées par votre exigence d’information ou votre plan d’éléments.
Où tournent les données ?
LIBAL est disponible en installation cloud et on-premise. Pour les environnements à exigences élevées en matière de souveraineté des données, l’exploitation avec un modèle de langage open source propre est prévue, de sorte qu’aucune donnée ne quitte sa propre infrastructure.
Intéressé par LIBAL pour votre projet ?
Découvrez à quel point votre livraison d’informations est réellement complète : nous montrons le contrôle de plausibilité sur l’un de vos corps de métier.