Когда пятно на стене — не готовый диагноз

Для небольшой компании, которая обследует здания, влажное пятно означает не только техническую задачу. Нужно найти источник, объяснить заказчику логику вывода и не отправить его на дорогой ремонт не того участка. Одной фотографии недостаточно: похожая картина может возникать при разных условиях. Если каждый специалист измеряет и описывает объект по-своему, знания остаются в блокнотах, а повторить обследование и проверить качество заключения трудно.

Датская микрокомпания Institut for Fugtteknik и Alexandra Institute описали на платформе European Digital Innovation Hubs систему, которая объединяет измерения стены, тепловые данные, алгоритмы классификации и цифровое представление здания. Кейс опубликован 9 января 2026 года. Он интересен не как обещание «нейросеть видит сквозь бетон», а как пример узкого профессионального процесса, где ИИ опирается на физические измерения и работу специалиста.

Сразу отделим факт от заявления. Публикация сообщает о четырёх классах влажности, 600 обследованиях и улучшении диагностической точности «более чем на 80%» по сравнению с ручной интерпретацией. Но в карточке нет определения метрики, исходного уровня, разбиения выборки и независимого протокола проверки. Поэтому эту цифру нельзя считать прогнозом для другого подрядчика. В статье мы используем её лишь как заявление участников проекта, а управленческий вывод строим на проверяемой архитектуре и ограничениях метода.

Что сделали в датском проекте

По описанию EDIH, команда объединила анализ тепловых данных и измерений стен с алгоритмами машинного обучения. Система предназначена для классификации четырёх типов влажности; их определения и критерии отнесения в публичной карточке не раскрыты. Трёхмерная или AR-модель помогает показать распределение влажности и объяснить вывод менее опытным специалистам и заказчикам. Отчёт формируется более автоматически, чем при полностью ручной работе. Описанный результат — инструмент поддержки диагностики, а не разрешение демонтировать стену без инженерной проверки.

Сайт самой компании дополняет картину полевого процесса: специалисты изучают планы здания и водоотведения, осматривают фундамент, фасад, кровлю и инженерные узлы, измеряют влажность воздуха и проверяют вентиляцию. Компания пишет, что может брать небольшие пробы материала и после обследования выдаёт письменный отчёт с вероятной причиной и рекомендуемой стратегией. Это важно для понимания границы ИИ: алгоритм — часть обследования, а не его полная замена.

Кейс не сообщает, что языковая модель или RAG являются ядром системы. Здесь основной ИИ — анализ измерений и классификация. Генеративная модель могла бы помогать с черновиком понятного клиенту отчёта, но это отдельная возможная адаптация, а не заявленная часть датского внедрения. Подменять один тип ИИ другим ради модного названия было бы плохой инженерией.

Почему тепловизор не показывает «причину» напрямую

Тепловизор отображает различия температуры поверхности. Влага может менять тепловую картину из-за испарения и других физических эффектов, однако похожие температурные аномалии возникают по разным причинам. Технический бюллетень американского NIH прямо описывает тепловое изображение как способ найти зоны для дальнейшего исследования, а не как окончательное доказательство источника воды. Контактные влагомеры тоже имеют ограничения и требуют учёта материала и места замера.

Независимое экспериментальное исследование, опубликованное в Sensors в 2022 году, сравнивало инфракрасную термографию с поверхностным влагомером и гравиметрическим методом на двух образцах стен. Авторы обнаружили, что температурный градиент, связанный с высокой влажностью, заметно зависит от окружающих условий. Это не оценка датской системы: исследование объясняет, почему переносить порог с одной стены и температуры на другую без проверки опасно.

Практическая схема поэтому должна различать три уровня вывода:

  • «Есть тепловая аномалия» — наблюдение по прибору.
  • «Влага вероятна» — гипотеза после сопоставления с другими замерами и условиями.
  • «Установлена причина и нужен конкретный ремонт» — заключение ответственного специалиста на основании совокупности данных.

ИИ может ускорить первый и второй уровни. Перескок прямо к третьему создаёт ложную уверенность: отчёт выглядит аккуратно, а вода продолжает поступать с другой стороны здания.

Данные и архитектура для малого подрядчика

Для пилота нужны не тысячи случайных фотографий «сырой стены», а воспроизводимые карточки обследований. Минимальный набор: тип конструкции и материала, место и время замера, температура и влажность воздуха, режим отопления и вентиляции, тепловой кадр с настройками съёмки, показания приборов в контрольных точках, фотографии обычной камерой, история протечек и ремонта. Если есть подтверждённая причина, её фиксируют отдельно от первоначальной гипотезы. Иначе модель научится повторять мнение первого инженера, а не выявлять дефект.

Разметку следует делать после проверки исхода: вскрытия, ремонта с последующим наблюдением или другого принятого в компании способа подтверждения. Не все объекты дадут окончательный ответ; категория «не установлено» лучше выдуманной определённости. Данные разделяют по объектам и, по возможности, по зданиям и сезонам. Случайное распределение почти одинаковых кадров одной стены между обучением и тестом даст красивую, но бесполезную точность.

Рабочий контур может быть довольно простым: приложение техника принимает измерения и снимки; защищённое хранилище связывает их с объектом и версией протокола; классификатор выдаёт вероятные классы и степень неопределённости; инженер видит исходные данные, исправляет вывод и подписывает отчёт. Геометрическая визуализация нужна, только если она помогает локализовать проблему в сложном здании. Для одной комнаты сложная AR-сцена может стоить больше, чем экономит.

Локальное исполнение уместно, если обследования проходят при слабой связи или в документации есть закрытые планы и данные заказчиков. Тогда небольшой классификатор может работать на рабочей станции или на устройстве, а материалы синхронизируются по утверждённому каналу. Это вариант проектирования для российского бизнеса, не утверждение о том, где работала датская система. RAG здесь не обязателен; его можно добавить лишь для поиска по внутренним методикам и типовым отчётам с контролем актуальности, но он не заменит измерение.

Проверка качества и экономический смысл

Пилот следует оценивать на решениях, которые меняют работу. Доля верно определённых классов важна, но недостаточна. Нужны также ложные пропуски опасных случаев, ложные тревоги, доля ситуаций, в которых система честно отказывается от вывода, время обследования и подготовки отчёта, число повторных выездов и расхождение между специалистами. Результаты стоит считать по отдельным типам материалов и условиям съёмки, иначе среднее скроет слабое место.

Экономику можно прикинуть модельно. Допущение: 40 обследований в месяц, сокращение подготовки отчёта на 20 минут при неизменном качестве. Это около 13 часов работы в месяц, до учёта проверки черновика. Сравнивать их надо со стоимостью приборов, разметки подтверждённых кейсов, разработки, хранения данных, сопровождения модели и повторных проверок. Такой расчёт не отражает результаты Institut for Fugtteknik; он показывает, почему один только «быстрый отчёт» может не окупить сложную систему. Более ценным эффектом может оказаться снижение ошибочных решений о ремонте, но его нужно измерять отдельно и осторожно.

Разумный первый шаг для строительной или эксплуатационной компании — пересмотреть 30–50 прошлых обследований и составить единый протокол. Отдельно отметить случаи с подтверждённой причиной и те, где диагноз так и остался гипотезой. На следующем этапе провести теневой тест: система предлагает классификацию, инженер работает как обычно, а решения сравниваются после подтверждения. Только затем разрешать автоматический черновик отчёта. Если данных мало или причины редко подтверждаются, полезнее сначала цифровой журнал замеров и контроль повторных выездов, чем обучение собственной модели.

Управленческий вывод

Этот кейс показывает хороший порядок внедрения: физический замер, общая структура данных, проверяемая гипотеза, человеческое заключение и лишь затем автоматизация текста. Публичная карточка заявляет сильное улучшение точности, но не раскрывает достаточно подробностей, чтобы использовать показатель в инвестиционном расчёте. Для малого бизнеса ИИ здесь ценен как помощник диагноста — он помогает сопоставлять измерения и документировать решение. Ответственность за причину сырости и назначенный ремонт остаётся у специалиста.