Aller au contenu principal
Storia TechnologiesRevue de recherche · n° 012026 · Montréal, Canada

Construire la couche de graphe de connaissances pour un travail qui doit être défendable.

La plupart des dossiers d’entreprise sont du texte libre rédigé au sujet de choses réelles (actifs, obligations, décisions), puis conservés à l’écart des systèmes qui détiennent ces choses. Notre programme de recherche vise à refermer cet écart : rattacher le langage non structuré à l’entité dont il parle réellement, d’une manière que vous pouvez auditer.

Les méthodes sont indépendantes du domaine. Elles supposent seulement que les dossiers sont rédigés en langage naturel au sujet d’entités détenues ailleurs. Nous les éprouvons dans le domaine le plus difficile pour lequel nous obtenons de vraies données, puis nous les portons vers l’extérieur.

Axes de recherche

3 axes de méthode. 1 domaine, pour l’instant.

Mis à jour au fil des publications
Axe de méthode

Représentation des connaissances

Ce que doivent être les nœuds et les arêtes pour qu’un graphe représente des entités réelles, actifs, obligations, événements, plutôt que les documents qui en parlent.

Fondamental · aucun dossier pour l’instant
Axe de méthode

Liaison sémantique

Rattacher le langage non structuré à l’entité précise à laquelle il renvoie. C’est là que se situe notre premier dossier publié, et c’est la partie la plus difficile à réussir de façon fiable.

1 dossier publié
Axe de méthode

IA interprétable

Garder le modèle de langage hors de la décision finale. Si un résultat ne peut pas être expliqué étape par étape, il ne peut pas être défendu par un expert.

1 dossier publié
Axe de domaine

Construction & AEC

Notre premier secteur vertical et notre terrain d’essai actuel. Il fournit les jeux de données les plus difficiles, QRT, plans, modèles BIM, et le coût le plus clair d’une mauvaise réponse.

1 dossier publié
Domaines où les méthodes s’appliquent
Construction & AECInfrastructures & énergieDossiers juridiques & contractuelsFabrication & exploitation des actifs

Seul le premier est actif aujourd’hui : chaque dossier publié ci-dessous provient de la construction. Les autres sont énoncés comme thèse, pas comme travaux en cours. La même forme de problème, une correspondance non structurée qui décrit des entités physiques ou contractuelles réglementées, revient dans chacun d’eux, et les axes de méthode ci-dessus sont écrits pour être indépendants du domaine précisément pour cette raison.

Article phare · EC3 2026

Cartographie sémantique des demandes d’information (QRT) vers les éléments BIM à l’aide de grands modèles de langage

Les QRT causent bien des maux de tête. Elles sont rédigées en langage courant, ne comportent aucune structure et, malgré des années d’outils conçus autour d’elles, le processus demeure lent, manuel et susceptible d’être manipulé. Cette étude cherche à savoir si les LLM peuvent aider en associant automatiquement les QRT aux éléments du modèle BIM. L’approche tient le modèle de langage à l’écart de la décision : il lit la QRT pour en extraire des indices d’intention, puis un pipeline en cinq étapes (contrôles d’identifiant, de contexte spatial et de système) classe les éléments candidats, et une personne confirme le lien. Lorsque le prototype a échoué, c’était à cause des métadonnées : associations de pièces manquantes, identifiants absents, niveau de détail insuffisant du modèle. C’est un problème de données, et c’est celui qu’il faut résoudre en premier.

Limon Paul Joy, Farzaneh Zarei, PhD, Prof. Mazdak Nik-Bakht, PhD, PEng
EC3 2026 : European Conference on Computing in Construction · Artificial Intelligence in AEC

Ouvrir le dossier complet
Fig. 1Le modèle de langage extrait des indices d’intention et ne sélectionne jamais d’élément. Cinq étapes ordonnées, chacune une règle appliquée aux métadonnées BIM, font le choix ; une personne confirme le lien. Adapté de l’architecture du prototype présentée dans l’article.
Les dossiers décrivent des entités réelles. Les données ne les relient pas à ces entités.

L’écart que vise ce programme. En construction, c’est une QRT et l’élément BIM auquel elle renvoie, le cas que referme notre premier dossier publié. La même forme revient partout où le langage décrit quelque chose de réglementé.

La boucle recherche-pratique

01

Les problèmes viennent du terrain

Nous apportons des questions qui bloquent réellement des équipes au travail, pas des jeux d’essai synthétiques. L’écart que traite notre premier dossier est ressorti de correspondance réelle, pas d’une revue de littérature.

02

La méthode vient de l’université

Le cadrage, la conception de la validation et l’évaluation par les pairs relèvent du groupe de recherche. C’est la partie sur laquelle un fournisseur ne peut pas être juge et partie.

03

Les résultats se généralisent au-delà du domaine

Une méthode éprouvée dans le domaine le plus désordonné que nous puissions trouver se transporte vers l’extérieur plus aisément qu’une méthode bâtie sur un domaine propre. Le premier domaine est un test de résistance, pas un plafond.

Avec qui nous travaillons

Université

Montréal, Québec. Notre ville d’attache et notre premier partenaire de recherche.

Faculté

Gina Cody School

Génie et informatique. Plusieurs collaborations en cours.

Financement

Soutient les stages de recherche industrie-université derrière ces travaux.

Partenaire industriel

Partenaire industriel de la collaboration. CREO Solutions est la société mère de Storia.

Financement

Conseil de recherches en sciences naturelles et en génie du Canada.

Toute la recherche

Publiés : 1
Tout1Liaison sémantique1IA interprétable1Construction & AEC1
EC3 2026

Cartographie sémantique des demandes d’information (QRT) vers les éléments BIM à l’aide de grands modèles de langage

Les QRT causent bien des maux de tête. Elles sont rédigées en langage courant, ne comportent aucune structure et, malgré des années d’outils conçus autour d’elles, le processus demeure lent, manuel et susceptible d’être manipulé. Cette étude cherche à savoir si les LLM peuvent aider en associant automatiquement les QRT aux éléments du modèle BIM. L’approche tient le modèle de langage à l’écart de la décision : il lit la QRT pour en extraire des indices d’intention, puis un pipeline en cinq étapes (contrôles d’identifiant, de contexte spatial et de système) classe les éléments candidats, et une personne confirme le lien. Lorsque le prototype a échoué, c’était à cause des métadonnées : associations de pièces manquantes, identifiants absents, niveau de détail insuffisant du modèle. C’est un problème de données, et c’est celui qu’il faut résoudre en premier.

Liaison sémantiqueIA interprétableConstruction & AEC
Présenté

Vous menez des recherches voisines ? Nous aimerions en entendre parler.

Nous sommes ouverts aux collaborations avec des groupes qui travaillent sur les graphes de connaissances, la recherche sémantique et la preuve défendable, dans tout domaine où des dossiers non structurés doivent être rattachés aux entités qu’ils régissent. Nous pouvons apporter de vrais énoncés de problème et des jeux de données anonymisés.

Contacter l’équipe de recherche
Recherche : représentation des connaissances et liaison sémantique · Storia