Акционеры «Самолет Плюс» сменили название компании на группу «Плюс»🤩

Также в рамках обновления планируется редизайн цифровых платформ и комплексная коммуникация с партнерами, сотрудниками и клиентами.

Группа «Плюс» (бывший «Самолет Плюс») за три года собрала под своим управлением десятки сервисов и платформ. К первоначальной цифровой инфраструктуре присоединились крупнейшая в России CRM-система на рынке недвижимости «Топнлаб», платформа по продаже новостроек «Домбук», сервис по обустройству жилья «Рерумс». В итоге к их названиям будет прибавлен элемент «Плюс».

При этом сеть офисов по франшизе продолжит работать под знакомым рынку брендом «Самолет Плюс». Он остается лидером по знанию среди агентств недвижимости и входит в ТОП-4 сервисов в сфере недвижимости по узнаваемости в России.

«Переименование — это не просто смена названия, а шаг к прозрачной структуре, которую легко считать и понять, в том числе в контексте подготовки к IPO. Мы хотим, чтобы рынок четко видел, кто мы, как устроены и куда движемся», — комментирует генеральный директор группы «Плюс» Александр Попов.

KTS запустила каталог MCP-серверов

Про MCP мы уже писали. Коротко: это универсальный стандарт, который позволяет легко соединять LLM с вашими инструментами и базами данных. Полезная штука, когда началась эра ИИ-агентов.

На платформе компании собран каталог MCP-серверов для популярных сервисов и инструментов, в том числе для российских. Решения рассортированы по категориям:
🟢для автоматизации рутины (процессы, маркетинг, поддержка),
🟢управления данными (CRM, финансы, аналитика),
🟢работы с контентом (Media),
🟢поддержки коммуникации (команды, клиенты) и инфраструктуры (серверов и облаков),
🟢а также ускорения разработки.

Кроме того, есть экспериментальные и узкоспециализированные инструменты. Для каждого сервера есть описание и ссылка на репозиторий Гитхаба. Для разработчиков агентов — полезная штука.

Вы знаете, кому переслать. #агенты

Инженеры АО «ЦКБ «Дейтон» (ГК «Элемент») создали роботов с ИИ для проверки качества микроэлектроники

... осталось поставить выпуск чипов на поток.

⚫️В реальном времени с помощью камер с разрешением до 3 микрон и нейросетей, обученных на более чем 6000 изображений, роботы сканируют чипы на конвейере, находят мельчайшие дефекты — трещины, царапины, сколы, непропечатанные участки и другие — и автоматически сортируют детали на годные, требующие доработки и бракованные.

⚫️ИИ не только анализирует дефекты, но и формирует отчёты и помогает улучшать производственный процесс.

Сейчас роботы проходят опытную эксплуатацию на российских предприятиях.

Статья: как команда ИТМО и Rocket Group разработала и внедрила многоступенчатый метод автоматизированной генерации цифровых моделей

Статья описывает многоступенчатый метод с ИИ-алгоритмами для роботизированного мастер-планирования.

Под капотом: цепочка ИИ-алгоритмов, GIS для работы с пространственными данными и интеграция с САПР/BIM для обмена и визуализации.

Как делают

Сбор и обработка данных
На вход подаются: границы участка, пространственные ограничения, параметры из нормативов и стандартов. Используются данные из территориального планирования и открытых источников.

Алгоритмы для генерации улично-дорожной сети
⚫️L-системы (система Линденмайера): строят каркас УДС, разбивают территорию на кварталы, задают параметры улиц (категории, полосность).
⚫️A*: применяется для трассировки других линейных объектов, например, инженерных сетей.

Оптимальное функциональное зонирование
Алгоритм получает кварталы и назначает каждому допустимый вид использования (жилая, общественная, коммерческая и т.д.), строго с учетом нормативов по плотности, обеспеченности инфраструктурой и прочих требований. Используются методы оптимизации для поиска сбалансированного решения.

Размещение объектов капитального строительства и инфраструктуры
На основе зонирования и уличной сети автоматически размещаются здания, объекты социнфраструктуры, паркинги и т.п. После этого генерируются параметры объектов: этажность, площадь, ТЭП.

Экспорт и визуализация: результаты передаются в САПР/BIM для дальнейшей работы и визуализации.

Результаты
Метод уже применяют в rTIM — он сократил трудозатраты на проектирование в 200 раз. Система сама создает и сравнивает десятки вариантов, что позволяет быстро и точно разрабатывать проекты для жилищного строительства.

Подробнее — читайте в статье⬆️

Varwin XRMS — российская no-code платформа для создания и управления VR/AR-проектами без программирования

... буду рассказывать вам про VR/AR/MR, если есть интересные кейсы или технологии — делитесь в комментариях

Что внутри:
⚫️Визуальный редактор Blockly позволяет собирать приложения из готовых блоков, как конструктор, не углубляясь в код.
⚫️Игровой движок Unity добавляет реалистичности и поддерживает разные устройства: от стационарных VR-шлемов (HTC Vive, Oculus Rift) до автономных и обычных ПК на Windows и Android.
⚫️Есть библиотека готовых 3D-объектов, сцен и спецэффектов, а также система управления контентом (CMS) для централизованного администрирования, обновления и распространения проектов на разных устройствах.

В строительстве Varwin XRMS помогает
⚫️создавать VR-тренажёры для обучения персонала ТБ и ОТ;
⚫️проводить виртуальные туры по будущим ЖК;
⚫️совместно просматривать и согласовывать BIM-модели, выявлять коллизии и вносить изменения на ранних этапах проекта;
⚫️координировать работу подрядчиков и улучшать коммуникацию между всеми участниками строительства.

Ликбез по ИИ: как работают генеративно-состязательные сети (GAN) в архитектуре

... изучаю нейросети в архитектуре, буду иногда делиться с вами теорией, от простого в глубины

Генеративно-состязательная сеть (GAN) — это архитектура глубокого обучения, которая состоит из двух нейросетей, обучающихся совместно в виде состязательной игры:

⚫️Генератор (Generator, G) создаёт данные на основе случайного шума — например, изображения, планы, карты. Генератор постепенно обучается создавать всё более реалистичные и правдоподобные архитектурные данные, которые должны «обмануть» дискриминатор.

⚫️Дискриминатор (Discriminator, D) — это нейросеть-классификатор, которая оценивает как реальные данные, так и данные, созданные генератором. Он пытается определить, какие данные являются настоящими, а какие — подделками.

Состязательный процесс обучения
⚫️Генератор пытается создавать данные, которые дискриминатор примет за реальные.
⚫️Дискриминатор учится всё лучше распознавать подделки генератора.
⚫️Этот процесс — игра с нулевой суммой — продолжается до тех пор, пока генератор не научится создавать очень реалистичные архитектурные объекты. В ходе обновляются веса обеих сетей.

Особенности архитектурных GAN

⚫️Учет пространственных и семантических особенностей: архитектурные данные имеют сложную структуру — например, планы должны соответствовать строительным нормам, фасады — быть связаны с конструкцией здания. Поэтому в генератор и дискриминатор часто включают сверточные слои (CNN), которые хорошо работают с изображениями и пространственными данными.

⚫️Использование условных GAN (Conditional GAN): чтобы генерировать планы с заданными параметрами (например, этажность, площадь, функциональное назначение), к генератору и дискриминатору подают дополнительные условия.

Пример работы GAN для архитектуры
⚫️На вход генератору подается случайный вектор шума и, возможно, условие (например, тип здания).
⚫️Генератор создает изображение плана или фасада.
⚫️Дискриминатор оценивает, насколько изображение реалистично, выдавая вероятность «настоящести».
⚫️Ошибка дискриминатора используется для обновления его весов, а также для обратного распространения ошибки в генератор, чтобы улучшить качество генерации.

Итог
В архитектуре GAN позволяют создавать новые архитектурные объекты и планы, которые выглядят реалистично и соответствуют заданным параметрам. Состязательное обучение генератора и дискриминатора обеспечивает непрерывное улучшение качества генерации.

За счет использования сверточных слоев и условных входов GAN адаптируются под сложные архитектурные данные — планы, фасады, 3D-модели, карты зонирования.

В следующий раз сделаю подборку GAN.

HR-отдел «Самолета» ускорил подготовку отчётов 360° на 75% с помощью ИИ

Нейросеть на базе модели GPT-4.5 по промту (на скриншоте) готовит отчёт по сотруднику — с его сильными сторонами, зонами роста и вопросами для встреч. После нейронки отчеты проверяют HR.

Модель обучена на внутренней базе документов, адаптирована под стиль застройщика, использует только анонимные данные и полностью соответствует требованиям безопасности и законодательства.

На пилоте обработали 27 анкет — результаты:
🟠Время подготовки обратной связи сократилось больше чем в 3 раза
🟠Удовлетворённость сотрудников фидбеком выросла до 94%
🟠Руководители стали чаще предлагать корректировки - на 32% больше
🟠Персонализация обратной связи улучшилась с 4,2 до 4,5 баллов

Молодцы, коллеги: теперь у HR «Самолета» больше времени на то, до чего руки не доходили.