[Expérimentation] Génération de modèles ifc avec ChatGPT

L'usage des modèles de langage évolués, tels que ChatGPT, ouvre de nouvelles opportunités pour des applications innovantes dans le domaine du BIM. Dans cet article, nous relayons les résultats d'une expérience menée par Kamil Korus sur l’utilisation de ChatGPT pour la génération de modèles IFC. Ce retour d’expérience explore la capacité du modèle à produire des schémas IFC valides à partir de descriptions textuelles, en se basant sur deux séries d'expérimentations, la première avec ChatGPT 4 et la seconde avec ChatGPT 4o.

Kamil a commencé par tester GPT-4 pour générer des modèles IFC basiques à partir de descriptions textuelles fournies par des utilisateurs novices. L’objectif était de créer un modèle simple, comprenant une colonne en béton, et de voir comment le modèle répondait aux corrections apportées sur les erreurs signalées.

Méthodologie

Des requêtes simples ont été formulées pour GPT-4, telles que :

"Crée un schéma IFC pour une colonne de béton de 2 mètres de haut avec une section carrée de 0,3 mètre de large, située au point (0,0,0)."

Les schémas générés ont été vérifiés à l’aide d’un visualiseur IFC (Xbim Xplorer), permettant de détecter et de corriger les erreurs au fur et à mesure. 

Résultats et observations

GPT-4 a montré une capacité encourageante à générer des modèles IFC valides après quelques itérations. Les schémas produits comprenaient les références appropriées et une hiérarchie spatiale correcte. Quelques défis ont été rencontrés dans la gestion des détails géométriques, notamment une référence incorrecte à une entité inexistante (#15) qui a été corrigée efficacement après une itération supplémentaire .

Les modèles générés étaient valides et complets bien qu’ils manquaient de métadonnées supplémentaires et d'optimisation structurelle. GPT-4 a été capable de s'adapter et de corriger les erreurs détectées sans intervention experte directe, se basant uniquement sur les erreurs signalées par le visualiseur.

Nouvelle expérimentation avec GPT-4o

Encouragé par ces résultats, Kamil a expérimenté avec GPT-4o, une version améliorée de GPT-4, pour tester l’efficacité de la technique de one-shot learning. L'objectif était de voir si GPT-4o pouvait générer des modèles IFC plus complexes avec un minimum d’exemples fournis dans le prompt initial. 

Une approche d'ingénierie de prompt a été utilisée, en fournissant un exemple de schéma IFC valide avec la requête initiale :

"Génère un schéma IFC complet pour une colonne de béton avec les spécifications suivantes : hauteur de 2 mètres, section carrée de 0,3 mètre, positionnée au point (0,0,0)."

Cet exemple provenait du référentiel de modèles d'extrusion solide de buildingSMART. Le schéma généré a été sauvegardé en tant que fichier « .ifc » et vérifié dans Xbim Xplorer pour détecter et corriger les erreurs .

Résultats et observations

GPT-4o a rapidement produit un schéma IFC avec une hiérarchie spatiale et des géométries correctes, mais a présenté quelques erreurs mineures telles que la duplication d’entités et des problèmes de géométrie complexe . Les ajustements successifs ont permis d’améliorer les résultats :

1. Ajout d'une colonne et d'une poutre :

   GPT-4o a ajouté correctement une deuxième colonne et une poutre, mais la poutre était initialement orientée verticalement. Après plusieurs itérations, Kamil a corrigé la direction d'extrusion et positionné correctement la poutre horizontalement .

2. Ajustements de la section de la poutre :

   Des défis ont persisté pour définir correctement la section et l'extrusion de la poutre. Avec l’aide de la documentation et de l’ingénierie de prompt, Kamil a ajusté l'orientation de la section pour obtenir une géométrie valide, nécessitant plusieurs itérations pour affiner le modèle .

Analyse comparative et perspectives

GPT-4 : Capable de générer des modèles basiques avec des erreurs minimales, adapté pour des modèles simples nécessitant des corrections basées sur les retours utilisateur. GPT-4o : Montre une capacité avancée pour comprendre et corriger les modèles IFC en utilisant la technique de one-shot learning, bien que des défis subsistent dans la gestion de géométries plus complexes.

L’utilisation de techniques supplémentaires, telles que le few-shot learning, et l'intégration de plus d'exemples de schémas IFC valides pourraient améliorer la précision et l'efficacité des modèles générés par GPT-4o. Les futures améliorations devraient se concentrer sur l’optimisation de la compréhension géométrique et la réduction des itérations nécessaires pour les tâches complexes.

Les expérimentations menées par Kamil Korus avec GPT-4 et GPT-4o montrent un potentiel significatif pour la génération automatique de modèles IFC. Bien que GPT-4o ait fait des progrès notables avec la technique de one-shot learning, des défis persistent dans la génération et le positionnement précis des géométries complexes. Néanmoins, les résultats obtenus sont prometteurs, suggérant des améliorations continues dans l'utilisation des modèles de langage pour les tâches de modélisation architecturale et structurelle.