嗨，HN，我们是Rishi和Sahil。我们开发了Rudus（https://www.rudus.ai/），一个为混凝土分包商打造的AI驱动的计算和估算平台。计算是从混凝土平面图中测量和量化材料的过程。Rudus识别每个混凝土结构（基础、墙、柱、板），提取相关细节，从而消除了数小时的手动数量计算。这里有一个演示： https://www.youtube.com/watch?v=PAMNDRWEdlI 。问题是：混凝土分包商是每栋建筑的支柱，但他们的估算工作流程在20年里没有改变。现在，资深估算师打开一个PDF，手动勾画每个基础和级梁，然后手动构建一个包含300多个条目的Excel电子表格——体积、模板、按照钢筋规格的钢筋及其搭接和发展长度。投标可能需要几周甚至几个月。大多数公司只有少数估算师，这意味着他们在实际工作中无法投标。该行业的软件在2020年之后没有更新。更重要的是，市场上的每个AI计算工具都是为总承包商构建的，将混凝土视为一个复选框，而不是围绕混凝土估算师如何实际定价工作进行构建。我们正在为这个行业构建Rudus，并且仅为这个行业。在Sahil上了一门施工管理课程时我们开始了这个项目，他意识到估算工作流程在几十年里没有改变。我们开始冷拨电话，带着甜甜圈走进办公室，出现在工地上，每个人都告诉我们同样的事情：缓慢的估算是他们业务增长最大的瓶颈，但他们尝试过的每一个新产品都失败了。我们很快意识到这些工具失败的原因是缺乏信任和频繁的错误导致后续问题。估算师在这些数字上冒着百万到十亿的投标风险，他们明确表示他们不会用黑箱代替他们的工作流程。我们采取了不同的方法：软件智能地加速他们的当前工作流程，而不是通过将我们的产品前端部署到他们当前的估算工作流程中来替换它。当估算师将他们的结构PDF上传到Rudus时，我们会自动分类每张图纸（基础平面、截面细节、基础时间表、框架高度）并将每张图纸路由到正确的处理管道。计算机视觉在绘图集中检测混凝土元素，并跟踪跨图纸的交叉引用以解决尺寸和细节，捕捉到那些仅依赖平面图的工具总是会遗漏的元素。每个元素扩展为完整的装配线条目：混凝土、模板和钢筋，包含估算师通常手动完成的所有计算。一个典型的基础包从少量装配件增加到80-120个定价条目。估算师审核、覆盖必要的地方，并直接导出到他们现有的工作流程中。我们在AI估算领域有几个关键优势。首先是我们对混凝土的关注，这是建筑的一个细分领域。没有其他人为了混凝土分包商而构建这个，因为图纸与其他子行业差异巨大。出于同样的原因，VLM和其他一般解决方案不起作用。相反，需要专有的计算机视觉模型，依赖于大量客户数据的训练。我们运行多个不同的模型，这些模型直接在我们的客户的计算上进行训练，客户与我们的模型的每次互动都会成为训练示例，允许每个客户的准确性在使用中得以提升。我们的第二个优势在于我们的产品方法论，因为我们选择建立一个副驾驶，而不是一个黑箱。大多数AI计算平台试图完全替代估算师，自动生成数量，但目前模型的输出质量较差，因此计算仍然需要手动重做。在与结构混凝土估算师坐在一起100多个小时并亲自完成许多计算后，我们围绕他们的实际工作流程进行了构建。估算师开始计算，Rudus通过寻找相似性、跟踪交叉引用和理解标注来扩展图纸上的工作。估算师对每一个接受、覆盖和编辑保持控制。其结果是更快速的计算，他们可以捍卫的，而不是丢弃的不可靠AI输出。我们很想听听你们对我们的演示视频（https://www.youtube.com/watch?v=PAMNDRWEdlI）的看法，或者你们在构建计算机视觉模型方面的经验，或任何你认为相关的内容！