bzhbБетон и железобетонConcrete and Reinforced Concrete0005-98893034-1302АО «НИЦ «Строительство»10.37538/0005-9889-2025-5(630)-60-67NEKSTKbzhb-228Research ArticleУПРАВЛЕНИЕ ЖИЗНЕННЫМ ЦИКЛОМ ОБЪЕКТОВ СТРОИТЕЛЬСТВАLIFECYCLE MANAGEMENT OF CONSTRUCTION PROJECTSРеализация машинопонимаемых стандартов с помощью технологии искусственного интеллектаRealization of machine-understandable standards with the help of artificial intelligence technologyСнимщиковС. В.SnimshchikovS. V.

Сергей Валентинович Снимщиков, канд. техн. наук, проректор по экономике и дополнительному профессиональному образованию, ФГБОУ ВО Московский государственный технический университет гражданской авиации, Москва

e-mail: s.snimshikov@mstuca.ru

Sergey V. Snimshchikov, Cand. Sci. (Engineering), Vice-rector for E and APE, FSBEI HE Moscow State Technical University of Civil Aviation, Moscow

e-mail: s.snimshikov@mstuca.ru

СаврасовИ. П.SavrasovI. P.

Иван Петрович Саврасов*, канд. техн. наук, помощник проректора, ФГБОУ ВО Московский государственный технический университет гражданской авиации, Москва

e-mail: i.savrasov@mstuca.ru

Ivan P. Savrasov*, Cand. Sci. (Engineering), Assistant to the Vice-Rector, FSBEI HE Moscow State Technical University of Civil Aviation, Moscow

e-mail: i.savrasov@mstuca.ru

Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный технический университет гражданской авиации» (МГТУ ГА)РоссияFederal State Budgetary Educational Institution of Higher Education “Moscow State Technical University of Civil Aviation” (MSTU СA)Russian Federation20250111202563056067Copyright © Снимщиков С.В., Саврасов И.П., 20252025Снимщиков С.В., Саврасов И.П.Snimshchikov S.V., Savrasov I.P.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.bzhb.ru/jour/article/view/228Введение

Введение. Современные отраслевые стандарты характеризуются возрастающим объемом и сложностью, что делает их ручной анализ трудоемким и подверженным ошибкам. Актуальной задачей является разработка и внедрение методов автоматизированного, машинопонимаемого представления стандартов для их интеграции в интеллектуальные системы поддержки принятия решений.

Цель

Цель. Исследование направлено на анализ возможностей технологий искусственного интеллекта для автоматизации процессов интерпретации, структурирования и анализа нормативных документов, а также на выявление ключевых вызовов и перспектив в данной области.

Материалы и методы

Материалы и методы. В работе применялись современные методы NLP, включая токенизацию, лемматизацию, извлечение ключевых фраз, семантический анализ на основе трансформерных архитектур и классификацию текста. Анализ данных включал преобразование текста в структурированные форматы (JSON/XML).

Результаты

Результаты. Разработанный подход продемонстрировал высокую эффективность: было сокращено время анализа нормативных документов, а точность классификации разделов стандартов достигла 92 %. На примере стандарта ISO 27001 была показана возможность автоматического извлечения структурированных требований. Автоматизированное сравнение версий стандартов (на примере ГОСТ Р) позволило выявить до 98 % изменений.

Выводы

Выводы. Практическая реализация методов искусственного интеллекта подтвердила их высокий потенциал для автоматизации машинопонимания стандартов. Дальнейшее развитие связано с адаптацией моделей к узкоспециализированным доменам, разработкой объяснимого искусственного интеллекта и интеграцией с экспертными системами для валидации результатов, что будет способствовать созданию полноценных интеллектуальных систем работы с нормативной документацией.

Introduction

Introduction. Modern industry standards are characterized by increasing volume and complexity, which makes their manual analysis time-consuming and error-prone. An urgent task is to develop and implement methods of automated, machine-readable representation of standards for their integration into intelligent decision support systems.

Aim

Aim. The research is aimed at analyzing the possibilities of artificial intelligence technologies for automating the processes of interpretation, structuring and analysis of regulatory documents, as well as identifying key challenges and prospects in this area.

Materials and methods

Materials and methods. Modern NLP methods were used in the work, including tokenization, lemmatization, keyword extraction, semantic analysis based on transformational architectures and text classification. Data analysis included the conversion of text into structured formats (JSON/XML).

Results

Results. The developed approach has demonstrated high efficiency: the time for analyzing regulatory documents has been reduced, and the accuracy of classifying sections of standards has reached 92 %. Using the example of the ISO 27001 standard, the possibility of automatic extraction of structured requirements was shown. An automated comparison of the versions of the standards (using the example of State Standard R) revealed up to 98 % of the changes.

Conclusions

Conclusions. The practical implementation of artificial intelligence methods has confirmed their high potential for automating the machine understanding of standards. Further development is related to the adaptation of models to highly specialized domains, the development of explicable artificial intelligence and integration with expert systems for validation of results, which will contribute to the creation of full-fledged intelligent systems for working with regulatory documentation.

искусственный интеллектмашинопонимание стандартовобработка естественного языка (NLP)семантический анализклассификация текстатрансформеры (BERTGPT)нормативные документыавтоматизация анализабольшие данныеэкспертная оценкаинтеллектуальные системыдоменная адаптацияконтекстный анализмашинное обучениеartificial intelligencemachine understanding of standardsnatural language processing (NLP)semantic analysistext classificationtransformers (BERTGPT)normative documentsanalysis automationbig dataexpert judgementintelligent systemsdomain adaptationcontextual analysismachine learningReferencesISO/IEC Directives, Part 2: Principles and rules for the structure and drafting of ISO and IEC documents. International Organization for Standardization, 2021, 120 p.ISO/IEC Directives, Part 2: Principles and rules for the structure and drafting of ISO and IEC documents. International Organization for Standardization, 2021, 120 p.Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2022, 117 p.Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2022, 117 p.Goodfellow I., Bengio Y., Courville A. Deep Learning. The MIT Press, 2016, 775 p.Goodfellow I., Bengio Y., Courville A. Deep Learning. The MIT Press, 2016, 775 p.LeCun Y., Bengio Y., Hinton G. Deep learning. <i>Nature</i>. 2015, vol. 521, no. 7553, pp. 436–444.LeCun Y., Bengio Y., Hinton G. Deep learning. <i>Nature</i>. 2015, vol. 521, no. 7553, pp. 436–444.Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. Attention Is All You Need. <i>Advances in Neural Information Processing Systems</i>. 2017, vol. 30, pp. 5998–6008. AvailableVaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. Attention Is All You Need. <i>Advances in Neural Information Processing Systems</i>. 2017, vol. 30, pp. 5998–6008. Available at: https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf.at: https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf.Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv: 1810.04805, 2019. Available at: https://arxiv.org/abs/1810.04805.Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv: 1810.04805, 2019. Available at: https://arxiv.org/abs/1810.04805.Brown T., Mann B., Ryder N., et al. Language Models are Few-Shot Learners. arXiv preprint arXiv: 2005.14165, 2020. Available at: https://arxiv.org/abs/2005.14165.Brown T., Mann B., Ryder N., et al. Language Models are Few-Shot Learners. arXiv preprint arXiv: 2005.14165, 2020. Available at: https://arxiv.org/abs/2005.14165.Mitchell T.M. Machine Learning. McGraw-Hill, 1997, 414 p.Mitchell T.M. Machine Learning. McGraw-Hill, 1997, 414 p.Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006, 738 p.Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006, 738 p.Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. The MIT Press, 2018, 526 p.Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. The MIT Press, 2018, 526 p.Schmidhuber J. Deep learning in neural networks: an overview. Neural Netw. 2015, vol. 61, pp. 85–117. DOI: https://doi.org/10.1016/j.neunet.2014.09.003.Schmidhuber J. Deep learning in neural networks: an overview. Neural Netw. 2015, vol. 61, pp. 85–117. DOI: https://doi.org/10.1016/j.neunet.2014.09.003.Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems. 2012, vol. 25, no. 2. DOI: https://doi.org/10.1145/3065386.Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems. 2012, vol. 25, no. 2. DOI: https://doi.org/10.1145/3065386.Jurafsky D., Martin J.H. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. 3rd ed. Online manuscript released August 24, 2025. Available at: https://web.stanford.edu/~jurafsky/slp3/.Jurafsky D., Martin J.H. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. 3rd ed. Online manuscript released August 24, 2025. Available at: https://web.stanford.edu/~jurafsky/slp3/.Manning C.D., Raghavan P., Schütze H. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2009. Available at: https://nlp.stanford.edu/IR-book/information-retrieval-book.html.Manning C.D., Raghavan P., Schütze H. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2009. Available at: https://nlp.stanford.edu/IR-book/information-retrieval-book.html.Szeliski R. Computer Vision: Algorithms and Applications. Springer, 2010, 812 p.Szeliski R. Computer Vision: Algorithms and Applications. Springer, 2010, 812 p.LeCun Y., Bengio Y., Hinton G. Deep learning. <i>Nature</i>. 2015, vol. 521, no. 7553, pp. 436–444. DOI: https://doi.org/10.1038/nature14539.LeCun Y., Bengio Y., Hinton G. Deep learning. <i>Nature</i>. 2015, vol. 521, no. 7553, pp. 436–444. DOI: https://doi.org/10.1038/nature14539.Jackson P. Introduction to Expert Systems. Addison-Wesley, 1998, 560 p.Jackson P. Introduction to Expert Systems. Addison-Wesley, 1998, 560 p.Luger G.F. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Pearson, 2008, 754 p.Luger G.F. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Pearson, 2008, 754 p.Tapscott D., Tapscott A. Blockchain Revolution: How the Technology Behind Bitcoin Is Changing Money, Business, and the World. Penguin, 2016, 368 p.Tapscott D., Tapscott A. Blockchain Revolution: How the Technology Behind Bitcoin Is Changing Money, Business, and the World. Penguin, 2016, 368 p.Thrun S. Toward Robotic Cars. Communications of the ACM. 2010, vol. 53, no. 4, pp. 99–106. DOI: https://doi.org/10.1145/1721654.1721679.Thrun S. Toward Robotic Cars. Communications of the ACM. 2010, vol. 53, no. 4, pp. 99–106. DOI: https://doi.org/10.1145/1721654.1721679.Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. <i>Nature Medicine</i>. 2019, vol. 25, no. 1, pp. 44–56. DOI: https://doi.org/10.1038/s41591-018-0300-7.Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. <i>Nature Medicine</i>. 2019, vol. 25, no. 1, pp. 44–56. DOI: https://doi.org/10.1038/s41591-018-0300-7.Arrieta A.B., Díaz-Rodríguez N., Del Ser J., Bennetot A., Tabik S., Barbado A., García S., Gil-Lopez S., Molina D., Benjamins R., Chatila R., Herrera F. Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI. <i>Information Fusion.</i> 2020, vol. 58, pp. 82–115. DOI: https://doi.org/10.1016/j.inffus.2019.12.012. Available at: https://www.sciencedirect.com/science/article/pii/S1566253519308103.Arrieta A.B., Díaz-Rodríguez N., Del Ser J., Bennetot A., Tabik S., Barbado A., García S., Gil-Lopez S., Molina D., Benjamins R., Chatila R., Herrera F. Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI. <i>Information Fusion.</i> 2020, vol. 58, pp. 82–115. DOI: https://doi.org/10.1016/j.inffus.2019.12.012. Available at: https://www.sciencedirect.com/science/article/pii/S1566253519308103.Arrieta A.B., Díaz-Rodríguez N., Del Ser J., Bennetot A., Tabik S., Barbado A., García S., Gil-Lopez S., Molina D., Benjamins R., Chatila R., Herrera F. Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI. <i>Information Fusion.</i> 2020, vol. 58, pp. 82–115. DOI: https://doi.org/10.1016/j.inffus.2019.12.012. Available at: https://www.sciencedirect.com/science/article/pii/S1566253519308103.

The authors declare that there are no conflicts of interest present.