Gevinster:
- Evne til at opdele et projekt i faser fra idé til levering og bestemme rollen for kunstig intelligens, verifikationen der skal aktiveres og den ansvarlige ekspert på hvert trin.
- At stille risikospandspørgsmålet i slutningen af hver fase og være i stand til at bekræfte det lokale anlæg, lovgivning og omkostninger på sit eget stadie.
- Evnen til at integrere AI producerer, mennesket bestemmer, hvert kritisk output er verificeret, signaturen er med ekspertprincipperne i en end-to-end workflow
I de foregående elleve enheder lærte vi delene én efter én: koncept, visuelt, stedsanalyse, anlæg, vand, bæredygtighed, teknik, præsentation, omkostninger, lovgivning. I denne enhed kombinerer vi dem alle i et rigtigt projekt. Målet er at etablere en arbejdsgang, der kan bruge kunstig intelligens (AI) flydende og sikkert fra projektets begyndelse til dets levering. Workflow er det sæt af sekventielle trin, som et job følger fra start til slut. Denne enhed er ikke et resumé, men en integrationsøvelse: på hvert trin, hvor AI accelererer, hvor den stopper, hvilken validering spiller ind.
Eksempelprojekt: 4 ha bypark ved åen
Lad os overveje det projekt, vi nævnte gennem modulet, fra start til slut. Kommunen ønsker at omdanne en ledig vandløbsbanke med risiko for oversvømmelse til en bypark, der både puffer vand og bringer brugervenlighed til kvarteret. Budgettet er begrænset, varigheden er tre måneder, klimaet er mildt-regnfuldt.
Fase 1 — Rammer og koncept (enhed 1-2). Projektramme og 6 temaer er produceret med AI; Holdet vælger temaet "vandlinjen, der returnerer det vandløb, som byen har glemt" og omsætter det til principper. AI diversificerer og udvælger hold.
Fase 2 — Feltanalyse (Enhed 4). Hældning, orientering, vandstrøm opnås fra GIS; Der laves en studietur. AI syntetiserer målte data + observation og producerer en liste med mulighedsbegrænsninger. Målinger fra værktøjet, syntese verificeret.
Fase 3 — Vand- og klimastrategi (Enhed 6). YZ foreslår en kombination af regnhave + biosval + permeabel jord; afregningslogik etableres. Dimensionering er delegeret til hydraulikingeniøren.
Fase 4 — Plantepalet (Enhed 5). AI producerer funktionsprofil og kandidatliste; Holdet verificerer hver art for lokal klimazone, invasiv liste, toksicitet og tilgængelighed af unge træer. Uverificerede typer er ikke inkluderet.
Fase 5 — Bæredygtighedstjek (Enhed 7). Designet føres gennem scorecardet vand-permeabilitet-lokal hastighed-skygge-biodiversitet; svage titler forbedres.
Fase 6 — Visuelt og teknisk (Enhed 3, 8). AI producerer atmosfæriske billeder og detaljerig logik/materiale sammenligning; Skalaark tegnes i CAD, statiske detaljer tegnes af ingeniøren.
Fase 7 — Omkostninger og tidsplan (Enhed 10). AI organiserer emneliste og tabel; Faktiske mængder og aktuelle priser indtastes, og arbejdsplanen opsættes efter plantesæsonen.
Fase 8 — Lovgivning og udrulning (enhed 9, 11). Tilladelsestjekliste og institutionsspørgsmål udarbejdes, emner bekræftes med embedsmanden; Præsentationen er designet på forskellige sprog for tre publikummer (kommune, kvarterets beboere, jury).
Tip: Stil et spørgsmål i slutningen af hver fase: "Er denne leverance lav, medium eller høj risiko; hvem vil verificere det?" Dette enkelt spørgsmål holder hele arbejdsgangen sikker.
Gylden regel mellem stadier
I ende-til-ende-flowet gentages tre principper på hvert trin: (1) AI varianter og accelererer, mennesker vælger og ejer; (2) hvert numerisk/lokalt/sikkerhedskritisk output verificeres; (3) afgørelsen og underskriften er hos den kompetente ekspert. Disse tre principper ændres ikke; Kun det emne, de anvendes på, ændres.
tre minisager
Tilfælde 1 — End-to-end-hastighed. Et kontor drev en lignende strømpark med en AI-drevet arbejdsgang: koncept og analyse gik fra 3 uger til 10 dage; Den sparede tid blev brugt til detaljer og verifikation. Leveringskvaliteten blev forbedret, fordi teamet fik tid til at "beslutte" i stedet for at "producere".
Tilfælde 2 — Kædeverifikation. I det samme projekt blev fire separate AI-fejl fanget på forskellige stadier: en invasiv plante (enhed 5-verifikation), en fabrikeret reguleringsklausul (enhed 11-verifikation), et overdrevet billede (enhed 3-kontrol), en manglende omkostningspost (enhed 10-liste). Ingen nåede underkastelse; disciplin virkede.
Case 3 — Teamtransformation. Et hold lavede en masse fejl i starten og troede, at AI var "magi, der gør alt." Da de først havde vedtaget risikospanddisciplinen (Enhed 1), begyndte de at bruge AI på det rigtige lag: gratis ved lav risiko, validering ved middel risiko, kun nyttigt ved høj risiko. Effektivitet og selvtillid steg sammen.
Fire kopierbare skabeloner
1) Projektkøreplan:
Din rolle: landskabsprojektkoordinator. Projekt: [beskrivelse, varighed, budget, klima]. Giv mig en ende-til-ende arbejdsgang køreplan: koncept, analyse, vandstrategi, anlæg, bæredygtighed, visuelt, teknisk, omkostninger, lovgivning, præsentation. Angiv AI's rolle på hvert trin, og hvilken verifikation/ekspert der vil være involveret.
2) End of phase risikorevision:
Kontroller output fra følgende fase [fase og output] for risiko: separate lav/middel/høj risiko dele, hvem og hvordan man verificerer for hver medium/høj, opregner huller, der skal lukkes før levering.
3) Holistisk kontrol før levering:
Tjek dette projekt holistisk før levering: Konsistens i koncept-design, om der er foretaget lokal anlægsverifikation, om ingeniørstrategien er godkendt, om omkostningerne er realistiske, om lovgivningen er bekræftet, om det visuelle er repræsentativt. De manglende bekræftelser vises på en liste.
4) Lærte:
Når dette projekt er færdigt, skal du trække erfaringerne fra brugen af AI frem: På hvilket stadium fungerede AI meget godt, på hvilket stadium var risikoen for fejl høj, hvordan skal jeg forbedre arbejdsgangen i det næste projekt? Skriv i konkrete og handlingsrettede punkter.
Svag prompt / Stærk prompt
Svag prompt:
Gør dette projekt for mig fra start til slut.
Dette ønske, der vil alt på én gang; Det producerer en ubekræftet, overfladisk og risikabel bunke.
Kraftig prompt:
Din rolle: projektkoordinator. Projekt: 4 ha park ved åen, 3 måneder, begrænset budget, mildt regnfuldt klima, prioriteret oversvømmelsesbuffer og brug i nabolaget. En trinvis arbejdsgang dukker op for mig; På hvert trin bør (1) det konkrete bidrag fra AI, (2) den verifikation, der kommer i spil, og (3) den ansvarlige ekspert/myndighed specificeres. Markér højrisikostadier separat. Sig ikke "AI fuldfører enhver fase på egen hånd".
Progressiv tilskyndelse med verifikation og ansvarstildeling gør AI til et ægte koordinationsværktøj.
End-to-end rolleoversigtstabel
Scene
AI-bidrag
verifikation
Ansvarlig
koncept
variation
Budget/klimafilter
designer
Analyse
syntese
Felt + GIS
feltanalytiker
vand/klima
Strategi
hydraulisk regnemaskine
ingeniør
plante
kandidatliste
Lokal verifikation
landskabsarkitekt
teknisk
Logik/tekst
CAD + statisk
Arkitekt/ingeniør
Omkostninger
Bord
Faktisk mængde/pris
mængdeinspektør
lovgivning
Resumé/liste
Autoriseret bekræftelse
kompetent myndighed
præsentation
Fortælling
Integritetstjek
designer
Almindelige fejl
- Ønsker alt på én anmodning. End-to-end flowet er gradvist; Hvert trin verificeres separat.
- Spring over risikorevisionen i slutningen af trin. Fejl fanges under faseovergange.
- Akkumulerer bekræftelser og efterlader dem til sidst. Lokal anlæg, lovgivning og omkostningsbekræftelse bør ske på sit eget stadie.
- Indlejring af menneskelig beslutning i AI-flow. Valg, ejerskab og signatur påhviler folk på alle stadier.
- Ikke at optage den lærte lektion. Ethvert projekt er en mulighed for at forbedre den næste arbejdsgang.
Sammenfattende
End-to-end workflow er, hvor alle tidligere enheder samles i et enkelt projekt. AI diversificerer og accelererer på alle stadier; men på alle stadier vælger, verificerer og ejer folk. Tre uforanderlige principper holder flowet sikkert: AI producerer, mennesket bestemmer, hvert kritisk output er verificeret, signaturen er hos den kompetente ekspert. Del projektet op i faser, stil risikospandspørgsmålet i slutningen af hver fase, udfør verifikationer i sin egen fase, og lær af hvert projekt. Dermed bliver AI en partner, der styrker dit fag, ikke svækker det.
Ansøgningsopgave
Opret en ende-til-ende arbejdsgang med skabelonen "Projektkøreplan" til et rigtigt projekt efter eget valg; Bekræft og tildel ansvar for hver fase. Vælg derefter to faser og revider dem med skabelonen "End of phase risk audit". Til sidst skal du liste dine manglende bekræftelser med skabelonen "Holistisk kontrol før levering".
tjekliste
- [ ] Jeg delte projektet op i etaper; Jeg verificerede og tildelte ansvaret for hver fase.
- [ ] Jeg stillede spørgsmålet om risikospanden i slutningen af hver fase.
- [ ] Jeg lavede det lokale anlæg, lovgivning og omkostningsbekræftelse på sit eget stadie.
- [ ] Jeg koblede højrisikostadier til ekspertgodkendelse.
- [ ] Jeg noterede mig erfaringerne fra projektet til næste arbejdsgang.
Modul eksamen
1. Hvilken af følgende er den mest nøjagtige positionering for kunstig intelligens i landskabsarkitektur?
- A) AI er en accelerator og blueprint-generator; Ansvaret for stedet, økologi, sikkerhed og regulatoriske beslutninger påhviler mennesker ✔
- B) Kunstig intelligens kan færdiggøre og signere designet på egen hånd
- C) Kunstig intelligens virker kun til at producere visuals, det har intet at gøre med andre designstadier
- D) Da kunstig intelligens er mere objektiv end mennesker, bør lovgivningsmæssige beslutninger overlades til det.
Beskrivelse: Kunstig intelligens er en idémultiplikator og udkastgenerator, der accelererer koncept, visuel, analyse og kommunikation; Virkelighed, lokal økologi, sikkerhed og juridisk ansvar forbliver hos den kompetente ekspert. I tekniske og sikkerhedskritiske beslutninger er AI ikke en erstatning for ekspertgodkendelse.
2. Når du opdeler beslutninger om et landskabsprojekt efter risikoniveau, hvilket af følgende ville falde ind under "høj risiko (kræver ekspertgodkendelse)"-spanden?
- A) At skrive en koncepttekst
- B) Oprettelse af en moodboard-idé
- C) Støttevægsstatik og sikkerhed på legepladsen ✔
- D) Få et forslag til en præsentationstitel
Beskrivelse: Tekniske og sikkerhedskritiske spørgsmål såsom statisk støttemur, konflikt mellem trærod og understruktur, giftige/invasive planter og sikkerhed på legepladser er højrisiko; Her er kunstig intelligens kun en assistent, den endelige beslutning tilhører eksperten. Koncepttekst og moodboard er lav risiko.
3. Hvad er den mest effektive måde at bruge kunstig intelligens på i konceptudviklingsfasen?
- A) Oprettelse af mange forskellige temaer og udvælgelse og uddybning af dem ved at sende dem gennem et kontekstfilter ✔
- B) At bede om et enkelt 'bedste koncept' og implementere det direkte
- C) Beder om et generelt koncept uden at give sammenhæng
- D) Levering af konceptet uden kritik
Forklaring: Det menneskelige sind har en tendens til at fiksere de første 2-3 ideer. Den virkelige kraft ved kunstig intelligens er, at den producerer og sammenligner mange forskellige temaer; Valget, uddybningen og ejerskabet tilhører mennesket. At bede om en enkelt 'bedste' anbefaling spilder den magt.
4. Hvilket princip er væsentligt, når man præsenterer et render (billede) produceret med kunstig intelligens for kunden?
- A) Det visuelle præsenteres som en definitiv og nøjagtig visning, der skal anvendes.
- B) Betragtes som et teknisk dokument i visuel skala
- C) Visuel repræsentation er atmosfæren; efterses for ægthed og leveres med tekniske blade ✔
- D) Billedet overføres direkte til applikationen uden verifikation
Beskrivelse: Kunstig intelligens er et middel til kommunikation og atmosfære; Det er ikke i skala og kan indeholde elementer, der ikke kan installeres i virkeligheden (overdrevet tæthed, planter, der ikke er kendt for klimaet). Derfor skal det oplyses, at det er en 'repræsentativ atmosfære' og skal præsenteres med tekniske blade.
5. Hvorfor er det forkert at spørge kunstig intelligens om den gennemsnitlige hældning af et plot i arealanalyse?
- A) Kunstig intelligens kan ikke foretage positionsmålinger og kan udgøre tallet; måling taget fra GIS/feltmåling ✔
- B) Kunstig intelligens beregner hældningen korrekt, men er langsom
- C) Hældning er en uvigtig data, der er ingen grund til at spørge
- D) Kunstig intelligens kan kun beregne kvadratmeter, ikke hældning, men beregne afstand
Beskrivelse: Kunstig intelligens kan ikke se plottet og kan ikke foretage rumlige målinger; et sådant spørgsmål kan give et sikkert, men ubegrundet tal. Målinger såsom hældning, areal og afstand er taget fra GIS eller feltundersøgelse; Kunstig intelligens bruges kun til at fortolke de opgivne målte data.
6. Hvad er den mest kritiske regel for at bruge kunstig intelligens i plantevalg?
- A) Brug AI til at kandidatliste og validere hver art med lokalt klima, invasiv liste, toksicitet og marked ✔
- B) At sætte listen foreslået af AI direkte ind i projektet, fordi den er baseret på globale data
- C) Udvælgelse kun arter, der ser visuelt tiltalende ud
- D) At foretrække arter, der er praktiske, fordi de vokser hurtigt, uden at verificere dem.
Forklaring: Fordi AI lærer af det globale gennemsnit, kan det være forkert med hensyn til klimazone, invasiv status, toksicitet og marked. Så det bruges kun som en kandidatlistegenerator; hver art er verificeret for lokal klimazone, liste over invasive arter, toksicitet og tilgængelighed af unge træer. Ubekræftet type kommer ikke ind i projektet.
7. Hvordan adskiller kunstig intelligens sig og ingeniørens rolle i regnvandshåndtering?
- A) Kunstig intelligens gør både strategi- og kapacitetsberegninger sikkert
- B) Kunstig intelligens genererer strategi- og placeringsideer; Dimensionering og kapacitet er ingeniørberegning og godkendelse ✔
- C) Ingeniøren bestemmer kun strategien, kunstig intelligens laver beregningerne
- D) Størrelse er ligegyldig; Retningen, hvori vandet strømmer, er tilstrækkelig
Beskrivelse: Ideen og placeringen af løsninger som regnhaver og biosvaler er designbeslutninger, og kunstig intelligens hjælper her. Dimensionering, kapacitet og oversvømmelsessikkerhed kræver dog hydrauliske beregninger og ingeniørgodkendelse; Kunstig intelligens kan ikke beregne flowhastighed/kapacitet, fordi forkert dimensionering betyder oversvømmelse eller kollaps.
8. Hvad er den mest nøjagtige tilgang, når man vurderer bæredygtigheden af et design?
- A) Jo grønnere designet ser ud, jo mere bæredygtigt er det
- B) Evaluering af bæredygtighed i målbare emner som vand, permeabilitet, lokal rate, skygge, vedligeholdelse og biodiversitet ✔
- C) Bare at øge antallet af planter er nok
- D) Intensiv beplantning uden hensyntagen til vedligeholdelsesomkostninger
Forklaring: 'At se grønt ud' er ikke bæredygtighed; Et enkelt-arts grønt område, der forbruger meget vand, kan være økologisk dårligt og dyrt. Den rigtige tilgang er at score bæredygtighed på målbare emner som vand, permeabilitet, indfødte arter, skygge, vedligeholdelse og biodiversitet og forbedre svage punkter.
9. Hvad skal der gøres for måle- og forstærkningsværdierne i 'prøvesektionen' af en støttemur givet af kunstig intelligens på det tekniske tegningsstadium?
- A) Værdier kan kopieres direkte ind i projektet, fordi AI kender standarderne
- B) Værdier er repræsentative; Statiske detaljer bestemmes ved jordundersøgelse og ingeniørberegning, den er ikke inkluderet i tegningen uden verifikation ✔
- C) Værdier er kun til æstetiske formål, de har intet at gøre med statik
- D) Udstyrsværdien fra kunstig intelligens forbliver altid på den sikre side
Forklaring: Kunstig intelligens producerer ikke skalerede/statiske tegninger, og de målinger, højder og forstærkningsværdier, den giver, er repræsentative. Statiske detaljer; Det bestemmes af jordundersøgelse og ingeniørberegninger. Disse værdier kan ikke overføres til tegningen uden verifikation, dette er især vigtigt for sikkerhedskritiske detaljer.
10. Hvad er den mest effektive tilgang, når man præsenterer det samme landskabsprojekt for forskellige målgrupper?
- A) Præsentation af den samme tekniske tekst for alle
- B) Overdrive besparelse og fordele tal for at øge effekten
- C) Tilpasning af designessensen for at fortælle hvert publikum, hvad de interesserer sig for på deres eget sprog ✔
- D) Det er tilstrækkeligt kun at forberede en præsentation for den tekniske jury.
Beskrivelse: Investoren bekymrer sig om omkostninger og værdi, nabolaget bekymrer sig om daglige fordele og sikkerhed, juryen bekymrer sig om koncept og teknik. Forklare en enkelt designessens for hvert publikum, hvad de interesserer sig for, på et sprog de kan forstå; At drage fordel af den rammeoversættende kraft af kunstig intelligens er den mest effektive måde. Det er en almindelig fejl at forklare det til alle på samme sprog.
11. Hvorfor er det forkert at lade kunstig intelligens direkte beregne de samlede omkostninger ved en park?
- A) Kunstig intelligens kender altid de aktuelle markedspriser
- B) Kunstig intelligens beregner omkostningerne, men er kun forkert på store projekter
- C) Kunstig intelligens kender ikke den faktiske længde af projektet og aktuelle priser; Det angivne beløb er repræsentativt, ikke et tilbud ✔
- D) Omkostninger er ligegyldige, det afgørende er skønheden i designet
Forklaring: Kunstig intelligens kender hverken den faktiske længde af dit projekt eller de aktuelle lokale enhedspriser; Det angivne beløb er rent repræsentativt og ikke et tilbud. Den korrekte måde er at tage den faktiske mængde fra projektdata og enhedspriserne fra markedet og kun få den kunstige intelligens til at redigere tabellen.
12. Hvad er den farligste risiko og korrekte forholdsregel ved brug af kunstig intelligens vedrørende lovgivning?
- A) Da kunstig intelligens kan lovgivningen udenad, kan dens artikler stole på
- B) Lovgivningen er universel, der er ikke behov for lokal bekræftelse
- C) Varenummeret givet af kunstig intelligens er altid opdateret.
- D) Kunstig intelligens kan udgøre ikke-eksisterende stof; Enhver bestemmelse skal bekræftes fra den officielle opdaterede kilde og myndighed ✔
Beskrivelse: Lovgivningen er lokal, aktuel og åben for fortolkning; AI kan udgøre et ikke-eksisterende varenummer eller regel (hallucination). Den korrekte forholdsregel er ikke at bruge nogen bestemmelse uden at verificere den; Det er kun at bruge kunstig intelligens til at opsummere den officielle tekst, du leverer, til at generere en tjekliste og spørgsmål til embedsmanden og til at bekræfte emnerne fra den officielle aktuelle kilde.
13. Hvilket princip gælder for brugen af kunstig intelligens med data som kundekontrakt og pakkeoplysninger?
- A) Alle dokumenter kan uploades som de er, fordi hastighed er vigtig
- B) Kontraktdata er uvigtige for AI, de ignoreres
- C) Pakkeoplysninger kan frit deles, da de ikke betragtes som persondata.
- D) Fortrolige og personlige data deles ikke uden kontrol; Anvendes anonymiseret om nødvendigt ✔
Forklaring: Kundeidentitet, pakkeoplysninger, kontrakt og persondata bør ikke uploades til kunstig intelligens-værktøjer på en ukontrolleret måde. Om nødvendigt deles data ved anonymisering. Fortrolighed er et af de etiske nøgleprincipper, der lægges vægt på gennem hele modulet.
14. Hvad er de tre konstante principper, når man kører et projekt ende-til-ende med kunstig intelligens?
- A) Anmod om alt på én anmodning, bekræft resultatet, aflever
- B) Kunstig intelligens bestemmer, mennesker implementerer kun
- C) Akkumuler verifikationer og gør dem alle på én gang i slutningen af projektet
- D) Kunstig intelligens producerer, mennesker udvælger og ejer; hvert kritisk output er verificeret; Beslutning og underskrift tilhører eksperten ✔
Beskrivelse: I en ende-til-ende arbejdsgang gentages tre principper på hvert trin: AI typer og accelererer, mennesker vælger og ejer; hvert numerisk, lokalt og sikkerhedskritisk output verificeres; Beslutningen og underskriften tilhører den kompetente ekspert. Disse principper forbliver konstante, selvom kun det emne, de anvendes på, ændrer sig.