Gevinster:
- Evne til å dele et prosjekt inn i stadier fra konsept til levering og bestemme rollen til kunstig intelligens, verifiseringen som skal aktiveres og ansvarlig ekspert på hvert trinn.
- Stille risikobøttespørsmålet på slutten av hvert trinn og kunne bekrefte det lokale anlegget, lovverket og kostnadene på sitt eget stadium.
- Evne til å integrere AI produserer, mennesket bestemmer, hver kritisk utgang er verifisert, signaturen er med ekspertprinsippene i en ende-til-ende arbeidsflyt
I de foregående elleve enhetene lærte vi delene én etter én: konsept, visuell, stedsanalyse, anlegg, vann, bærekraft, teknikk, presentasjon, kostnad, lovverk. I denne enheten kombinerer vi dem alle til ett virkelig prosjekt. Målet er å etablere en arbeidsflyt som kan bruke kunstig intelligens (AI) flytende og trygt fra starten av prosjektet til leveringen. Arbeidsflyt er settet med sekvensielle trinn som en jobb følger fra begynnelse til slutt. Denne enheten er ikke en oppsummering, men en integrasjonsøvelse: på hvert trinn, hvor AI akselererer, hvor den stopper, hvilken validering spiller inn.
Eksempelprosjekt: 4 ha bypark ved bekken
La oss vurdere prosjektet vi nevnte gjennom hele modulen fra start til slutt. Kommunen ønsker å forvandle en flomfarlig flombredd til en bypark som både bufferer vann og gir brukervennlighet til nabolaget. Budsjettet er begrenset, varigheten er tre måneder, klimaet er mildt-regnfullt.
Fase 1 — Rammeverk og konsept (Enhet 1-2). Prosjektramme og 6 temaer er produsert med AI; Teamet velger temaet «vannlinjen som returnerer bekken som byen har glemt» og omsetter det til prinsipper. AI diversifiserer og velger lag.
Trinn 2 — Feltanalyse (enhet 4). Helning, orientering, vannføring hentes fra GIS; Det foretas en ekskursjon. AI syntetiserer målte data + observasjon og produserer en liste med mulighetsbegrensninger. Målinger fra verktøyet, syntese verifisert.
Trinn 3 — Vann- og klimastrategi (Enhet 6). YZ foreslår en kombinasjon av regnhage + biosval + permeabel jord; oppgjørslogikk er etablert. Dimensjonering er delegert til hydraulikkingeniøren.
Trinn 4 — Plantepalett (enhet 5). AI produserer funksjonsprofil og kandidatliste; Teamet verifiserer hver art for lokal klimasone, invasiv liste, toksisitet og tilgjengelighet av frøplanter. Ubekreftede typer er ikke inkludert.
Trinn 5 — Bærekraftssjekk (enhet 7). Designet sendes gjennom målkortet for vann-permeabilitet-lokal hastighet-skygge-biodiversitet; svake titler er forbedret.
Trinn 6 — Visuelt og teknisk (enhet 3, 8). AI produserer atmosfæriske bilder og detaljlogikk/materialsammenligning; Skalaark er tegnet i CAD, statiske detaljer tegnes av ingeniøren.
Trinn 7 — Kostnader og tidsplan (enhet 10). AI organiserer elementliste og tabell; Faktiske mengder og aktuelle priser legges inn, og arbeidsplanen settes opp etter plantesesongen.
Trinn 8 — Lovgivning og utrulling (enhet 9, 11). Tillatelsessjekkliste og institusjonsspørsmål utarbeides, elementer bekreftes med tjenestemannen; Presentasjonen er utformet på forskjellige språk for tre publikummere (kommune, nabolag, jury).
Tips: På slutten av hver fase, still ett spørsmål: "Er denne leveringen lav, middels eller høy risiko; hvem vil bekrefte det?" Dette enkeltspørsmålet holder hele arbeidsflyten sikker.
Gylden regel mellom stadier
I ende-til-ende-flyten gjentas tre prinsipper på hvert trinn: (1) AI varianter og akselererer, mennesker velger og eier; (2) hver numerisk/lokal/sikkerhetskritisk utgang er verifisert; (3) avgjørelsen og underskriften er hos den kompetente eksperten. Disse tre prinsippene endres ikke; Bare emnet de brukes på endres.
tre minisaker
Tilfelle 1 — End-to-end-hastighet. Ett kontor drev en lignende strømpark med en AI-drevet arbeidsflyt: konsept og analyse gikk fra 3 uker til 10 dager; Tiden som ble spart ble viet til detaljer og verifisering. Leveringskvaliteten ble forbedret fordi teamet fikk tid til å «bestemme» i stedet for å «produsere».
Tilfelle 2 – Kjedeverifisering. I det samme prosjektet ble fire separate AI-feil fanget på forskjellige stadier: en invasiv plante (enhet 5-verifisering), en fabrikkert reguleringsklausul (enhet 11-verifisering), et overdrevet bilde (enhet 3-sjekk), en manglende kostnadspost (enhet 10-liste). Ingen nådde innlevering; disiplin fungerte.
Case 3 — Teamtransformasjon. Et team gjorde mange feil i begynnelsen, og trodde at AI var "magi som gjør alt." Så snart de tok i bruk risikobøttedisiplinen (enhet 1), begynte de å bruke kunstig intelligens på det riktige laget: gratis ved lav risiko, validering ved middels risiko, bare nyttig ved høy risiko. Effektivitet og selvtillit økte sammen.
Fire kopierbare maler
1) Prosjektveikart:
Din rolle: landskapsprosjektkoordinator. Prosjekt: [beskrivelse, varighet, budsjett, klima]. Gi meg en ende-til-ende arbeidsflyt-veikart: konsept, analyse, vannstrategi, anlegg, bærekraft, visuell, teknisk, kostnad, lovgivning, presentasjon. Spesifiser AIs rolle på hvert trinn og hvilken verifisering/ekspert som skal være involvert.
2) End of phase risikorevisjon:
Sjekk utdataene fra følgende fase [trinn og utgang] for risiko: separate deler med lav/middels/høy risiko, hvem og hvordan du skal verifisere for hver medium/høy, liste opp hull som må lukkes før levering.
3) Holistisk kontroll før levering:
Sjekk dette prosjektet helhetlig før levering: Konsept-design konsistens, om lokal anleggsverifisering er foretatt, om ingeniørstrategien er godkjent, om kostnaden er realistisk, om lovverket er bekreftet, om det visuelle er representativt. De manglende verifikasjonene vises i en liste.
4) Lærdom:
Når dette prosjektet er ferdig, trekk ut lærdommene fra bruk av AI: på hvilket stadium fungerte AI veldig bra, på hvilket stadium var risikoen for feil høy, hvordan bør jeg forbedre arbeidsflyten i neste prosjekt? Skriv i konkrete og handlingsrettede elementer.
Svak forespørsel / Sterk forespørsel
Svak melding:
Gjør dette prosjektet for meg fra start til slutt.
Dette ønsket som vil ha alt på en gang; Det produserer en ubekreftet, overfladisk og risikabel haug.
Kraftig ledetekst:
Din rolle: prosjektkoordinator. Prosjekt: 4 ha park ved bekken, 3 måneder, begrenset budsjett, mildt-regnklima, prioritert flombuffring og nabolagsbruk. En trinnvis arbeidsflyt dukker opp for meg; På hvert trinn bør (1) det konkrete bidraget fra AI, (2) verifiseringen som vil spille inn, og (3) ansvarlig ekspert/myndighet spesifiseres. Merk høyrisikostadier separat. Ikke si "AI fullfører et stadium på egen hånd".
Progressiv oppfordring med verifisering og ansvarstildeling gjør AI til et ekte koordineringsverktøy.
Ende-til-ende-rollesammendragstabell
Scene
AI-bidrag
verifisering
Ansvarlig
konsept
variasjon
Budsjett/klimafilter
designer
Analyse
syntese
Felt + GIS
feltanalytiker
vann/klima
Strategi
hydraulisk kalkulator
ingeniør
plante
kandidatliste
Lokal verifisering
landskapsarkitekt
teknisk
Logikk/tekst
CAD + statisk
Arkitekt/ingeniør
Kostnad
Tabell
Faktisk mengde/pris
mengdemåler
lovgivning
Sammendrag/liste
Autorisert bekreftelse
kompetent myndighet
presentasjon
Fortelling
Integritetssjekk
designer
Vanlige feil
- Vil ha alt på én forespørsel. Ende-til-ende flyten er gradvis; Hvert stadium verifiseres separat.
- Hopp over risikorevisjonen i slutten av trinn. Feil fanges opp under faseoverganger.
- Akkumulerer bekreftelser og lar dem ligge til sist. Lokalt anlegg, lovverk og kostnadsbekreftelse bør gjøres på eget stadium.
- Innebygging av menneskelig beslutning i AI-flyt. Valg, eierskap og signatur ligger hos folk i alle ledd.
- Ikke registrerer lærdommen. Hvert prosjekt er en mulighet til å forbedre den neste arbeidsflyten.
Oppsummert
Ende-til-ende arbeidsflyt er der alle tidligere enheter samles i et enkelt prosjekt. AI diversifiserer og akselererer på alle trinn; men på alle stadier velger, verifiserer og eier folk. Tre uforanderlige prinsipper holder flyten trygg: AI produserer, mennesket bestemmer, hver kritisk utgang er verifisert, signaturen er hos den kompetente eksperten. Del prosjektet inn i faser, still risikobøttespørsmålet på slutten av hver fase, utfør verifikasjoner i sin egen fase, og lær av hvert prosjekt. Dermed blir AI en partner som styrker yrket ditt, ikke svekker det.
Søknadsoppgave
Lag en ende-til-ende arbeidsflyt med malen "Prosjektveikart" for et reelt prosjekt etter eget valg; Verifiser og tildel ansvar for hvert trinn. Velg deretter to faser og revider dem med malen "End of phase risk revisjon". Til slutt, skriv opp de manglende bekreftelsene dine med malen "Holistisk sjekk før levering".
sjekkliste
- [ ] Jeg delte opp prosjektet i etapper; Jeg verifiserte og tildelte ansvar for hvert trinn.
- [ ] Jeg stilte spørsmålet om risikospann på slutten av hvert trinn.
- [ ] Jeg gjorde det lokale anlegget, lovverket og kostnadsbekreftelsen på sitt eget stadium.
- [ ] Jeg koblet høyrisikostadier til ekspertgodkjenning.
- [ ] Jeg noterte meg erfaringene fra prosjektet for neste arbeidsflyt.
Moduleksamen
1. Hvilken av følgende er den mest nøyaktige posisjoneringen for kunstig intelligens i landskapsarkitektur?
- A) AI er en akselerator og blåkopigenerator; Ansvaret for sted, økologi, sikkerhet og regulatoriske beslutninger ligger hos mennesker ✔
- B) Kunstig intelligens kan fullføre og signere designet på egen hånd
- C) Kunstig intelligens fungerer bare i å produsere visuelle elementer, det har ingenting å gjøre med andre stadier av design
- D) Siden kunstig intelligens er mer objektiv enn mennesker, bør lovgivende beslutninger overlates til den.
Beskrivelse: Kunstig intelligens er en idémultiplikator og utkastgenerator som akselererer konsept, visuell, analyse og kommunikasjon; Feltvirkelighet, lokal økologi, sikkerhet og juridisk ansvar forblir hos den kompetente eksperten. I tekniske og sikkerhetskritiske beslutninger er AI ikke en erstatning for ekspertgodkjenning.
2. Når du bryter ned beslutninger om et landskapsprosjekt etter risikonivå, hvilket av følgende faller inn under "høyrisiko (ekspertgodkjenning kreves)"?
- A) Skrive en konsepttekst
- B) Lage en moodboard-idé
- C) Støttemurstatikk og lekeplasssikkerhet ✔
- D) Få et forslag til presentasjonstittel
Beskrivelse: Tekniske og sikkerhetskritiske problemer som støttemursstatikk, trerot-understrukturkonflikt, giftige/invasive planter og sikkerhet på lekeplasser er høyrisiko; Her er kunstig intelligens kun en assistent, den endelige avgjørelsen tilhører eksperten. Konsepttekst og moodboard er lav risiko.
3. Hva er den mest effektive måten å bruke kunstig intelligens på i konseptutviklingsfasen?
- A) Lage mange forskjellige temaer og velge og utdype dem ved å sende dem gjennom et kontekstfilter ✔
- B) Be om et enkelt "beste konsept" og implementere det direkte
- C) Be om et generelt konsept uten å gi kontekst
- D) Levere konseptet uten kritikk
Forklaring: Menneskesinnet har en tendens til å fiksere på de første 2-3 ideene. Den virkelige kraften til kunstig intelligens er at den produserer og sammenligner mange forskjellige temaer; Valget, fordypningen og eierskapet tilhører mennesket. Å be om én enkelt "beste" anbefaling sløser bort den kraften.
4. Hvilket prinsipp er essensielt når man presenterer en gjengivelse (bilde) produsert med kunstig intelligens for kunden?
- A) Det visuelle presenteres som en definitiv og nøyaktig visning som skal brukes.
- B) Betraktet som et teknisk dokument i visuell skala
- C) Visuell representasjon er atmosfæren; inspisert for autentisitet og leveres med tekniske ark ✔
- D) Bildet overføres direkte til applikasjonen uten bekreftelse
Beskrivelse: Visualisering av kunstig intelligens er et middel for kommunikasjon og atmosfære; Den er ikke i skala og kan inneholde elementer som ikke kan installeres i virkeligheten (overdrevet tetthet, planter som ikke er kjent for klimaet). Derfor bør det opplyses om at det er en 'representativ atmosfære' og skal presenteres med tekniske ark.
5. Hvorfor er det feil å spørre kunstig intelligens om gjennomsnittlig helning på en tomt i arealanalyse?
- A) Kunstig intelligens kan ikke gjøre posisjonsmålinger og kan utgjøre tallet; måling tatt fra GIS/feltmåling ✔
- B) Kunstig intelligens beregner helningen riktig, men er treg
- C) Helning er en uviktig data, det er ingen grunn til å spørre
- D) Kunstig intelligens kan bare beregne kvadratmeter, ikke helning, men beregne avstand
Beskrivelse: Kunstig intelligens ser ikke plottet og kan ikke foreta romlige målinger; et slikt spørsmål kan gi et sikkert, men ubegrunnet tall. Målinger som helning, areal og avstand er hentet fra GIS eller feltundersøkelse; Kunstig intelligens brukes kun til å tolke de målte dataene som er gitt.
6. Hva er den mest kritiske regelen for bruk av kunstig intelligens i plantevalg?
- A) Bruk AI til å kandidatliste og validere hver art med lokalt klima, invasiv liste, toksisitet og marked ✔
- B) Sette listen foreslått av AI direkte inn i prosjektet, fordi den er basert på globale data
- C) Velg kun arter som ser visuelt tiltalende ut
- D) Foretrekker arter som er praktiske fordi de vokser raskt, uten å verifisere dem.
Forklaring: Fordi AI lærer av det globale gjennomsnittet, kan det være feil angående klimasone, invasiv status, toksisitet og marked. Så den brukes kun som en kandidatlistegenerator; hver art er verifisert for lokal klimasone, liste over invasive arter, toksisitet og tilgjengelighet av frøplanter. Ubekreftet type kommer ikke inn i prosjektet.
7. Hvordan skiller rollen til kunstig intelligens og rollen til ingeniøren seg i overvannshåndtering?
- A) Kunstig intelligens gjør både strategi- og kapasitetsberegninger trygt
- B) Kunstig intelligens genererer strategi- og plasseringsideer; Dimensjonering og kapasitet er ingeniørberegning og godkjenning ✔
- C) Ingeniøren bestemmer kun strategien, kunstig intelligens gjør beregningene
- D) Størrelse er uviktig; Retningen vannet strømmer i er tilstrekkelig
Beskrivelse: Ideen og plasseringen av løsninger som regnhager og biosvaler er designbeslutninger, og kunstig intelligens hjelper her. Imidlertid krever dimensjonering, kapasitet og flomsikkerhet hydrauliske beregninger og ingeniørgodkjenning; Kunstig intelligens kan ikke beregne strømningshastighet/kapasitet fordi feil dimensjonering betyr flom eller kollaps.
8. Hva er den mest nøyaktige tilnærmingen når man skal evaluere bærekraften til et design?
- A) Jo grønnere designet ser ut, jo mer bærekraftig er det
- B) Evaluering av bærekraft i målbare emner som vann, permeabilitet, lokal hastighet, skygge, vedlikehold og biologisk mangfold ✔
- C) Bare å øke antall planter er nok
- D) Intensiv beplantning uten hensyn til vedlikeholdskostnader
Forklaring: 'Se grønn ut' er ikke bærekraft; Et grøntområde med én art som forbruker mye vann kan være økologisk dårlig og kostbart. Den riktige tilnærmingen er å score bærekraft på målbare temaer som vann, permeabilitet, innfødte arter, skygge, vedlikehold og biologisk mangfold og forbedre svake punkter.
9. Hva bør gjøres for måle- og forsterkningsverdiene i 'prøveseksjonen' av en støttemur gitt av kunstig intelligens på det tekniske tegnestadiet?
- A) Verdier kan kopieres direkte inn i prosjektet fordi AI kjenner standardene
- B) Verdier er representative; Statiske detaljer bestemmes av grunnundersøkelse og ingeniørberegning, den er ikke inkludert i tegningen uten verifisering ✔
- C) Verdier er kun for estetiske formål, de har ingenting med statikk å gjøre
- D) Utstyrsverdien fra kunstig intelligens forblir alltid på den sikre siden
Forklaring: Kunstig intelligens produserer ikke skalerte/statiske tegninger og målene, høydene og forsterkningsverdiene den gir er representative. Statiske detaljer; Det bestemmes av grunnundersøkelse og ingeniørberegninger. Disse verdiene kan ikke overføres til tegningen uten bekreftelse, dette er spesielt viktig for sikkerhetskritiske detaljer.
10. Hva er den mest effektive tilnærmingen når man presenterer det samme landskapsprosjektet for forskjellige målgrupper?
- A) Presentere den samme tekniske teksten for alle
- B) Overdrive spare- og fordelstall for å øke effekten
- C) Tilpasse designessensen for å fortelle hvert publikum hva de bryr seg om på sitt eget språk ✔
- D) Det er tilstrekkelig å utarbeide en presentasjon kun for den tekniske juryen.
Beskrivelse: Investoren bryr seg om kostnad og verdi, nabolaget bryr seg om daglige fordeler og sikkerhet, juryen bryr seg om konsept og teknikk. Forklare en enkelt designessens for hvert publikum hva de bryr seg om, på et språk de kan forstå; Å dra nytte av den rammeoversettende kraften til kunstig intelligens er den mest effektive måten. Det er en vanlig feil å forklare det til alle på samme språk.
11. Hvorfor er det feil å la kunstig intelligens direkte beregne totalkostnaden for en park?
- A) Kunstig intelligens kjenner alltid til gjeldende markedspriser
- B) Kunstig intelligens beregner kostnaden, men er feil bare på store prosjekter
- C) Kunstig intelligens kjenner ikke den faktiske lengden på prosjektet og gjeldende priser; Beløpet som er oppgitt er representativt, ikke et tilbud ✔
- D) Kostnaden er uviktig, det som betyr noe er skjønnheten i designet
Forklaring: Kunstig intelligens kjenner verken den faktiske lengden på prosjektet eller gjeldende lokale enhetspriser; Beløpet som er gitt er rent representativt og ikke et tilbud. Den riktige måten er å ta den faktiske mengden fra prosjektdataene og enhetsprisene fra markedet og la den kunstige intelligensen kun redigere tabellen.
12. Hva er den farligste risikoen og riktige forholdsregler ved bruk av kunstig intelligens angående lovgivning?
- A) Siden kunstig intelligens kan lovgivningen utenat, kan dens artikler stole på
- B) Lovverket er universelt, det er ikke behov for lokal bekreftelse
- C) Varenummeret gitt av kunstig intelligens er alltid oppdatert.
- D) Kunstig intelligens kan utgjøre ikke-eksisterende materie; Hver bestemmelse må bekreftes fra den offisielle oppdaterte kilden og myndigheten ✔
Beskrivelse: Lovverket er lokalt, gjeldende og åpent for tolkning; AI kan utgjøre et ikke-eksisterende varenummer eller regel (hallusinasjon). Den riktige forholdsregelen er å ikke bruke noen bestemmelse uten å verifisere den; Det er å bruke kunstig intelligens kun for å oppsummere den offisielle teksten du gir, for å generere en sjekkliste og spørsmål til tjenestemannen, og for å bekrefte elementene fra den offisielle gjeldende kilden.
13. Hvilket prinsipp gjelder for bruk av kunstig intelligens med data som kundekontrakt og pakkeinformasjon?
- A) Alle dokumenter kan lastes opp som de er, fordi hastighet er viktig
- B) Kontraktsdata er uviktige for AI, de ignoreres
- C) Pakkeinformasjon kan deles fritt da det ikke anses som personopplysninger.
- D) Konfidensielle og personlige data deles ikke uten kontroll; Brukes anonymisert om nødvendig ✔
Forklaring: Kundens identitet, pakkeinformasjon, kontrakt og personopplysninger skal ikke lastes opp til kunstig intelligens-verktøy på en ukontrollert måte. Om nødvendig deles data ved anonymisering. Konfidensialitet er et av de viktigste etiske prinsippene som vektlegges gjennom hele modulen.
14. Hva er de tre konstante prinsippene når man kjører et prosjekt ende-til-ende med kunstig intelligens?
- A) Be om alt i én forespørsel, verifiser resultatet, lever
- B) Kunstig intelligens avgjør, mennesker implementerer bare
- C) Akkumuler verifikasjoner og gjør dem alle på en gang på slutten av prosjektet
- D) Kunstig intelligens produserer, mennesker velger og eier; hver kritisk utgang er verifisert; Vedtak og underskrift tilhører den sakkyndige ✔
Beskrivelse: I en ende-til-ende arbeidsflyt gjentas tre prinsipper på hvert trinn: AI typer og akselererer, mennesker velger og eier; alle numeriske, lokale og sikkerhetskritiske utdata er verifisert; Avgjørelsen og underskriften tilhører den kompetente sakkyndige. Disse prinsippene forblir konstante selv om bare emnet de brukes på endres.