打开文本图片集

摘要：随着人工智能技术的快速发展，AI大语言模型在工程造价领域的应用引起了广泛关注。传统的材料价格分析方法往往依赖于经验和人工判断，难以满足日益复杂的市场需求。本文从数字化转型的角度，探讨了基于AI大语言模型的工程造价材料价格数字化转型实践的可能性和挑战。旨在为工程造价领域的数字化转型提供一种新的思路和方法，促进工程造价材料价格信息的智能化和高效化。

关键词：AI大模型 工程造价

一、建筑材料价格数字化转型的意义

（一）传统模式存在的局限性

1.价格信息询价难；传统的价格采集方式通常依赖于人工询价，耗费时间和人力成本较高，且价格信息的可靠性和准确性不高。部分造价人员市场询价途径窄，较难寻找合适的建筑材料。

2.材料载价应用难；传统载价模式，计算过程繁琐且容易出错。对于复杂的项目，涉及多种材料的价格计算和组合，人工载价难以满足精细化的需求，容易导致成本估算的不准确性。部分造价咨询人员专业知识和行业经验不足，在面对专用、新型的名称、规格、参数时，难以准确地识别，应用材料。

3.价格信息比对难；传统建筑材料价格信息管理中，由于受到不同地区、不同供应商、不同渠道等因素的影响，价格波动频繁，数据标准不一，企业往往难以进行有效的价格比对和评估。

（二）数字化转型的意义

1.自动化数据采集与分析：通过AI大语言模型，可以从多个数据源中自动抓取和整理建筑材料的价格信息，减少人工操作和时间成本。同时，AI模型可以对采集的数据进行清洗、分析和挖掘，提供更准确、标准的价格数据，帮助企业做出更有针对性和科学性的决策。

2.提高准确性和可靠性：AI大语言模型具备较强的语言理解和分析能力，可以准确地理解和解析价格信息的内容。相比传统的人工整理方式，AI模型能够避免人为因素和信息不对称带来的误差，提供更准确和可靠的价格数据。

3.优化材料选择与成本控制：AI大语言模型可以帮助企业优化材料选择和成本控制。通过分析建筑材料的价格信息和性能指标，AI模型可以提供针对性的建议和优化方案，帮助企业选择价格合理、性能优良的建筑材料。

二、AI大语言模型在材料价格数字化转型中的应用

基于大数据和人工智能技术，构建工程材料价格信息管理体系，满足各方需求，遵循需求导向性、系统性、可扩展性的原则，实现数据的采集、存储、挖掘分析和应用服务，如下图所示。

（一）业务协同层

由传统的信息化系统和工具软件构成，负责定义和管理工程造价业务流程和规则，协调各参建主体之间的数据交流和信息共享，需要基于对工程造价数据采集标准体系进行搭建。

（二）基础数据层

通过预先设计的预处理模式，对业务协同层的原始工程造价数据进行标准化处理后形成的数据库，数据处理包括数据格式明确、筛选剔除错误的或不完整的不良数据、数据格式统一以及数据上传规则明确。

（三）算法模型层

通过对基础数据层中的标准有效的工程数据进行分析和处理，构建AI模型，用于解决实际问题。根据对造价用户的需求进行设计，建立多个基于不同应用场景的AI小模型，用于满足不同场景的需求。

（四）应用服务层

在数据模型层的基础上，通过AI深度训练和数据挖掘，为建设项目的各个参与方提供更好的服务。在对数据模型层的AI深度训练和基础数据层的数据挖掘的基础上，为建设项目各个参与方提供更好的服务。

三、材料价格数字化转型的实践探索

（一）数据收集与处理

通过建立价格信息数据平台整合通过各个渠道采集到的建筑材料的价格信息，对采集到的数据进行数据预处理工作，主要包括以下几个步骤：

（1）数据清洗预处理：利用AI大语言模型对采集到的原始数据进行清洗和预处理。可以使用自然语言处理技术，如分词、词性标注、关键词识别等，将原始文本数据转换成结构化数据。

（2）异常数据处理：通过对数据进行统计分析，检测和处理异常值，确保数据的准确性和可信度。

（3）数据聚类分析：根据数据的特征标签，可以利用聚类算法对分词结果进行分组，将相似的分词归为一类，以便后续的数据分析和应用。

（二）材料价格数据分类管理

根据实际需求和材料数据标签体系设置，通过聚类算法对建筑材料价格数据进行聚类分析，将具有相似价格特征的建筑材料归为一类，便于后续的数据归集和分析。根据聚类分析的结果，将建筑材料价格数据归集到相应的类别中。将相似的建筑材料价格信息整合在一起，形成更加清晰和可操作的数据集。基于标签聚类结果的数据集，根据置信水平（建议90%—95%），生成合理的材料价格信息置信区间，可分析提取较为准确的材料价格。

（三）材料专业测算价分析

在进行材料专业测算价分析时，需要从输入数据中提取有效的特征。这些特征可以包括材料的种类、规格、品牌等以及项目基本信息。根据AI大语言模型生成的预测结果，进行材料专业测算价的估算，并为决策者提供决策支持。根据模型的分析结果，可制定合理的材料采购计划、定价策略和风险管理措施。

四、转型过程中存在的问题和挑战

（一）数据质量和可靠性：AI模型的训练和应用需要大量的高质量数据，但建筑材料价格信息可能来自多个不同的数据源，且质量和可靠性参差不齐。

（二）模型训练和拓展性：AI大语言模型需要进行大规模的训练和优化，然而训练模型需要大量的计算资源和时间，且模型的性能优化和参数调整也需要专业的技术支持，市场环境也在不断更新。

（三）数据隐私和安全性：建筑材料价格信息涉及商业敏感数据，需要确保数据的安全存储和传输，以及合规性和合法性。

五、结论

随着AI技术的不断发展和应用，大语言AI模型在材料价格数字化转型中的应用将更加广泛和深入。未来的研究将关注如何进一步提升预测准确性和决策效率。数字化转型将更加注重数据的质量和有效性，在材料采购和定价方面的智能化和科技化发展，为企业带来更大的商业价值。

六、参考文献

[1] 工程造价在数字化管理中的应用研究[J].孟凡强.中国信息化，2022（6）：95-96.

[2]浅议建设工程造价价格信息数字化转型的实践探索：以台州市为例[J].应健，徐卫军.中国建设信息化，2021（4）：68-70.

[3]大数据视角下工程造价数据信息服务体系 张永成，郭帅，叶艳兵；《土木工程与管理学报》；