本PoCは、BIM導入支援・Revit運用支援の経験を、建設業界向けAI導入支援・BIMデータ活用支援へ拡張するためのポートフォリオです。
Revit / BIMデータを、BI・データ分析・将来的な機械学習・生成AI・RAGで活用する前に、データ品質とAI活用準備度を評価するための個人開発PoCです。
This portfolio demonstrates how BIM implementation support experience can be extended into construction AI / data utilization support by preparing Revit-derived BIM data for BI, RAG, and human-reviewed AI assistance.
Revit集計表から書き出したTXT、Room Schedule TXT、pyRevitで取得した選択要素メタデータCSVをPythonで処理し、RuleIdベースの品質チェック、QualityScore算出、AI Readiness Score算出、生成AI向け構造化コンテキスト生成、Fix Guide Markdown生成、Streamlitによる簡易可視化、ローカルLLMによる説明文生成デモ、RAG / Azure AI Search構成検討、FixPriority教師データ設計までを扱っています。
本PoCの目的は、AIに設計判断・施工判断・法規判断をさせることではありません。 BIM担当者が確認・判断しやすいように、品質チェック結果、AI Readiness、修正方針、人間確認要否、RAG向け構造を整理することを目的としています。
Revit由来データの品質チェック
RuleIdベースの違反検出
QualityScore算出
AI Readiness Score算出
HumanReviewRequired判定
AI Context JSON / Markdown生成
Fix Guide Markdown生成
Streamlitによる簡易可視化
ローカルLLMによる説明文生成デモ
pyRevitによるElementId / UniqueId取得MVP
RAG / Azure AI Search向けの構成検討
FixPriority教師データの列設計・ラベル方針整理
pytestによる主要ロジックの検証
Revitモデルの自動修正
設計判断
施工判断
法規判断
本番用BIM品質管理システムとしての運用
Azure AI Searchの実デプロイ
Azure OpenAI / OpenAI API接続
Embedding生成
ベクトル検索
RAGチャットUI
機械学習モデルによるFixPriorityの正解判定
深層学習
fine-tuning
このPoCは、BIMデータをLLM、RAG、BI、将来的な機械学習で活用する前段階として、データ品質とAI活用準備度を評価するものです。
AIが設計判断・施工判断・法規判断を行うものではなく、Revitモデルの自動修正も行いません。 最終判断はBIM担当者が行う前提です。
flowchart TD
A[Revit集計表TXT] --> B[CSV変換]
B --> C[データクレンジング]
C --> D[品質チェック]
R[Rule Master] --> D
D --> E[QualityScore]
E --> F[FixPriority候補整理]
F --> G[AI Readiness Score]
G --> H[HumanReviewRequired]
G --> I[AI Context]
D --> J[Fix Guide]
I --> K[Local LLM説明文生成デモ]
J --> K
I --> L[RAG / Azure AI Search構成検討]
J --> L
R --> L
F --> M[FixPriority教師データ設計]
D --> M
G --> M
J --> M
P[pyRevitメタデータCSV] --> Q[ElementId / UniqueId]
Q --> I
Q --> L
関連する図解設計資料：
docs/poc_overall_flow_mermaid.md
docs/phase3_extension_mermaid.md
本PoCでは、AIモデルそのものを作るのではなく、BIMデータをAI・データ分析・RAGに渡す前段階の整備を重視しています。
主に以下を示しています。
- Revit集計表TXTを構造化CSVへ変換すること
- Door / Roomデータを品質チェックしやすい形へ整理すること
- RuleIdベースでBIM品質チェックを設計・実装すること
- QualityScoreとAI Readiness Scoreを算出すること
- 人間確認が必要な箇所をHumanReviewRequiredとして明示すること
- 生成AIやRAGへ渡すためのAI Context JSON / Markdownを生成すること
- BIM担当者向けのFix Guide Markdownを生成すること
- ローカルLLMで説明文生成デモを行い、人間レビューと分けて扱うこと
- pyRevitでRevit内部ElementId / UniqueIdを取得するMVPを作ること
- RAG / Azure AI Searchを想定したチャンク設計・メタデータ設計を行うこと
- FixPriorityを将来的な教師データ候補として扱うための列設計・ラベル方針を整理すること
- pytestで主要ロジックを検証すること
| 項目 | 結果 |
|---|---|
| 対象Revit集計表 | 20 ドア 建具表 SD |
| クレンジング後の入力行数 | 25 |
| 品質チェック結果 | 100件 |
| AI Readiness Score | 25要素すべて 40 |
| AI Readiness Level | Low |
| HumanReviewRequired | True |
Doorサンプルでは、必須パラメータ未入力、分類コード未入力、命名規則違反が各要素で検出される設定のため、全要素のAI Readiness LevelがLowとなっています。
| 項目 | 結果 |
|---|---|
| Total Room records | 113 |
| Room rule violations | 11 |
| Violated Room elements | 11 |
| Clean Room elements | 102 |
| Average Room QualityScore | 99.03 |
| Room AI Readiness Level | High: 113 |
| HumanReviewRequired | True: 11 / False: 102 |
Phase 3Bでは、既存のDoor中心ワークフローをRoomカテゴリにも拡張しました。
Phase 3Cでは、Revit集計表TXTだけでなく、pyRevitを使ってRevitモデル上の選択要素から内部メタデータを取得する小規模MVPを追加しました。
確認済み：
| 項目 | 結果 |
|---|---|
| Revit / pyRevit環境 | Revit 2024 / pyRevit 6.4.0 |
| BIM Qualityタブ / Export Metadataボタン | 作成済み |
| 0件選択時の安全中断 | 確認済み |
| Door 1件選択時のCSV出力 | 確認済み |
| Door複数選択時のCSV出力 | 確認済み |
| ElementId / UniqueId取得 | 確認済み |
| Category / FamilyName / TypeName取得 | 確認済み |
| LevelName取得 | 確認済み |
| 匿名化サンプルCSV | 作成済み |
Phase 3Cでは、Revitモデルの自動修正やパラメータ書き換えは行っていません。
AI ContextとFix Guideを入力情報として、ローカルLLMでBIM担当者向け説明文を生成できるかを小さく検証しました。
目的はLLM性能比較ではなく、AI Contextが説明文生成の入力として機能するかを確認することです。 LLM回答は参考情報であり、最終判断はBIM担当者が行う前提です。
主な関連ファイル：
docs/local_llm_extension_plan.md
docs/local_llm_prompt_template.md
docs/local_llm_experiment.md
06_local_llm/README.md
06_local_llm/local_llm_prompt_input_sample_v001.md
06_local_llm/local_llm_explanation_examples_v001.md
Door中心だった品質チェック・AI Readiness Assessmentを、Room Schedule TXTにも適用できるように拡張しました。
主な関連ファイル：
src/convert_room_schedule.py
src/clean_room_data.py
src/check_room_quality.py
src/calculate_room_quality_metrics.py
src/calculate_room_ai_readiness_score.py
src/generate_room_ai_context.py
src/generate_room_fix_guide.py
tests/test_room_pipeline.py
docs/phase3b_room_category_completion_summary.md
pyRevitを使い、Revitモデル上の選択要素からElementId / UniqueIdなどの基本メタデータをCSV出力するMVPを追加しました。
主な関連ファイル：
pyrevit_scripts/export_selected_element_metadata.py
03_input_csv/pyrevit_element_metadata_sample_v001.csv
docs/pyrevit_element_metadata_export_plan.md
docs/pyrevit_element_metadata_mapping.md
docs/pyrevit_limitations.md
tests/test_pyrevit_metadata_csv.py
既存PoC成果物を将来的にRAG / Azure AI Searchで扱う場合の構成検討を追加しました。
AI Context、Fix Guide、Rule Master、Door / Room品質チェック結果、AI Readiness Score、pyRevit Metadataを、将来の検索・回答生成に接続する場合の設計方針を整理しています。
主な関連ファイル：
docs/rag_azure_ai_search_architecture_plan.md
docs/rag_chunk_design.md
docs/rag_metadata_design.md
docs/rag_query_examples.md
docs/rag_answer_policy.md
docs/rag_limitations.md
05_rag_design/sample_index_schema_v001.json
05_rag_design/sample_rag_documents_v001.jsonl
この段階では、Azure AI Search、Azure OpenAI / OpenAI API、Embedding生成、ベクトル検索、RAGチャットUIは実装していません。
FixPriorityを将来的な教師データ候補として扱うための設計を追加しました。
この段階では、機械学習モデルの作成、深層学習、fine-tuning、FixPriorityの完全自動判定は行っていません。
主な関連ファイル：
docs/fixpriority_training_data_design.md
docs/fixpriority_training_columns.md
docs/fixpriority_labeling_policy.md
docs/fixpriority_limitations.md
07_fixpriority_training/fixpriority_training_samples_v001.csv
07_fixpriority_training/fixpriority_label_examples_v001.md
tests/test_fixpriority_training_data.py
AI Readiness Score、AI Readiness Level、HumanReviewRequired、ElementId別スコアを確認できる画面です。
品質チェック結果、特徴量データセット、AI Readiness Scoreをもとに生成した、AI向け構造化コンテキストを確認できる画面です。
RuleId、Severity、AIReadinessImpact、HumanReviewRequiredをもとに生成した、人間確認向けの修正ガイドを確認できる画面です。
検証には、Autodesk公式の日本仕様 意匠サンプルモデル Revit 2024を使用しています。
.rvt ファイル本体は、容量および配布条件を考慮し、GitHub公開対象外としています。
本PoCでは、Revit集計表 20 ドア 建具表 SD をTXTとして書き出し、Python処理の入力データとして使用しています。
Power BIは補助的な可視化として使用しています。
.pbix ファイル本体は、容量および公開範囲を考慮し、GitHub公開対象外としています。
04_output_csv/check_results_revit_v002.csv
04_output_csv/quality_metrics_v001.csv
04_output_csv/ai_readiness_scores_v001.csv
04_output_csv/ai_context_v002.json
04_output_csv/ai_context_v002.md
04_output_csv/fix_guides_v001.md
04_output_csv/check_results_room_v001.csv
04_output_csv/room_quality_metrics_v001.csv
04_output_csv/room_ai_readiness_scores_v001.csv
04_output_csv/room_ai_context_v001.json
04_output_csv/room_ai_context_v001.md
04_output_csv/room_fix_guides_v001.md
03_input_csv/pyrevit_element_metadata_sample_v001.csv
pyrevit_scripts/export_selected_element_metadata.py
06_local_llm/README.md
06_local_llm/local_llm_prompt_input_sample_v001.md
06_local_llm/local_llm_explanation_examples_v001.md
05_rag_design/sample_index_schema_v001.json
05_rag_design/sample_rag_documents_v001.jsonl
07_fixpriority_training/fixpriority_training_samples_v001.csv
07_fixpriority_training/fixpriority_label_examples_v001.md
pytestで主要ロジックの最小テストを作成しています。
主なテスト：
tests/test_quality_rules.py
tests/test_ai_readiness_score.py
tests/test_room_pipeline.py
tests/test_pyrevit_metadata_csv.py
tests/test_fixpriority_training_data.py
実行：
$env:PYTHONPATH = "."
pytest -q確認済み：
37 passed
RuleIdベース品質チェック、AI Readiness Score計算、HumanReviewRequired判定、Room用処理、pyRevit出力CSV、FixPriority教師データCSVの基本整合性を確認しています。
主に使用している技術：
Python
pandas
pytest
Streamlit
Markdown
CSV
JSON
JSONL
Revit Schedule TXT
pyRevit
Revit API
Ollama
LM Studio
Local LLM
Mermaid
将来的な拡張候補：
Power BI
Azure AI Search
Azure OpenAI
OpenAI API
Embedding
Vector Search
RAG
FastAPI
ただし、Phase 3D時点ではAzure AI Search、Azure OpenAI / OpenAI API、Embedding生成、Vector Search、RAG UIは未実装です。
詳細資料は docs/ に整理しています。
主要資料：
docs/rule_specification.md
docs/evaluation_policy.md
docs/limitations.md
docs/data_dictionary.md
docs/phase3_roadmap.md
docs/poc_completion_policy.md
Phase別資料：
docs/local_llm_extension_plan.md
docs/room_category_extension_plan.md
docs/pyrevit_element_metadata_export_plan.md
docs/rag_azure_ai_search_architecture_plan.md
docs/fixpriority_training_data_design.md
図解・Portfolio関連：
docs/poc_overall_flow_mermaid.md
docs/phase3_extension_mermaid.md
07_portfolio/bim_quality_poc_portfolio_v005.pdf
現時点の主な制約と対象外は以下です。
- 本PoCは検証用であり、本番用のBIM品質管理システムではありません。
- 現在処理しているRevit由来データは、主にDoor ScheduleとRoom Scheduleです。
- Door / RoomのElementIdには、PoC用仮IDとRevit内部ElementIdが混在する可能性があります。
- QualityScoreとAI Readiness ScoreはPoC用の簡易指標です。
- FixPriorityは実務の正解ラベルではなく、仮ラベルです。
- FixPriority教師データ設計は列設計・ラベル方針・サンプル作成までであり、分類モデルの作成は行っていません。
- Local LLMの出力は参考情報であり、最終判断ではありません。
- pyRevit連携は、選択要素のメタデータCSV出力MVPまでです。
- 全モデルスキャンは未実装です。
- Azure AI Searchの実デプロイは未実装です。
- Azure OpenAI / OpenAI API接続は未実装です。
- Embedding生成は未実装です。
- ベクトル検索は未実装です。
- RAGチャットUIは未実装です。
- 機械学習モデル作成、深層学習、fine-tuningは未実装です。
- Revitモデルの自動修正は対象外です。
- 設計判断、施工判断、法規判断、モデル修正の最終判断はBIM担当者が行う前提です。
このリポジトリには、公開可能なサンプルデータまたは匿名化したPoC用データのみを含めます。
GitHubに含めないもの：
実案件データ
顧客名
プロジェクト名
個人情報
社外秘モデル由来情報
実モデル由来のUniqueId
実モデル由来のElementId
APIキー
接続文字列
Azureリソース名
.env
ログファイル
モデルファイル
キャッシュ
本PoCでは、Revit / BIMデータを対象に、Pythonによるデータ変換、データクレンジング、RuleIdベース品質チェック、QualityScore算出、AI Readiness Score算出、生成AI向け構造化コンテキスト生成、Fix Guide Markdown生成、Streamlit簡易可視化、Local LLM説明文生成デモ、pyRevitメタデータ取得、RAG構成検討、FixPriority教師データ設計、pytestによる最小テストまでを整理しました。
目的は、AIモデルそのものを作ることではなく、BIMデータをBI、データ分析、将来的な機械学習、生成AI、RAGで安全に活用するための前処理、品質評価、構造化、修正ガイド生成、人間レビュー設計の流れを示すことです。
このPoCにより、BIM導入支援・Revit運用支援の経験を、建設業界向けのAI・データ活用支援へ拡張できることを示しています。