Τα Large Language Models (LLMs) είναι μοντέλα τεχνητής νοημοσύνης εκπαιδευμένα σε τεράστιες ποσότητες κειμένου, ικανά να κατανοούν και να παράγουν φυσική γλώσσα. Στην πράξη, λειτουργούν σαν ένα ενδιάμεσο layer ανάμεσα στον χρήστη και το λογισμικό: μετατρέπουν περιγραφές (π.χ. «καθάρισε αυτό το point cloud και δώσε κατόψεις») σε προτεινόμενες ενέργειες, workflows ή ακόμη και εκτελέσιμα βήματα.
Μέχρι σήμερα, όποιος δούλευε με τοπογραφικά δεδομένα και αποτυπώσεις ήξερε ένα πράγμα: για να πάρεις αποτέλεσμα, πρέπει να μάθεις το εργαλείο - λογισμικό.
Ειδικά σε εξειδικευμένα λογισμικά η διαδικασία ήταν, και όσο αναπτύσσονται γίνεται περισσότερο, απαιτητική. Δεκάδες βήματα, πολύπλοκα και εκτεταμένα menus, παράμετροι που έπρεπε να ρυθμιστούν σωστά.
Σήμερα, αυτό αρχίζει να αλλάζει.
Με την εμφάνιση των LLMs, η χρήση του λογισμικού μετακινείται από το «πώς το κάνω» στο «τι θέλω να κάνω».
Από τη διαδικασία στο αποτέλεσμα
Στην κλασσική προσέγγιση, η επεξεργασία point clouds από 3D Laser scanners σήμαινε:
• καθαρισμό θορύβου
• ενοποίηση και γεωαναφορά δεδομένων
• πιθανή δημιουργία mesh ή surface (ανάλογα με το τελικό προϊόν)
• παραγωγή τελικών προϊόντων (όψεις, κατόψεις, ορθοφωτογραφίες)
Με τα LLMs, η αφετηρία αλλάζει.
Δεν ξεκινάς από το εργαλείο. Ξεκινάς από το αποτέλεσμα.
Και το εκφράζεις.
«Θέλω ένα καθαρό point cloud και από αυτό να πάρω κατόψεις και όψεις»
Όμως τα δεδομένα είναι τεράστια
Τα δεδομένα από SLAM και laser scanning δεν είναι απλά μεγάλα.
Είναι πολύ πυκνά, γεμάτα θόρυβο, συχνά με σφάλματα προσανατολισμού ή και drifts.
Μέχρι πρόσφατα, αυτό σήμαινε:
• χειροκίνητο καθαρισμό
• πολλαπλά στάδια φιλτραρίσματος
• επαναλαμβανόμενες δοκιμές
Σήμερα μπορείς να ξεκινήσεις διαφορετικά:
«Καθάρισε αυτό το point cloud, αφαίρεσε outliers και ετοίμασέ το για παραγωγή ορθοφωτογραφιών»
Το αποτέλεσμα δεν παράγεται αυτόματα χωρίς έλεγχο. Αλλά η διαδικασία οργανώνεται και επιταχύνεται σημαντικά.
Ο ρόλος του επαγγελματία αλλάζει
Τα LLMs δεν είναι μαγική λύση.
Ο επαγγελματίας δεν αντικαθίσταται.
Αλλάζει ρόλο.
Από εκτελεστής διαδικασιών γίνεται:
• αυτός που ορίζει το πρόβλημα
• αυτός που ελέγχει το αποτέλεσμα
• αυτός που καθοδηγεί τη διαδικασία
Δεν χρειάζεται να θυμάται κάθε εργαλείο. Χρειάζεται να καταλαβαίνει τι θέλει να υλοποιήσει.
Συμπέρασμα
Τα LLMs δεν κάνουν την επεξεργασία point clouds απλή.
Την κάνουν πιο προσβάσιμη.
Αντί να εστιάζεις στο πώς θα εκτελέσεις κάθε βήμα, εστιάζεις στο τι θέλεις να παράγεις.
Και τελικά, η πιο σημαντική δεξιότητα δεν είναι να ξέρεις όλα τα εργαλεία.
Είναι να ξέρεις να περιγράφεις σωστά το αποτέλεσμα και να αναγνωρίζεις πότε αυτό που πήρες είναι πραγματικά σωστό.