AI Clearing vs Cleora.AI

AI Clearing connecte les données de conception et BIM, les plannings, les budgets, les images de drones, les entrées mobiles et les relevés de terrain en un seul système d'intelligence de construction pour les projets d'infrastructures à grande échelle et d'énergie renouvelable. Les entrepreneurs et les propriétaires d'actifs utilisent sa plateforme CORE pour voir ce qui se passe réellement sur le site au lieu de se fier à des feuilles de calcul dispersées et des notes de terrain.

Un moteur de vision par ordinateur propriétaire, entraîné sur des millions d'objets de construction, compare les conditions telles qu'elles sont construites aux plans de conception. La plateforme fournit des rapports d'avancement et de qualité dans un délai de 6 à 24 heures après la capture des données et inclut Clara, une assistante conversationnelle qui répond aux questions de projet à partir des données de terrain en temps réel.

Alors que la plupart des logiciels de construction suivent les tâches dans des feuilles de calcul, AI Clearing est construit autour de preuves visuelles du site. Il réconcilie automatiquement les images de drones, les plannings et les modèles BIM, ce qui le rend mieux adapté aux travaux de terrassement à l'échelle des services publics et aux énergies renouvelables que les outils génériques de gestion de projet qui manquent de vérification géospatiale de l'avancement.

Les entrepreneurs généraux, les entreprises EPC et les propriétaires d'actifs travaillant dans les énergies renouvelables, la transmission, l'éolien, les autoroutes, les pipelines, les chemins de fer et les travaux de terrassement civils utilisent AI Clearing pour le suivi de l'avancement, le contrôle qualité, la vérification de facturation et la supervision de portefeuille. Parmi les clients figurent PCL Solar, baywa-re et Rosendin Renewables.

Cleora transforme des listes d'arêtes en embeddings vectoriels denses pour chaque nœud d'un graphe, sans GPU ni échantillonnage par marche aléatoire. La bibliothèque Python pycleora intègre un noyau Rust qui calcule les distributions complètes de marches via des puissances de matrices de Markov creuses, puis propose des outils pour la classification, la recherche de similarité et la prédiction de liens. Elle cible les systèmes de recommandation, les graphes de fraude, les triplets de connaissances et d'autres tâches où la structure relationnelle compte plus que les caractéristiques textuelles.

Les bibliothèques basées sur les marches comme DeepWalk et Node2Vec approximant les voisinages en échantillonnant des chemins et en entraînant des modèles skip-gram. Cleora évite ces deux étapes et agrège chaque voisinage à k sauts en un seul passage déterministe, ce qui explique pourquoi Zomato a rapporté avoir intégré un graphe client-restaurant en moins de cinq minutes alors que GraphSAGE a mis environ vingt heures sur la même configuration. Le compromis est la portée : il s'agit d'un outil centré sur la structure du graphe, et non d'un magasin de caractéristiques général pour des données non structurées.

Les équipes de data science installent pycleora avec pip et n'ont besoin que de NumPy et SciPy en plus du paquet d'environ 5 Mo. La bibliothèque sous licence MIT inclut huit algorithmes de référence, le support des graphes hétérogènes, des classificateurs MLP et à propagation d'étiquettes, ainsi qu'une interface en ligne de commande pour les traitements par lots. Les benchmarks publiés sur les jeux de données SNAP, Planetoid et DGL rapportent une précision maximale sur des graphes allant jusqu'à environ deux millions de nœuds, tandis que les méthodes concurrentes atteignent un timeout ou manquent de mémoire.