AI Clearing 对比 Cleora.AI

AI Clearing 将设计和 BIM 数据、进度计划、预算、无人机影像、移动输入和地面调查整合到一个大型基础设施和可再生能源项目的施工智能系统中。承包商和资产所有者使用其 CORE 平台查看现场实际情况，而不是依赖分散的电子表格和现场笔记。

一个经过数百万建筑对象训练的专有计算机视觉引擎将竣工状态与设计图纸进行比较。该平台在数据采集后 6 到 24 小时内提供进度和质量报告，并包含 Clara，一位能够根据实时现场数据回答项目问题的对话助手。

大多数施工软件通过电子表格跟踪任务，而 AI Clearing 则围绕现场视觉证据构建。它自动协调无人机影像、进度计划和 BIM 模型，使其比缺乏地理空间进度验证的通用项目管理工具更适合公用事业规模的土方工程和可再生能源项目。

从事可再生能源、输电、风能、公路、管道、铁路和土木土方工程的总承包商、EPC 公司和资产所有者使用 AI Clearing 进行进度跟踪、质量控制、账单核实和项目组合监督。客户包括 PCL Solar、baywa-re 和 Rosendin Renewables。

Cleora 将边列表转换为图中每个节点的稠密向量嵌入，无需 GPU 或随机游走采样。pycleora Python 库包含一个 Rust 核心，通过稀疏马尔可夫矩阵幂计算完整的游走分布，然后提供分类、相似性搜索和链接预测辅助功能。它主要面向推荐系统、欺诈图、知识三元组以及其他关系结构比文本特征更重要的任务。

基于游走的库如 DeepWalk 和 Node2Vec 通过采样路径和训练跳字模型来近似邻域。Cleora 跳过这两个步骤，在一次确定性遍历中聚合每个 k 跳邻域，这也是 Zomato 报告在相同配置下，GraphSAGE 运行约二十小时后，Cleora 能在五分钟内完成客户-餐厅图嵌入的原因。其权衡在于范围：它是一个图结构工具包，而非用于非结构化数据的一般特征存储。

数据科学团队通过 pip 安装 pycleora，只需 NumPy 和 SciPy 作为依赖，软件包大小约为 5 MB。该 MIT 许可库包含八种基线算法、异构图支持、多层感知机和标签传播分类器，以及用于批处理作业的命令行界面。在 SNAP、Planetoid 和 DGL 数据集上的公开基准测试显示，在节点数约两百万的图上达到顶级准确率，而竞争方法则超时或内存不足。