IO List Generator

Over de klant & probleemstelling

Onze klant integreert gebouwautomatiseringssystemen: hij installeert en configureert de Honeywell-, Priva- en ISMA-controllers die de HVAC, klimaatregeling en verlichting in commerciële gebouwen aansturen. Elk project begint met een technische tekening: een Visio-document van meerdere pagina's met elke sensor, actuator en stuursignaal, aangeduid met pijlen en symbolen die het type en de richting weergeven.

Voor er ook maar één controller gekozen of bekabeld kan worden, moet een ingenieur die tekening punt per punt doorwerken — bepalen of elke verbinding digitaal of analoog is, input of output, bij welk toestel ze hoort en hoe ze heet — en dat alles in de juiste volgorde overzetten naar een gestructureerde IO-lijst. Voor een ervaren ingenieur is dat één tot twee uur nauwkeurig, repetitief lezen per tekening, en één gemist of verkeerd gelezen symbool kan later op de werf tot een bekabelingsfout leiden.

Precies het soort taak dat je goed wil doen, dat vervelend is om met de hand te doen, en die je — tot voor kort — moeilijk aan software kon overlaten, omdat het draait om het lezen van een visuele conventie, niet enkel tekst.

Oplossing

We bouwden dit bewust niet als een volledig automatische black box. AI-extractie brengt je al heel ver, maar geen enkel model haalt 100% op een document dat leveranciersspecifieke symboolconventies, projectspecifieke naamgeving en tekeningen combineert die doorheen jaren stilaan hun eigen lokale dialect hebben ontwikkeld. Daarom kozen we voor een human-in-the-loop tool: de AI doet het lezen, een ingenieur doet de eindcontrole, en samen zijn ze veel sneller dan elk apart.

We bouwden dit op dat moment op Google's Gemini — specifiek omdat dat model toen gold als het sterkst in echte multimodale redenering: het leest een gerenderde tekening en de onderliggende tekst in één keer samen, in plaats van losse tools aan elkaar te knopen, en het was kostenefficiënt genoeg om over een volledige set tekeningen te draaien zonder dat AI-kosten een aparte begrotingspost werden per project. Met few-shot voorbeelden en de legende van elke pagina als houvast, levert het een nette, geordende, gestructureerde IO-lijst op — klaar om door een ingenieur gecontroleerd te worden in plaats van van nul opgebouwd.

We schreven een eigen preprocessing-pipeline die de exacte positie van elk element op de pagina uitleest, zodat het model de tekening leest zoals een mensenoog dat zou doen — van links naar rechts, van boven naar onder — in plaats van in de volgorde waarin de PDF alles toevallig intern heeft opgeslagen. Dat stuk engineering is wat een chaos aan losse symbolen omzet in een volgorde waar het model echt over kan redeneren.

Ervoor zorgen dat het model de tekening correct ziet, nog voor het er iets over probeert af te leiden, is hier de halve engineering — wat je het model geeft, en hoe je het geeft, weegt even zwaar door als wat je het vraagt.

Conclusies

De taak die een ervaren ingenieur vroeger één tot twee uur per tekening kostte, vraagt nu nog maar enkele minuten controle. Het technische oordeel is niet veranderd — controllerselectie en IO-toewijzing blijven expertisewerk — maar de uren manueel overtypen die daarvoor nodig waren, zijn verdwenen. Dit is ook geen labresultaat: de tool draait dagelijks in productie op echte projecten.

De grotere les gaat eigenlijk niet over tekeningen. Dit is zowat het meest nichegebonden softwareprobleem dat er is — het interne proces van één bedrijf, gebouwd rond één specifiek type technische tekening — en net daarom is het de moeite om even bij stil te staan. Als ChatGPT zo'n taak niet meteen uit de doos oplost, en voor de meeste écht specifieke bedrijfsprocessen zal dat niet lukken, dan bewijst dat niet dat de taak voor altijd manueel werk blijft. Meestal betekent het gewoon dat de taak een ingenieur nodig heeft, geen grotere prompt.