Современное проектирование инженерных систем всё чаще опирается на алгоритмы машинного обучения. Нейросети для проектирования инженерных систем перестали быть экспериментальной технологией и постепенно встраиваются в рабочие процессы проектных бюро, занимающихся отоплением, вентиляцией, водоснабжением, электроснабжением и слаботочными сетями. Этот обзор посвящён тому, какие задачи уже сегодня решаются с помощью нейросетевых моделей и какие тенденции формируются в отрасли. Первое направление, в котором нейросети показали практическую пользу, — это автоматизация расчётов. Подбор диаметров трубопроводов, сечений кабелей, мощности оборудования традиционно требует ручной работы со справочниками и нормативами. Обученные на массивах проектной документации модели способны предлагать предварительные варианты решений, которые инженеру остаётся только проверить и скорректировать. Это сокращает время на рутинные операции и снижает количество ошибок, связанных с человеческим фактором. Второе направление связано с генеративным проектированием. Нейросети анализируют ограничения помещения, требования заказчика и нормативные параметры, после чего предлагают несколько вариантов компоновки систем — от трассировки воздуховодов до размещения светильников. В отличие от классических CAD-инструментов, такие алгоритмы способны учитывать одновременно десятки факторов и предлагать неочевидные решения, которые человек мог бы упустить из виду при ограниченном времени. Отдельного внимания заслуживает интеграция нейросетей с BIM-средой. Информационные модели зданий содержат большие объёмы структурированных данных, и алгоритмы машинного обучения хорошо работают именно с такими массивами. Появляются плагины для Revit, ArchiCAD и Renga, которые помогают находить коллизии, прогнозировать потребление ресурсов и оптимизировать маршруты инженерных коммуникаций. По мере накопления опыта подобные инструменты становятся всё более точными. Не менее интересна область проверки и согласования документации. Нейросетевые модели обучаются распознавать чертежи, спецификации и пояснительные записки, выявляя несоответствия нормативным требованиям. Это особенно полезно при экспертизе крупных проектов, где количество листов документации измеряется тысячами. Алгоритмы не заменяют экспертов, но существенно ускоряют первичный анализ. Стоит отметить и ограничения. Нейросети остаются чувствительными к качеству исходных данных и плохо справляются с нестандартными объектами, где требуется глубокое понимание контекста. Ответственность за итоговые решения по-прежнему лежит на инженере, а сами модели выступают в роли помощника, а не самостоятельного проектировщика. Кроме того, внедрение таких инструментов требует пересмотра внутренних регламентов компании и обучения персонала.