AUTOMATIC IDENTIFICATION OF MISCLASSIFIED ELEMENTS OF AN INFRASTRUCTURE MODEL

In example embodiments, techniques are provided to automatically identify misclassified elements of an infrastructure model using machine learning. In a first set of embodiments, supervised machine learning is used to train one or more classification models that use different types of data describing elements (e.g., a geometric classification model that uses geometry data, a natural language processing (NLP) classification model that uses textual data, and an omniscient (Omni) classification model that uses a combination of geometry and textual data; or a single classification model that uses geometry data, textual data, and a combination of geometry and textual data). Predictions from classification models (e.g., predictions from the geometric classification model, NLP classification model and the Omni classification model) are compared to identify misclassified elements, or a prediction of misclassified elements directly produced (e.g., from the single classification model). In a second set of embodiments, unsupervised machine learning is used to detect abnormal associations in data describing elements (e.g., geometric data and textual data) that indicate misclassifications. Identified misclassifications are displayed to a user for review and correction. Selon des exemples de modes de réalisation, l'invention concerne des techniques pour identifier automatiquement des éléments mal classifiés d'un modèle d'infrastructure à l'aide de l'apprentissage automatique. Dans un premier ensemble de modes de réalisation, un apprentissage automatique supervisé est utilisé pour entraîner un ou plusieurs modèles de classification qui utilisent différents types de données décrivant des éléments (par exemple un modèle de classification géométrique qui utilise des données géométriques, un modèle de classification par traitement du langage naturel (TLN) qui utilise des données textuelles et un modèle de classification omniscient (Omni) qui utilise une combinaison de données géométriques et textuelles; ou un modèle de classification unique qui utilise des données géométriques, des données textuelles et une combinaison de données géométriques et textuelles). Des prédictions issues de modèles de classification (par exemple des prédictions issues du modèle de classification géométrique, du modèle de classification TLN et du modèle de classification Omni) sont comparées pour identifier des éléments mal classifiés, ou une prédiction d'éléments mal classifiés est directement prod