← Produits

Data
⚙ Prérequis: Python avec scikit-learn (ou la stack ML de votre ch…

Construction risk assessment with machine learning

Évaluer le risque de projets de construction avec le ML : prédiction de dépassements de coûts, analyse du risque de planning, prédiction d'incidents de sécurité et scoring de risque depuis les données de construction

L’essentiel
Quoi
Évaluer le risque de projets de construction avec le ML : prédiction de dépassements de coûts, analyse du risque de planning, prédiction d'incidents de sécurité et scoring de risque depuis les données de construction
Coût
Gratuit
Prérequis
Python avec scikit-learn (ou la stack ML de votre choix) ; vos propres données de projets de construction (historiques, plannings, budgets, registres de sécurité depuis vos systèmes PM/BIM/ERP)
Installation
Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.

Version :

@
Créé par : @datadrivenconstruction
⌁

Installation

Prérequis : Python avec scikit-learn (ou la stack ML de votre choix) ; vos propres données de projets de construction (historiques, plannings, budgets, registres de sécurité depuis vos systèmes PM/BIM/ERP) Installe-moi « Évaluation des risques de construction par machine learning ». Il donne à mon agent le guide ML du risque de construction de @datadrivenconstruction : prédiction de dépassements de coûts, analyse du risque de planning, prédiction d'incidents de sécurité et scoring de risque — avec du feature engineering spécifique à la construction, des guides de choix de modèles et des patterns de communication du risque pour les parties prenantes. Fait partie de la série DDC Skills for AI Agents in Construction. Licence MIT. Dépôt : https://github.com/datadrivenconstruction/ddc_skills_for_ai_agents_in_construction/blob/main/5_DDC_Innovative/risk-assessment-ml/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « risk-assessment-ml ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. rassembler mes données historiques de projets ; entraîner et valider les modèles sur mes propres données ; garder les décisions de risque aux équipes projet qualifiées — traiter les sorties comme de l'aide à la décision). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.

?

Questions

Comment installer une création ?

Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.

Où va mon argent ?

Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.

Que signifie le ✓ à côté du nom d’un créateur ?

Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.