AU Class
AU Class
class - AU

Democratize Data with AEC Data Model and AI: Break Data Silos Using Autodesk Platform Services

이 강의 공유하기

설명

Join us to see how GOLDBECK used the new AEC Data Model and Data Exchanges offered by Autodesk Platform Services to democratize data access across departments and different applications. Our session will highlight how we access data from native software tools using Data Exchange, reducing the need for manual data drops and empowering stakeholders to make informed decisions based on a single-source-of-truth AEC Data Model. With AI-based prompts powered by ChatGPT, we will illustrate dynamic ad hoc queries, enabling users to find, access, and consume model data in a new, intuitive way (for example, "Show me the CO2 footprint of all windows”). Our real-world examples showcase interactive data visualization and collaborative platform services that allow you to provide relevant data to different project stakeholders throughout the project lifecycle. Learn how to harness innovative technology with the AEC Data Model API and Data Exchange API to streamline workflows, break down data silos, and make data available everywhere.

주요 학습

  • Learn how to seamlessly access data from native software tools, eliminating the need for manual data drops.
  • Learn how platform services can make relevant data available to all project stakeholders throughout the project lifecycle.
  • Learn how to harness AI-based prompts for dynamic ad hoc queries, enabling users to interact with model data in a new, intuitive way.
  • Learn about reducing software engineering efforts and boosting development agility by empowering citizen developers to use data.

발표자

  • Alexander Stirken 님의 아바타
    Alexander Stirken
    Alexander Stirken is a dynamic IT Project Manager and visionary leader at GOLDBECK, where he spearheads the integration of cutting-edge data technologies. With a focus on Building Information Modeling (BIM), Alexander is at the forefront of leveraging cloud products to drive transformative construction development. His expertise in web-based configurator solutions ensures seamless execution of innovative BIM projects, making a significant impact on large-scale ventures. Holding a Bachelor's degree in Civil Engineering and a Master's degree in Structural Engineering, both from prestigious institutions, Alexander's academic background bolsters his ability to blend technical prowess with strategic leadership. Furthermore, Alexander's fervent passion for software engineering enhances his already multifaceted skill set. Driven by an unwavering dedication to innovation, he is determined to revolutionize the construction industry through the utilization of cloud products. With this vision, Alexander Stirken is poised to inspire and lead the way towards a groundbreaking future of construction.
  • Jan Christoph Kulessa 님의 아바타
    Jan Christoph Kulessa
    Jan Kulessa is an expert with comprehensive knowledge in the development and implementation of solutions. He has specialized particularly in the development of applications with Autodesk Technology and Microsoft Azure, leveraging his passion for cloud software to create tailored solutions. His expertise supports companies in optimizing their processes and increasing efficiency. With a decade of experience in software development, specifically in the areas of Building Information Modeling (BIM), Computer-Aided Design (CAD), and Virtual Design and Construction (VDC), Jan Kulessa is a sought-after expert and innovator in the construction industry. His extensive experience shapes his understanding of digital technologies in this field. In his role as a dedicated Solution Architect at GOLDBECK, Jan Kulessa significantly contributes to the development and implementation of innovative solutions for the construction industry. His solid knowledge and practical approach enable him to analyze complex requirements and design customized solutions that meet individual customer needs. In addition to his technical skills, he demonstrates impressive leadership qualities as the Team Leader of Software Development at GOLDBECK. His clear communication, effective leadership techniques, and talented project management have contributed to the successful and timely completion of complex software projects. As a sought-after speaker and expert in technologies and APIs, Jan Kulessa is frequently invited to conferences and symposiums where he shares his experiences in software development, requirements analysis, and software architecture. His impressive career and deep understanding of the challenges and opportunities in the construction industry make him an inspiring and visionary speaker. He encourages companies to seize the possibilities of digital transformation and create innovative solutions for the future.
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
  • Chapters
  • descriptions off, selected
  • subtitles off, selected
      Transcript

      ALEXANDER STIRKEN: Hello, everyone, to our session Democratize Data with AEC Data Model and AI. Within the last four months, we have participated in the Autodesk data model private beta. And today we want to tell you something about our experiences with this new technology and want to talk about breaking data silos in our company using Autodesk platform services.

      And before we actually start, I want to introduce you to your speakers today. My name is Alexander Stirken. I'm actually a structural engineer and a former research assistant in digital engineering. I have now four years of experience in software engineering at GOLDBECK and currently I'm working as an IT project manager at BIM with focus on configurators and Autodesk cloud technologies, about which we will talk a little bit more today.

      Then let me introduce you, Jan, and Jan will introduce himself now.

      JAN KULESSA: Thank you, Alex. So I'm also working at GOLDBECK. I have over eight years of experience in software engineering. Currently I'm working as a solution architect focusing on BIM technologies, Autodesk technologies, and process automation. So let me introduce you to GOLDBECK, the largest family-owned German construction company in Germany.

      So let's have a look on what's GOLDBECK been doing. So at GOLDBECK we build future-oriented properties in Europe, from multi-story halls, offices, and parking garages, to residential buildings. If a customer builds with GOLDBECK, they get everything from one hand, from the first idea up to the construction and services of the complete life cycle of a building.

      So let's have a look at GOLDBECK in a glance. We have existed for over 50 years, and we are already in a second generation of a family-run business. We have existed over 50 years, as I mentioned. And last year we completed over 570 projects.

      This was made possible by our 14 plants in 111 locations in Europe, with over 12,000 employees. One of our uniquenesses is an integrated digital design with more than 2,000 Revit users and 6,000 BIM360 users. So let us talk about a bit of our key competencies.

      The element-based construction, think of it like building blocks, just in big. So we enable this with our modular and standardized system that makes the build incredibly fast, reliable, and cost-efficient. If we now step ahead, we will see their challenges.

      So today, in the time of big data and AI, we still exchange data in AECs for files, which presents us with some pain points, which we'll explain later. So keep up with us. Besides that, we also have real world challenges. The federal government in Germany wants to build at least 400,000 apartments a year, with lots of challenges on the market.

      So like increasing material and lag over costs, and higher interest rates for construction loans. So if we take our numbers, and let's see. We will see that there it's at least-- I'm sorry, [CHUCKLES], let me rephrase that. So if we look on the numbers, we see a lag behind with more than 110,000 apartments. So the question is, how can we solve this problem despite all these challenges.

      This is where GOLDBECK comes in. So with our systematic building approach, we can build fast, reliable, affordable, and also sustainable buildings. This is also which keeps us ahead of the competitors. One of our solutions is we have the known BIM method.

      So GOLDBECK implemented BIM 15 years ago, and is well known in the company. With BIM as our primary digital design method, we serve all phases of the construction process in-house, in our vision, all building into a centralized as a digital twin. As already mentioned, Alex will explain you some pain points in the construction process.

      ALEXANDER STIRKEN: So thank you, Jan, for the introduction of GOLDBECK and the pain points we are having and the big problems we are having currently in Germany. So as Jan mentioned, we have implemented BIM 15 years ago already. But we are still facing some major pain points.

      So as you all know, when you are having different phases in the construction industry, you're using a wide variety of native software solutions. So for example, we are using Revit for design. We are using Tekla for engineering and Inventor and Bogart also for engineering. And the problem is within these native software solutions, you don't have a uniform description of this component data.

      So every column, let's say, is described in every solution differently. You have a Revit column. You have a Tekla column. You have an Inventor column. And they don't have a uniform description. And because of that, at GOLDBECK we have brought up some connectors which are transferring this data.

      So these are in-house applications which are transferring data from Revit to Tekla or from Revit to Inventor or Walker to Tekla. But all of these have to be maintained by ourselves. And that's very time-consuming. And also all our automation tools that we have built over the time, they use the data model of this native software solution.

      So for example, all Revit add-ins that we have built with the Revit API, they cannot be used in Tekla, and they may use a different data structure for, let's say, a column than you use in Tekla. And that's very problematic, because when you do changes to our components, and that's what is often happening in the real world-- so you have changes in the GOLDBECK system, changes in possibilities of the physical representation of a component, then you have to maintain these changes in several different applications.

      And as you know, this is very time-consuming. And then also, there is no real cross-system data master for our content. So, yes, we have a data master for content in Revit, let's say, where we have all the Revit families and their versioning. But it does not exist for all our systems. And that's very painful, because, as I said, when you have changes you have to do them everywhere.

      So what is the current state that we are having? So, yes, we can do model processing. But we can just do it in one direction. And on the one hand, it's good that we can do it. But it's just one directional. And even if the process in the construction area is all starting at the very beginning, and then you're doing the design, and the detail planning, and then the engineering and then the fabrication, you still have interchanges between these processes.

      And because we are having everything in-house, also these processes run in parallel from time to time. So currently, we are sharing models as files. So if you want to transfer data from, let's say, Revit to Tekla, you do it as a whole model. And that's time-consuming, and sometime you don't need all the data. And then, all these data is also in closed data pools, because when I don't have Revit on my machine, for me then it's hard to access this data.

      And someone, let's say, who is working in the finance department, he has no access to this data because he does not have Revit on his machine. And then, as I mentioned before, the data transfer that we are having in-house has to be managed by ourselves. And that's very, very hard and time-consuming, because we are actually a construction company. We are not a software company.

      And that's why we don't want to do that in the long run. So where do we want to get to? First of all, we want to have multidirectional model processing, so bringing data from one native software solution to another, enhancing the information, and then bring this information back to the first system. That's very important in our digital process.

      Secondly, we want to share granular model data. So if I just need information about the columns in my building, then I just want to share this data and not the whole model. And lastly, we want to make model data available for everyone in the company. So even the colleague who is working in finance, he should have access to the data, if he wants to, how many columns have we built last year, for example.

      So all of this comes together in a highly automated digital process chain. This is what we need to reach the goals that Jan mentioned before, being fast, being affordable, and being sustainable. And that's what we want for all construction projects at GOLDBECK. And because of that, we participated in the private beta program for Autodesk Data Model, because we believe this is a technology that can help us to reach each of these goals.

      And before I show you what we have actually done, and what are our experiences with the Autodesk Data Model, I first of all want to introduce it to you very quickly. So the big difference to the current file logic that we are having in our industry, is that the Autodesk data model breaks these monolithic files into smaller bits of data that are obviously managed in the cloud. Yes, that is what we are doing with the files already.

      But now these are smaller bits of information. And this information you can easily access using APIs to bring this granular object data to you, and to retrieve this data. And this is very interesting, because these APIs are extendible, flexible, and the most important part, they are federated. So what is interesting about the Autodesk Data Model is basically that you can retrieve all the data using GraphQL queries.

      So it's not like you have to have a JSON query, or a RESTful API call, it's all done by the GraphQL language. And using this technology, you can very easily navigate through your ACC hubs, your projects, and build designs. So everything is managed in the Autodesk Construction Cloud that you have your different hubs, your different projects, and the different designs in these projects.

      And you can retrieve them as granular data, such as the elements of the designs, the parameters, and all their values. And that's very cool, because in the end you can list all these available property definitions of a design, to let's say, identify which family is missing some property, for example. Or what are actually the properties I'm having in my model.

      Is someone using an old family, questions like this, very easily to obtain these information without this data model. And then also every change that you are making to the model will generate a new version. So in the end, you can compare these versions one to another. And that's very interesting because then you can see, OK, what was actually the history of my column. Who has made changes, when does he make these changes, and what were the effects, let's say, on the construction side?

      And able to query across all designs that we are having at GOLDBECK. This is a completely new possibility to do data evaluations for our complete company. So you can query about multiple projects and say, OK, what are the columns that I have used in all projects? How many of them are they? And questions like this.

      So this is very interesting about the Autodesk Data Model and there are completely new possibilities how to handle models and their data. So let's quickly talk about the structure of this Autodesk Data Model. First of all, on the left side here, you can see the basic structure. And as you can see, it's actually quite easy.

      So you're having one design, and every design has a version. You can see design as one model. And every model has a number of elements that are describing the different components of the building. So let's say column, girder, slab wall, and so on. And every element has a list of properties. These properties are further defined in the property definitions.

      And one of the interesting parts of the Autodesk Data Model is that actually these elements can be linked to each other via reference properties. So let's say I've drawn you here a small graph. So let's say I'm having a building. And this building obviously has some levels. And also this building has some rooms.

      And every room knows on which level he is, and also every wall knows, OK, at which level I am, and every window knows, OK, what is my reference to which wall. So basically you can see it here. This is a window. This is a wall, and the window knows via the reference property which wall he is part of.

      And that's super-interesting because, with this data structure, you can use it to define complex relationships, and also use this data model as a foundation to build your own optimizations on top of it. And the most interesting part actually is that you can then ask questions to this model.

      So here you can see it highlighted. If I'm asking a question, let's say, like show me all windows on the ground floor of the building with a white interior, this can be easily displayed then as a graph query in the graph. So every building has a number of rooms. I can get all the windows. And then I can filter these windows for those who have material in the color of white.

      And this whole Autodesk Data Model then ensures that we can do completely new queries and data evaluations with the data we are actually having at GOLDBECK, with our up to 600 projects per year. OK, that's so far about the technology, just a brief overview. And now we want to show you what we have actually done in the private beta program, because from our side it was interesting, OK. We can use the API with Postman all the day, but that's not as interesting as building something with these new APIs.

      And that's why we thought about, OK, why not asking questions like on the slide before to a chat bot, and then we get answers about the model from the Autodesk data. And before I want to go into technical details here, let me introduce you to Lisa and Nick, just to have a brief idea what use cases for such kind of application can be there in our company. First of all, we start with Lisa. She's a construction manager.

      She's using BIM360 for site management. Yes, we have BIM360 in place. All of our construction managers are using it currently. But they don't have access to Revit. So they just can use the models that they see in their systems. And Lisa may ask herself, OK, how many girders are getting assembled tomorrow?

      I need to know how many trucks are coming and I need to manage it. And on the second, she may ask herself, OK, are they actually all ready for delivery, or is there any problem in the production facility? And she also wants to know, do they actually fit on a regular truck or do I need to order some special transportation, like a larger truck, which is just allowed to drive in the night in Germany.

      Just some examples, Lisa has far more questions in her job as a construction manager, but these are just some examples so that you know what the use cases are. And then we have Nick. Nick is a project manager in the production field. And he's actually currently planning a new production facility for GOLDBECK. And also Nick has no access to Revit, because he's not actually modeling anything.

      And also Nick has some questions to our models. So what kind of columns do we have? What is the distribution of them? So how many columns of each sort have we constructed last year? And then maybe he wants to know how many columns exceeding a height of 70 meters were constructed last year, to dimension, let's say, production equipment.

      And maybe he wants to know what is the maximum weight of a column assembled last year, to check, OK, is my crane sufficient? So these are just some examples from two personas we are having in GOLDBECK. But our idea was to provide a solution to answer all these questions for our employees at GOLDBECK. And that's why we came up with our Ask the Model PoC.

      So we did this application during the participation in the Autodesk private beta program. And as you can see, it's a web application. We are having the viewer here, the Autodesk viewer, we're having a chat here, and then we are having a list of results on this side. So our idea was OK, everyone can ask a question to this application or to the chat bot.

      For example here, show me all girders at the first parking level. And then these questions are getting translated into Autodesk Data Model API calls. And then we will use this data to visualize it, to give answers, and to show you the results.

      So the general idea was let's interact with the model without deeper knowledge of BIM or the data. So I don't need to know what type of girders do I have and stuff like this. I can just ask it in natural language and don't have to care about the data, which is laying behind.

      OK, and before we are going into technical details, I will show you an example. And here we are having Lisa, and she is asking isolate all girder in this BIM model, because she is just interested in girders. And as you can see now, she has asked the question. And we are doing some processing in the background.

      And this takes actually some time, because as you can see now here in the answer, we are having 511 girders in the complete building. And this is where we are asking or calling the API to retrieve this data. And we have to do some pagination then, because obviously 511 elements are a lot. And to show you what we are actually doing here with these GraphQL queries that I mentioned before, I've written down the query that is actually answering this question, so elements by design and version.

      So we have a query here, some data. We will have a look at this in a second. And then also we are having some variables which are actually then filtering inside this query. So let's have a deeper look into the query and the variables. So first on the left side, what we have to do in the application is actually find the right query for the question you have asked. So I ask, OK, show me all girders.

      So first of all, I need to check OK, which of the queries that are available I want to use for that. And then secondly, I have to check OK. How can I filter inside this query what I'm actually looking for. So here, for example, first of all, I need to know what kind of families we are having at GOLDBECK are actually girders, because as you can see, I'm not asking for property name girders, but something else is here, which is obviously German, hard to understand.

      But the message here is I need to map my families to what are actually girders. And this is what I somehow have to teach my application. And because of that, I want to go over the process we are taking. So let's start with the key concepts.

      As you have seen, users can ask questions to the model in natural language. So good so far. You are writing into the chat bot, what is my question. And then we have to teach, and now ChatGPT comes into play because we are doing prompt engineering. ChatGPT, we have to teach, please understand the intent of the user. So I'm asking for girders, OK, obviously, and then I'm asking a question which is related to my BIM model.

      But also I could ask a question, which is completely decoupled from the BIM model, like how will be the weather tomorrow? Then my intent is different. So first of all, I have to filter the user's intent. And then secondly, I have to somehow teach ChatGPT how to answer my questions that I'm having, with the right ADM graph query, to retrieve the actual model data, because when I'm asking OK, show me all girders, then ChatGPT has to translate this natural language question to the right answer, as an ADM graph query.

      So basically we are teaching ChatGPT to understand the API and to translate natural questions in natural language to actual ADM graph algorithms. That's what we are actually doing. And then in the end we are doing the visualization via the Autodesk Viewer SDK.

      OK, so let's have a closer look in detail. We are starting in the front, and the user asks a question in natural language. The request is sent to our backend. And now it becomes very interesting, because in the back end we have a system which is agent-based.

      So we are having different agents form different domains. First of all, we are sending this request to an intent agent. And every agent has a prompt, which is describing, OK, you are an intent agent, you have to filter out what the user wants. So basically there we are describing in natural language what ChatGPT has to do for us.

      And then every agent has a subset of examples. So here those are three, but you can have far more. And we are actually using far more than three, which give examples how to solve example problems. So it's basically, you are just teaching ChatGPT in natural language what he has to do.

      And then, as soon as you get the intent, and here we are getting the intent, OK, someone is asking for girders, we send this question to the ADM agent, because we know, OK, someone is asking for BIM data. Then the ADM agent has to take care about that. And here, it's basically, again, the same idea. You're having one prompt where you tell someone or ChatGPT, the GPT, what he has to do.

      So in the future I want you only to respond with a GraphQL answer, matching the asked question. And then you're describing. And that's where actually the magic happens. You have to describe it very precisely, what you want ChatGPT to do.

      And then you also provide them with examples. So here as you can see, we are providing examples like return me all entities with the category wall. And then this is the GraphQL query that he has to deliver. So you're teaching him basically easy to understand examples, and then later on you are asking harder questions. And he gets the relation and figures out the right queries.

      And then as soon as you get the ADM query from ChatGPT back, then it's basically easy. You're doing the API call to the ADM. You're getting the result IDs. So what elements did I find.

      And then we are bringing these IDs and the starting message, so the actual question from the user. We are bringing them to a summary agent, and he will give us a result from ChatGPT which we are then typing here into the chat bot. This is a result from the chat bot in natural language.

      And also we are taking these IDs to our Viewer SDK to highlight the elements in the viewer. And also the IDs are shown here in the result page. So from the process actually quite easy, the hard part is to do the proper prompt engineering to make ChatGPT understand the queries and to generate the right queries, and also to find out, OK, how do I actually answer these questions with the Autodesk Data Model. So what kind of queries do I need to generate? And that's the interesting part.

      OK, let's go to another question. So Lisa may ask, show me all girders on level two and highlight them in red. This seems to be a fairly easy query, OK? Nothing new here. We want to have level two, OK, and we want to have them highlighted in red. OK, that seems to be understandable.

      But here it becomes a little bit tricky. And I've put you here the query and the variables we are using. Let's have a deeper look into them. So the problem here is with this question, OK, show me all girders on level two. We need to have a reference, so we are asking for elements which are on the level two, but level two is not just a property but it's a reference property.

      So it's an element by itself. So what we here first have to do is we have to find this reference first. So we cannot directly ask, OK, show me all girders on the level, because we first of all need to find the right level. OK, level two, what is the actual ID of this level? So here we have to loop over two queries actually, to first of all, find the reference and the ID, so find level two, please, and the ID, and then do the actual query, OK, show me all girders that are on this level.

      And that's actually where it becomes very interesting, because the API is not capable of having a string or some other description here for this parameter. But the API needs a proper reference, and this has to be an ID. And there it becomes very interesting, teaching ChatGPT to do, yeah, filtered queries, or queries that are combined together.

      That was very challenging but also very fun to do. OK, and then let's come up with another example, which is very interesting, which is also very interesting. Which of these girders on level two are too long for a regular truck? Isolate them. So here it is very interesting, because I have not stated OK, how long is the regular truck. And that's the super-interesting part about that, is that you can ask questions, and ChatGPT uses also his knowledge from the data model, from his own data models, or from the internet basically, and thus the relationship here.

      So as you can see in the answer, ChatGPT answers, OK, if 24 girders on level two have been isolated, and they are too long for a regular truck. And so you have to filter out, or ChatGPT does filter out, what is the length of a regular truck. And then he will insert this value into the query. And that's super-interesting because you can combine knowledge from the internet or from the industry with your open data.

      And then let's go for the last query. Display all of these girders that have been produced so far and highlight them in green. And here it is very interesting that ChatGPT also notices the context. So you can not ask, you can ask a new question. But you can also refer to the question you have asked before. So here I'm asking, OK, display me all of these girders, so all the girders that are on level two, and all the girders that are too long for a regular truck.

      And of those, please filter them then for one of the properties which is, in our case, the GOLDBECK status, and then highlight them again. So all these contexts, we have not taught ChatGPT this. This is what he does by itself. And that's very, very interesting and funny and nice to see here.

      OK, I showed you a lot of examples, what is actually all working. Maybe we should talk also about what is not working or what could be better. First of all, and this is one of the biggest pain points we are actually having, because the prompt engineering is actually where you have to do a lot of work, is when you have an API change, you need to adjust all the prompt engineering.

      So if the interface changes, and that's what in software engineering usually should not happen, but if the interface changes then you have to adjust all your functions, let's say. And that's what happened to the API. It is good for the API because it gained a lot of functionalities. But we had an API change during this project and then we had to do the prompt engineering again.

      And also the API currently does not support real deep filtering. So filtering very deep from one element to another, there are some limitations. But we are definitely looking forward for the enhancement of this API. So it's definitely getting better. During the beta we had a lot of improvements and it was definitely fun to try it out.

      And then what, at least for the engineering of the prompts, is very interesting and very necessary, is understanding the model quality. As a user I'm just asking, OK, show me all girders. But when you do the prompt engineering, you have to have knowledge about your data that you're actually retrieving in the end.

      But that's not a problem, because the prompt engineering is actually done by those who have access to the data, who know the data, who know the data structure. But we have to have deep understanding of the model quality. And also, yes, you have seen it in the first example. When you have large models with a large amount of elements, even then the Graph APIs come to their limitations because of the pagination. Then you have some performance limitations. But compared to do analysis in your Revit model and working with the Revit API, it's much, much more faster and it's super-fun to use.

      OK, that's for the Autodesk Data Model, then coming to the prompt engineering. So first of all, yes, obviously we are using ChatGPT here. So there are always data security concerns. And we have different solutions for that, especially the OpenAI package from Azure which we're currently observing, and also currently it's kind of hard how to check the tokens, how to use the tokens in these GPT implementations.

      So we are currently there in observations. Then secondly, when you combine prompts in a sequence that results in long, time-consuming computations, so we have seen it. We are first asking our ChatGPT, OK, check the intent of the user. Then we are asking for the ADM query. Then we want to know, OK, wants the user to highlight or to isolate in the viewer.

      So if you're chaining these prompts, you have to expect some computation time. And then, obviously, despite the substantial number of examples that we provided ChatGPT, sometimes, yeah, the program produces incorrect queries. But let's say at 95% it hit the target. So from our perspective, very, very nice for a PoC, yeah.

      OK, I talked a lot about ask the model. So I would suggest we go over to the outlook, and I will hand over to Jan again.

      JAN KULESSA: So thank you, Alex, for this really, really nice explanation and presentation of Ask the Model and also what we can do, and also the limitations we have. So as you might already have thought about, we do not stop here. So we want to go with a federated model data transformation. And therefore we need some next steps.

      So you would think about bringing further domains into our agent system, as Alex explained well. So we already have the agent for the ADM, so we can get BIM data just out of the box. So we can combine it with a knowledge of ChatGPT, which is giving us the knowledge of the world actually summarized. And also for our company, like us, we want to introduce also or integrate Microsoft Dynamics 365, or even custom tools from controlling and production to make the system even powerful.

      Think about it, with the example we provided, you can ask the model, which parts are already constructed or on site. And you can match that with production data. So and also we want to extend the Autodesk Data Model capabilities for multi-project queries. So in our examples, we limit it to one project. But you can also ask about multiple projects, as Alex also explained. If you go to Analysis and see, OK, how did my projects evolve?

      How many parameters or families or stuff like that is used, just in all my projects. This is something we will look at in the future and want to do with ADM. And also another point already explained, we want to integrate our custom services. So if you think about the service which is to suit CO2 footprint calculation, so we have one at GOLDBECK. We want to integrate that with some of the second model and make it even powerful.

      So think about Lisa wants to know, OK, what is my actual carbon footprint exhaust in this project? She will ask the model in the future and get a result. And again, we want to extend our prompt engineering for deep filtering capabilities of the ADM API in the future, to do even more relational data connections. So we are thrilled to do that.

      But there's still one more thing to do. And it's a step or more steps for the cloud transformation. So we talked a lot about the possibilities. And as you may remember on the starting pages we talked about, OK, we want to get rid of single files. So it's a road to go, and we're thinking about the ADM and Data Exchange functionality will do that.

      So we want to investigate on further use cases for the ADM, company-wide data extraction and quantity take-off. So we have a custom tool again for quantitative take-off, which will highly improve to say, yeah, the quality, if we can integrate ADMs in here. We want to also focus on further Data Exchange functionality. So this is a special functionality. This is part of ADM.

      And one of our, again, key functions, because we do our own production and planning and engineering, is we want to connect other softwares in a native way. So we want, for example, integrate Tekla to ADM. So if you have the same data source, it makes everything easier to exchange data, to see changes, to connect, go to the idea of a federated data model. So this is how we want to drive the cloud transformation with federated data in AEC.

      ALEXANDER STIRKEN: Yeah, thank you, Jan, for the out view. Yeah, we hope we could show you some insights into the ADM and make you a bit curious about using it. We had a great time participating in the Autodesk beta program. And we will definitely go on with these concepts in this program or in this PoC, and also in other projects.

      And, yeah, thanks for having us. Hope you took some insights with you. And happy to see you around, and if you have any questions, feel free to reach out to us. Thank you very much, and have a good day.

      ______
      icon-svg-close-thick

      쿠기 기본 설정

      오토데스크는 고객의 개인 정보와 최상의 경험을 중요시합니다. 오토데스크는 정보를 사용자화하고 응용프로그램을 만들기 위해 고객의 본 사이트 사용에 관한 데이터를 수집합니다.

      오토데스크에서 고객의 데이터를 수집하고 사용하도록 허용하시겠습니까?

      오토데스크에서 사용하는타사 서비스개인정보 처리방침 정책을 자세히 알아보십시오.

      반드시 필요 - 사이트가 제대로 작동하고 사용자에게 서비스를 원활하게 제공하기 위해 필수적임

      이 쿠키는 오토데스크에서 사용자 기본 설정 또는 로그인 정보를 저장하거나, 사용자 요청에 응답하거나, 장바구니의 품목을 처리하기 위해 필요합니다.

      사용자 경험 향상 – 사용자와 관련된 항목을 표시할 수 있게 해 줌

      이 쿠키는 오토데스크가 보다 향상된 기능을 제공하고 사용자에게 맞는 정보를 제공할 수 있게 해 줍니다. 사용자에게 맞는 정보 및 환경을 제공하기 위해 오토데스크 또는 서비스를 제공하는 협력업체에서 이 쿠키를 설정할 수 있습니다. 이 쿠키를 허용하지 않을 경우 이러한 서비스 중 일부 또는 전체를 이용하지 못하게 될 수 있습니다.

      광고 수신 설정 – 사용자에게 타겟팅된 광고를 제공할 수 있게 해 줌

      이 쿠키는 사용자와 관련성이 높은 광고를 표시하고 그 효과를 추적하기 위해 사용자 활동 및 관심 사항에 대한 데이터를 수집합니다. 이렇게 데이터를 수집함으로써 사용자의 관심 사항에 더 적합한 광고를 표시할 수 있습니다. 이 쿠키를 허용하지 않을 경우 관심 분야에 해당되지 않는 광고가 표시될 수 있습니다.

      icon-svg-close-thick

      타사 서비스

      각 범주에서 오토데스크가 사용하는 타사 서비스와 온라인에서 고객으로부터 수집하는 데이터를 사용하는 방식에 대해 자세히 알아보십시오.

      icon-svg-hide-thick

      icon-svg-show-thick

      반드시 필요 - 사이트가 제대로 작동하고 사용자에게 서비스를 원활하게 제공하기 위해 필수적임

      Qualtrics
      오토데스크는 고객에게 더욱 시의적절하며 관련 있는 이메일 컨텐츠를 제공하기 위해 Qualtrics를 이용합니다. 이를 위해, 고객의 온라인 행동 및 오토데스크에서 전송하는 이메일과의 상호 작용에 관한 데이터를 수집합니다. 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID, 이메일 확인율, 클릭한 링크 등이 포함될 수 있습니다. 오토데스크는 이 데이터를 다른 소스에서 수집된 데이터와 결합하여 고객의 판매 또는 고객 서비스 경험을 개선하며, 고급 분석 처리에 기초하여 보다 관련 있는 컨텐츠를 제공합니다. Qualtrics 개인정보취급방침
      Akamai mPulse
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Akamai mPulse를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Akamai mPulse 개인정보취급방침
      Digital River
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Digital River를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Digital River 개인정보취급방침
      Dynatrace
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Dynatrace를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Dynatrace 개인정보취급방침
      Khoros
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Khoros를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Khoros 개인정보취급방침
      Launch Darkly
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Launch Darkly를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Launch Darkly 개인정보취급방침
      New Relic
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 New Relic를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. New Relic 개인정보취급방침
      Salesforce Live Agent
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Salesforce Live Agent를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Salesforce Live Agent 개인정보취급방침
      Wistia
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Wistia를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Wistia 개인정보취급방침
      Tealium
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Tealium를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Upsellit
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Upsellit를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. CJ Affiliates
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 CJ Affiliates를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Commission Factory
      Typepad Stats
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Typepad Stats를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Typepad Stats 개인정보취급방침
      Geo Targetly
      Autodesk는 Geo Targetly를 사용하여 웹 사이트 방문자를 가장 적합한 웹 페이지로 안내하거나 위치를 기반으로 맞춤형 콘텐츠를 제공합니다. Geo Targetly는 웹 사이트 방문자의 IP 주소를 사용하여 방문자 장치의 대략적인 위치를 파악합니다. 이렇게 하면 방문자가 (대부분의 경우) 현지 언어로 된 콘텐츠를 볼 수 있습니다.Geo Targetly 개인정보취급방침
      SpeedCurve
      Autodesk에서는 SpeedCurve를 사용하여 웹 페이지 로드 시간과 이미지, 스크립트, 텍스트 등의 후속 요소 응답성을 측정하여 웹 사이트 환경의 성능을 모니터링하고 측정합니다. SpeedCurve 개인정보취급방침
      Qualified
      Qualified is the Autodesk Live Chat agent platform. This platform provides services to allow our customers to communicate in real-time with Autodesk support. We may collect unique ID for specific browser sessions during a chat. Qualified Privacy Policy

      icon-svg-hide-thick

      icon-svg-show-thick

      사용자 경험 향상 – 사용자와 관련된 항목을 표시할 수 있게 해 줌

      Google Optimize
      오토데스크는 사이트의 새 기능을 테스트하고 이러한 기능의 고객 경험을 사용자화하기 위해 Google Optimize을 이용합니다. 이를 위해, 고객이 사이트를 방문해 있는 동안 행동 데이터를 수집합니다. 이 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID, 오토데스크 ID 등이 포함될 수 있습니다. 고객은 기능 테스트를 바탕으로 여러 버전의 오토데스크 사이트를 경험하거나 방문자 특성을 바탕으로 개인화된 컨텐츠를 보게 될 수 있습니다. Google Optimize 개인정보취급방침
      ClickTale
      오토데스크는 고객이 사이트에서 겪을 수 있는 어려움을 더 잘 파악하기 위해 ClickTale을 이용합니다. 페이지의 모든 요소를 포함해 고객이 오토데스크 사이트와 상호 작용하는 방식을 이해하기 위해 세션 녹화를 사용합니다. 개인적으로 식별 가능한 정보는 가려지며 수집되지 않습니다. ClickTale 개인정보취급방침
      OneSignal
      오토데스크는 OneSignal가 지원하는 사이트에 디지털 광고를 배포하기 위해 OneSignal를 이용합니다. 광고는 OneSignal 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 OneSignal에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 OneSignal에 제공하는 데이터를 사용합니다. OneSignal 개인정보취급방침
      Optimizely
      오토데스크는 사이트의 새 기능을 테스트하고 이러한 기능의 고객 경험을 사용자화하기 위해 Optimizely을 이용합니다. 이를 위해, 고객이 사이트를 방문해 있는 동안 행동 데이터를 수집합니다. 이 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID, 오토데스크 ID 등이 포함될 수 있습니다. 고객은 기능 테스트를 바탕으로 여러 버전의 오토데스크 사이트를 경험하거나 방문자 특성을 바탕으로 개인화된 컨텐츠를 보게 될 수 있습니다. Optimizely 개인정보취급방침
      Amplitude
      오토데스크는 사이트의 새 기능을 테스트하고 이러한 기능의 고객 경험을 사용자화하기 위해 Amplitude을 이용합니다. 이를 위해, 고객이 사이트를 방문해 있는 동안 행동 데이터를 수집합니다. 이 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID, 오토데스크 ID 등이 포함될 수 있습니다. 고객은 기능 테스트를 바탕으로 여러 버전의 오토데스크 사이트를 경험하거나 방문자 특성을 바탕으로 개인화된 컨텐츠를 보게 될 수 있습니다. Amplitude 개인정보취급방침
      Snowplow
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Snowplow를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Snowplow 개인정보취급방침
      UserVoice
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 UserVoice를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. UserVoice 개인정보취급방침
      Clearbit
      Clearbit를 사용하면 실시간 데이터 보강 기능을 통해 고객에게 개인화되고 관련 있는 환경을 제공할 수 있습니다. Autodesk가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. Clearbit 개인정보취급방침
      YouTube
      YouTube는 사용자가 웹 사이트에 포함된 비디오를 보고 공유할 수 있도록 해주는 비디오 공유 플랫폼입니다. YouTube는 비디오 성능에 대한 시청 지표를 제공합니다. YouTube 개인정보보호 정책

      icon-svg-hide-thick

      icon-svg-show-thick

      광고 수신 설정 – 사용자에게 타겟팅된 광고를 제공할 수 있게 해 줌

      Adobe Analytics
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Adobe Analytics를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID 및 오토데스크 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. Adobe Analytics 개인정보취급방침
      Google Analytics (Web Analytics)
      오토데스크 사이트에서 고객의 행동에 관한 데이터를 수집하기 위해 Google Analytics (Web Analytics)를 이용합니다. 여기에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 오토데스크는 사이트 성과를 측정하고 고객의 온라인 경험의 편리함을 평가하여 기능을 개선하기 위해 이러한 데이터를 이용합니다. 또한, 이메일, 고객 지원 및 판매와 관련된 고객 경험을 최적화하기 위해 고급 분석 방법도 사용하고 있습니다. AdWords
      Marketo
      오토데스크는 고객에게 더욱 시의적절하며 관련 있는 이메일 컨텐츠를 제공하기 위해 Marketo를 이용합니다. 이를 위해, 고객의 온라인 행동 및 오토데스크에서 전송하는 이메일과의 상호 작용에 관한 데이터를 수집합니다. 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID, 이메일 확인율, 클릭한 링크 등이 포함될 수 있습니다. 오토데스크는 이 데이터를 다른 소스에서 수집된 데이터와 결합하여 고객의 판매 또는 고객 서비스 경험을 개선하며, 고급 분석 처리에 기초하여 보다 관련 있는 컨텐츠를 제공합니다. Marketo 개인정보취급방침
      Doubleclick
      오토데스크는 Doubleclick가 지원하는 사이트에 디지털 광고를 배포하기 위해 Doubleclick를 이용합니다. 광고는 Doubleclick 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Doubleclick에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Doubleclick에 제공하는 데이터를 사용합니다. Doubleclick 개인정보취급방침
      HubSpot
      오토데스크는 고객에게 더욱 시의적절하며 관련 있는 이메일 컨텐츠를 제공하기 위해 HubSpot을 이용합니다. 이를 위해, 고객의 온라인 행동 및 오토데스크에서 전송하는 이메일과의 상호 작용에 관한 데이터를 수집합니다. 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID, 이메일 확인율, 클릭한 링크 등이 포함될 수 있습니다. HubSpot 개인정보취급방침
      Twitter
      오토데스크는 Twitter가 지원하는 사이트에 디지털 광고를 배포하기 위해 Twitter를 이용합니다. 광고는 Twitter 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Twitter에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Twitter에 제공하는 데이터를 사용합니다. Twitter 개인정보취급방침
      Facebook
      오토데스크는 Facebook가 지원하는 사이트에 디지털 광고를 배포하기 위해 Facebook를 이용합니다. 광고는 Facebook 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Facebook에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Facebook에 제공하는 데이터를 사용합니다. Facebook 개인정보취급방침
      LinkedIn
      오토데스크는 LinkedIn가 지원하는 사이트에 디지털 광고를 배포하기 위해 LinkedIn를 이용합니다. 광고는 LinkedIn 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 LinkedIn에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 LinkedIn에 제공하는 데이터를 사용합니다. LinkedIn 개인정보취급방침
      Yahoo! Japan
      오토데스크는 Yahoo! Japan가 지원하는 사이트에 디지털 광고를 배포하기 위해 Yahoo! Japan를 이용합니다. 광고는 Yahoo! Japan 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Yahoo! Japan에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Yahoo! Japan에 제공하는 데이터를 사용합니다. Yahoo! Japan 개인정보취급방침
      Naver
      오토데스크는 Naver가 지원하는 사이트에 디지털 광고를 배포하기 위해 Naver를 이용합니다. 광고는 Naver 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Naver에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Naver에 제공하는 데이터를 사용합니다. Naver 개인정보취급방침
      Quantcast
      오토데스크는 Quantcast가 지원하는 사이트에 디지털 광고를 배포하기 위해 Quantcast를 이용합니다. 광고는 Quantcast 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Quantcast에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Quantcast에 제공하는 데이터를 사용합니다. Quantcast 개인정보취급방침
      Call Tracking
      오토데스크는 캠페인을 위해 사용자화된 전화번호를 제공하기 위하여 Call Tracking을 이용합니다. 그렇게 하면 고객이 오토데스크 담당자에게 더욱 빠르게 액세스할 수 있으며, 오토데스크의 성과를 더욱 정확하게 평가하는 데 도움이 됩니다. 제공된 전화번호를 기준으로 사이트에서 고객 행동에 관한 데이터를 수집할 수도 있습니다. Call Tracking 개인정보취급방침
      Wunderkind
      오토데스크는 Wunderkind가 지원하는 사이트에 디지털 광고를 배포하기 위해 Wunderkind를 이용합니다. 광고는 Wunderkind 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Wunderkind에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Wunderkind에 제공하는 데이터를 사용합니다. Wunderkind 개인정보취급방침
      ADC Media
      오토데스크는 ADC Media가 지원하는 사이트에 디지털 광고를 배포하기 위해 ADC Media를 이용합니다. 광고는 ADC Media 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 ADC Media에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 ADC Media에 제공하는 데이터를 사용합니다. ADC Media 개인정보취급방침
      AgrantSEM
      오토데스크는 AgrantSEM가 지원하는 사이트에 디지털 광고를 배포하기 위해 AgrantSEM를 이용합니다. 광고는 AgrantSEM 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 AgrantSEM에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 AgrantSEM에 제공하는 데이터를 사용합니다. AgrantSEM 개인정보취급방침
      Bidtellect
      오토데스크는 Bidtellect가 지원하는 사이트에 디지털 광고를 배포하기 위해 Bidtellect를 이용합니다. 광고는 Bidtellect 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Bidtellect에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Bidtellect에 제공하는 데이터를 사용합니다. Bidtellect 개인정보취급방침
      Bing
      오토데스크는 Bing가 지원하는 사이트에 디지털 광고를 배포하기 위해 Bing를 이용합니다. 광고는 Bing 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Bing에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Bing에 제공하는 데이터를 사용합니다. Bing 개인정보취급방침
      G2Crowd
      오토데스크는 G2Crowd가 지원하는 사이트에 디지털 광고를 배포하기 위해 G2Crowd를 이용합니다. 광고는 G2Crowd 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 G2Crowd에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 G2Crowd에 제공하는 데이터를 사용합니다. G2Crowd 개인정보취급방침
      NMPI Display
      오토데스크는 NMPI Display가 지원하는 사이트에 디지털 광고를 배포하기 위해 NMPI Display를 이용합니다. 광고는 NMPI Display 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 NMPI Display에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 NMPI Display에 제공하는 데이터를 사용합니다. NMPI Display 개인정보취급방침
      VK
      오토데스크는 VK가 지원하는 사이트에 디지털 광고를 배포하기 위해 VK를 이용합니다. 광고는 VK 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 VK에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 VK에 제공하는 데이터를 사용합니다. VK 개인정보취급방침
      Adobe Target
      오토데스크는 사이트의 새 기능을 테스트하고 이러한 기능의 고객 경험을 사용자화하기 위해 Adobe Target을 이용합니다. 이를 위해, 고객이 사이트를 방문해 있는 동안 행동 데이터를 수집합니다. 이 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역, IP 주소 또는 장치 ID, 오토데스크 ID 등이 포함될 수 있습니다. 고객은 기능 테스트를 바탕으로 여러 버전의 오토데스크 사이트를 경험하거나 방문자 특성을 바탕으로 개인화된 컨텐츠를 보게 될 수 있습니다. Adobe Target 개인정보취급방침
      Google Analytics (Advertising)
      오토데스크는 Google Analytics (Advertising)가 지원하는 사이트에 디지털 광고를 배포하기 위해 Google Analytics (Advertising)를 이용합니다. 광고는 Google Analytics (Advertising) 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Google Analytics (Advertising)에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Google Analytics (Advertising)에 제공하는 데이터를 사용합니다. Google Analytics (Advertising) 개인정보취급방침
      Trendkite
      오토데스크는 Trendkite가 지원하는 사이트에 디지털 광고를 배포하기 위해 Trendkite를 이용합니다. 광고는 Trendkite 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Trendkite에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Trendkite에 제공하는 데이터를 사용합니다. Trendkite 개인정보취급방침
      Hotjar
      오토데스크는 Hotjar가 지원하는 사이트에 디지털 광고를 배포하기 위해 Hotjar를 이용합니다. 광고는 Hotjar 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Hotjar에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Hotjar에 제공하는 데이터를 사용합니다. Hotjar 개인정보취급방침
      6 Sense
      오토데스크는 6 Sense가 지원하는 사이트에 디지털 광고를 배포하기 위해 6 Sense를 이용합니다. 광고는 6 Sense 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 6 Sense에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 6 Sense에 제공하는 데이터를 사용합니다. 6 Sense 개인정보취급방침
      Terminus
      오토데스크는 Terminus가 지원하는 사이트에 디지털 광고를 배포하기 위해 Terminus를 이용합니다. 광고는 Terminus 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 Terminus에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 Terminus에 제공하는 데이터를 사용합니다. Terminus 개인정보취급방침
      StackAdapt
      오토데스크는 StackAdapt가 지원하는 사이트에 디지털 광고를 배포하기 위해 StackAdapt를 이용합니다. 광고는 StackAdapt 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 StackAdapt에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 StackAdapt에 제공하는 데이터를 사용합니다. StackAdapt 개인정보취급방침
      The Trade Desk
      오토데스크는 The Trade Desk가 지원하는 사이트에 디지털 광고를 배포하기 위해 The Trade Desk를 이용합니다. 광고는 The Trade Desk 데이터와 고객이 사이트를 방문하는 동안 오토데스크가 수집하는 행동 데이터 모두에 기초하여 제공됩니다. 오토데스크가 수집하는 데이터에는 고객이 방문한 페이지, 시작한 체험판, 재생한 동영상, 구매 내역 및 IP 주소 또는 장치 ID가 포함될 수 있습니다. 이 정보는 The Trade Desk에서 고객으로부터 수집한 데이터와 결합될 수 있습니다. 오토데스크는 디지털 광고 경험에 대한 사용자화를 개선하고 고객에게 더욱 관련 있는 광고를 제시하기 위해 The Trade Desk에 제공하는 데이터를 사용합니다. The Trade Desk 개인정보취급방침
      RollWorks
      We use RollWorks to deploy digital advertising on sites supported by RollWorks. Ads are based on both RollWorks data and behavioral data that we collect while you’re on our sites. The data we collect may include pages you’ve visited, trials you’ve initiated, videos you’ve played, purchases you’ve made, and your IP address or device ID. This information may be combined with data that RollWorks has collected from you. We use the data that we provide to RollWorks to better customize your digital advertising experience and present you with more relevant ads. RollWorks Privacy Policy

      정말 더 적은 온라인 경험을 원하십니까?

      오토데스크는 고객 여러분에게 좋은 경험을 드리고 싶습니다. 이전 화면의 범주에 대해 "예"를 선택하셨다면 오토데스크는 고객을 위해 고객 경험을 사용자화하고 향상된 응용프로그램을 제작하기 위해 귀하의 데이터를 수집하고 사용합니다. 언제든지 개인정보 처리방침을 방문해 설정을 변경할 수 있습니다.

      고객의 경험. 고객의 선택.

      오토데스크는 고객의 개인 정보 보호를 중요시합니다. 오토데스크에서 수집하는 정보는 오토데스크 제품 사용 방법, 고객이 관심을 가질 만한 정보, 오토데스크에서 더욱 뜻깊은 경험을 제공하기 위한 개선 사항을 이해하는 데 도움이 됩니다.

      오토데스크에서 고객님께 적합한 경험을 제공해 드리기 위해 고객님의 데이터를 수집하고 사용하도록 허용하시겠습니까?

      선택할 수 있는 옵션을 자세히 알아보려면 이 사이트의 개인 정보 설정을 관리해 사용자화된 경험으로 어떤 이점을 얻을 수 있는지 살펴보거나 오토데스크 개인정보 처리방침 정책을 확인해 보십시오.