Kiinteistöjen ja infrastruktuurin käyttö, erilaiset kiinteistötekniset järjestelmät ja kiinteistökauppa tuottavat jatkuvasti kasvavan määrän dataa. Sen pohjalta syntyy uusia palveluita muun muassa kiinteistönvälitykseen, energiankäytön optimointiin sekä älykkäästi palvelevien rakennusten ja ympäristöjen toteuttamiseen. Tekoälyratkaisuilla tulee olemaan suuri merkitys rakennetun omaisuuden käyttäjille ja omistajille.
Blok - Asuntojen välitys digitaalisesti
Blok on Suomessa ja Ruotsissa toimiva kiinteistönvälityspalvelu, joka yhdistää ammattitaitoisen välittäjän ja verkkopalvelun.
Kattava välityspalvelu verkossa
Blok palvelee asiakkaitaan verkkosivustonsa kautta. Se antaa arvion myytävästä asunnosta, hoitaa asunnon kuvauksen, tilaa ja käy läpi asunnon asiakirjat, laatii asuntoilmoitukset, markkinoi asunto sekä toimittaa myyjälle esitteet ja kyltit asuntoesittelyä varten.
Blok vastaa ostajien kyselyihin ja fasilitoi tarjousvaiheen. Lopuksi se laatii kauppakirjat ja tekee tarvittavat ilmoitukset taloyhtiölle ja verottajalle.
Tekoälyn hyödyntäminen osana asuntovälitystä
Blok on selkeä kasvuyritys: sen liiketoiminta-ajatus on syntynyt perustajiensa omista kokemuksista ja halusta uudistaa toimialaa.
Tekoälyratkaisujen luominen uudelle toimintatavalle on usein yksinkertaisempaa kuin niiden soveltaminen vakiintuneeseen liiketoimintaan. Uraauurtavalla yrityksellä ei ole rasitteena valmiita käytäntöjä tai järjestelmiä eikä prosesseja, joissa manuaalisen työn määrä olisi suuri.
Blokin kilpailukykyä vahvistavat koneoppimisratkaisut, jotka ovat osa yhtiön tarjoamia ydinpalveluita ja tuotteita, asuntojen hinnoittelua ja Etsivä-palvelua, joka hakee ostajalle sopivaa asuntoa julkisten markkinoiden ulkopuolelta.
Hinnoittelupalvelu on Blokin liiketoiminnan keskiössä, koska se vetää asiakkaat yhtiön palvelujen piiriin. Hinnoittelu perustuu kattaviin asuntokaupan datasetteihin. Asuntoihin liittyviä datasettejä on saatavilla muun muassa markkinatiedoista, toteutuneista asuntokaupoista ja kiinteistörekisterin tiedoista.
Koska asuntomarkkinat kehittyvät jatkuvasti, koneppimismallin opetusdata vanhenee nopeasti. Vanhentunutta dataa käyttävä tekoälyratkaisu ei tietenkään pitkään voi olla luotettava. Koneoppimismallia on siis päivitettävä ajantasaisella datalla. Alan termistössä tätä kutsutaan oppimissilmukaksi.
Oppimissilmukka: Koneoppimismallien opettaminen uudella datalla.
Koneoppimisratkaisun opettaminen uudella datalla
Valmiit datasetit, joko ilmaiset tai ostettavat, mahdollistavat ratkaisun nopean kehittämisen ja testaamisen. Yhtä tärkeää on kuitenkin varmistaa, että ratkaisu mahdollistaa datan keräämiseen myös käytön aikana. Usein koneoppimismalleja on opetettava säännöllisesti päivitetyllä datalla, jotta ratkaisu toimii luotettavasti. Tätä kutsutaan alan termistössä oppimissilmukaksi (englanniksi "learning loop").
Kaikki GenAI-mallien tuottamat tiedot, mukaan lukien ihmisen vuorovaikutus esimerkiksi itsepalveluagentin kanssa, olisi kirjattava, jotta voidaan määrittää parannuskohteet.
Generatiivisen tekoälyn kehittämisen yhteydessä on ratkaisevan tärkeää arvioida ja määrittää huolellisesti jatkuvan oppimisen ja ylläpidon strategiat.
Tämä arviointi on olennaisen tärkeää, jotta voidaan valita, onko mallin parantamiseen optimaalinen menetelmä nopea suunnittelu, hienosäätö vai hybridimenetelmä.
Prompt engineering on edullinen, joustava ja erittäin ketterä jatkuvan parantamisen menetelmä. Kehotteita voidaan parantaa jatkuvasti analysoimalla mallien tuottamien tietojen lokitietoja ja mukauttamalla kehotteita vastaavasti lokitiedoissa havaittujen uusien ongelmien kattamiseksi.
Hienosäätö (fine-tuning), on tehokas keino, mutta hintavampi tapa räätälöidä malleja erityisvaatimusten mukaisiksi, varsinkin jos sitä tehdään jatkuvasti. Lisäksi on tärkeää huomata, että hienosäätöä voidaan soveltaa vain tiettyihin malliversioihin. Useimmat API-pohjaisia palveluja tarjoavat toimittajat rajoittavat hienosäätöominaisuudet yleensä vanhempiin malliversioihin ja jättävät uusimmat versiot tällaisten muutosten ulkopuolelle.
Hybridilähestymistavassa yhdistyvät prompt engineeringin ja hienosäädön elementit, jotta molempien menetelmien vahvuuksia voidaan hyödyntää generatiivisten tekoälymallien optimoinnissa. Tässä lähestymistavassa voidaan nopeaa suunnittelua käyttää nopeisiin säätöihin ja hienosäätöä merkittävämpiin, pitkän aikavälin parannuksiin.
Data on koneoppivien järjestelmien perusta. On hyvin tavallista, että organisaation kehittäessä tekoälyjärjestelmiä juuri datan kerääminen ja datan laatuongelmat ovat alkuvaiheen kompastuskiviä. Ensimmäisiä sovelluksia kehittäessään organisaatio joutuu usein luomaan uusia käytäntöjä datan keräämiseen, säilyttämiseen, työstämiseen ja hallintaan.
Erityisesti ei-rakenteellisen datan hallinta on tullut yhä tärkeämmäksi generatiivisten tekoälysovellusten yhteydessä. Strukturoimaton data, kuten teksti, kuvat ja videot, sisältää usein vivahteikasta tietoa, jota generatiiviset tekoälyjärjestelmät tarvitsevat tuottaakseen kehittyneitä ja tuotoksia. Kyky hallita tehokkaasti jäsentymätöntä dataa ei siis vastaa ainoastaan generatiivisten tekoälyn käyttötapausten välittömiin tarpeisiin, vaan parantaa myös organisaation kykyä hyödyntää tekoälyä innovointiin ja kilpailuetuun.
Data ratkaisun keskiössä
Datan saatavuus asettaa usein haasteita ja rajoitteita. Blokille datan niukkuus on alan ominaispiirre. Asunto ei välttämättä vaihda omistajaa kovin usein, jolloin myyntidataa muodostuu verkkaisesti.
Moniin tekoälyratkaisuihin liittyy sama ongelma. Esimerkiksi tehtaiden tai koneiden ennakoivan huollon järjestelmälle ei välttämättä ole lainkaan valmista dataa virhetilanteista. Tällöin mallin opettamiseen on etsittävä muita keinoja.
Asuntokauppaan liittyy myös toinen mielenkiintoinen, dataperäinen haaste: jokaisella on oma näkemys “oikeasta” hinnasta. On mahdollista, että Blokin ratkaisun ehdottama hinta ei tunnu oikealta, vaikka se tilastollisesti sitä olisikin.
Kun käyttäjät alkavat epäillä ratkaisun tuottamia tuloksia, esiin nousee kysymys mallin selitettävyydestä. Blokin käyttämän koneoppimismallin lähtötiedot ovat selitettävissä, mutta syy miksi se päätyy tiettyyn ratkaisuun ei ole itsestään selvää. Mekaaninen tapa laskea toteutuneista kaupoista keskineliöhinta ja kertoa sillä kohteen neliömäärä tuottaisi kuitenkin selvästi heikommin hintaa ennustavia tuloksia.
Ahaa!
Puhuimme alussa termistä “musta laatikko”. Tällä viitattiin siihen, että emme pysty täsmällisesti kertomaan, miten koneoppimismalli päättyy tiettyyn tulokseen, esimerkiksi ennusteeseen. Vaikka termillä viitataan mallin tekniseen toteutukseen ja toimivuuteen, korostuu ilmiö myös tekoälyratkaisujen käyttöönotossa ja hyödyntämisessä.
Käyttäjien tulee ymmärtää, miten ja miksi malli päätyi tiettyyn ratkaisuun. Muussa tapauksessa on vaarana, että käyttäjät eivät luota mallin tarjoamiin ennusteisiin ja ratkaisu jää hyödyttömäksi. Tämän ei tarvitse tarkoittaa teknistä ymmärrystä koneoppimismalleista, vaan ennemminkin prosessikohtaista teoreettista ymmärrystä siitä millaista dataa mallille syötetään missäkin vaiheessa. Aikaisemmin tässä luvussa esitetty Granlundin AI-Energiakartoitus -kuva toimii hyvänä esimerkkinä riittävästä ylätason kuvauksesta, joka on ymmärrettävä.
Sign up to solve exercises
SPACENT - Toimitilojen vuokraus
Spacent on Aalto-yliopistokiinteistöstä vuonna 2019 irtautunut startup-yritys. Se tarjoaa Pohjoismaissa hybridityön alustaa, jonka taustalla on yli 10 vuotta tutkimusta tilojen joustavasta käytöstä ja hybridityön malleista Aalto-yliopistossa, MIT:ssa ja Tongjin yliopistossa.
Liiketoimintaidea todelliseen tarpeeseen
Yliopiston tilojen käyttöaste oli keskimäärin 24 % virka-aikana samaan aikaan, kun lisätilaa oli rakenteilla. Yliopisto halusi korottaa tilojen käyttöastetta. Tästä arjen ongelmasta syntyi Spacentin liikeidea pilvipohjaisesta teknologia-alustasta, joka tuo yhteen tilojen tarjoajat ja toimitiloja tarvitsevat.
Alustatoimijana Spacentilla on kaksi asiakasryhmää: toimitilojen omistajat ja tiloja vuokraavat yritykset tai yksityishenkilöt. Molemmille osapuolille on oma arvolupauksensa. Toimitilojen omistajille ja operaattoreille palvelu tarjoaa mahdollisuuden käyttöasteen korottamiseen ja ylimääräisen kapasiteetin hyödyntämiseen. Käyttäjäorganisaatio saa puolestaan joustavampia tilaratkaisuja ilman pääoman sitoutumista tiloihin. Asiakas voi vuokrata tiloja tuntipohjaisesti tarpeensa mukaisista sijainneista.
Neuroverkkopohjainen simulaattori
Spacentin teknologia-alusta on ollut tuotantokäytössä asiakkailla vuoden 2020 syksystä saakka. Alustasta kerättyä käyttödataa hyödynnetään neuroverkkopohjaisessa simulaatiotyökalussa. Asiakkaan henkilöstömäärän ja sijaintien perusteella voidaan määrittää eri toimitilavaihtoehtojen vaikutukset organisaation tilatarpeeseen, tilakustannuksiin, työmatkaliikkumiseen ja CO2-päästöihin.
Ahaa!
Datan työstämiseen ja integraatioihin kuluu aina enemmän aikaa kuin projektin alussa olettaa. Tämä kannattaa ottaa jo suunnitteluvaiheessa huomioon, eikä kiirehtiä turhaan tai kokeilla oikoteitä. Aikaa kuluu erityisesti silloin, kun dataa on saatava monesta eri lähteestä tai kun eri järjestelmiä pitää sovittaa toimimaan yhdessä.
GenAI-hankkeissa tietojenkäsittely ja integraatiot saattavat edelleen vaatia lisäharkintaa, mutta laadunvarmistukseen, erityisesti stressitestaukseen, olisi budjetoitava suhteellisesti enemmän panostusta, ennen kuin palvelu lanseerataan ulkopuoliselle yleisölle. Koska nämä teknologiat ovat vasta kehittymässä, niihin löydetään usein uusia haavoittuvuuksia tai ”jailbreaking”-menetelmiä, joilla voidaan hyödyntää tai kiertää tekoälyn aiottua käyttöä.
Tällaiset haavoittuvuudet eivät ainoastaan vaaranna GenAI-palvelujen eheyttä ja luotettavuutta, vaan ne voivat myös vaarantaa käyttäjien luottamuksen ja ratkaisun yleisen hyödyllisyyden. Siksi on ratkaisevan tärkeää investoida merkittävästi tiukkaan laadunvarmistusprosessiin, mukaan lukien kattava stressitestaus.
Tuleva kehitys
Toistaiseksi dataa on kertynyt vielä vähän, mutta ennusteiden tarkkuus paranee jatkuvasti datamäärän kasvaessa.
Sopivien toimitilahakujen lisäksi Spacent aikoo jatkokehittää alustaa siten, että se voisi ennustaa tilojen käyttöä. Kohteiden suosittelutoiminto ja kerätyn datan kaupallistaminen muuhun käyttöön ovat nekin harkinnassa.
Sign up to solve exercises
Ramboll – Ennakoivaa huoltoa rakenteiden kuntoa tarkkailemalla
Tällä kurssilla esittelimme aiemmin Rambollin Brutuksen, liikenteen simulaatiomallin. Yhtiön toinen tekoälyratkaisu liittyy rakenteiden kunnon monitorointiin. Sitä on sovellettu erityisesti tuulivoimaloiden rakenteiden kunnon ja elinkaaren ennustamiseen, mutta se on yleistettävissä muidenkin rakenteiden monitorointiin.
Ahaa!
Monet tekoälyratkaisut ovat yleiskäyttöisiä, jolloin tiettyyn tarkoitukseen kehitetty ratkaisu saattaa olla pienellä työmäärällä monistettavissa muihinkin tehtäviin. Usein erilaisia hyödyntämismahdollisuuksia ilmenee projektin aikana. Myös lopullinen käyttötapa saattaa poiketa alkuperäisestä suunnitelmasta.
Tämä koskee erityisesti GenAI:ta, jonka kykyjen uskotaan olevan nousemassa. Samaa taustalla olevaa GenAI-mallia voidaan käyttää erilaisiin käyttötapauksiin asianmukaisilla kehotteilla tai hienosäädöllä. Mallia ei kuitenkaan koskaan koulutettu suorittamaan tiettyä tehtävää koulutusvaiheen aikana. GenAI-kielimalleja koulutettiin ennustamaan seuraava sana, annettiin syötetty sanasarja tai ennustamaan puuttuva sana lauseesta.
Rakenteiden fysiikka tunnetaan hyvin, ja hyödyntämällä tarkkoja suunnitelmia kohteesta rakenteiden toimintaa voidaan simuloida näiden todellisessa ympäristössä. Kattavalla instrumentoinnilla dataa voidaan kerätä myös käytön aikana palautteen saamiseksi suunnitteluun ja simulointeihin. Laaja instrumentointi on kuitenkin kallista, joten tuulipuiston koostuessa sadoista identtisistä rakenteista, on kustannustehokkaampaa asentaa kattava instrumentointi vain osaan kohteista ja ennustaa toiminta lopuissa vastaavissa rakenteissa. Ennuste pystytään toteuttamaan kaikkiin, myös instrumentoimattomiin kohteisiin hyödyntäen turbiinin valvomo-ohjelmistosta saatavaa dataa.
Simulointien hyödyntäminen on erityisen tärkeää rakenteiden toiminnan mallintamisessa. Virheitä ei saa esiintyä todellisissa kohteissa, joten sopivan opetusdatan luominen tekoälyratkaisulle on haastavaa. Simulaatioiden avulla virheitä voidaan luoda rakenteeseen digitaalisessa ympäristössä, ja hyödyntää täten syntyvää dataa virheiden tunnistamiseen ja ennustamiseen.
Kohti ennakoivaa huoltoa
Tuulivoimaloiden toimintavarmuus tulee taata vaativissakin olosuhteissa. Pienilläkin häiriöillä on suuri kustannusvaikutus, koska rikkoutumisen tapahduttua korjaajat eivät pitkien etäisyyksien vuoksi pääse nopeasti paikalle. Tästä syystä ylläpidossa on tavoite siirtyä ennakoivaan huoltoon ja ennustaa, milloin jokin kone tai rakennusosa on vaarassa rikkoutua. Tällöin huolto on mahdollista suorittaa ennen vahingon tapahtumista.
Rambollin ratkaisu palvelee tunnistettua liiketoimintatarvetta ja tuottaa selvää rahallista säästöä asiakkaille. Lisäksi ennakoivalla huollolla on myös positiivisia vaikutuksia ympäristölle, kun turhia käyntejä paikan päällä voidaan vähentää.
Sign up to solve exercises
Lassila & Tikanoja - Kiinteistöpalveluliiketoimintaa minuuttitasolla
Lassila & Tikanoja on ympäristöhuollon ja kiinteistöjen sekä laitosten tukipalvelujen tuottamiseen keskittynyt suomalainen palveluyrityskonserni. L&T toimii Suomessa ja Ruotsissa. Yhtiö työllistää noin 8100 henkilöä.
Lassila & Tikanojan Kiinteistöpalveluyksiköllä on data-analytiikkaratkaisuja kolmella tasolla:
Tuotannonohjaus
Isot datamassat ja niistä oppiminen
Ketterä palvelukehittäminen ja asiakasrajapinta.
Datan hyödyntämistä edelsi laaja kolmivuotinen projekti, jossa divisioona uusi oman toiminnanohjausjärjestelmänsä (ERP) ja siihen liittyvät prosessit kokonaisuudessaan.
L&T hyödyntää analytiikkaa tuotannonohjaukseen, liiketoimintansa keskiöön. Yhtiö on hyvä esimerkki siitä, että usein kehittynyt analytiikka riittää pitkälle ennen kuin koneoppimista on tarpeen hyödyntää.
Usein kehittynyt analytiikka riittää luomaan arvoa. L&T on tästä hyvä esimerkki.
Reaaliaikaista toiminnanohjausta
ERP-uudistuksensa yhteydessä L&T käynnisti Dynamic Scheduling -järjestelmän kehitystyön. Yhtiön mukaan tuloksena oli ehkä Suomen pisimmälle viety henkilöstöresurssien optimointityökalu, joka varmistaa, että oikeat resurssit ovat oikeassa paikassa ja oikeaan aikaan.
Järjestelmässä työpäivä koostuu kuuden minuutin jaksoista, joissa järjestelmä käsittelee tehtäviä kiireellisyysjärjestyksessä. Työntekijällä on mobiilisovellus, johon hän kuittaa aloittaessaan tehtävän työmaalla.
Työntekijän mobiilisovellus jakaa tehtäviä kuuden minuutin tarkkuudella
Reaaliaikainen tilannekuva mahdollistaa lähellä olevien työntekijöiden paikantamisen. Tällöin heitä voi kutsua nopeasti paikalle, jos jokin nykyistä kiireellisempi työtehtävä, esimerkiksi putkirikko, ilmaantuu.
Analytiikkaa asiakasjohtamiseen
Analytiikka auttaa myös asiakkuuksien kehittämisessä ja lyhyen aikavälin ennustamisessa. Sopimussalkustaan L&T seuraa erityisesti laskutuksen kehitystä, asiakastyytyväisyyttä, reklamaatioita, asiakaspalautteita, asiakaspalvelun yhteydenottojen määrää ja laatua.
Ketterässä palvelunliiketoiminnassaan yhtiö panostaa erityisesti asiakaspalautteeseen ja sen syvällisempään ymmärtämiseen; toistuuko esimerkiksi jokin asia tai asiakaspalaute kuukausittain.
Tekoälyn hyödyntämisen haasteet ja mahdollisuudet
Tekoälyn hyödyntämisen haasteet ovat L&T:lle melko tavanomaisia. Olemassa olevat järjestelmät ja niiden arkkitehtuuri eivät välttämättä tue sellaisenaan tekoälyn hyödyntämistä. Toinen haaste liittyy sisäisten ja ulkoisten palvelutarpeiden tasapainoiseen tarkasteluun.
Monesti tekoälyratkaisujen kehittäjät painottavat sisäistä tehokkuutta. Siksi on tärkeää varmistaa kehitysidean tarve ratkaisun käyttäjiltä. Käyttäjän tulee aina olla mukana ratkaisun suunnittelu- ja kehitystyössä. Tällöin ratkaisu tuottaa arvoa tasapainoisesti kaikille osapuolille.
Ideasta palveluksi
L&T on yrittänyt ratkoa käyttäjälähtöisyyden haastetta koko talon tasolla toimivalla “Ideasta palveluksi” -konseptilla. Käytössä on työkalu, jolla kuka tahansa voi ehdottaa uusia ideoita. Ketterän kehityksen tiimi ruotii ideat joka toinen viikko. Se arvioi ideoita seuraavalla kriteeristöllä:
Onko idealla kaupallista potentiaalia?
Mikä on idean tekninen toteutus, ja mitä se edellyttää?
Mitä resursseja idean toteutus vaatii, ja onko resursseja saatavilla?
Tiimi työstää seulan läpäissyttä ideaa vielä asiakkaan kanssa ennen lopullista investointipäätöstä. Tällä varmistetaan, että ratkaisulla on todellista kysyntää.
Tuleva tekoälykehitys
Nykyistä analytiikkaosaamista on jatkossa tarkoitus rikastuttaa entistä enemmän hyödyntämällä koneoppimista. Tätä varten L&T on rakentamassa tiedonhallinnan infrastruktuuria, joka tuottaisi dataa myös tekoälyratkaisujen tueksi.
Mainittujen toimien ansiosta yhtiön on mahdollista ottaa tekoälyn kehitysloikka. Se, että L&T on keskittynyt tuomaan arvoa analytiikalla, on omiaan luomaan uskoa myös tekoälyn mahdollisuuksiin laajemmin.
Koska tekoälyn hyödyntäminen on alalla vasta alkamassa, yritys pystyy erottautumaan tekoälyllä kilpailijoistaan ilman mittavia panostuksia. Markkina on tältä osin vielä uusi ja kypsymätön.
