Rakentaminen ja purkaminen tuottavat kaikesta maailman jätteestä 40–50 %. Kiertotalouden näkökulmasta on oleellista, että tästä jätteestä jatkokäyttöön kelpaava materiaali ei päädy kaatopaikalle. Tekoäly auttaa seulomaan automaattisesti jätevirtoja ja parantaa rakentamisen kierrätysastetta.
ZenRobotics – Jätteen robotisoitu lajittelu ja kierrätys
Vuonna 2007 perustettu ZenRobotics kehittää älykästä kierrätysrobotiikkaa. Se on ensimmäinen yritys, joka on soveltanut tekoälypohjaisia robotteja vaativaan jätteenlajitteluun.
Koneoppiminen yrityksen ytimessä
ZenRoboticsin kehityskaari on mielenkiintoinen. Alussa se rakensi robotteja ja koneita, tämän jälkeen pelkkiä ohjelmistoja ja nyt se tarjoaa kokonaisratkaisuja. Nyt kehittäjien katse on siirtymässä entistä enemmän kohti sensoreita, sensoridataa ja prosessien kehittämistä.
Yhtiön tunnetuin tuote on robotisoitu jätteiden lajittelujärjestelmä, jota on myyty muun muassa Alankomaihin, Ruotsiin, Sveitsiin ja Yhdysvaltoihin.
Kehitystyötä tekee noin 30 hengen ryhmä, josta suurin osa keskittyy ohjelmistoihin ja automaatioon ja erityisesti kahden jätteidenlajittelijarobotin “Heavy Picker” ja “Fast Picker” kehitystyöhön.
Mainitut lajittelurobotit voivat erottaa useita jätteitä erilaisten antureiden, raskaiden robotti-käsien ja tekoälyn avulla. Molemmat robotit toimivat samalla periaatteella: jätteet liikkuvat lajittelukeskuksen liukuhihnalla, jossa sensorien ja kameroiden avulla järjestelmä tunnistaa liikkuvan materiaalin robotille poimittavaksi.
Nimensä mukaisesti Heavy Picker on vahvempi ja varustettu monipuolisemmilla sensoreilla: muun muassa MIR-sensorilla (infrapuna), spektrikameralla (valo), metallitunnistimella ja 3D-sensorilla (muoto).
Fast Picker toimii toisella periaatteella. Se tekee mahdollisimman paljon mahdollisimman vähällä. Tästä johtuen myös sensoreita on vähemmän ja käytössä on lähinnä RGB-kamera, joka tunnistaa materiaalin värit.
Optimoitua robotiikkaa
Materiaalin tunnistamisen lisäksi avainasemassa on suunnittelu, toisin sanoen, mitä materiaaleja robotti poimii liukuhihnalta. Tunnistamisen jälkeen robotti prosessoi ja arvottaa materiaalit esiopetetun mallin mukaisesti.
Robotti jättää toisinaan jonkin vähemmän arvokkaan materiaalin huomioimatta, jotta se varmasti ehtii poimimaan sille opetetun arvokkaamman materiaalin hihnalta.
Materiaalin tunnistamisen jälkeen robotin tulee liikkua oikeaan paikkaan oikealla hetkellä. Ohjaus on adaptiivista, eli robotti osaa laskea automaattisesti liikeratansa siten, että robotin poimijat ovat oikeassa kohdassa liukuhihnaa. Tavoite on minimoida liikkuminen, jotta robotti ehtii poimia mahdollisimman paljon.
Valmiita malleja ja robottien jatkokoulutusta
Zenrobotics hyödyntää omassa kehitystyössään mahdollisimman paljon esiopetettuja ja valmiita koneoppimismalleja. Oman henkilöstön pitää silti jatkokouluttaa malleja.
Esimerkiksi materiaalin tunnistamismallin koulutusdataa ei annotoida yksityiskohtaisesti (esimerkiksi “Pet-pullo, Coca-Cola Zero”), vaan mallia opetetaan materiaalikohtaisesti. Liukuhihnalle ajetaan vuorollaan sama materiaali eri muodossa (esimerkiksi Coca-Cola Zero -pulloja eri muodossa) ja näin kone oppii, että kyse on tietystä materiaalista.
Generatiivista tekoälyä voidaan käyttää syntetisoimaan erilaisia harjoitusdatoja materiaalien tunnistamismalleja varten luomalla laaja valikoima kuvia tai anturitietoja eri materiaaleista eri olosuhteissa. Tämä voi parantaa huomattavasti mallin tarkkuutta ja kestävyyttä, mikä mahdollistaa laajemman materiaalivalikoiman tunnistamisen suuremmalla tarkkuudella.
Suuresti vaihtelevan rakennus- ja purkujätteen osalta, generatiivinen tekoäly voi luoda synteettisiä tietokokonaisuuksia, jotka edustavat eri kohteista peräisin olevan jätteen ainutlaatuisia ominaisuuksia. Tämä helpottaisi robottien kouluttamista tiettyjä hankkeita varten ja parantaisi niiden lajittelun tehokkuutta ja sopeutumiskykyä erityyppisiin jätteisiin.
Ahaa!
Varsinkin rakentamisessa ja purkamisessa kaikki jätevirrat ja käsittelykeskukset ovat yksilöllisiä, minkä vuoksi robotit on koulutettava aina paikan päällä.
Konenäön mahdollisuus ja mahdottomuus
Materiaalitunnistamisen konenäkö kehittyy jatkuvasti, mutta aukottomasti toimivaan kokonaisuuteen on vielä matkaa. Kaukaisena, kenties epärealistisena tavoitteena on universaali malli, joka tunnistaisi objekteja ja materiaaleja lähes äärettömästä määrästä vaihtoehtoja.
Viime vuosina konenäön kehitys on perustunut mallien ja algoritmien sekä niiden taustalla olevien teknologioiden edistysaskeliin. Nykyteknologia ei kuitenkaan riitä parantamaan tekoälypohjaisten mallien suorituskykyä merkittävästi. Tämän vuoksi ZenRoboticsin ei kannata yrittää kehittää omaa, pitkälle vietyä kuvantunnistusratkaisua, vaan ennemminkin keskittyä saatavilla olevan datan parempaan hyödyntämiseen.
Jätteenkäsittelyn digitalisointi
Jätteenkäsittelyprosessin digitalisoinnissa on valtava potentiaali. Megatrendit ja tiukentunut regulaatioympäristö luovat positiivista painetta uudistaa jätteenkäsittelyä.
Prosessissa syntyvän datan hyödyntäminen on vielä lapsenkengissä. Lajittelulaitoksilla ei ole yleensä tietoa sisään tulevan ja ulos lähtevän materiaalin sisällöstä.
ZenRoboticsin lajittelurobotti tarjoaa laitoksille uudenlaista tietoa. Se tunnistaa sisään tulevan jätteen laadun reaaliajassa ja ilmoittaa lisäksi poikkeustilanteista automaattisesti. Robotiikka tuottaa siis juuri sitä tietoa, jota kiertotalouden toteuttaminen vaatii.
Sign up to solve exercises
Ramboll – Alueiden uuskäytön suunnittelu, Galago.ai
Galago on Rambollin ympäristön monitorointiin toteutettu konenäköratkaisu, jota hyödynnetään erityisesti laajojen maa-alueiden seurantaan samoin kuin entisöinnin ja pilaantuneiden maa-alueiden kunnostuksen yhteydessä.
Galago tunnistaa ongelmakohdat sekä auttaa niiden korjauksessa ja sidosryhmien velvoitteiden toteuttamisessa. Ratkaisu hyödyntää satelliitti-, drone- ja ilmakuvia yhdistettynä tekoälyyn laajojen alueiden tilannekuvaa varten. Kuvadatan perusteella alusta luo toimenpidesuosituksia maanomistajille.
Ratkaisua on hyödynnetty erityisesti suurten kaivoisten entisöintiin, metsä- ja luontoalueiden ja kasvillisuuden kehittymisen seurantaan sekä vieras- ja haittalajien tunnistamiseen laajoilta alueilta.
Tekoäly asiantuntijan työparina
Galago tehostaa paikan päällä tehtäviä tarkastuksia ja joissain tapauksissa jopa korvaa ne kokonaan. Tämä säästää kustannuksia ja auttaa kohdistamaan rajatut tarkastusresurssit tehokkaasti.
Vaihtoehto Galagolle on ihmisen tekemä, huomattavasti kalliimpi seuranta ja tarkastus paikan päällä. Laajoilla alueilla tiedonkeruu perustuu tällöin satunnaisotantaan, jolloin jotain oleellista saattaa jäädä huomaamatta.
Galago on oiva esimerkki tekoälyratkaisusta, joka korvaa ihmisvoimin tehtyä rutiininomaista tiedonkäsittelyä. Se ei poista kokonaan ihmisten tekemää työtä, vaan vapauttaa asiantuntijan aikaa enemmän arvoa tuottaviin tehtäviin. Galagon teknologia auttaa maanomistajia tekemään dataan pohjautuvia päätöksiä, jotka auttavat heitä säästämään aikaa ja rahaa automaattisen raportoinnin avulla.
Parhaita käytäntöjä
Edellä kuvatut käytännön esimerkit ja monet muut tekoälyprojektit ovat opettaneet seuraavaa:
Tekoälyratkaisujen tuominen tuotantoympäristöön on haastavaa ja usein koneoppimismallien ylläpito vaatii merkittävästi enemmän resursseja verrattuna perinteisiin ohjelmistoratkaisuihin.
Oikeantasoinen dokumentaatio vähentää ylimääräisten palaverien tarvetta. Dokumentaation avulla voidaan viestiä projektin lähtökohdista, riippuvuuksista ja tavoitteesta ”yhdellä silmäyksellä”.
Dokumentaatio on myös keino kiinnittää huomiota tekoälyprojektien odotusten hallintaan. Jos odotukset ja projektin lopputulos eivät kohtaa, into tekoälyn käyttöönottoon organisaatiossa voi laantua.
Tekoälytoimintojen skaalaus koko organisaatiolle vaatii aikaa. Muutoksen tueksi tarvitaan muutosagentteja, jotka ymmärtävät sekä teknologian mahdollisuudet että liiketoiminnan prosessit.
Tekoälystä viestiminen on vain 20 %:sti teknologiaa. Loppu on vastauksia kysymyksiin "mitä, miten, miksi”. Yksinkertainen viestintä ja käytännön esimerkit läheltä liiketoimintaa toimivat parhaiten.
Alkuun minkä tahansa teknologian skaalaus on myyntityötä. Tavoitteena on luoda malleja, joilla kysyntä vähitellen kasvaa ja alkuvaiheen keskitetty osaaminen saadaan jalkautettua koko organisaatioon.
Toisessa luvussa
Tiivistimme kiinteistö- ja rakennusalan arvoketjun viiteen osaan: yhdyskuntasuunnittelu, kiinteistökehitys ja suunnittelu, rakentaminen, kiinteistönpito sekä purku ja kierrätys.
Perehdyimme tekoälyn soveltamiseen seuraavin esimerkein: maankäytön suunnittelu, ympäristön monitorointi, liikenteen suunnittelu, kiinteistöjen energiankulutuksen optimointi, työmaan rakennusvaiheen tunnistaminen, työmaan läpinäkyvä viestintä, asunnon myynti, toimitilojen vuokraaminen, työtehtävien asiakaslähtöinen optimointi osana toiminnanohjausta, ennakoiva huolto ja jätteiden käsittely.
Opimme, että tekoälyratkaisut onnistuvat varmimmin, kun ne palvelevat selkeää liiketoiminnalista tarvetta ja tukeutuvat olemassa oleviin prosesseihin. Toisaalta tekoäly voi synnyttää kokonaan uusia palveluita tai tuotteita, jotka täydentävät tai haastavat olemassa olevia käytäntöjä.
Huomasimme, että sama perusratkaisu voi palvella useaa tarvetta ja auttaa samanaikaisesti eri tyyppisten tavoitteiden, kuten toiminnan tehokkuuden ja kestävän kehityksen päämäärien saavuttamisessa.
Yritysesimerkit osoittivat, että tekoälyn käyttöönottoa yrityksissä tulisi ajatella enemmän jatkuvana oppimisprosessina kuin pistemäisinä investointeina.
