Vaikka rakentamisen digitalisaatiossa on vielä paljon kirittävää, alan edelläkävijät kehittävät ja käyttävät jo tekoälyratkaisuja, joilla on todellista liiketoiminnallista arvoa. Tekoäly muun muassa parantaa työturvallisuutta, lisää ennustettavuutta ja tukee projektinhallintaa työmailla sensori- ja kameradatan avulla.
YIT – Tekoälyä myyntiin ja rakentamiseen
YIT on pohjoiseurooppalainen kaupunkikehittäjä ja rakennusyhtiö. Se työllistää noin 7 400 ammattilaista kymmenessä maassa.
Tekoälykehittäminen YIT:ssä
YIT on rakentanut vuosien mittaan useita tekoälyratkaisuja. Merkittävä osa niistä on jäänyt testivaiheeseen, mutta tuotannolliseen käyttöönkin on päässyt useita.
Tekoälyratkaisuja on käytössä myynti- ja työmaatoiminnoissa, jotka hyödyntävät tekoälyä erityisesti ennustamiseen ja klusterointiin. Myynti- ja työmaafunktiot eroavat työskentelytavoiltaan ja organisoitumiseltaan.
Myynnin etuina ovat yhteiset prosessit ja datan – myös ulkopuolisen – hyvä saatavuus. Työmaille taas on leimallista projektikohtaisuus ja datan vaihteleva saatavuus. Jos eri työmailla on erilaiset työskentelytavat, ratkaisujen monistaminen yhdeltä työmaalta useille on haastavaa. Siksi YIT onkin soveltanut tekoälyä alueilla, jotka ovat yhteisiä jokaiselle työmaalle, kuten työturvallisuudessa.
Tekoälyratkaisu tarvitsee aina lähtökohdakseen prosessin, jota voi automatisoida, tehostaa tai muuttaa. Jos tällaisia prosesseja ei ole, tekoälyn hyödyntäminen on erittäin vaikeaa.
Tekoälyhankkeen onnistumisen eväät
Seuraavassa on YIT:n listaus onnistumisen edellytyksistä:
Tekoälyratkaisujen on aina tuettava yrityksen strategisesti tärkeitä liiketoimintatavoitteita.
Liiketoiminnan on oltava sitoutunut ja innostunut edistämään tekoälyratkaisuja. Muuten ratkaisun saaminen tuotantokäyttöön voi olla haastava, vaikka itse ratkaisu olisi hyvä.
Heti alussa on ymmärrettävä, miten tulokset jaellaan loppukäyttäjille, eli miten ratkaisu toimii tuotannossa.
Prosessit tulee laittaa kuntoon standardoidun tiedonkeruun mahdollistamiseksi. Tiedonkeruuprosessi on analytiikka- ja tekoälyratkaisujen “kivijalka”.
Kun dataa tuottavat osapuolet näkevät datan, esimerkiksi raportoinnin tai sovelluksen kautta, niin he samalla validoivat dataa. Datan hyvä näkyvyys parantaa siten datan laatua. Näin syntyy parempaa lähtöaineistoa myös tekoälykehittämiseen.
Kaikkea ei pidä tehdä itse. Erityisesti yrityksestä toiseen toistuvissa tukifunktioissa (esimerkiksi talous, asiakaspalvelu, hankinta, HR) kannattaa tutkia valmisratkaisut eikä heti lähteä kehittämään omia.
Sign up to solve exercises
Datan määrä ja laatu ratkaisevat
Yleisin syy tekoälyaihion hylkäämiseen YIT:llä on ollut joko datan puute tai laatu. Rakentaminen ei ole datanatiivia, toisin sanoen dataa ei välttämättä synny itsestään osana prosesseja vaan sen keruu on erikseen suunniteltava ja toteutettava. Usein datan kerääminen vaatii uuden laitteen, kuten kameran tai sensorin.
Työmaat myös muuttuvat jatkuvasti – kirjaimellisesti kuopasta rakennukseksi. Työmaan eri vaiheet ulko- ja sisätöineen edellyttävät kameroiden siirtelyä, jos dataa on tarkoitus kerätä kaikista rakennusvaiheista.
Myös muissa toiminnoissa, kuten myynnissä, datan laatu ja sen määrä vaikuttavat lopputuloksiin, joskus yllättävälläkin tavalla. Esimerkiksi myyjä ei aina ehdi kirjata myyntijärjestelmään voitetun kaupan valinnaisia lisätietoja kattavasti. Myynnin ennustamiseen tarkoitettu koneoppimismalli voisi tällöin päätellä, että juuri valinnaisten lisätietojen puute johtaa yleensä kaupan voittamiseen.
Tekoälyratkaisujen liian vauhdikas aloittaminen ilman kunnollista etukäteisperehtymistä datan saatavuuteen ja laatuun on yleisin syy tekoälyratkaisujen viivästymiseen tai hylkäämiseen.
Työmaan työvaiheen tunnistaminen kamerakuvista
Erilaiset konenäköratkaisut ovat tekemässä läpimurtoa myös rakennustyömailla. YIT on testannut yhdessä Aalto-yliopiston kanssa, miten kameroilla voidaan tunnistaa rakentamisen eri työvaiheet ja siten varmistaa, että rakennustyömaa pysyy aikataulussa.
Pilotissa rakennustyömaan nosturiin asennettiin kamera, joka kuvaa työmaata ja koneoppimismalli tunnistaa vaiheen, kuten “lattiavalu” tai “raudoitus”. Ratkaisu antaa yhteisen tilannekuvan työmaasta ja nopeuttaa siten työmaan päivittäistä seurantaa erityisesti suurissa hankkeissa.
Yhteinen tilannekuva on yhtä tärkeä myös tekoälyratkaisuja rakennettaessa. Ratkaisun liian vauhdikas aloittaminen ilman, että on vastattu miksi, miten ja mitä -kysymyksiin ei ole suositeltavaa.
Seuraava kuva havainnollistaa osa-alueita, joita YIT:llä tarkasteltiin edellä kuvatun tekoälyprojektin alkuvaiheessa. Tavoitteena oli varmistaa, että projektin onnistumisen edellytykset tulevat pohdintaan riittävän kattavasti. Tätä voidaan pitää yhtenä versiona tekoälykanvaasista, johon tutustumme yksityiskohtaisesti seuraavassa luvussa.
Sign up to solve exercises
A-Insinöörit - Rakennustyömaan viestinnän parantaminen
Suuret rakennustyömaat vaikuttavat jopa useiden vuosien ajan lähellä asuvien asukkaiden, työssäkäyvien ja muiden kaupunkilaisten elämään. Silti naapurusto ei juurikaan pääse vaikuttamaan tai ottamaan kantaa työmaan suunnitelmiin, aikatauluihin tai esimerkiksi liikennejärjestelyihin. Asukasinfot, erilaiset kyselyt ja tiedotukset eivät tavoita tasapuolisesti kaikkia kohderyhmiä.
Rakentajat saattavat olla pitkiä aikoja tietämättömiä ympäristön suorasta palautteesta ja ulkoisesta kokonaiskuvasta, koska kanavat ja menetelmät ovat hajautuneet. Tämä johtaa usein ongelmien värikkääseenkin puimiseen sosiaalisessa mediassa tai perinteisemmin iltapäivälehtien mielipidepalstoilla.
Työmaiden sisäinen viestintä on sekin usein puutteellista. Moni remontin teettäjä on varmasti kohdannut saman ilmiön: tieto ei aina kulje ripeästi työmaalla.
A-Insinöörit päätti tilaajan edustajana lähteä ratkomaan rakentamisen viestintäongelmaa "Kalasatamasta Pasilaan" -raitiotieallianssihankkeessa yhdessä sen tekijöiden kanssa. Viestinnän rooli korostuu hankkeessa, joka on kestoltaan useita vuosia, kooltaan mittava, useita osapuolia käsittävä ja joka tehdään maan pääkaupungin elämänmenon keskellä. Kokeilulla A-Insinöörit toivoo paitsi lisääväänsä rakennusprojektin viestinnän läpinäkyvyyttä myös ymmärtävänsä käytyjä keskusteluja tarkemmin.
Mielialan analysointia tekoälyllä
A-Insinöörit hyödyntää tekoälyä, tarkemmin sanottuna luonnollisen kielen teknologioita (NLP), projektin sisäisessä ja ulkoisessa viestinnässä. Tavoitteena on ymmärtää keskustelujen trendit, mielialat ja äänensävyt kirjoitetusta tekstistä.
Yksittäisiä datalähteitä ovat ulkoiset kyselyt, asiakaspalautteet sekä sisäiset kyselyt ja palautteet. Jatkuvia datalähteitä puolestaan ovat intranetissa käydyt keskustelut ja mediaseuranta. Näistä lähteistä kootusta datasta syntyy visuaalinen tilannekuva, joka päivittyy jatkuvasti. Tekstin analysointia tekee suomalainen palveluntarjoaja, ja visuaalinen analyysi perustuu raportointiohjelmistoon.
Ratkaisun avulla projektin viestintä saa kattavamman kuvan siitä, mikä ihmisiä ja kaupunkilaisia askarruttaa. Hankkeen johto saa vastaavasti tiedon projektiryhmän vireestä, nousevista kipukohdista ja työviihtyvyydestä. Näiden tietojen perusteella voidaan toteuttaa sisäistä ja ulkoista täsmäviestintää oikeille kohderyhmille heitä kiinnostavista aiheista.
Laadullisia arvoja edistävä tekoälyprojekti
Toisin kuin tekoälyprojekteissa on yleensä tapana, A-Insinöörien viestintäprojektille ei voi laskea välitöntä rahallista tuottoa. Sen sijaan investoinnin tuotto perustuu laadullisiin arvoihin, kuten maine, työn sujuvuus, asiakastyytyväisyys ja asukkaiden kuuntelun synnyttämä myönteinen mieliala.
Hanke opetti A-Insinöörien omalle väelle, mitä tekoäly on ja miten tekoälyteknologioita voi hyödyntää ilman suuria rahallisia panostuksia. Kokeilu oli yhtiön ensimmäinen tekoälysovellus, jossa ratkaisua varten rakennetussa dataputkessa hyödynnettiin suoraan ulkoisia tietolähteitä.
A-Insinöörien hankkeen tavoin tekoälyn käyttöönottoa yrityksissä tulisi ajatella enemmän jatkuvana oppimisprosessina kuin pistemäisinä investointeina. Tekoälyprojektien kannattavuutta punnittaessa tulee myös ottaa huomioon ymmärryksen kasvu ja oppiminen sekä niiden vaikutukset yrityksen kilpailukykyyn. Oppimisen vaikuttavuus (Return on Learning, ROL) onkin monessa mielessä parempi, tai ainakin tärkeä täydentävä mittari perinteisen investoinnin tuottoasteen (ROI) rinnalla.
