Hledání správného algoritmu
Díky DARIA (zkratka pro data-driven risk analysis) se společnost STRABAG při hodnocení stavebních projektů spoléhá na data a umělou inteligenci (AI) v controllingu. Pomocí rozsáhlé databáze a algoritmů lze finanční rizika předvídat a případně snižovat. DARIA vyhodnocuje finanční rizika probíhajících projektů výstavby silnic ve fázi realizace. Kontroloři a vedení tak mají k dispozici další varovné ukazatele generované umělou inteligencí, aby mohli včas a objektivně rozhodovat o dalším průběhu projektu.
Jaké jsou výhody umělé inteligence v controllingu?
DARIA podporuje uživatele při vyhodnocování průběhu projektu. Velké množství dat a jejich složitost jsou pro kontrolory stále větší výzvou. Výpočetní výkon STRABAG AI každý měsíc analyzuje obchodní data a předpovídá dokončení projektu podle interně definovaných kategorií. S pomocí ukazatelů založených na AI mají uživatelé lepší přehled o potenciálně kritickém vývoji projektu. AI se používá k podpoře řízení rizik ve stavebnictví.
Společnost STRABAG využívá širokou datovou základnu, know-how vlastního oddělení datové vědy a odborné znalosti uživatelů. Cílem je identifikovat potenciálně kritické projekty v rané fázi a minimalizovat rizika.
Přehled v číslech:
- 11 000 školicích projektů
- > 1 000 měsíčních odhadů
- 12 zemí jako základ pro učení
- 2,5 roku do uvedení do provozu
- přibližně 70 % detekcí propadů
Jak DARIA podporuje uživatele?
DARIA je integrována do digitálního pracovního prostředí řídicí jednotky. Potenciálně kritické projekty jsou viditelně označeny, a tím se dostávají do centra pozornosti odpovědných uživatelů. Jejich pozornost se soustředí na potenciálně nejkritičtější výsledek. DARIA nevysvětluje, na jakém konkrétním riziku je hodnocení založené na umělé inteligenci založeno. Nabízí však uživatelům interpretační pomůcku. Např: Pokud je projekt předpovězen jako neúspěšný, je jeho vývoj vizuálně porovnán s vývojem všech neúspěšných projektů z tréninkových dat. Díky tomu jsou předpovědi pro uživatele srozumitelné.
Správný algoritmus pro model hodnocení
DARIA podporuje řízení rizik ve stavebnictví. Za tímto účelem by měl model poskytovat vysvětlitelné a stabilní výroky, tj. vždy poskytovat stejné výsledky. Z tohoto důvodu je v systému DARIA použit přístup založený na umělé inteligenci XGBoost (eXtreme Gradient Boosting). Tento model je založen na rozhodovacích stromech.
V nich jsou data klasifikována pomocí otázek typu „jestliže - pak“, dokud model již nezjistí nárůst informací. Aby byl XGBoost co nejpřesnější, kombinuje několik rozhodovacích stromů, které na sebe navazují. Každý nový strom se snaží opravit chyby předchozího stromu - tzv. boosting. Zároveň určuje, jak moc a jakým směrem je třeba předpovědi upravit - gradientní boosting. Sekvenční učení vytváří z mnoha slabých modelů velmi silný model. To se odráží i v míře detekce potenciálních propadáků, která v současné době po třech měsících konstrukce činí necelých 70 %.
Model umělé inteligence pro všechna odvětví?
Přidanou hodnotu včasného rozpoznání postupu projektu uznávají i uživatelé v jiných odvětvích. Proto se v současné době vyvíjejí a vyhodnocují vhodné modely hodnocení pro stavební a inženýrské projekty ve fázi realizace. A to není vše - tým DARIA již také pracuje na možná největší výzvě: modelu, který podporuje řízení rizik spojených s projektem již ve fázi nabídky.
Čtyři kroky k modelu hodnocení umělé inteligence:
- Příprava projektu - jaký typ algoritmu se hodí pro daný problém?
- Analýza a zpracování dat - jaké vzorce lze z dat rozpoznat a jak lze data využít?
- Trénování a testování modelu - jak dobře model funguje?
- Nasazení a používání - jak se model dostane ke koncovým uživatelům?
Informační list:
