A megfelelő algoritmus keresése
Az adatvezérelt kockázatelemzés rövidítése, a DARIA segítségével a STRABAG az építési projektek értékelésénél az adatokra és a mesterséges intelligenciára (AI) támaszkodik. Egy széles adatbázis és algoritmusok segítségével a pénzügyi kockázatok előre jelezhetők, és szükség esetén csökkenthetők. A DARIA a folyamatban lévő útépítési projektek pénzügyi kockázatait a kivitelezési fázisban értékeli. Az ellenőrök és a vezetők így további, mesterséges intelligencia által generált figyelmeztető mutatókat kapnak a kezükbe, hogy korai és objektív döntéseket hozhassanak a projekt további menetére vonatkozóan.
Milyen előnyei vannak a mesterséges intelligenciának a kontrollingban?
A DARIA támogatja a felhasználókat a projekt előrehaladásának értékelésében. A nagy mennyiségű adat és annak összetettsége egyre nagyobb kihívást jelent a kontrollerek számára. A STRABAG AI számítási teljesítménye havonta elemzi a kereskedelmi adatokat, és belsőleg meghatározott kategóriák szerint előrejelzi a projekt befejezését. Az AI-alapú mutatók segítségével a felhasználók jobb áttekintést kapnak a potenciálisan kritikus projektfejleményekről. A mesterséges intelligenciát az építőiparban a kockázatkezelés támogatására használják.
A STRABAG széles adatbázist, saját adattudományi részlegének know-how-ját és a felhasználók szakértelmét használja. A cél a potenciálisan kritikus projektek korai szakaszban történő azonosítása és a kockázatok minimalizálása.
A számok áttekintése:
- 11.000 képzési projekt
- > 1,000 havi előrejelzés
- 12 ország mint tanulási alap
- 2.5 év a bevezetésig
- kb. 70 % flop észlelés
Hogyan támogatja a DARIA a felhasználókat?
A DARIA integrálódik a kontrollerek digitális munkakörnyezetébe. A potenciálisan kritikus projektek láthatóan fel vannak címkézve, és így a felelős felhasználók figyelmébe kerülnek. Figyelmük a potenciálisan kritikusabb eredményre összpontosul. A DARIA nem magyarázza el, hogy a mesterséges intelligencia alapú értékelés milyen konkrét kockázaton alapul. A felhasználók számára azonban értelmezési segédletet kínál. Például: Ha egy projektet bukásként jósolnak meg, a projekt előrehaladását vizuálisan összehasonlítják a képzési adatokból származó összes bukott projekt előrehaladásával. Ez érthetővé teszi az előrejelzéseket a felhasználók számára.
A megfelelő algoritmus az értékelési modellhez
A DARIA támogatja az építőipari kockázatkezelést. Ehhez a modellnek megmagyarázható és stabil állításokat kell adnia, azaz mindig ugyanazokat az eredményeket kell produkálnia. Ezért a DARIA-ban a mesterséges intelligencia alapú megközelítés az XGBoost (eXtreme Gradient Boosting). Ez a modell döntési fákon alapul.
Ezekben az adatok osztályozása „ha-akkor” kérdések segítségével történik, amíg a modell már nem érzékeli az információ növekedését. Az XGBoost a lehető legnagyobb pontosság érdekében több, egymásra épülő döntési fát kombinál. Minden egyes új fa megpróbálja kijavítani az előző fa hibáit - ezt nevezzük boostingnak. Azt is meghatározza, hogy mennyire és milyen irányban kell korrigálni a jóslatokat - gradiens boosting. A szekvenciális tanulás sok gyenge modellből egy nagyon erős modellt hoz létre. Ez tükröződik a potenciális flop-projektek felismerési arányában is, amely három hónapos építés után jelenleg alig 70 százalék alatt van.
Egy mesterséges intelligencia modell minden ágazat számára?
Más ágazatok felhasználói is felismerik a projekt előrehaladásának korai felismerésében rejlő hozzáadott értéket. Ezért jelenleg megfelelő értékelési modelleket dolgoznak ki és értékelnek a kivitelezési fázisban lévő építési és mélyépítési projektek számára. És ez még nem minden - a DARIA csapata már dolgozik a talán legnagyobb kihíváson is: egy olyan modellen, amely már az ajánlattételi szakaszban támogatja a projektekkel kapcsolatos kockázatkezelést.
Négy lépés egy mesterséges intelligencia értékelési modellhez:
- Projekt előkészítés - milyen típusú algoritmus illik a problémához?
- Adatelemzés és -feldolgozás - milyen minták ismerhetők fel az adatokból, és hogyan használhatók fel az adatok?
- A modell képzése és tesztelése - mennyire működik jól a modell?
- Telepítés és használat - hogyan jut el a modell a végfelhasználókhoz?
