W poszukiwaniu właściwego algorytmu
Dzięki DARIA, skrótowi od analizy ryzyka opartej na danych, STRABAG opiera się na danych i sztucznej inteligencji (AI) w kontroli podczas oceny projektów budowlanych. Za pomocą szerokiej bazy danych i algorytmów można prognozować ryzyko finansowe i w razie potrzeby je ograniczać. DARIA ocenia ryzyko finansowe trwających projektów budowy dróg na etapie realizacji. Kontrolerzy i menedżerowie mają zatem pod ręką dodatkowe wskaźniki ostrzegawcze generowane przez sztuczną inteligencję, aby podejmować wczesne i obiektywne decyzje dotyczące dalszego przebiegu projektu.
Jakie są zalety sztucznej inteligencji w kontrolingu?
DARIA wspiera użytkowników w ocenie postępów projektu. Duża ilość danych i ich złożoność stanowi coraz większe wyzwanie dla kontrolerów. Moc obliczeniowa STRABAG AI analizuje dane handlowe co miesiąc i prognozuje zakończenie projektu zgodnie z wewnętrznie zdefiniowanymi kategoriami. Dzięki wskaźnikom opartym na sztucznej inteligencji użytkownicy mają lepszy przegląd potencjalnie krytycznych zmian w projekcie. AI jest wykorzystywana do wspierania zarządzania ryzykiem w branży budowlanej.
STRABAG wykorzystuje szeroką bazę danych, know-how własnego działu data science oraz wiedzę użytkowników. Celem jest identyfikacja potencjalnie krytycznych projektów na wczesnym etapie i minimalizacja ryzyka.
Liczby w skrócie:
- 11.000 projektów szkoleniowych
- > 1 000 prognoz miesięcznych
- 12 krajów jako podstawa do nauki
- 2.5 lat do wdrożenia
- około 70% wykrytych flopów
W jaki sposób DARIA wspiera użytkowników?
DARIA jest zintegrowana z cyfrowym środowiskiem pracy kontrolera. Potencjalnie krytyczne projekty są widocznie oznaczone i w ten sposób znajdują się w centrum uwagi odpowiedzialnych użytkowników. Ich uwaga skupia się na najbardziej potencjalnie krytycznych wynikach. DARIA nie wyjaśnia, na jakim konkretnym ryzyku opiera się ocena oparta na sztucznej inteligencji. Oferuje jednak pomoc w interpretacji dla użytkowników. Na przykład: Jeśli projekt jest przewidywany jako flop, jego postęp jest wizualnie porównywany z postępami wszystkich projektów flop z danych szkoleniowych. Dzięki temu prognozy są zrozumiałe dla użytkowników.
Właściwy algorytm dla modelu oceny
DARIA wspiera zarządzanie ryzykiem w branży budowlanej. Aby to zrobić, model powinien zapewniać wytłumaczalne i stabilne stwierdzenia, tj. zawsze dawać takie same wyniki. Z tego powodu podejście oparte na sztucznej inteligencji w DARIA to XGBoost (eXtreme Gradient Boosting). Model ten opiera się na drzewach decyzyjnych.
W nich dane są klasyfikowane za pomocą pytań "jeśli-to", dopóki model nie wykryje wzrostu ilości informacji. Aby być jak najbardziej precyzyjnym, XGBoost łączy kilka drzew decyzyjnych, które opierają się na sobie nawzajem. Każde nowe drzewo próbuje skorygować błędy poprzedniego drzewa - tzw. boosting. Określa również, w jakim stopniu i w jakim kierunku należy dostosować prognozy - gradient boosting. Uczenie sekwencyjne tworzy bardzo silny model z wielu słabych modeli. Znajduje to również odzwierciedlenie we wskaźniku wykrywania potencjalnych flopów, który obecnie wynosi nieco poniżej 70 procent po trzech miesiącach budowy.
Model AI dla wszystkich sektorów?
Użytkownicy w innych sektorach również dostrzegają wartość dodaną wczesnego rozpoznawania postępów projektu. Dlatego też obecnie opracowywane i oceniane są odpowiednie modele oceny dla projektów budowlanych i inżynieryjnych w fazie realizacji. I to nie wszystko - zespół DARIA pracuje już także nad być może największym wyzwaniem: modelem, który wspiera zarządzanie ryzykiem związanym z projektem już na etapie składania ofert.
Cztery kroki do modelu oceny sztucznej inteligencji:
- Przygotowanie projektu - który typ algorytmu pasuje do problemu?
- Analiza i przetwarzanie danych - jakie wzorce można rozpoznać na podstawie danych i jak można je wykorzystać?
- Szkolenie i testowanie modelu - jak dobrze działa model?
- Wdrażanie i użytkowanie - w jaki sposób model dociera do użytkowników końcowych?
Arkusz informacyjny:
