În căutarea algoritmului potrivit
Cu DARIA, prescurtarea de la data-driven risk analysis, STRABAG se bazează pe date și inteligență artificială (AI) în control atunci când evaluează proiecte de construcții. Cu ajutorul unei ample baze de date și al algoritmilor, riscurile financiare pot fi prognozate și, dacă este necesar, reduse. DARIA evaluează riscurile financiare ale proiectelor de construcții rutiere în curs de desfășurare în timpul fazei de execuție. Astfel, controlorii și managerii au la îndemână indicatori de avertizare suplimentari generați de AI pentru a lua decizii rapide și obiective cu privire la cursul ulterior al proiectului.
Care sunt avantajele IA în control?
DARIA sprijină utilizatorii în evaluarea progresului proiectului. Cantitatea mare de date și complexitatea acestora reprezintă o provocare tot mai mare pentru controlori. Puterea de calcul a STRABAG AI analizează datele comerciale în fiecare lună și prognozează finalizarea proiectului în funcție de categoriile definite intern. Cu ajutorul indicatorilor bazați pe AI, utilizatorii au o imagine de ansamblu mai bună asupra evoluțiilor potențial critice ale proiectelor. IA este utilizată pentru a sprijini gestionarea riscurilor în industria construcțiilor.
STRABAG utilizează o bază largă de date, know-how-ul propriului departament de știință a datelor și expertiza utilizatorilor. Scopul este de a identifica proiectele potențial critice într-un stadiu incipient și de a minimiza riscurile.
Cifrele dintr-o privire:
- 11.000 de proiecte de formare
- > 1.000 de previziuni lunare
- 12 țări ca bază de învățare
- 2.5 ani până la lansare
- aprox. 70 % detecții de flop
Cum sprijină DARIA utilizatorii?
DARIA este integrat în mediul de lucru digital al controlorului. Proiectele potențial critice sunt etichetate în mod vizibil și sunt astfel aduse în atenția utilizatorilor responsabili. Atenția acestora este concentrată asupra rezultatului potențial cel mai critic. DARIA nu explică pe ce risc specific se bazează evaluarea bazată pe AI. Cu toate acestea, oferă un ajutor de interpretare pentru utilizatori. De exemplu: În cazul în care se preconizează că un proiect va fi un eșec, evoluția acestuia este comparată vizual cu evoluția tuturor proiectelor eșuate din datele de instruire. Acest lucru face previziunile inteligibile pentru utilizatori.
Algoritmul potrivit pentru modelul de evaluare
DARIA sprijină gestionarea riscurilor în industria construcțiilor. Pentru a face acest lucru, modelul trebuie să furnizeze declarații explicabile și stabile, adică să producă întotdeauna aceleași rezultate. Din acest motiv, abordarea bazată pe AI din DARIA este XGBoost (eXtreme Gradient Boosting). Acest model se bazează pe arbori de decizie.
În cadrul acestora, datele sunt clasificate cu ajutorul întrebărilor "dacă-atunci" până când modelul nu mai detectează o creștere a informațiilor. Pentru a fi cât mai precis, XGBoost combină mai mulți arbori de decizie care se bazează unul pe celălalt. Fiecare arbore nou încearcă să corecteze erorile arborelui anterior - cunoscut sub numele de boosting. De asemenea, se specifică cât de mult și în ce direcție trebuie să fie ajustate predicțiile - gradient boosting. Învățarea secvențială produce un model foarte puternic din multe modele slabe. Acest lucru se reflectă și în rata de detectare a potențialelor proiecte eșuate, care se situează în prezent la puțin sub 70 % după trei luni de construcție.
Un model de IA pentru toate sectoarele?
Utilizatorii din alte sectoare recunosc, de asemenea, valoarea adăugată a recunoașterii timpurii a progresului proiectului. Acesta este motivul pentru care în prezent sunt dezvoltate și evaluate modele de evaluare adecvate pentru proiectele de construcții și inginerie civilă aflate în faza de execuție. Și asta nu este tot - echipa DARIA lucrează deja și la poate cea mai mare provocare: un model care să sprijine gestionarea riscurilor legate de proiect încă din faza de licitație.
Patru pași către un model de evaluare a IA:
- Pregătirea proiectului - ce tip de algoritm se potrivește problemei?
- Analiza și prelucrarea datelor - ce modele pot fi recunoscute din date și cum pot fi utilizate datele?
- Formarea și testarea modelului - cât de bine funcționează modelul?
- Implementare și utilizare - cum ajunge modelul la utilizatorii finali?
Fișă informativă:
