Hľadanie správneho algoritmu
STRABAG sa pri hodnotení stavebných projektov spolieha na dáta a umelú inteligenciu (AI). Pomocou rozsiahlej databázy a algoritmov je možné predpovedať a v prípade potreby znížiť finančné riziká. DARIA, analýza rizík založená na dátach, posudzuje finančné riziká prebiehajúcich projektov výstavby ciest vo fáze realizácie. Pracovníci controllingu a manažéri tak majú k dispozícii ďalšie varovné ukazovatele generované umelou inteligenciou, ktoré im umožňujú prijímať včasné a objektívne rozhodnutia o ďalšom priebehu projektu.
Aké sú výhody používania umelej inteligencie v stavebníctve?
Analýza rizík založená na dátach, DARIA, podporuje používateľov pri vyhodnocovaní priebehu projektu. Pre controllingových špecialistov je to čoraz väčšia výzva vzhľadom na veľké množstvo dát a ich komplexnosť. Výpočtový výkon STRABAG AI analyzuje ekonomické dáta na mesačnej báze a predpovedá dokončenie projektu podľa interne definovaných kategórií v rámci koncernu. Pomocou ukazovateľov založených na umelej inteligencii majú používatelia lepší prehľad najmä o potenciálne kritickom vývoji projektu.
STRABAG využíva širokú dátovú základňu, know-how vlastného oddelenia Data Science a odborné znalosti používateľov. Cieľom je včas identifikovať potenciálne kritické projekty a minimalizovať riziká.
Čísla v skratke:
- 11.000 tréningových projektov
- > 1 000 mesačných prognóz
- 12 krajín ako báza pre učenie
- 2,5 roka do zavedenia
- približne 70 % detekovaných flopov
Správny algoritmus pre model oceňovania
DARIA je navrhnutá tak, aby poskytovala vysvetliteľné a stabilné výstupy, t. j. aby opakovane poskytovala rovnaké výsledky. Z tohto dôvodu je v systéme DARIA použitý prístup založený na umelej inteligencii XGBoost (eXtreme Gradient Boosting).
Tento model je založený na stromových schémach. V nich sa údaje klasifikujú pomocou otázok "ak – potom", až kým model nepríde do fázy, kedy už nedochádza k prírastku informácií. Aby bol XGBoost čo najpresnejší, kombinuje pri rozhodovaní niekoľko stromových schém, ktoré na seba nadväzujú. Každý nový strom sa pokúša opraviť chyby predchádzajúceho stromu - tzv. boosting. Tým sa zároveň určí, ako veľmi a ktorým smerom treba predpovede upraviť – gradient boosting. Sekvenčným učením sa z množstva slabých modelov vytvorí jeden veľmi silný model. To sa prejaví aj v miere odhalenia potenciálnych flopov, ktorá v súčasnosti po troch mesiacoch budovania dosahuje necelých 70 %.
Jeden model AI pre všetky odvetvia?
Pridanú hodnotu včasného rozpoznania vývoja projektu vidia aj používatelia v iných odvetviach. Preto sa v súčasnosti vyvíjajú a vyhodnocujú vhodné modely hodnotenia pre pozemné a inžinierske stavby vo fáze realizácie. A to nie je všetko – tím DARIA už pracuje aj na azda najväčšej výzve: modeli, ktorý podporuje riadenie rizík súvisiacich s projektom už vo fáze predkladania ponúk.
Štyri kroky k modelu vyhodnotenia prostredníctvom umelej inteligencie:
- Príprava projektu – ktorý typ algoritmu sa hodí pre daný problém?
- Analýza a spracovanie dát – aké vzorce je možné z dát rozpoznať a ako možno dáta použiť?
- Trénovanie a testovanie modelu – ako dobre model funguje?
- Zavedenie a používanie – ako sa model dostane ku koncovým používateľom?
