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
Ako model hodnotenia založený na umelej inteligencii podporuje používateľov?
DARIA je integrovaná do digitálneho pracovného prostredia controllingu. Potenciálne kritické projekty sú viditeľne označené a dostávajú sa tak do pozornosti zodpovedných controllingových špecialistov. Ich pozornosť sa sústredí na potenciálne najkritickejší výsledok. DARIA nevysvetľuje, na akom konkrétnom riziku je hodnotenie prostredníctvom umelej inteligencii založené. Ponúka však používateľom pomôcku na interpretáciu. Napríklad: Ak je projekt vyhodnotený ako flopový, jeho priebeh sa vizuálne porovná s priebehom všetkých flopových projektov z tréningových dát. Vďaka tomu sú prognózy pre používateľov zrozumiteľné.
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?
