Sissejuhatus

Ehitusprojektid kannatavad kulukate ebatõhususte all nii pakkumiste hindamisel kui ka objekti ohutuses. Käsitsi koguste arvestamine ja paberimajandus hoiavad hindajad kinni tabelites ja jooniste märgistamisel, selle asemel et tegeleda kõrge väärtusega planeerimisega (www.planmetry.com). Ohutusjuhid toetuvad perioodilistele kontrollidele ja reaktiivsele aruandlusele, kuigi ehitus jääb üheks riigi ohtlikumaks tööstusharuks (arxiv.org). Seevastu tehisintellekt (AI) ja arvutinägemine pakuvad võimalust automatiseerida tüütuid ülesandeid, tuvastada ohte reaalajas ja tuua esile varjatud riske (www.mckinsey.com) (www.mckinsey.com). See artikkel kirjeldab terviklikku tehisintellekti visiooni ehituses: alates materjalikoguste eraldamisest plaanidest, kuni objekti ohtude ennustamiseni ja regulatiivsete nõuete täitmise tagamiseni – kõik integreeritud tööriistadega nagu Procore, Autodesk Construction Cloud ja tagakontori ERP-süsteemid. Arutame ka mobiilseid liideseid tööjuhtidele, hindame kulusid ja ROI-d ning käsitleme andmeomanduse ja vastutusega seotud probleeme.

Pakkumiste hindamisega seotud väljakutsed

Pakkumiste hindamine ehituses on piinavalt manuaalne. Hindajad kulutavad sageli enamuse oma ajast rutiinsele koguste arvestamise tööle – CAD/PDF-jooniste avamisele, skaalade kalibreerimisele, pikkuste ja pindalade mõõtmisele ning sümbolite loendamisele (www.planmetry.com). Valdkonna uuringud näitavad, et hindaja võib raisata 60–80% oma päevast sellistele ülesannetele nagu andmesisestus ja ümbervormindamine (www.bidicontracting.com). Näiteks märgib üks analüüs: „Iga tund, mille teie hindaja kulutab uste ja akende käsitsi loendamisele, on tund, mil ta ei tegele ulatuse ülevaatamise või hinnakujunduse optimeerimisega“ (www.bidicontracting.com).

Need ebatõhusused toovad kaasa tegelikke kulusid. Näiteks 80 $/tunnis koormatud tööjõukuluga võib ühe pakkumise hindamine tarbida $3,000–$8,000 hindamise tööjõudu, enne kui number üldse paberile pannakse (www.bidicontracting.com). Kui ettevõte võidab ainult 20–25% pakkumistest (tüüpilise peatöövõtja võidumäär (www.bidicontracting.com)), siis hindamise kulu ühe võidu kohta kasvab märkimisväärselt. Tähtaegadega kiirustavad hindajad teevad ka vigu – keeruliste projektide puhul 3–8% koguste arvestuses, konservatiivsete võrdlusaluste kohaselt (www.bidicontracting.com). 4M $ projektil tähendab 4% koguste arvestuse viga $160,000 puuduvat tööjõudu või materjale (www.bidicontracting.com). Kokkuvõttes raiskab käsitsi pakkumine aega, koormab oskustöötajaid rutiinse tööga ja õõnestab vaikselt kasumimarginaale.

Objekti ohutuse ja vastavuse tagamisega seotud väljakutsed

Ehitusobjektidel on tõsised ohutusriskid. Uuringud näitavad, et ehitus moodustab ligikaudu 20–25% tööga seotud surmaga lõppevatest õnnetustest (redexconsulting.com). Traditsioonilised ohutusprogrammid (tööriistakasti kõnelused, pistelised kontrollid, isikukaitsevahendite auditid) võivad vähendada õnnetusi, kuid neil on raskusi kõike tabamisega. Juhid kontrollivad üldiselt perioodiliselt, nii et paljud ohtlikud tingimused jäävad märkamatuks, kuni intsident aset leiab. Nõuetele vastavuse aruandlus on samuti reaktiivne – paberimajandus täidetakse tagantjärele ja reguleerivad asutused võivad rikkumiste eest töövõtjaid trahvida. Need viivitused ja pimekohad tähendavad, et väikesed ohud võivad muutuda suurteks probleemideks. Üks ohutusalane nõuanne märgib, et tehisintellektil põhinevad süsteemid võivad nõuetekohaselt rakendamisel vähendada registreeritavate intsidentide arvu 40–60% võrra (redexconsulting.com).

Praktikas toetuvad enamik töövõtjaid kaameratele või anduritele ainult põhilise järelevalve jaoks. Vähesed on integreerinud neid vooge reaalajas analüütikaga. Tulemuseks on killustatud ohutusprotsess: video salvestatakse, kuid seda ei analüüsita, intsidentide logid hoitakse ülevaatamiseni kõrval ja paljud „napid pääsemised“ ei registreerita kunagi ametlikult. Ja iga OSHA trahv – mis võib nüüd olla kuni $16,000 rikkumise kohta (www.nahb.org) – lisab kulusid. Sisuliselt on praegune ohutuse jälgimine episoodiline ja käsitsi teostatav, puududes tegelikuks ennetamiseks vajalik pidev, andmepõhine järelevalve.

AI-põhised nägemis- ja dokumenditööriistad

Tehisintellekt pakub ühtset lahendust: arvutinägemine ja dokumendianalüüs, mis automatiseerivad koguste arvestuse, tuvastavad objektil ohte ja kontrollivad vastavust reaalajas. Visiooniks on terviklik tehisintellekti süsteem, mis läbib nii projektiplaane kui ka otseülekandeid tööobjektidelt, eraldab teostatavaid andmeid ja teavitab juhte automaatselt.

• Automatiseeritud koguste arvestus (Dokument-AI): Kaasaegsed tehisintellekti tööriistad suudavad lugeda digitaalseid plaane (PDF-e, BIM-mudeleid, CAD-jooniseid) ja teisendada need materjalikogusteks. Kasutades optilist märgituvastust (OCR) ja mustrite tuvastamist, identifitseerib AI seinad, uksed, talad, armatuuri, elektrikaabelduse ja palju muud. Erinevalt pärand-CAD-tööriistadest klassifitseerivad AI-põhised koguste arvestussüsteemid objektid automaatselt valdkonna järgi (uksed, aknad, torustik jne), selle asemel et sundida hindajat iga elementi märgistama (www.bidicontracting.com). Näiteks BuildVisioni taolised tooted väidavad, et nad suudavad loendada sadu reaelemente minutitega päevade asemel. Valdkonna analüütikud märgivad, et automatiseeritud koguste arvestus võib vähendada käsitsi projekteerimisaega kuni 50–80% standardsete jooniste puhul (www.bidicontracting.com). Isegi kui täpsus varieerub valdkonniti, võimaldab see „esimene läbiv“ väljund hindajatel koguseid üle vaadata, mitte uuesti luua (www.bidicontracting.com). Praktikas on AI-põhine koguste arvestus osutunud väga täpseks suuremahuliste, korduvate loenduste (nagu seinapinnad või plaatide mahud) jäädvustamisel, jättes keerulisemad kontrollid inimeste ülevaatamiseks (www.bidicontracting.com).

• Riskide ennustamine ja varajane hoiatus: Tehisintellekt ei piirdu staatiliste plaanidega. Masinõppemudeleid ajalooliste andmete ja projekti konteksti alusel treenides saab see määrata ülesannetele riskiskoore. Näiteks kui teatud järjestustel (nt betooni valamine kõrgustes) on kõrgem intsidentide määr, märgistab tehisintellekt need ajakavas. Samuti saavad digitaalsete kontrollnimekirjade, ilmastiku ja personali Charleston'i analüüsi andmed prognoosimudelitele sisendiks. Akadeemilised uuringud on näidanud, et NLP ja ML suudavad ajalooliste aruannete põhjal tegelikult ennustada vigastuste tulemusi (arxiv.org). Praktikas saaks integreeritud süsteem analüüsida töötajate aruandeid, kehavigastuste logisid või isegi projekti atribuute (kalded, kõrgused, kraana kasutus), et anda igale päevale või projektile ohutusriski hinnang. Koos kohapealsete anduritega (kantavad kiirendusmõõturid, asukohamajakad) ja ilmaprognoosidega võimaldavad need riskimudelid juhtidel ohutusressursse proaktiivselt ümber jaotada. Lühidalt, tehisintellekt suudab muuta varasemad intsidentide andmed teostatavaks ettenägelikkuseks.

• Reaalajas videoseire (Nägemis-AI): Võib-olla kõige transformatiivsem rakendus on arvutinägemine tööobjekti kaamerates. Tehisintellekti algoritmid saavad jälgida videovoogusid (droonidelt, turvakaameratelt või fikseeritud postidelt) 24/7 ja tuvastada ohutusrikkumisi automaatselt. Näiteks SiteCortexi-sarnased süsteemid jälgivad olemasolevaid seadmeid, et märgistada puuduvad kiivrid või vale tellingute paigaldus (sitecortex.me). Nende tehisintellekt töötab kohapeal (kaadreid ei saadeta objektilt ära) ja „esitab selgeid, teostatavaid ohutusaruandeid“ ilma käsitsi ülevaatamiseta (sitecortex.me). Teadlased ja konsultandid märgivad, et täiustatud pildiklassifikatsioon suudab tuvastada ohtlikku käitumist (näiteks kukkumised, komistamised või isikukaitsevahendite puudused) ja väljastada koheselt hoiatusi (www.mckinsey.com). EquipmentShare’i Forsight tornid kasutavad näiteks tehisintellekti, et „tuvastada riske reaalajas ja hoiatada teid enne, kui väikesed probleemid muutuvad kulukateks“ (www.equipmentshare.com). Koos georuumilise kontekstiga (teades, milline objekti tsoon on vaateväljas) püüab see lähenemine ennetavalt rikkumisi – kiivrita töötaja, inimene keelatud piirkonnas või seadmete oht – ammu enne intsidentide toimumist. Aja jooksul loovad need andmevood ohutuspaneeli, jälgides automaatselt vastavusmõõdikuid (isikukaitsevahendite kasutuse määrad, ohutustsooni vastavus).

• Vastavuse jälgimine: Lisaks ohtude tuvastamisele aitab AI kontrollida ohutusprotseduuride järgimist. Mõelge igapäevastele aruannetele: AI nägemissüsteemid saavad kinnitada, et määratud teed on vabad, nõutavad märgistused on paigaldatud ja teed on korralikult tähistatud. See suudab jälgida keskkonnaandureid (müra, tolm) ja anda märku piirnormide ületamisest. Dokumentide osas suudab AI analüüsida regulatiivseid nõudeid ja võrrelda neid projektiandmetega; näiteks tagades, et PE-templid või lubade aegumised on disainidokumentides tuvastatud. Eesmärgiks on auditijälg: iga kord, kui reeglite kontroll ebaõnnestub, logib süsteem selle ja teavitab juhti. See pidev vastavus vähendab käsitsi paberimajandust ja tagab, et audiitorite saabudes on kõik tõendid juba digitaalsed.

Koos loovad need nägemis- ja dokumendi-AI võimalused tagasiside ahela: plaanid teisendatakse täpseteks ehituskogusteks, hinnangulisteks kuludeks ja potentsiaalseteks riskitsoonideks; objekti andmevood valideerivad tegelikke tingimusi plaaniga ja annavad märku tekkivatest probleemidest. Tehisintellekt toimib tõhusalt „pideva inspektorina“, täiendades tööjuhte arvutinägemise teadmistega ja andes hindajatele koguste arvestuses eelise.

Integratsioon Procore’i, Autodeski ja ERP süsteemidega

Tehisintellekti lahendus on väärtuslik ainult siis, kui see sobib olemasolevatesse töövoogudesse. Õnneks pakuvad suuremad ehitustarkvara platvormid integratsioonipunkte:

• Procore: Procore’i API ja integratsiooniraamistik võimaldavad ehitusandmetel (joonised, kuluartiklid, materjaliloendid) voolata välistest tööriistadest (support.procore.com). Näiteks võiks tehisintellektiga koguste arvestamise tööriist suunata oma koguseväljundid otse Procore’i eelarvete või esitamiste moodulitesse. Mõned Procore’i kasutajad lingivad juba spetsiaalseid rakendusi App Marketplace’i kaudu ja Procore toetab palgaarvestuse ja raamatupidamisandmete linkimist ERP-süsteemidega (support.procore.com). Praktikas saab tehisintellekti süsteemi konfigureerida nii, et see käsitleb Procore’i kui oma „ainust tõeallikat“ – lugedes projekti parameetreid Procore’ist ja kirjutades tulemusi tagasi (nt reaelementide või muudatuste uuendamine). See tagab, et kogu projektimeeskond näeb tehisintellekti väljundeid tuttavas Procore’i liideses.

• Autodesk Construction Cloud (ACC): Samamoodi toetab Autodeski ökosüsteem (sealhulgas BIM 360, PlanGrid ja Revit) andmete importi/eksporti ja integratsioone. Tehisintellektiga koguste arvestamise tööriistad saavad sisse lugeda Revit mudeleid või ACC-st eksporditud PDF-e ning väljastada annoteeritud mudeleid või tabeleid. Autodesk lingib ka raamatupidamissüsteemidega (nt Sage, QuickBooks) oma Finance & ERP Connector ökosüsteemi kaudu (construction.autodesk.com). Praktikas võib tehisintellekti süsteem kasutada Autodeski Forge API-sid, et uuendada BIM-elementi täpse kogusega või märgistada kokkupõrkeid. Ühendades Autodesk Construction Cloudiga, saavad tehisintellekti funktsioonid osaks disaini-ehituse andmeahelast, võimaldades reaalajas koguste ühitamist planeeritud disaini (Revit) ja ehitatud projekti (reaalsuse jäädvustamine) vahel.

• ERP süsteemid: Enamik töövõtjaid kasutab ERP tööriistu (nt Acumatica, CMiC, Sage, Oracle) finantside ja palgaarvestuse jaoks. Tehisintellekti platvorm peaks nendega konnektorite kaudu sünkroonima. Näiteks pärast seda, kui tehisintellekt on arvutanud materjalide loendi ja hinnad, saab need andmed eksportida ERP-i, et genereerida ostutellimusi või müüja pakkumisi. Procore’il endal on ametlikud ERP „Sync“ tööriistad, mis ühendavad Procore’i ja tagakontori raamatupidamise (support.procore.com). Neid konnektoreid kasutades sisestatakse tehisintellektil põhinevad hinnangud ja kulude jälgimine otse ettevõtte finantssüsteemidesse, vältides topeltsisestust.

Iga integratsiooni hõlbustavad API-d või vahevara. Pilootrakenduse puhul soovitame esmalt tehisintellekti prototüübi kergesti ühendada ühe süsteemiga (näiteks saates koguste arvestuse Procore’i) enne kõigile skaleerimist. Oluline on, et tehisintellekt muutuks olemasolevatele platvormidele, mida ettevõte juba usaldab, täienduseks, mitte eraldiseisvaks siiloks. Sel moel on plaanianalüüs ja ohutusalased hoiatused sisse ehitatud olemasolevatesse armatuurlaudadesse või mobiilirakendustesse, selle asemel et nõuda meeskondadelt täiesti uute tööriistade kasutuselevõttu.

Mobiili-esimesed liidesed tööjuhtidele

Reaalajas ohutus- ja koguste arvestuse värskenduste peamised kasutajad on objektijuhid ja töödejuhatajad. Nende jaoks peavad kõik AI-teadmised olema kättesaadavad mobiilseadmetes kohapeal. Välitingimused nõuavad mobiili-esimese disaini: nagu märgib üks UX-juhend, „välirakendus elab või sureb kiirusest ja selgusest“, sest töötajad seisavad sageli, kannavad kindaid või on pidevas liikumises (koder.ai). Konkreetselt peaks edukal töödejuhataja rakendusel olema:

• Suured puudutusmärgistused ja lihtne paigutus: Liidesed peavad võimaldama ühe käega kasutamist suurte nuppudega (44+ px) ja minimaalse trükkimisega (koder.ai). Näiteks ohutusalane hoiatuskuva võiks lihtsalt näidata rikkumise fotot või videoklippi koos nuppudega „Kinnita“ / „Lahenda“, mitte tihedaid vorme. Sildid peaksid kasutama lihtsat keelt (nt „Kiiver puudub“, mitte „Isikukaitsevahendite hoiatus“).
• Võrguühenduseta juurdepääs ja sünkroonimine: Ehitusrakendused töötavad sageli piirkondades, kus ühenduvus on kehv. Mobiilirakendus peaks salvestama uusimad objekti paigutused ja võimaluse korral treenima lihtsaid mudeleid seadmes, seejärel andmed võrgus olles üles laadima. (Mõned süsteemid kasutavad privaatsuse tagamiseks juba servarvutust – nt SiteCortex rõhutab „pilve üleslaadimiste puudumist“, töödeldes videot kohapeal (sitecortex.me).)
• Ülesandekesksed hoiatused: Tööjuhte huvitavad kõige rohkem teostatavad teemad. Rakendusel võiks olla avakuva tänaste tööülesannetega (kontrollielemendid, uued koguste arvestuse numbrid, kiireloomulised hoiatused). Üks soovitatav muster on vaikimisi „Tänased tööd“ ja esile tuua ainult kriitilised teavitused: tuvastatud uued ohutusriskid, hilinenud materjalitarned või suured RV-revisjonid.
• Võrguühenduseta vormid ja fotode jäädvustamine: Välitöötajad peaksid saama probleeme hõlpsasti dokumenteerida. Rakendus peaks võimaldama neil pildistada või filmida ohte, märkida plaane (digitaalsed märgistused) ja esitada aruandeid isegi ilma pilveühenduseta (koder.ai). Häälelisad märkmed või eelseadistatud valikud võivad kiirendada aruandlust (nt kiire nupp „ala blokeeritud“).

Lühidalt, tehisintellekti teadmised peaksid saabuma välitöödeks sobiva liidese kaudu, mis peegeldab olemasolevaid harjumusi. Kui meeskond kasutab juba Procore’i või Autodesk BIM 360 mobiilirakendusi, tuleks tehisintellekti funktsioonid nendesse sisse põimida. Kui on vaja uut rakendust, peab see järgima mobiili parimaid tavasid: selged juhtpaneelid, prioriteetsed hoiatused ja minimaalne õppimiskõver (koder.ai). Iga tehisintellekti tööriista edu sõltub selle esiliini kasutatavusest.

ROI ja ärijuhtum

Investeering AI tööriistadesse peab andma selge tulu. Õnneks näitavad varajased piloodid tugevaid tulemusi:

• Aja kokkuhoid: Kui AI vähendab koguste arvestamise aega poole võrra (konservatiivne hinnang, arvestades teatatud 50–80% vähenemisi (www.bidicontracting.com)), saavad hindajad pakkuda rohkem projekte ja täpsustada hinnakujundust varem. Ettevõtte jaoks, mis võitis ühe viiest pakkumisest (www.bidicontracting.com)), võib pakkumise hindamiskulu vähendamine otseselt parandada marginaale. Näiteks kui AI säästab $5,000 tööjõudu pakkumise kohta (www.bidicontracting.com)), tasub isegi ühe lisatöö võitmine igal aastal platvormi kulud mitu korda ära.
• Vähenenud vead ja muudatustellimused: Koguste arvestamise vigade vähendamine isegi 50% võrra tähendab vähem eelarveväliseid ületamisi. 4M $ tööl hoiab 4% vea vähendamine 2%-le $80,000 kaotsiminekust (www.bidicontracting.com). Ühe sellise ületamise vältimine aastas võib õigustada märkimisväärset tarkvarainvesteeringut.
• Kiirem pakkumine, kõrgem võidumäär: AI-ga rutiinse töö automatiseerimise abil saavad ettevõtted esitada konkurentsivõimelisemaid pakkumisi väiksema viivitusega. Kui peatöövõtja parandab oma võidumäära kiiruse ja täpsuse tõttu 20%-lt näiteks 25%-le, võib see 25%-line tulude kasv olla märkimisväärne.
• Ohutus- ja kindlustussäästud: Ohutuse poolel kaaluge Partner in the Loop juhtumiuuringut, kus AI ohutuspiloot saavutas 12 kuu jooksul 35%-lise intsidentide vähenemise (partnerintheloop.com). See ettevõte vähendas aastast kindlustuskulu $120K võrra ja nägi pilootobjektidel 9 kuu jooksul nulli registreeritavat intsidenti (partnerintheloop.com). Isegi arvestades tehnoloogiakulu, saavutati tasuvus umbes 14 kuu jooksul (partnerintheloop.com). Vaid ühe OSHA trahviga tegelemine võib sageli ületada $10,000, nii et iga välditud rikkumine annab kohese ROI. Sarnaste tulemuste (näiteks 20–40% vähem intsidente) saavutamine vähendaks oluliselt töötajate kompensatsiooni ja seisakuid.
• Nõuetele vastavuse tõhusus: Automatiseeritud vastavus säästab haldusaega ja väldib karistusi. Kui AI nägemine püüab ohte enne OSHA-t, väldib töövõtja trahve (praegu kuni $16K rikkumise kohta (www.nahb.org)) ja ohtlikke seiskamisi. Lisaks võib vastavuse tõestamine AI logide kaudu teenida kindlustussoodustusi või kiiremaid lubade kinnitusi.

Üldiselt viitavad valdkonna arutelud, et AI ohutussüsteemid võivad end ära tasuda 1–2 aasta jooksul, andes sageli 200–300% ROI 3–5 aasta jooksul. Üks müüja reklaamib 300% ROI-d vastavus-AI-lt (viso.ai) (kuigi üksikasjad sõltuvad ulatusest). Säästetud tööjõu ja välditud intsidentide kvantifitseerimisega saavad ettevõtted luua selge ärijuhtumi. Soovitame arvutada baasnäitajad (pakkumised kuus, intsidentide arv projekti kohta jne) ja prognoosida, kuidas AI parandused muunduvad kulude kokkuhoiuks ja lisatuludeks.

Piloodi disain ja juurutamine

Nende eeliste realiseerimiseks on mõistlik etapiline pilootprojekt. Siin on üks lähenemisviis:

1. Määratlege ulatus: Alustage ühe jaotuse või erialaga (nt betoonitööd või karkassiehitus), kus koguste arvestuse vead või ohutusriskid on suurimad. Teise võimalusena alustage ohutuse jälgimisega ühel aktiivsel objektil, kasutades olemasolevaid kaameraid.
2. Valige mõõdikud: Jälgige põhilisi tulemusnäitajaid enne ja pärast juurutamist. Pakkumiste puhul: mõõtke hindaja tunde pakkumise kohta, koostatud pakkumiste arvu ja võidumäära. Ohutuse puhul: registreerige intsidentide arv, isikukaitsevahendite vastavusmäär ja kontrollitunnid. Kasutage [30] võrdlusalusena (nt 60% isikukaitsevahendite vastavuse saavutamine vs 0% AI-ga).
3. Andmete integreerimine: Koguste arvestuse puhul laske AI tööriistal sisse lugeda hiljutised projektiplaanid ja väljastada täielik materjaliloend. Võrrelge selle väljundit ajalooliste käsitsi tehtud koguste arvestustega samal tööl (nagu soovitatud parimate tavade kohaselt) (www.bidicontracting.com). Ohutuse puhul käivitage kaamerad alguses AI-süsteemi kaudu varirežiimis: laske sellel ohte märgistada, kuid ärge veel meeskonda teavitage. Selle asemel võrrelge selle tuvastusi käsitsi logidega, et kontrollida täpsust.
4. Paralleelne testimine: Säilitage praegust protsessi paralleelselt lühikese aja jooksul (nt 30–60 päeva). Mõned eksperdid soovitavad lasta hindajatel käivitada AI koguste arvestus paralleelselt käsitsi koguste arvestusega reaalajas pakkumistel, seejärel võrrelda erinevusi (www.bidicontracting.com). Kasutage tulemusi usalduse kalibreerimiseks ja AI seadete kohandamiseks.
5. Kasutaja tagasiside: Kaasake tööjuhid ja hindajad varakult. Laske mõnel juhtival kasutajal testida mobiilirakendust ja ohutusalaseid hoiatusi, kogudes tagasisidet teavituste sageduse, kasutajaliidese selguse jne kohta. Kohandage liidest (nt lisage ohtude eemaldamine pühkimisega või lihtsustage silte), kasutades juhiseid nagu need, mis on toodud välitööde UX-uuringutes (koder.ai).
6. Korduv arendus ja skaleerimine: Kasutage pilootprojekti andmeid mudelite ja protsesside täpsustamiseks. Kui teatud valepositiivsed ohud on tavalised, treenige nägemisalgoritmi uuesti või reguleerige kaamera nurki. Kui koguste arvestus klassifitseerib korduva elemendi valesti, uuendage NLP mustreid. Kui olete rahul, laiendage süsteemi rohkematele projektidele või meeskondadele.

Edu kriitiline osa on piloodi mõõdetavaks ja madala riskiga muutmine. Näiteks Ühendkuningriigi juhtumiuuring esitas tulemused sihilikult kui „realistlikud tulemused, mis on saadud mitme sarnase projekti puhul“ (partnerintheloop.com), mitte üksiku erandi. Konkreetsete andmetega näeb juhtkond, kuidas tehisintellekt parandab kiirust ja ohutust samm-sammult.

Vastutus, juhtimine ja andmete omand

Lõpuks käsitleme „inimese ja poliitika“ poolt. Kui inimesed toetuvad AI-le, tekivad küsimused vastutuse ja andmeõiguste kohta:

• Vastutus: AI tööriistad peaksid täiendama – mitte asendama – inimlikku otsustusvõimet. Lepingud ja koolitus peavad selgelt sätestama, et hindajad ja järelevaatajad säilitavad lõpliku heakskiidu pakkumiste ja ohutuse osas. AI võib anda hoiatusi või soovitusi, kuid ettevõte peaks enne pakkumise esitamist või töö peatamist iga märgistatud probleemi auditeerima. Vastutuse piiranguid saab piirata tarkvara teenustaseme lepingute (SLA) ja sise-eeskirjadega: näiteks väites, et „AI väljundid on nõuandvad“ ja nõudes inimlikku ülevaatamist, aitab see selgitada, kes on vastutav.
• Selgitatavus: Kasutage AI-mudeleid, mis pakuvad iga hoiatuse kohta põhjendust või tõendeid. Näiteks SiteCortex reklaamib „selgitatavat AI-d“ (sitecortex.me), mis tähendab, et iga ohutusmärkusel on kaasas videoklipp ja kirjeldus, miks see käivitati. See on tööjuhtidele ülioluline hoiatuste usaldamiseks ja uurimiseks, kui intsident peaks aset leidma.
• Andmete omand: Kõik projektiandmed (plaanid, videod, ajakavad) kuuluvad tavaliselt töövõtjale või omanikule. Veenduge, et AI müüjatega sõlmitud lepingutes on selgelt märgitud, et ettevõte säilitab igasuguste andmete täieliku omandiõiguse ja et AI pakkuja ei tohi andmeid muuks treeninguks kasutada. Näiteks Foreman AI rõhutab, et „teie plaanid jäävad privaatseks – krüpteeritud… ja neid ei kasutata kunagi treeninguks“ (foremanai.co). Salvestamine peaks vastama privaatsusseadustele (nt hoidma videot kohapeal, kui see on nõutav) ja andmed peaksid olema krüpteeritud nii edastamise kui ka puhkeseisundi ajal.
• Turvalisus ja privaatsus: Videovood ja töötajate andmed võivad olla tundlikud. Kasutage võimalusel kohapealset või servatöötlust, et vältida pidevat pilvevoogedastust (nagu [23] esile tõstab). Pilves salvestage ainult metaandmeid või madala resolutsiooniga pilte, kui see on vajalik peakontori järelevalveks. Hoidke auditiloge selle kohta, kes AI aruannetele juurde pääses.
• Regulatiivne vastavus: Kontrollige, kuidas nägemissüsteemide kasutamine vastab töö- ja privaatsuseeskirjadele. Mõnes jurisdiktsioonis võidakse nõuda töötajate teavitamist kaamerate kohta või salvestusaegade piiramist. Kujundage süsteem vastavust silmas pidades (näiteks anonüümige vaikimisi, kui see ei ole asjakohane).

Need halduspoliitikad varakult kehtestades saavad ettevõtted leevendada õigusriske. Eesmärk on, et AI-st saaks usaldusväärne partner, mis võimendab inimlikku asjatundlikkust, mitte must kast, mida personaliosakond või reguleerivad asutused küsitlevad.

Kokkuvõte

Tehisintellektil on potentsiaal muuta ehituse pakkumiste tegemist ja ohutust, automatiseerides rutiinse töö ja pakkudes reaalajas teadmisi. Dokument-AI suudab muuta keerulised joonised koheseks materjalikoguste arvestuseks, vähendades oluliselt hindamise aega ja vigu (www.planmetry.com) (www.bidicontracting.com). Samal ajal suudab nägemis-AI hoida silma peal objektil 24/7, püüdes ohte ja vastavusprobleeme nende tekkimisel (sitecortex.me) (www.mckinsey.com). Integreerides need võimalused platvormidega nagu Procore, Autodesk ja ERP-süsteemid ning esitades need hõivatud tööjuhtidele mõeldud mobiilirakenduste kaudu (koder.ai), saavad töövõtjad luua ohutumaid ja tõhusamaid protsesse, ilma et peaksid olemasolevaid tööriistu täielikult ümber ehitama. Varajased piloodid viitavad tugevale ROI-le – vähem intsidente, madalamad kindlustuskulud ning kiiremad ja täpsemad pakkumised (partnerintheloop.com) (www.bidicontracting.com). Loomulikult on olulised hoolikas juurutamine, selge vastutus ja andmekaitsed. Kuid tulevikku vaatavatele ettevõtetele pakuvad AI-põhised hinnangud ja ohutuse jälgimine teostatava tee nutikamate ja ohutumate ehitustööde poole.