Az építőiparban mindenki hallott már horrorisztikus sztorikat: egy projekt, ami hónapokat csúszik, vagy egy költségvetés, ami hirtelen az egekbe szökik. Ezek a gondok nemcsak idegesítőek, hanem világszerte dollármilliárdokat emésztenek fel évente.

De mi lenne, ha a modern technológia, konkrétan a gépi tanulás segíthetne előre jelezni ezeket a kockázatokat? A nagy kérdés, hogy vajon tényleg képes-e a gépi tanulás pontosan megjósolni az építési késéseket és költségtúllépéseket, vagy csak túlzott optimizmus áll az ígéretek mögött?

Miért olyan nehéz az előrejelzés az építőiparban?

Az építőipar nem éppen a kiszámíthatóság bajnoka. Egy nagy projekt – legyen az egy híd, egy vasútvonal vagy egy irodaház – rengeteg változóval dolgozik. Az időjárás szeszélyei, a munkaerőhiány, az alapanyagárak hullámzása, sőt, akár egy váratlan régészeti lelet is képes felborítani a terveket. A McKinsey 2020-as jelentése szerint a globális építési projektek 80%-a túllépi a költségvetést, átlagosan 45%-kal, és a határidőket 98%-uk nem tartja be.

Régen a projektmenedzserek tapasztalata és megérzései alapján próbálták felmérni a kockázatokat, de ez sokszor kevésnek bizonyult. Itt jön képbe a gépi tanulás, ami hatalmas adathalmazok elemzésével képes mintákat találni és előrejelzéseket készíteni. De vajon elég okosak ezek a modellek ahhoz, hogy kezeljék az építőipar kaotikus világát?

Milyen adatokra van szükség a jó előrejelzéshez?

A gépi tanulási modellek csak annyira jók, amennyire az adatok, amelyekből tanulnak. Az építési késések és költségtúllépések előrejelzéséhez történelmi adatokra van szükség. De pontosan mire?

• Projektadatok: Korábbi projektek részletei, például a méret, a helyszín, a tervezett és tényleges időtartam, valamint a költségvetés. Minél több hasonló projekt adata van, annál pontosabb a modell.
• Külső tényezők: Időjárási adatok, gazdasági mutatók (például az építőanyagok árindexe), vagy akár a munkaerő-piaci trendek. Ezek mind hatással lehetnek a projektre.
• Menedzsment és logisztika: Beszállítói lánc adatai, munkaerő-ütemezés, gépek karbantartási naplói. Egy elromlott daru például napokat csúsztathat a projekten.
• Kockázati események: Korábbi problémák, például sztrájkok, jogi viták vagy tervezési hibák.

A Microsoft Azure Machine Learning platformja például képes ilyen összetett adathalmazokat kezelni, és statisztikai modelleket építeni. Egy 2023-as tanulmány a Journal of Construction Engineering and Management folyóiratban azt mutatta, hogy a gépi tanulási modellek 20-30%-kal csökkenthetik a költségtúllépések kockázatát, ha elég jó minőségű adat áll rendelkezésre.

Csakhogy itt van a bökkenő: az építőiparban gyakran hiányoznak a strukturált, egységes adatok. Sok cég még mindig Excel-táblákban vagy akár papíron vezeti a nyilvántartásokat, ami megnehezíti a modellek betanítását. Ráadásul az adatok minősége is döntő – ha hibás vagy hiányos adatokkal dolgozik a rendszer, az előrejelzései sem lesznek megbízhatóak.

Mennyire pontosak a modellek a valóságban?

A gépi tanulási modellek pontossága több tényezőtől függ: az adatok minőségétől, a modell típusától és a valós körülmények változékonyságától. Például, ha egy modell csak autópálya-építésekre van betanítva, nem biztos, hogy pontosan jósolja meg egy városi toronyház építésének kockázatait.

Egy 2022-es esettanulmány a Construction Management and Economics folyóiratban egy olyan modellt vizsgált, amit 500 korábbi építési projekt adataira tanítottak be. A modell 85%-os pontossággal jelezte előre a jelentős késéseket, de a költségtúllépéseknél már csak 70%-os pontosságot ért el. Ez azt mutatja, hogy a késések előrejelzése viszonylag jól megy, de a költségek pontos becslése nehezebb dió.

A valóságban a modellek pontosságát az is befolyásolja, hogy mennyire tudják kezelni a váratlan eseményeket. Egy 2024-es cikk a MIT Technology Review szerint a gépi tanulási rendszerek hajlamosak túláltalánosítani, vagyis a történelmi adatok mintái alapján feltételeznek kockázatokat, amelyek nem feltétlenül érvényesek egy új projektre.

Például egy modell azt jósolhatja, hogy egy projekt csúszni fog az esős időjárás miatt, de nem veszi figyelembe, hogy az adott helyszínen korszerűbb vízelvezetési rendszert használnak.

Gyakorlati alkalmazások és korlátok

A gépi tanulás már most is bizonyít az építőiparban. A Skanska, egy vezető globális építőipari cég, például gépi tanulási modelleket használ a projektkockázatok elemzésére. Ezek a modellek segítették a céget abban, hogy egy 2023-as nagy infrastrukturális projektjének költségeit 15%-kal csökkentse azáltal, hogy előre azonosították a lehetséges beszállítói problémákat.

De a technológia nem csodaszer. Az egyik legnagyobb korlát a költség és a szakértelem. Egy jó gépi tanulási modell felépítése drága, és képzett adatelemzőkre van szükség a működtetéséhez. A kisebb cégek számára ez gyakran elérhetetlen luxus. Ráadásul a modellek nem helyettesítik a tapasztalt projektmenedzsereket – inkább csak kiegészítik a munkájukat.

Merre tart a jövő?

A gépi tanulás az építőiparban még csak az első lépéseit teszi, de a lehetőségei óriásiak. Az International Journal of Project Management 2024-es cikke szerint a következő évtizedben a mesterséges intelligencia és a gépi tanulás akár 30-40%-kal is csökkentheti a projektek kockázatait, ha az adatok minősége és a modellek pontossága tovább javul.

Ehhez viszont az iparágnak is lépnie kell. A digitális átállás – például a projektek egységes adatbázisokban való nyilvántartása – nélkülözhetetlen ahhoz, hogy a gépi tanulás igazán hatékony legyen. Emellett a cégeknek invesztálniuk kell a munkavállalók képzésébe, hogy azok képesek legyenek használni ezeket az eszközöket.

Valóság vagy túlzott ígéret?

A gépi tanulás izgalmas lehetőségeket kínál az építési késések és költségtúllépések előrejelzésére. Ha jó adatokkal dolgozik, jelentős kockázatokat csökkenthet, és milliókat spórolhat a cégeknek. De nem varázspálca: a siker az adatok minőségén, a modellek finomhangolásán és az emberi szakértelem bevonásán múlik. A jelenlegi eredmények biztatóak, de az építőipar kiszámíthatatlan természete továbbra is próbára teszi a technológiát.

Ön szerint a gépi tanulás forradalmasíthatja az építőipart, vagy csak egy újabb divatos eszköz, ami nem váltja be a hozzá fűzött reményeket? Egy dolog biztos: az idő – és az adatok – megadja a választ.