Määrälaskennan automatisointi tekoälyllä vaatii muutoksia nykykäytäntöihin

Manuaalista työtä digitalisaatiosta riippumatta

Tutkimusraportti Määrälaskennan digitalisointi ja tekoälyn hyödyntämisen mahdollisuudet kuvaa nykyisen määrälaskentaprosessin haasteita. Se toteaa, että vaikka tietomallintaminen on jo valtavirtaa, määrälaskenta perustuu useimmiten 2D-piirustuksiin. Tähän on useita syitä. Tietomallien sisältämä tuotetieto ei ole vakioitu riittävästi, ja mallit sisältävät vain osan laskentaan tarvittavasta tiedosta. Laskijat eivät myöskään luota malleihin eivätkä pidä niitä virallisina asiakirjoina.

Laskennan tietoja on piirustusten lisäksi kaavioissa, työselostuksissa ja laiteluetteloissa, ja niitä välitetään PDF-, Excel- ja tietomallimuodossa sekä sähköpostilla. Datan esitystavat vaihtelevat yritysten, ohjelmistojen ja jopa ohjelmistoversioiden välillä.

Digitalisaatiosta huolimatta määrälaskennan laatu ja nopeus perustuvat siis paljolti laskijan taitoon ja kokemukseen: kykyyn etsiä ja tulkita tietoa eri lähteistä. Tähän eivät perinteiset ohjelmistot pysty.

Tekoälyn suorituskyky vakuuttaa

Kielimalleihin perustuva agenttinen tekoäly pystyy itsenäisesti tulkitsemaan ja yhdistämään tietoa eri lähteistä. TH15-hanke kehitti laskentaan pilottijärjestelmän, jolla agenttisen mallin toimivuutta testattiin käytännössä.

Järjestelmässä oli kolme pääagenttia apuagentteineen: ryhmittelijä, materiaalit ja määrät määrittävä agentti sekä lopputuloksen tarkistava tuomari. Agentit tuottivat virolaisten referenssikohteiden arkkitehti- ja rakennemalleista määräluettelot hiilijalanjäljen laskemista varten. Tuloksia verrattiin kokeneiden laskijoiden laatimiin luetteloihin.

Tulokset olivat lupaavia. Määrä- ja hiililaskennan tulokset poikkesivat ammattilaskijoiden tuloksista enimmäkseen alle 10 %, kun laskelmien rajaukset tehtiin vertailukelpoisiksi. Automaattisen ratkaisun vahvuus perustuu tutkimuksen mukaan ennen kaikkea epävarmojen kohteiden tunnistamiseen ja niiden omatoimiseen ratkaisemiseen. Tunnistamattomat nimikkeet jäävät näkyviin tarkistettaviksi.

Talotekniikan osalta tulos on alustava, koska suomalaista TATE-mallia voitiin vertailuaineiston puuttuessa arvioida vain laadullisesti. Kansallisen vakioinnin ansiosta agenttien työ oli kuitenkin helpompaa kuin arkkitehtimalleissa.

Datan laatua on kehitettävä

Uusimmat tekoälymallit saavuttavat kohtuullisen hyviä tuloksia jopa puutteellisen tiedon perusteella. Tekoäly ei silti poista vakioinnin tarvetta, vaan tekee siitä entistä kannattavampaa. Vakioitu tietosisältö antaa agenteille luotettavan lähtökohdan, ja agentit puolestaan tasoittavat mallinnustapojen eroja.

Tietotarpeet vaihtelevat hankkeen eri vaiheissa: määrälaskennassa, tuotevertailussa ja tilauksissa. Siksi aina seuraavan vaiheen tekijän pitää määritellä tarvittavat tiedot yhdessä tiedon tuottajien kanssa. Samalla sovitaan datan lähteet, vastuut ja koneelliset tarkistussäännöt.

Tutkimus ei tue ajatusta, että kaiken määrälaskentaan tarvittavan tiedon tulisi olla tietomallissa. Mallinnustarkkuuden kasvattaminen on kaapelointia lukuun ottamatta kustannustehotonta. Sen sijaan mallia rikastetaan linkitetyllä tiedolla. Näin suunnittelijan E-BOM (Engineering Bill of Materials) jalostuu M-BOMiksi (Manufacturing BOM).

Kehittämistä kaipaa muukin kuin tekniikka

Tekoälyn käyttöönotto määrälaskennassa ei ole vain tekninen uudistus. Täyden hyödyn saaminen siitä edellyttää myös prosessien, sopimusten ja tiedonhallinnan kehittämistä.

Urakkarajojen määrittelyssä on selkiyttämistä. Asiakirjoissa laitteen hankkijaksi ja asentajaksi saatetaan esimerkiksi esittää eri tahot. Haastateltu pääurakoitsijan edustaja toivoi, että suunnittelijat eivät merkitse urakkarajoja vaan pääurakoitsija. Osa haastatelluista koki, että laskijan mukanaolo suunnittelussa auttaa määrittämään tietotarpeet ajoissa.

Lähtöaineistolle on määriteltävä vähimmäissisältö. Tutkimus ehdottaa, että suunnittelijat velvoitetaan tuottamaan vakioitua tietoa. Kansallinen vakiointi ja talotekniikan tuoteosakoodisto toimivat hyvänä pohjana. Konkreettinen ehdotus on myös kilpailuttaa urakat ”yksillä kuvilla”, jolloin lisäkirjeitä ei lähetetä laskennan aikana.

Tekoälyn käyttökohteet laajenevat

Proof of Concept -järjestelmä demonstroi tekoälyn mahdollisuuksia ”laboratorio-olosuhteissa”, mutta käytännön hankkeet ovat moninaisempia ja käyttökohteitakin on enemmän. Raportti esittelee niistä muutamia mahdollisia.

Laskennan lisäksi tekoäly voi jo suunnitteluvaiheessa tarkistaa tarjousaineiston puutteita ja ristiriitoja. Laskija voi tehdä saman, jolloin epäselvyydet tulevat esiin jo alkuvaiheessa. Samaten tekoäly auttaa tuotevaihtoehtojen vertailussa, teknisessä hyväksynnässä ja hankintaneuvotteluissa.

Monet rakennusprojektien ongelmat liittyvät muutosten hallintaan. Tutkimuksessa haastatellut ja työpajoihin osallistuneet ammattilaiset kaipaisivat selkeää ja hallittua muutosprosessia. Ohjelmistojen tulisi osoittaa muuttuneet tiedot entistä selkeämmin. Tekoäly voi selvittää niiden vaikutukset määriin, tuotevalintoihin ja lähtötietoihin.

Jatkokehityksen suunnat

Jatkossa tarvitaan määrällistä tietoa lasketun ja toteutuneen materiaalimenekin erosta, sillä laskennan tarkkuutta ei nykyisin mitata. Tuotetunnistus on laajennettava suomalaisten valmistajien tuoteluetteloihin ja kotimaisiin tietokantoihin, kuten LVI-infoon ja STK:hon.

Agentteja kannattaa hyödyntää ensin kohdissa, joissa tietoa katoaa eniten, kuten tarjousaineiston tulkinnassa ja tuotevaihtojen arvioinnissa.

Tutkimus osoitti, että tekoälyllä on mahdollista automatisoida määrälaskentaa merkittävästi, etenkin kun tietopohja on kunnossa. Nopeuttamalla laskentaa ja muutosten käsittelyä agentit voivat vähentää hukkaa, kun samalla kehitetään prosesseja, sopimuksia ja tiedonhallintaa.

Lataa tutkimusraportti Määrälaskennan digitalisointi ja tekoälyn hyödyntämisen mahdollisuudet.