Ny satsing skal gi byggenæringen KI-krefter

I regi av Construction City Cluster (CCC) ble bransjesamlingen “Fra hype til virkelighet” gjennomført før påske. Formålet var å se på hvordan KI kan tilføre verdi til byggenæringens verdikjede, og hvordan KI kan endre arbeidsprosessene for å skape vekst og innovasjon.

Utgangspunktet for diskusjonene var en felles problembeskrivelse for dagens situasjon. Det er en opplevelse at en fragmentert verdikjede fører til mangel på integrert samhandling og tverrfaglig samarbeid. I dag tas beslutninger i prosjekter uten helhetlig vurdering og forståelse av designvalgets implikasjoner, og det er et kompetansegap mellom de ulike fagene for å tolke tilgjengelig informasjon. Modellene (BIM/GIS) blir i liten grad utnyttet i planlegging og oppfølging av fremdrift.

Viktig å konkretisere
Dermed blir behovet framover å sikre at KI blir brukt til å sikre en løpende tverrfaglig koordinering og prosjektering der brukerbehov, reguleringer, krav, klima og miljø ivaretas. Det er også behov for å oppdatere og forenkle språkføring i kontraktene og å sikre at modellene bidrar til en bedre overgang fra prosjekt til drift.

Prosjektforslagene bør også ta hensyn på strukturer som støtter opp under gode bærekraftsbeslutninger som ikke går på bekostning av naturen. Framover går jobben ut på å få noen av disse prosjektene til å bli både konkrete og praktiske, og gå fra prat til handling.

At KI kan automatisere mye arbeid som i dag er manuelt, var det også enighet om. I tillegg mener deltakerne at KI også kan forbedre kontrollen av datakvaliteten og gi mer presis kommunikasjon av endringer som påvirker flere fagområder. Målet er at alle ansatte i alle fag får til enhver tid riktig informasjon.

Disse medlemsbedriftene bidro på bransjesamlingen: A Bygg, AF Gruppen, Aspelin Ramm, Betongsentrum, buildright.ai, BI, Henning Larsen, Glava, Malling, Microsoft, Multiconsult, NMBU, Norconsult, Nordic Office of Architecture, NTI, NTNU, Oslo Met, SINTEF, Smedvig.

De ni forslagene til klyngeprosjekt

Bransjesamlingen fikk fram ni forslag til klyngeprosjekter. Disse danner grunnlaget for det videre arbeidet med å utforme ett eller flere piloter i klyngen. Her er listen over prosjektforslag:

Prosjektforslag 1 - Lær av erfaring

Utfordring: Erfaringsoverføring er personavhengig. I dag deles ikke kunnskap og erfaringer effektivt på tvers av organisasjonen, og dataene er ofte ustrukturerte, fragmenterte og av varierende kvalitet.

Mulig KI-løsning: Ved å få tilgang til dagens ustrukturert data kan det identifiseres mønstre og trender som uten KI vil være vanskelig å oppdage. Dette vil kunne gi bedre databaserte beslutninger og økt innsikt. KI kan også brukes til å sammenligne resultat og effekt for ulike prosjekter og plukke ut hvilke metoder, prosesser, teknikker, verktøy osv. som gir best resultat.

Antatt resultat: Ved å aktivere deltakere på tvers av verdikjeden, med mulig vekt på forskningsaktører og myndighets- og forvaltningssiden, vil verdien bli tydelig i næringen. Prosjektets hovedverdi er å få en gjennomgående høyere kvalitet på prosjektene og minske behovet for å gjøre ting flere ganger, og slik gi økt effektivitet.

Prosjektforslag 2 - Tverrfaglig prosjekteringsmotor

Utfordring: Dagens prosjekteringsprosesser skjer ofte i silo. Det er behov for å forbedre overgangen fra kravspesifikasjon til design. Det er et ønske om å forenkle dagens omfattende og manuelle koordinering mellom de ulike fagområdene og slik bedre kunne balansere funksjonskrav, økonomi og regulering.

Mulig KI-løsning: Integrere data fra ulike fag gjennom hele verdikjeden og optimalisere prosjektering på tvers for å ivareta brukerbehov, regulering, krav, TEK, klima, etc.

Antatt resultat: Optimaliserte helhetlige løsninger i alle faser og gi mer effektiv prosjektering og mindre materialavfall. Optimalisert arealbruk og bedre byggbarhet i både kvalitet og funksjon

Prosjektforslag 3 - Sammensatte datasystem

Utfordring: I dag er data fragmentert, noe som hindrer effektiv utnyttelse og skaper barrierer for kunnskapsdeling og beslutningstaking.

Mulig KI-løsning: Bruke kognitiv KI for å lese og forstå kilder og tekst slik at det blir mulig å analysere og tolke store mengder ustrukturerte data, og trekke ut relevant informasjon. Kombinere med bruk av maskinlæring (ML) for å identifisere mønstre og trender over tid, og forbedre prognoser og beslutningsstøtte. Supplere med KI-verktøy for opprenskning og kvalitetssikring av data for å sikre at dataene er pålitelige og kan brukes effektivt i KI-løsninger.

Verdi: Går fra rådata til strukturerte data, og kan utvikle nye tjenester og oppnå høyere effektivitet. Dette vil føre til bedre beslutningstøtte, økt lønnsomhet, og redusert risiko på tvers av verdikjeden.

Prosjektforslag 4 - Lessons learned

Utfordring: Verdifulle erfaringer går ofte tapt når et prosjekt avsluttes. Det er i dag vanskelig for både byggherrer, prosjekterende og drift å lære fra et ferdig prosjekt og ta disse løsningene videre til det neste. Parallelt er det behov for beslutningsstøtte underveis i prosjektene, både når det gjelder status, økonomi, miljø og risiko.

Mulig KI-løsning: Utvikling av en dataplattform og arbeidsflyt for effektiv datahåndtering for å sikre at relevante data er tilgjengelige for alle involverte parter. Kombinere NLP (Natural Language Processing), Generativ KI, CV (Computer Vision).

Antatt resultat: Synliggjøre faktisk lønnsomhet for byggherrene gjennom bedre oversikt over kostnader, risikoreduksjon og økt kvalitet. Sikre økt kompetanse, lønnsomhet og effektiv datahåndtering for utviklere og tilbydere.

Prosjektforslag 5 - Modellkrav

Utfordring: I dag er det store mengder data i ulike formater (pdf, eposter, krav til BIM-spek. osv.). Det er behov for å forbedre hvordan kravmodellen blir validert. Irrelevant informasjon i modellen må fjernes for å kunne validere riktig BIM-informasjon til riktig tid i riktig fase.

Mulig KI-løsning: Kombinere smart automasjon og maskinlæring til bruk for maskinvalidering av data i modellen.

Antatt resultat: Høyere kvalitet på prosjekteringsunderlag og stor tidsbesparelse. Muliggjør å flytte ressursene som brukes til manuelt arbeid til andre aktiviteter.

Prosjektforslag 6 - Kvalitetssikring av modell

Utfordring: Det er behov for økt kvalitetssikring av modeller for krav og standarder. Dagens situasjon er at det ofte er mangelfull kvalitet i modellgrunnlaget både når det gjelder integrasjon og link til andre kilder. I tillegg er det også store mengder ustrukturert data.

Mulig KI-løsning: Generativ KI.

Antatt resultat: KI-løsningen kan sikre at modellgrunnlaget er kvalitetssikret. Bedre utnyttelse av den digitale tvillingen i utførelses- og driftsfase.

Prosjektforslag 7 - Informasjonsstyring

Utfordring: I dag foregår det i utstrakt grad manuell registrering av data i regneark. Det trengs en bedre informasjonsstyring for å kunne gå over til automatiserte databasebaserte løsninger.

Mulig KI-løsning: Generativ KI og maskinlæring i kombinasjon for å automatisere prosessene og forbedre informasjonsstyringen. Generativ KI som kan bidra til å strukturere og organisere data. Maskinlæring kan analysere og trekke ut relevant informasjon fra store datamengder.

Antatt resultat: Sikre transparens, forhindre mye manuelt arbeid og bedre beslutningsgrunnlaget.

Prosjektforslag 8 - Prosjektstatus i realtid

Utfordring: Hvordan få en oppdatert oversikt over status i prosjektet? I dag er det utilstrekkelig «real time»-planlegging av fremdrift, logistikk, økonomi, osv.

Mulig KI-løsning: Maskinlæring, smart automatisering og generativ KI i kombinasjon for å lære av tidligere feil fra andre prosjekter og ERP-data. Man må bruke eksisterende lærdom til ny planlegging, og bruke «live» data på for eksempel leveranse til plassen fra leverandør, som går inn i planer for fremdrift og avvik for å kunne forutsi tiltak.

Antatt resultat: Prosjektet vil minimere feil og svinn av både materialer, tid og økonomi. Samtidig vil det gi et tydeligere bilde av kursen prosjektet har, og identifisere feil tidligere.

Prosjektforslag 9 - Minimere svinn i alle ledd

Utfordring: I dag er det stort svinn i alle ledd, det er feil å spore alle steder. Dette må forhindres.

Mulig KI-løsning: Maskinlæring og smart automatisering vil sammen kunne gi en standardisering mellom aktører, fra produsenter, leverandører og entreprenør til byggherrer, og sikre bedre informasjonsflyt mellom leddene. Det vil også kvalitetssikringen av arbeidsunderlaget og øke byggbarheten med tydeligere beskrivelser og hjelp til mengdeberegning.

Antatt løsning: Gjøre mengden avfall og negativ miljøpåvirkning mindre. Det vil også gjøre prosjektene mer kostnads- og tidseffektive.

Kontakt: Prosjektleder for effektivisering av bygg og byggeprosesser, Alessia Bellini