Utilizzare l'intelligenza artificiale e il machine learning per prevedere i ritardi nei piani di costruzione
Karthik Venkatasubramanian, VP, Data Science & Analytics | 30 giugno 2021
Immagina di pianificare un evento di famiglia, una vacanza in campeggio o di voler decidere cosa fare per il fine settimana. Per la maggior parte delle persone, controllare le previsioni meteo è fondamentale prima di fare programmi.
Sebbene sia un controllo che facciamo senza pensarci troppo, quanti di noi sanno rispondere a due semplici domande?
- Quanto sono precise le previsioni meteo?
- Come si fanno le previsioni meteo?
In modo sorprendente, non molti conoscono le risposte a queste domande. La precisione delle previsioni dipende dalla distanza nel futuro: una previsione a distanza di un giorno è molto più precisa di una previsione di 10 giorni. Alcuni dipartimenti meteorologici dispongono di modelli più complessi di altri. È facile capire perché le previsioni sono complesse. Esistono diverse fonti di dati, la maggior parte delle quali dinamiche.
I dati storici sono la scelta più sicura in termini di informazioni su cui basarsi. La modellazione e le previsioni consentono di determinare il meteo più probabile per il giorno stesso o per i successivi sette giorni.
In definitiva, è ragionevole affermare che la maggior parte delle persone preferirebbe basare le proprie decisioni su una previsione meteo piuttosto che su nessuna informazione. Anche se le previsioni meteo possono non essere sempre corrette, senza di esse non ci sarebbe alcuna informazione su cui basarsi per prendere decisioni o pianificare.
Previsioni nella consegna dei progetti di capitale
I team di progetto monitorano e utilizzano attivamente i dati per il processo decisionale. Alcuni esempi includono: report di aggiornamento, monitoraggio delle attività in sospeso o in ritardo per l'approvazione e aggiornamento di pianificazioni e budget con le informazioni più recenti. Spesso definiti "analisi descrittive", questi tipi di report e dashboard sono considerati fondamentali al giorno d'oggi.
Ma la maggior parte di queste metriche sono "indicatori di ritardo", ovvero si concentrano su ciò che è accaduto, piuttosto che su ciò che potrebbe accadere. Queste metriche consentono ai responsabili delle decisioni di correggere e rispondere in modo reattivo, ma spesso con un set limitato di opzioni.
I responsabili delle decisioni possono sollecitare le richieste di informazioni scadute, dare seguito alle revisioni progettuali in ritardo e portare a termine quanto prima le azioni necessarie per le riunioni in cantiere. Ma cosa succederebbe se potessero fare di più?
Il valore degli indicatori di lead
Analogamente alle previsioni meteo, le imprese edili cercano indicatori di lead che le aiutino a guardare al futuro e a basare le decisioni su ciò che potrebbe accadere. Immaginiamo di poter utilizzare il machine learning (ML) non solo per prevedere i ritardi dei progetti, ma anche per identificare le attività che potrebbero subire ritardi.
E se si potesse esaminare il motivo per cui si ottengono queste previsioni e le azioni che si potrebbero intraprendere subito per mitigare il ritardo previsto? Oracle Construction Intelligence Cloud Advisor, la nostra nuova soluzione basata sull'intelligenza artificiale, ha proprio lo scopo di rispondere a questo tipo di domande.
Dal momento in cui viene creata la prima pianificazione, la soluzione Oracle cerca attivamente eventuali problemi in base alle condizioni passate e presenti per prevedere la probabilità di ritardi. Lo strumento Oracle cerca i pattern nei dati di progetto correnti e tenta di identificare e correlare i pattern a ciò che è successo in passato.
Lo strumento predittivo monitora costantemente i dati creati nel progetto per perfezionare queste previsioni man mano che il progetto avanza.
In modo analogo alle previsioni meteo, l'accuratezza di queste previsioni dipenderà dalla disponibilità dei dati storici e dalla qualità delle informazioni disponibili. In generale, l'attenzione al miglioramento della qualità dei dati è costante, come dimostra l'utilizzo degli elenchi di controllo DCMA nella maggior parte delle piattaforme di pianificazione, per garantire che gli errori di pianificazione vengano individuati tempestivamente.
Progressivamente, la tecnologia ML verrà utilizzata anche per identificare errori logici e di sequenziamento, nonché per fornire raccomandazioni sulle attività di etichettatura in linea con le migliori pratiche, per una facile identificazione e analisi.
Rilevare i ritardi del progetto prima che si verifichino
Quindi, cosa significa? I motivi per cui i progetti vanno a monte sono pressoché infiniti:
- la durata allocata è sbagliata, storicamente, quella stessa attività specifica non è mai stata completata in tempo;
- l'appaltatore impegnato sul lavoro assegnato è in ritardo su altri progetti per la stessa organizzazione;
- un aumento di richieste di informazioni potrebbe potenzialmente comportare modifiche alla progettazione e ritardi;
- la pianificazione è stata creata in modo errato e presenta errori logici.
Qualunque sia la causa del ritardo, grazie a machine learning e modelli di qualità, è possibile monitorare e gestire attivamente la probabilità di ritardi. Si possono adottare misure proattive per mitigare o ridurre al minimo l'impatto di problemi imprevisti e garantire che ci siano meno sorprese in generale quando si realizzano i progetti secondo una pianificazione.
Migliorare le previsioni
Anche le previsioni di pianificazione trarranno beneficio dalla recente ondata di standardizzazione. Le previsioni migliorano man mano che si standardizzano processi e attività. Molte organizzazioni stanno integrando sistemi diversi. Per questo motivo, sono disponibili set di dati più integrati provenienti da diversi sistemi in silos che forniscono un contesto olistico per l'elaborazione delle previsioni.
Le tecnologie nuove e predittive potrebbero non essere sempre accurate, ma poiché AI e ML apprendono e migliorano nel tempo, avere accesso a queste tecnologie è preferibile rispetto alle alternative. Sia la qualità dei dati che l'accuratezza delle previsioni miglioreranno con il tempo.
Film, musica, auto a guida autonoma, testo predittivo sui dispositivi mobili, riconoscimento delle immagini e consigli per lo shopping sono migliorati nel tempo. Anche le previsioni meteo a cinque giorni sono ora accurate in circa il 90% dei casi.
Gli assistenti digitali ora capiscono meglio gli input degli utenti. Sebbene l'applicazione di queste tecnologie sia nuova e innovativa per il settore, queste soluzioni esistono da molti anni e sono state implementate con successo in diversi settori e nei prodotti di consumo.
Infinite possibilità
La crescente digitalizzazione e datafication del settore, unita alla crescente potenza del cloud computing, fa sì che le possibilità siano limitate solo dalla nostra immaginazione, man mano che IA e ML diventano sempre più accessibili. Non sfruttare appieno il potenziale di questi strumenti potrebbe essere un'occasione persa.
Scopri come sfruttare al meglio il crescente volume di dati per migliorare la consegna dei progetti nei tempi e nel budget previsti nel nostro brief aziendale, Intelligenza artificiale predittiva nel settore edile.
Oracle Construction and Engineering, leader globale nel settore del software di gestione per l'edilizia e nelle soluzioni di gestione del portfolio di progetti, aiuta a connettere team, processi e dati lungo l'intero ciclo di vita di progetti e asset. Aumenta l'efficienza e il controllo nella consegna dei progetti con soluzioni comprovate per controlli di progetto, pianificazione edilizia, gestione del portfolio, BIM/CDE, gestione dei pagamenti nel settore dell'edilizia e altro ancora.