Η τεχνητή νοημοσύνη στην τεχνική και οικονομική διαχείριση των έργων

Του Πάνου Καραδήμου,  Διπλ. Πολιτικός Μηχανικός, MSc

pkaradimos@hotmail.com

Ένα από τα θέματα που απασχολεί, διαχρονικά, τον τεχνικό κλάδο καθώς και τις εκάστοτε κυβερνήσεις στην Ελλάδα (αλλά και παγκοσμίως) είναι οι υπερβάσεις του κόστους κατασκευής τεχνικών έργων όπως και οι καθυστερήσεις στην ολοκλήρωση τους.

Πηγή εικόνας: https://blogs.oracle.com/modernfinance/ai-future-project-management-ppm-benefits

Υπερβάσεις και καθυστερήσεις που πολλές φορές στο παρελθόν οδήγησαν σε υπερβάσεις κρατικών προϋπολογισμών και αυξήσεις ελλειμμάτων που αργότερα οδήγησαν σε «Μνημόνια».Ποιος μπορεί να ξεχάσει την περίπτωση των Ολυμπιακών Αγώνων στην Ελλάδα με τις αστοχίες  στα μεγάλα έργα που έλαβαν χώρα εκείνη την περίοδο. Βέβαια οι υπερκοστολογήσεις και οι καθυστερήσεις προϋπήρχαν στην κατασκευή τεχνικών έργων (κυρίως δημοσίων αλλά και ιδιωτικών) και πριν τους Ολυμπιακούς αγώνες και συνεχίστηκαν και μετά από αυτούς.

Οι περισσότερες από αυτές χρεώνονται στην συνολική αστοχία στην Διαχείριση της κατασκευής των Τεχνικών Έργων γνωστή και ως Project/Construction Management. Αποτυπώνονται σε λανθασμένες εκτιμήσεις μεγεθών όπως είναι π.χ. ο προϋπολογισμός έργου, το συμβατικό κόστος κατασκευής, το πραγματικό κόστος κατασκευής, η συμβατική διάρκεια κατασκευής, η πραγματική διάρκεια κατασκευής κτλ είτε αυτές προέρχονται από τον φορέα διαχείρισης του έργου, είτε από την πλευρά του μελετητή, είτε από την πλευρά κατασκευαστή.

Τα γεγονότα αυτά ανέδειξαν την σημασία του Project Management στην κατασκευή τεχνικών έργων, από την σύλληψη της ιδέας υλοποίησης έως και την ολοκλήρωση τους, και που περιλαμβάνει τα τμήματα της προκήρυξης των έργων, της ανάθεσης, της υλοποίησης των μελετών, της αδειοδότησης καθώς και της Διαχείρισης της Κατασκευή γνωστή και ως Construction Management.

Η εκτίμηση οικονομοτεχνικών μεγεθών τεχνικών έργων, όπως είναι το κόστος κατασκευής και η διάρκεια κατασκευής, βασίζεται κυρίως σε προμετρητικές μεθόδους που εφαρμόζονται, καθώς και στην εμπειρία των εμπλεκόμενων μηχανικών. Η εκτίμηση των μεγεθών είναι μία απαιτητική διαδικασία που κοστίζει σε χρόνο, χρήμα και προσωπικό καθώς απασχολούνται μηχανικοί για αυτόν τον σκοπό. Τα αποτελέσματα των προμετρήσεων αποτυπώνονται σε χρονοδιαγράμματα κατασκευής έργων, διαγράμματα χρηματορροών, διαγράμματα κατανομής προσωπικού, διαγράμματα κατανομής ενσωματούμενων στην κατασκευή υλικών κτλ με τη χρήση λογισμικών διαχείρισης τεχνικών έργων όπως π.χ. το Primavera, το MS-Project και άλλα που υπάρχουν στην αγορά. Το προσωπικό που ασχολείται με τις κοστολογήσεις και προμετρήσεις τεχνικών έργων είναι, τις περισσότερες φορές, εξειδικευμένοι, έμπειροι, μηχανικοί γνωστοί και ως Επιμετρητές – Κοστολόγοι (QuantitySurveyors) και έχουν σφαιρική γνώση των διαδικασιών υλοποίησης ενός τεχνικού έργου και των απαιτήσεων του. Τα τελευταία χρόνια είναι όλο και περισσότερο δυσεύρετοι στην αγορά. Η λανθασμένη εκτίμηση των οικονομοτεχνικών μεγεθών, όταν δεν υπάρχει στοχευμένος δόλος αλλοίωσης τους για λόγους αύξησης των εσόδων των εμπλεκομένων, οφείλεται στον ανθρώπινο παράγοντα αλλά και εξωγενείς παράγοντες που τις περισσότερες φορές δεν μπορούν να προβλεφθούν (π.χ. φυσικές καταστροφές, πανδημίες, οικονομικές κρίσεις κτλ).

Σε όλη αυτή τη πίεση που ασκείται στο γενικό πλαίσιο του Project Management και της ορθής πρόβλεψης οικονομοτεχνικών μεγεθών κατασκευής τεχνικών έργων έρχεται να δώσει λύσεις η τεχνολογία και πιο συγκεκριμένα η εξέλιξη των εφαρμογών τεχνητής νοημοσύνης. Η τεχνητή νοημοσύνη αναφέρεται στην ικανότητα μιας μηχανής να αναπαράγει τις γνωστικές λειτουργίες ενός ανθρώπου, όπως είναι η μάθηση, ο σχεδιασμός και η δημιουργικότητα. Η τεχνητή νοημοσύνη καθιστά τις μηχανές ικανές να ‘κατανοούν’ το περιβάλλον τους, να επιλύουν προβλήματα και να δρουν προς την επίτευξη ενός συγκεκριμένου στόχου. Ο υπολογιστής τροφοδοτείται με δεδομένα, τα επεξεργάζεται και ανταποκρίνεται βάσει αυτών.

Πηγή εικόνας:https://www.blog.consultants500.com/web–mobile–design–and–development/5-ways–ai–will–change–project–management/

Η τεχνητή νοημοσύνη χωρίζεται σε δύο κατηγορίες (Wikipedia):

α) Στην συμβατική τεχνητή νοημοσύνη που εμπλέκει μεθόδους μηχανικής μάθησης (machine learning), που χαρακτηρίζονται από αυστηρούς μαθηματικούς αλγόριθμους και στατιστικές μεθόδους ανάλυσης. Διακρίνεται σε:

• Έμπειρα ή Εξειδικευμένα συστήματα (Expert systems), που εφαρμόζουν προγραμματισμένες ρουτίνες λογικής, σχεδιασμένες αποκλειστικά για μία συγκεκριμένη εργασία, προκειμένου να εξαχθεί κάποιο συμπέρασμα. Για το σκοπό αυτό, διεξάγεται επεξεργασία μεγάλων ποσοτήτων γνωστών πληροφοριών.
• Λογική κατά περίπτωση (Case based reasoning). Η επίλυση ενός προβλήματος βασίζεται στην προηγούμενη επίλυση παρόμοιων προβλημάτων.
• Μπαϋεσιανά δίκτυα (Bayesian networks). Βασίζονται στη στατιστική ανάλυση για τη λήψη αποφάσεων.
• Συμπεριφορική τεχνητή νοημοσύνη (Behavior based AI). Μέθοδος τεμαχισμού της λογικής διαδικασίας και στη συνέχεια χειροκίνητης οικοδόμησης του αποτελέσματος.

β) Στην υπολογιστική τεχνητή νοημοσύνη που βασίζεται στη μάθηση μέσω επαναληπτικών διαδικασιών (ρύθμιση παραμέτρων). Η μάθηση βασίζεται σε εμπειρικά δεδομένα και σε μη-συμβολικές μεθόδους. Διακρίνεται σε:

• Τεχνητά νευρωνικά δίκτυα (Artificial neural networks) με πολύ ισχυρές δυνατότητες αναγνώρισης προτύπων (pattern recognition). Προσομοιάζουν τη λειτουργία των νευρώνων των εμβίων όντων.
• Συστήματα Ασαφούς λογικής (Fuzzy logic systems). Αποτελούν τεχνικές λήψης απόφασης κάτω από αβεβαιότητα. Βασίζονται στην ύπαρξη μη-αυστηρά διαχωρισμένων καταστάσεων, των οποίων η βαρύτητα λαμβάνεται υπόψη κατά περίπτωση. Υπάρχουν ήδη πολλές εφαρμογές των τεχνικών αυτών.
• Εξελικτική υπολογιστική (Evolutionary computation). Η ανάπτυξή τους προέκυψε από τη μελέτη των έμβιων οργανισμών και αφορούν σε έννοιες όπως του πληθυσμού, της μετάλλαξης και της φυσικής επιλογής (επιβίωση του πιο προσαρμοσμένου) για την ακριβέστερη επίλυση ενός προβλήματος. Οι μέθοδοι αυτοί μπορούν να διακριθούν περαιτέρω σε εξελικτικούς αλγόριθμους (evolutionary algorithms) και σε νοημοσύνης σμήνους (swarm intelligence), όπως π.χ. οι αλγόριθμοι που προσομοιάζουν τη συμπεριφορά μίας κοινωνίας μυρμηγκιών.

Οι περισσότερες από τις παραπάνω μεθόδους έχουν χρησιμοποιηθεί σε έρευνες που αφορούν την πρόβλεψη οικονομοτεχνικών μεγεθών τεχνικών έργων με εκπληκτικά αποτελέσματα. Το γενικότερο πλαίσιο αφορά τον σχεδιασμό και την κατασκευή μοντέλων πρόβλεψης βασισμένων σε μεμονωμένους αλγόριθμους ή συνδυασμούς αλγορίθμων. Η κατασκευή των μοντέλων βασίζεται στην αποκτηθείσα εμπειρία σε κατασκευές τεχνικών έργων που μεταφέρεται στα μοντέλα με την εισαγωγή οικονομοτεχνικών δεδομένων (ποσοτικών και ποιοτικών) παλαιοτέρων κατασκευών τεχνικών έργων, επίσης βασίζεται και στην ικανότητα μάθησης που προσδίδουν οι αλγόριθμοι στα μοντέλα. Κατά την κατασκευή τους τα μοντέλα εκπαιδεύονται και μαθαίνουν να δίνουν σωστές εκτιμήσεις μεγεθών. Η αξιοπιστία των μοντέλων για τα αποτελέσματα πρόβλεψης που δίνουν ελέγχεται σε σχέση με αντίστοιχα δεδομένα μεγεθών παλαιοτέρων ομοειδών τεχνικών έργων. Στο τέλος τα αποτελέσματα μπορεί να είναι εντυπωσιακά, αφού με τη χρήση των μοντέλων που κατασκευάστηκαν και γνωρίζοντας ελάχιστα στοιχεία για ένα έργο μπορούν να γίνουν ακριβείς εκτιμήσεις για τα οικονομοτεχνικά μεγέθη αυτού όπως π.χ. το κόστος και η διάρκεια κατασκευής. Έτσι λοιπόν με την χρήση της τεχνητής νοημοσύνης, υπό προϋποθέσεις, μπορούν να δοθούν αξιόπιστες και γρήγορες λύσεις σε ζητήματα όπως οι υπερβάσεις κόστους κατασκευής έργων και οι καθυστερήσεις στην ολοκλήρωση της κατασκευής τους.

Κάποιες από τις εργασίες που έχουν γίνει και αφορούν την πρόβλεψη οικονομοτεχνικών μεγεθών κατασκευής τεχνικών έργων έχουν να κάνουν με τα εξής:

α) Πρόβλεψη του ‘Πραγματικού Κόστους Κατασκευής Έργων Γεφυροποιίας’, με τη χρήση νευρωνικών δικτύων(Καραδήμος, 2020).

β) Πρόβλεψη της ‘Πραγματικής Διάρκειας Κατασκευής Έργων Γεφυροποιίας’με τη χρήση νευρωνικών δικτύων (Καραδήμος, 2020).

γ) Πρόβλεψη της ‘Διάρκειας Αδειοδότησης Οικοδομικών Έργων’ με τη χρήση νευρωνικών δικτύων (Χατζηχριστάκης, 2018)

δ) Πρόβλεψη του ‘Πραγματικού Κόστους Κατασκευής Έργων Οδοποιίας’, με τη χρήση νευρωνικών δικτύων (Aretoulis, 2019).

ε)Πρόβλεψη της ‘Πραγματικής Διάρκειας Κατασκευής Έργων Οδοποιίας’, με τη χρήση νευρωνικών δικτύων (Titirla, 2019).

στ) Πρόβλεψη κόστους κατασκευής συμβατικών, αειφόρων κολεγιακών κτιρίων στη Βόρεια Αμερική, με τη χρήση της μεθόδου της πολλαπλής παλινδρόμησης (Alshamrani, 2017).

ζ) Πρόβλεψη κόστους κατασκευής τεχνικών έργων με τη χρήση εξελιγκτικής ασαφούς λογικής νευρωνικού δικτύου (Cheng, 2010).

η) Πρόβλεψη πραγματικής διάρκειας κατασκευής έργων οδοποιίας με τη χρήση νευρωνικών δικτύων (Glymis, 2017).

Πηγή εικόνας:https://digitalmarketing.temple.edu/agoins/2019/08/06/project–management–with–ai/

Τα μοντέλα για την πρόβλεψη του κόστους κατασκευής και της διάρκειας κατασκευής θα μπορούσαν να χρησιμοποιηθούν από εργοληπτικές εταιρείες, μελετητικές εταιρείες, συμβουλευτικές εταιρείες, Οργανισμούς Τοπικής Αυτοδιοίκησης και υπηρεσίες-αρχές δημοπράτησης τεχνικών έργων με τέτοιον τρόπο ώστε να καταλήγουν στο συμπέρασμα εάν ένας προϋπολογισμός για την κατασκευή ενός τεχνικού έργου και το χρονοδιάγραμμα κατασκευής αυτού ανταποκρίνονται στην πραγματικότητα. Έτσι θα μπορούν να εκτιμούν αν μία έκπτωση που δόθηκε σε διαγωνισμό για την κατασκευή μιας γέφυρας μπορεί να επιτευχθεί χωρίς επιπτώσεις στην ποιότητα του έργου. Επίσης βάσει ενός δεδομένου προϋπολογισμού κατασκευής θα μπορεί να εκτιμηθεί από την κατασκευαστική εταιρεία η έκπτωση που θα μπορούσε να δώσει στην δημοπράτηση της κατασκευής ενός τεχνικού έργου. Επιπρόσθετα θα μπορούσε να προβλεφθεί από τους ενδιαφερόμενους και το χρονοδιάγραμμα κατασκευής ενός τεχνικού έργου με τη χρήση ελαχίστων δεδομένων.

Μεγάλες κατασκευαστικές, μελετητικές και συμβουλευτικές εταιρείες, με μεγάλη εμπειρία σε τεχνικά έργα καταγεγραμμένη σε πληθώρα οικονομοτεχνικών δεδομένων έργων στο αρχείο τους, ανά τον κόσμο, έχουν ξεκινήσει να ενσωματώνουν τη χρήση εφαρμογών τεχνητής νοημοσύνης, όπως τις προαναφερόμενες, στο τρόπο προσέγγισης των εργασιών τους. Γνωρίζουν πως η γρήγορη εξέλιξη των εφαρμογών αυτών και η σταδιακή ένταξη τους στην φιλοσοφία της εταιρείας, μελλοντικά, θα τους δώσει τεχνολογικό πλεονέκτημα έναντι των ανταγωνιστών τους. Βέβαια στην μεγάλη πλειονότητα των χωρών του πλανήτη οι εφαρμογές αυτές βρίσκονται ακόμα σε ερευνητικό στάδιο και συνεχώς εξελίσσονται.

Στο δίλημμα που τίθεται στο κατά πόσο η τεχνητή νοημοσύνη θα αντικαταστήσει σύντομα τον Project Managerη απάντηση που δίνεται από ειδικούς είναι ότι η τεχνητή νοημοσύνη δεν θα αντικαταστήσει τον Project Managerαλλά θα τον πλαισιώσει και θα τον συμπληρώσει  στην δουλειά που κάνει. Θα υπάρξουν δύο κατηγορίες Project Managers στο μέλλον, αυτοί που ξέρουν να χειρίζονται την τεχνητή νοημοσύνη και αυτοί που δεν ξέρουν. Η επιτυχία του καθενός θα εξαρτάται από το σε ποια από τις δύο κατηγορίες εντάσσεται.

Αναφορές:

1. Καραδήμος, Π. (2020), Μοντέλα πρόβλεψης Κόστους και Διάρκειας κατασκευής τεχνικού έργου με τη χρήση Νευρωνικών Δικτύων. Στοιχεία από την Ελληνική πραγματικότητα , Ελληνικό Ανοικτό Πανεπιστήμιο. Πάτρα

2. Χατζηχριστάκης, Φ. (2018), Εφαρμογές τεχνητών νευρωνικών δικτύων για την πρόβλεψη τηςδιάρκειας αδειοδότησης τεχνικών έργων (Αδημοσίευτη μεταπτυχιακή εργασία), Αριστοτέλειο Πανεπιστήμιο, Θεσσαλονίκη

3. Aretoulis, G.N. (2019), Neural network models for actual cost prediction in Greek public highway projects. J. Project Organisation and Management, Vol. 11, No. 1, pp.41-64

4. Titirla, M.D. and Aretoulis, G.N. (2019). Neural network models for actual duration of Greek highway projects. Journal of Engineering, Design and Technology, Vol 17, No. 6, pp. 1323-1339

5. Alshamrani, O.S. (2017) ‘Construction cost prediction model for conventional and sustainable college buildings in North America’, Journal of Taibah University for Science, Vol. 11, No. 2, pp.315-323

6. Cheng, M.Y., Tsai, H.C. and Sudjono, E. (2010a) ‘Conceptual cost estimates using evolutionary fuzzy hybrid neural network for projects in construction industry’, Expert Systems withApplications, Vol 37, No. 6, pp.4224-4231.

7. Glymis, E., Kanelakis, A., Aretoulis, G. and Mastoras, T. (2017). Predicting highway projects’ actual duration using neural networks. Proceedings of the Joint Conference on Computing inConstruction (JC3), Heraklion, Greece, Vol 1, pp.691–697