人工智能的第一个任务是让人类在工作上做得更好(Dreamstime)

趋势

“低垂的西瓜”:甲骨文对人工智能将如何改变建筑的看法

2020年2月4日|0评论

人工智能(AI)和机器学习似乎将在建筑项目中扮演越来越重要的角色。在现场层面,很容易想象物流、现场设备和组装过程的某些部分将由智能机器处理。

砌砖机器人、智能挖掘机和自动驾驶卡车在建筑媒体中已经很常见了,如果不是在建筑现场的话。

这些机器当然是令人印象深刻的,但在不久的将来,它们对一个项目的整体成功的贡献可能是相当微不足道的。人工智能的真正价值在于项目规划和管理层面,它的主要功能是帮助人类更好地理解和运行他们的项目。

这是甲骨文负责数据科学、分析和战略的副总裁卡蒂克·文卡·萨布拉曼尼亚(Karthik Venkatasubramanian)的观点。他表示,人工智能应该被用于做机器擅长的事情,而人类不能做太多——归根结底就是分析、比较或以其他方式处理数据集。他说,这是能够获得最大回报的地方,同时还能大大节省任何项目的成本。

“从根本上说,我们试图做的是计算延迟的概率是多少,”文卡·萨布拉曼尼亚说。“如果延迟的概率是x,我们希望能够说出原因——例如,因为分包商会迟到或因为天气不好。我们想知道关键路径会受到怎样的影响,浮点数会发生什么变化,诸如此类。我认为这是一件非常令人兴奋的事情。”

优先级

人工智能最大的问题是获取“训练数据”——例如,大量混凝土裂缝的图片,以及解释图片显示的是哪种混凝土和哪种裂缝的数据。你拥有的图片越多,人工智能就越能识别它看到的是什么。

问题是,所有这些都需要时间和努力,而能够接触到裂缝混凝土的建筑公司提供裂缝混凝土的图片并没有立即得到回报。

因此,人工智能和机器学习在视觉数据上的应用是可能的,但机器要像有经验的工程师那样用同样的技能解读裂缝之类的东西还需要一段时间。

因此,甲骨文正专注于计算机已经超越人类的领域,即从大量非视觉数据中分离信号和噪声的能力。

文卡·萨布拉曼尼亚说:“当你每时每刻都有成千上万的事情发生时,你怎么知道该关注哪一件呢?机器真的很擅长这个;这对我们来说是一个很容易解决的问题。我们想专注于容易实现的目标。它们有西瓜那么大。每个人都担心的是成本和进度的激增,我们的数据中有所有的领先指标可以预测这一点。这是一个显而易见的。”

人工智能不是用来解释视觉图像,这需要大量的训练数据和复制一个相当普通的人类技能,而是用来解释数据库中的项目——这是甲骨文的核心技能之一。

例如,当一个承包商使用Oracle的Primavera应用程序计划一个项目时,该软件将能够评估该时间表。“它会告诉你可能会延迟,因为你使用的分包商在过去曾发生过三次延迟,或者你允许两周完成一项通常需要三周时间的活动。”

这种常识的执行肯定是有价值的,但它很难说是火箭科学——或者就此而言是数据科学。除此之外,评估还可以从Oracle的Textura应用中获取财务数据,从Aconex获取变更命令和信息请求(rfi),以及其他数据流,如天气预报。

这允许构建一个更复杂的正在进行中的项目的图景。其目的是评估其不断变化的风险轮廓,并将其表达为一组概率——5天延迟的80%风险,10天延迟的70%风险,等等。

计划

在未来,Oracle希望能够提供能够更深入地挖掘建筑管理过程的应用程序。

“在某个阶段,”文卡·萨布拉曼尼亚说,“我们想更好地了解我们正在讨论的活动,并弄清楚我们是否可以重新排序它。”如果温度是45°C,那么工作人员就无法在现场工作,所以我们可以建议在其他地方做一些工作——所有这些聪明的事情都涉及复杂的用例。但我认为,这在目前没有什么价值,因为有太多唾手可得的果实。”

随着关于项目结果的一般数据和“领先指标”(如rfi)的积累,AI的算法在预测任何单个项目的延迟方面得到了更好的训练。Venkatasubramanian将这比作“把所有东西都放到乐高积木上”,然后将这些积木组合起来,以适应特定的用例。

甲骨文可能还会在现有的建筑软件套件中添加人工智能功能。与上面的调度例子一样,这个想法是为了确保我们人类不会犯那些对我们来说很自然的明显错误。例如,不同的人使用同一幅画的不同版本是很常见的,尽管软件会跟踪哪个文档发送给哪个人的历史,但它不会警告他们不是每个人都有最新的版本。

“目前,系统会告诉你发送历史,但版本号留给人类的情报,”文卡·萨布拉曼尼亚说。“所以,我们反过来说,这里有5份文件你需要担心,因为登记册上最新的一份文件与现场使用的东西没有任何关系。你的电气承包商有一份文件至少过期15个版本。你怎么可能没有设计问题?这些人将创造出一些你以后必须推翻的东西。”

这意味着,除了训练人工智能预测项目失败的可能性外,它还必须考虑人类与软件的互动方式。正如文卡·萨伯拉曼尼亚所说,训练算法用数据模型做事比较容易,但让人类在得到人工智能提供的信息后采取正确的行动可能比较困难。

一个问题是,人类可能可以访问计算机丢失的信息。

文卡·萨布拉曼尼亚举了一个新西兰的承包商的例子,他忽视了关于分包商糟糕业绩历史的信息,因为该工作的利润率太低,他们是唯一能负担得起的公司。

另一个原因是,当人工智能模型达到一定的复杂程度时,它们就变成了“黑盒”——因此它们可以做出高度准确的预测,但用户和供应商都不知道原因,这可以说服人类不相信它。

然后可能会出现一个问题,即如何以与特定用户最相关的方式设置数据模型。人工智能的一个基本任务是跟踪项目的进展,但这可以通过一些标准进行评估——预算支出的百分比,材料消耗的数量,或由无人机评估的现场物理进展。每一个可能给出不同的百分比,它们之间有25%的差异并不罕见。这意味着AI必须以某种方式学习调整其算法,使其结论适合特定项目和特定用户。

文卡表示,总体目标是创造一种能够在重要性、相关性和行动呼吁之间取得平衡的人工智能。

“这有点像维恩图,”他说,“黄金在这三个圆的交点上。你会发现很多供应商都在谈论他们的技术——我们有时也这么做——但价值并不在于技术;价值在于解决方案和他们能够解决的问题。”

图片:人工智能的第一个任务是让人类更好地工作(梦境时间)