Et pionerprojekt fra ConTech Lab fastslår stort potentialet i at anvende kunstrig intlligens og softwarerobotter i forbindelse med drift og vedligehold af ejendomme.

Nu skal kunstig intelligens passe vores ejendomme og bygninger

At drifte og vedligeholde ejendomme kan være en både tidskrævende og kompliceret proces. Men heldigvis kan kunstig intelligens og softwarerobotter nu være med til at give en hjælpende hånd – og potentialet er stort. Det beviser et pionerprojekt fra ConTech Lab.

Driftsplaner bliver i dag typisk udarbejdet på baggrund af visuelle inspektioner, mange års erfaring og subjektive vurderinger. Det er en manuel, besværlig, langsom og ofte ganske upræcis proces. Potentialet for at optimere samt automatisere udarbejdelsen af driftsplaner på ejendomme ved at koble offentligt tilgængelige data med kunstig intelligens er derfor stort. Med de rette data, kan man via algoritmer skabe helt nye, nyttige værktøjer.

Automatiseringen er især relevant for ejendomsselskaber, boligadministratorer og pensionskasser, der ønsker at bygge egne løsninger, som kan hjælpe dem i dagligdagen, når ejendomsporteføljen skal vedligeholdes. Derfor har ConTech Lab sammen med HD Lab, DroneTjek og Plan1 Cobblestone Architects afviklet et pionerprojekt for såkaldt smart vedligehold, hvor der netop har været fokus på, hvorledes kunstig intelligens og Reality Capture teknologier kan blive til gavn for ejendomsbranchen.

”Vi har i mange år lavet droneoverflyvninger for at vurdere bygningers tilstand, og det fungerer. Vi er derfor klar til at bygge oven på vores viden og automatisere gennem en KI der hjælper os med at vurdere bygningers tilstand”, fortæller Morten Jacobsen direktør i Dronetjek.dk.

Niels Falk, adm. direktør i HD LabSom teknologi er kunstig intelligens moden, så ejendomsbranchen bør dykke ned i, hvordan de kan bruge den til at gøre hverdagen mere effektiv.
Niels Falk, adm. direktør i HD Lab

Teknologien er absolut moden

”Det har været et spændende projekt at være med i. Det er faktisk første gang, vi i dette regi har beskæftiget os med drift og vedligehold. Det har imidlertid været et naturligt skridt at tage, idet byggebranchen jo er ved at være så digital i design-, konstruktions- og opførelsesfasen, at mange af de tanker og ideer, der realiseres her, rækker ind i netop drift og vedligehold”, siger adm. direktør og partner i HD Lab, Niels Falk, der har været projektleder.

Hvis der er nogen, som tror, at kunstig intelligens ikke endnu er god nok til den slags opgaver, kan de godt tro om igen. Ifølge Niels Falk er der tale om en meget moden teknologi, der bygger på anerkendte matematiske principper. Matematik er der ikke noget nyt i, men anvendelsen til at opbygge algoritmer, der kan lære over tid og derved blive klogere, er naturligvis rimelig ny. Den er imidlertid allerede testet og afprøvet i mange sammenhænge.

Kunstig intelligens kræver data

”En lang række værktøjer er allerede i dag tilgængelige, og mange af dem er desuden ganske gratis. Ligeledes er en lang række såkaldte scripts tilgængelige, altså programmeringsrutiner, der kan hjælpe brugerne med at komme i gang med helt konkrete opgaver. Langt den største udfordring er imidlertid, at for at træne en løsning gennem anvendelsen af kunstig intelligens, kræves der mange data – rigtig mange data”, siger Niels Falk videre.

Faktisk er en stor mængde af offentlige data – f.eks. BBR-data – tilgængelige, men desværre er de ifølge Niels Falk ikke indsamlet med henblik på at skulle anvendes til at lave dataudtræk. Derfor er de svære at integrere i en løsning, der bygger på kunstig intelligens. Det er et problem, for når man bygger hjælpeværktøjer baseret på kunstig intelligens, bliver en sådan løsning ikke klogere af sig selv. Den skal trænes, hvilket vil sige, at den skal fodres massivt med data.

Mayes Ali, teknologichef i ConTech LabVi har lært, at det med et lille datagrundlag er muligt at udvikle et smart vedligeholdelsesværktøj, men det er klart, at mere data giver præcision.
Mayes Ali, teknologichef i ConTech Lab

Mennesket er stadig med

”Mængden af data afhænger naturligvis af løsningen og, hvad den skal anvendes til, men for at blive i stand til at håndtere nye data og tolke på disse, er det nødvendigt, at den har øvet sig på allerede registrerede data”, forklarer Niels Falk. Han føjer dog til, at vores hjerne ikke bliver gjort overflødig, for det er stadig den menneskelige faktor, der skal definere de arbejdsopgaver, som det, man vel mest kan kalde for en softwarerobot, skal udføre.

”Når vi taler digitalisering af byggebranchen, handler det ofte om brancheløsninger, der kan anvendes på tværs af værdikæden. Når vi taler om kunstig intelligens, forholder tingene sig på en anden måde. Anvendelsen er nemlig særdeles datanær, hvilket vil sige, at den knytter sig tæt til det behov, den enkelte bruger har. Jo mere afgrænset og konkret, man kan definere softwarerobotten, jo bedre og mere præcis bliver den”, uddyber Niels Falk.

Individuelle løsninger

Han konkretiserer det således, at man som ejendomsselskab administrerer en række bygninger, der driftes til et vist niveau. Data kan f.eks. opsamles via offentlige databaser, eller brugeren kan selv stå for dataindsamlingen, f.eks. ved at scanne, fotografere eller filme bygningerne. Det siger sig selv, at jo mere specifik, man er i sin datafangst, jo bedre bliver outputtet fra softwarerobotten, for et andet ejendomsselskab har måske en anden politik for drift- og vedligehold.

”Jo mere åben man bliver i sin datafangst, jo større er risikoen altså for, at man ikke får retvisende svar på sine forespørgsler, f.eks. hvornår det er tid at renovere et tag. Derfor er kunstig intelligens heller ikke umiddelbart anvendelig til skabe store, fælles brancheløsninger, men det er klart, at vi skal have gjort bygge- og ejendomsbranchen interesseret i at komme i gang med at udvikle deres egne, individuelle løsninger”, siger Niels Falk videre.

Helt præcise prognoser

Når det gælder muligheden for at udarbejde drifts- og vedligeholdelsesplaner, er en teknologi som kunstig intelligens særdeles interessant. Ikke kun fordi den kan give et øjebliksbillede af tilstanden på en ejendom, men også fordi, en softwarerobot – i takt med at den bliver klogere – kan komme med endda ganske præcise prognoser for, hvornår det er nødvendigt at gribe ind med vedligeholdelse.

”Nu skal branchen lære at forstå de mange muligheder, der ligger i at gøre hverdagen som ejendomsadministrator langt mere effektiv. Det både sparer tid og giver mulighed for at anvende ressourcer samt kompetencer bedst muligt. En softwarerobot vil ofte være både hurtigere og mere præcis end det menneskelige øje, når f.eks. taget på en bygning skal inspiceres. Det skal vi selvfølgelig udnytte”, slutter Niels Falk.

Tags: , , ,

Projektets formål

Målet med pionerprojektet har været at kortlægge den proces, der danner basis for udarbejdelsen af en traditionel vedligeholdelsesplan med udgangspunkt i tagbelægning. Forståelse for processen danner grundlag for at udvikle en Proof of Concept (PoC). I løbet af projektet har man udviklet 6 forskellige prototyper på softwarerobotter, der bygger på kunstig intelligens:

  • En softwarerobot, der ud fra billedmateriale kan vurdere, om tagsten er hele eller beskadiget.
  • En softwarerobot, der ud fra BBR-data gætter på tilstanden af et tag.
  • En softwarerobot, der ud fra en autofunktion hjælper til med at definere driftsplaner.
  • En softwarerobot, der på baggrund af droneoptagelser registrerer mulige bygningsskader.
  • En softwarerobot, der ud fra et 360-graders laserscan kan tælle døre og vinduer.
  • En softwarerobot, som brugeren kan tale til og stille spørgsmål om driftsplaner.

Projektet, der har varet halvandet år, er nu afsluttet, men fortsætter i et nyt regi i løbet af foråret 2023, hvor man vil gå dybere ned i udviklingen af en softwarerobot, der kan håndtere prissætningsstatistikker på driftsplaner.