Datan merkitys tekoälypohjaisessa LVIS-suunnittelussa

Tekoäly rakennusalalla

Yhä useammin rakennusalalla tulee vastaan tehtäviä, joissa hyödynnetään tekoälyä. Erityisesti suurten kielimallien (LLM, kuten ChatGPT) ilmestyminen on lisännyt näiden määrää. Suuret kielimallit ovat osoittautuneet erityisen hyviksi rakennusprosessiin liittyvien asiakirjojen luomisessa ja analysoinnissa. Nämä ominaisuudet ovat hyödynnettävissä etenkin projektinhallintaan liittyvissä tehtävissä. Perinteisempään AI-teknologiaan perustuvia työkaluja voidaan soveltaa koko rakennuksen elinkaarella, varhaisesta suunnitteluvaiheesta aina purkuun asti. Suunnittelun alkuvaiheissa tekoälyllä voidaan selvittää, mitkä valinnat tekevät rakennuksesta kestävimmän. Rakentamisen aikana työympäristöjä voidaan automaattisesti valvoa, jotta turvallisuuspuutteisiin voidaan puuttua. Rakennuksen käytön aikana tekoäly voi ylläpitää hyvää sisäilmastoa ja energiatehokkuutta ohjaamalla taloteknisiä järjestelmiä.

Vaikka saattaa vaikuttaa siltä, että tekoälyä käytetään laajasti kaikkialla rakennusalalla, on alueita, missä sen käyttö on rajallista. Yksi tällainen alue on LVIS-mallinnus. Vaikka ensimmäiset tutkimukset automaattisesta reitityksestä ajoittuvat 90-luvun alkuun, kokonaisvaltaiseen putkien, sähköhyllyjen tai kanavien automaattiseen reititykseen ei vieläkään ole kaupallisesti saatavilla olevaa työkalua. Tähän mennessä automaattisen reitityksen tutkimukset ovat keskittyneet pääasiassa erilaisiin reititysalgoritmeihin, eivätkä niinkään tekoälyyn, mutta voisiko tekoäly olla avain automaattisen reitityksen tuomiseksi suunnittelijoiden käyttöön?

AI haasteet LVIS-suunnittelussa

Tekoäly vaikuttaa lupaavalta, mutta yksi asia estää tekoälytutkimusta saavuttamasta täyttä potentiaaliaan LVIS-mallinnuksessa: data. Jos tarkastelemme edellä mainittuja tekoälysovelluksia rakennusalalla, niillä kaikilla on yksi yhteinen tekijä: näissä sovelluksissa käytettävä data on yleensä yhden osapuolen omistamaa ja keräämää. Esimerkiksi rakennusautomaatio saa sisätilan ja rakennuksen ympäristön olosuhdetiedot, sekä venttiilien säätöarvot, joita voidaan käyttää tekoälymallin koulutukseen. Rakennusyritys taas voi ottaa kuvia vaarallisista työmaista ja kouluttaa mallin luokittelemaan, onko työmaa turvallinen. Suurten kielimallien tapauksessa voidaan käyttää valmiiksi koulutettua mallia API:n kautta ja kerätä relevanttia tietoa pitkistä dokumenteista. Kaikissa näissä skenaarioissa tekoälyn polttoaine, data, on saavutettavissa yritykselle, joka käyttää työkalua. Silti datan kerääminen näillä aloilla vaatii edelleen ponnisteluja.

Data tekoälypohjaisessa LVIS-suunnittelussa

Data on yleinen ongelma tekoälyn kanssa työskennellessä, mutta BIM (Building Information Modelling) -mallinnuksessa tämä ongelma on ainutlaatuinen. Tämä johtuu siitä, että suunnitelmien omistajuus on jakautunut. Rakennuksen tietomalli koostuu useista eri malleista (arkkitehtuuri, rakenne ja LVI) jotka tulevat pääsääntöisesti eri yrityksiltä. Tämän lisäksi rakennuksen omistaja omistaa rakennuksen sekä sen suunnitelmat. Siksi rakennuksen omistajalta tarvitaan lupa suunnitelmien jakamiseen. Täten voi olla useita osapuolia, joiden on sovittava suunnitelmien jakamisesta. Lisäksi tekoälytutkimuksen ja datan jakamisen hyödyt eivät välttämättä ole kaikille sidosryhmille selviä, sillä automaattinen mallinnus hyödyttää lopulta suoraan vain suunnittelutoimistoja.

Jos dataa ei ole, voidaan se luoda itse. Tuhansien suunnitelmien manuaalinen tuottaminen tekoälyn kouluttamiseksi ei kuitenkaan ole käytännöllistä. Suunnitelmien automaattinen generointi voisi ratkaista ongelman, mutta tässäkin on omat haasteensa. Ensinnäkin tarvitaan tapa verkostojen luontiin 3D-maailmassa ja sitten tarvitaan jotain, mikä varmistaa verkostojen laadun. Jos olet automaattisesti luonut tuhansia suunnitelmia, kuinka saat koneen ymmärtämään, mikä suunnitelmista on paras?

Tietokoneet ovat hyviä numeroiden kanssa, joten ratkaisut voisi pisteyttää, mutta tarvitset silti logiikan pisteytysfunktion laskuun. Tällä hetkellä ei ole matemaattista funktiota, joka kertoisi, onko verkosto paras mahdollinen, kun otetaan huomioon ylläpito, asennettavuus, elinkaarikustannukset jne. Esimerkiksi siltojen suunnittelussa tekoälyn käyttö on edellä LVIS-suunnittelua, oletettavasti ja osin siksi, että ongelma ymmärretään matemaattisesti paremmin. Lisäksi LVIS-suunnittelussa pelkän reitin luominen ei riitä, sillä tarvitaan myös reititysympäristöt. 

Ratkaisu datan ongelmaan MagiCAD Groupissa

MagiCAD Groupissa olemme tutkineet tekoälypohjaista mallinnusta noin kolme vuotta. Ensimmäinen tekoälypohjainen reitittimemme on saatavilla MagiCAD for AutoCAD 2025 ohjelmistossa. Sitä voidaan käyttää lattialämmityspiirien (UFH) luomiseen. Olemme ratkaisseet dataongelman tässä yhteydessä “synteettisellä datalla”. Luomme siis ensin itse esimerkkejä ympäristöistä ja suunnitelmista ja käytämme niitä koulutusprosessissa. Synteettinen data rajoittaa meidät suhteellisen pieniin reititystehtäviin, koska ympäristöt ja suunnitelmat on itse aluksi validoitava. Lisäksi näin luotujen reittien ja ympäristöjen moninaisuus on todennäköisesti vähäisempää kuin oikeissa esimerkeissä. Oikea data voisi auttaa meitä yleistämään reititystä, koska esimerkeissä olisi enemmän vaihtelua. Lisäksi se vähentäisi tarvetta luoda synteettistä dataa ja nopeuttaisi siten kehitystä.

Johtopäätökset

Tekoäly on saapunut rakennusalalle ja on jo monia tehtäviä, joissa se auttaa ihmisiä. Siitä huolimatta yksi rakennussuunnitteluun liittyvä ala näyttää hyödyntävän tekoälyä vähemmän kuin moni muu ala, nimittäin LVIS-suunnittelu. Yksi syy tähän on se, että täydellinen rakennusmalli koostuu useista malleista, jotka on tehty eri yrityksissä. Tämän seurauksena todellisten rakennussuunnitelmien saaminen on vaikeaa.

Ongelma voidaan ratkaista synteettistä dataa luomalla, mutta tällaisen datan laatu ja laajuus eivät vastaa oikeaa dataa. Lisäksi datan luominen vie aikaa, mikä lisää kehitykseen kuluvaa aikaa merkittävästi. Luomalla yhteisen datasetin useiden alan toimijoiden kanssa, voisimme edistää tekoälytutkimusta BIM:ssä sekä nopeuttaa tekoälymallinnustyökalujen kehitysprosessia.