Maskinlæring i offentlige byggeprosjekter
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3137390Utgivelsesdato
2024Metadata
Vis full innførselSammendrag
Maskinlæring og kunstig intelligens generelt er et område i sterk utvikling, og aktualiseres av det enorme potensialet det har for å effektivisere og forbedre eksisterende prosesser, samt skape grunnlaget for nye måter å skape verdi på. I denne oppgaven utforskes maskinlæring i offentlige byggeprosjekter. Gjennom å utforske hvilke variabler som påvirker sluttkostnaden i prosjektene, og i hvilken grad valgte modeller evner å predikere sluttkostnaden i prosjektene. Oppgaven forsøker å belyse hvordan maskinlæring kan bidra til å skape verdi i offentlige byggherreorganisasjoner, med utgangspunkt i 334 prosjekter gjennomført i Prosjekt og utviklingsavdelingen til Forsvarsbygg.
Problemstillingen aktualiseres både gjennom den nye strategien for kunstig intelligens i Forsvarssektoren, et generelt lavt omfang knyttet til bruk av kunstig intelligens i offentlig sektor, samt anbefalinger til videre forskning som forskningsprogrammet Concept ved NTNU peker på knyttet til datadrevne analysemetoder for estimering av sluttkostnad i offentlige byggeprosjekter.
Predikering av sluttkostnaden i byggeprosjekter ved bruk av maskinlæring er ikke noe nytt fagområde. Det er derimot ikke testet ut i en norsk kontekst i tilstrekkelig grad. Metodene som benyttes er Recursive Feature Elimination, Regularized Random Forest og LASSO regresjon for å vurdere hvilke prosjektvariabler som påvirker sluttkostnaden, og multippel regresjonsanalyse og artificial neural network for å predikere sluttkostnaden i prosjektene.
Basert på tilgjengelig data peker resultatene fra analysene på at blant variablene tilgjengelig i prosjektets forprosjektfase er det entrepriseform, varighet og gjennomførende seksjon som er de viktigste for å bestemme sluttkostnaden. Fra en er klar til å fatte beslutning om gjennomføringsoppdrag og til prosjektets ferdigstillelse er det variablene knyttet til estimatet som P50, P85 og opprinnelig P50 som er de viktigste. Når det kommer til predikering av sluttkostnad er det artificial neural network som predikerer best med et gjennomsnittlig avvik fra den faktiske sluttkostnaden på 15 prosent i forbindelse med variabler tilgjengelig når beslutning om gjennomføringsoppdrag skal fattes, og 17,5 prosent basert på variabler tilgjengelig i prosjektets forprosjektfase. Sammenlignet med tidligere forskning er ikke dette et godt resultat, men fortsatt innenfor intervallet av resultater fra sammenlignbare studier mellom 2 og 21 prosent.
Oppgaven konkluderer med at maskinlæring er et godt egent verktøy som kan tilføre verdi til offentlige byggherreorganisasjoner. Verdiskapningen kan skje eksempelvis gjennom å avdekke hvilke variabler som er viktige for virksomhetene å jobbe med, eller som verktøy for å estimere sluttkostnad i prosjektets forprosjektfase på en rask og enkel måte. Dette sikrer både et proaktivt og prediktivt fokus. Maskinlæring kan også benyttes som et støtteverktøy i forbindelse med en mer tradisjonell tilnærming til kostnadsestimering både for å tilføre vurderingen av estimert sluttkostnad verdi, eller som en kontroll av estimatene av eksempelvis ledelsen. En viktig forutsetning for å lykkes med maskinlæring er knyttet til data, både med tanke på mengde, kvalitet og mangfold. Denne studien ser derfor behovet for å jobbe videre med data som en av de viktigste suksessfaktorene for å ta i bruk maskinlæring i offentlige byggeprosjekter. Samtidig viser studien at det likevel er mulig å ta i bruk maskinlæring selv om data ikke er av den kvalitet eller det omfang som er ønskelig. Machine learning and artificial intelligence in general are rapidly developing fields, driven by the great potential they hold to streamline and enhance existing processes, as well as lay the groundwork for new ways of creating value. This study explores machine learning applications in public construction projects, aiming to gain a better understanding of the variables influencing the final cost of these projects and to what extent selected models can predict project costs. The study seeks to shed a light on how machine learning can contribute to value creation in public construction organizations, based on an analysis of 334 projects conducted in the project and development department of Forsvarsbygg.
The issue becomes relevant through the new strategy for artificial intelligence in the defense sector, the generally low adoption of artificial intelligence in the public sector, and recommendations for further research outlined in the Concept research program at NTNU related to data-driven analysis methods for estimating final costs in public construction projects.
Predicting the final cost of construction projects using machine learning is not a new field of study. However, it has not been extensively tested in a Norwegian context. The methods used include Recursive Feature Elimination, Regularized Random Forest, and LASSO regression to assess which project variables affect the final cost, and multiple regression analysis and artificial neural networks to predict the final cost in the projects.
Based on available data, the results from the analysis indicate that among the variables available in the project's preliminary phase, the type of contract, duration, and executing section are the most significant factors in determining the final cost. From the decision-making phase to project completion, variables related to estimates such as P50, P85, and original P50 are the most important. Regarding cost prediction, artificial neural networks yield the best results with an average deviation from the actual final project cost of 15 percent based on variables available when the decision to go ahead with the project is made, and 17.5 percent based on variables available in the project's preliminary phase. While not an outstanding result compared to previous research, this still falls within the range of results from comparable studies, ranging from 2 to 21 percent.
The study concludes that machine learning is an important tool that can add value to public construction organizations. For instance, by identifying important variables for organizations to focus on or as a tool for estimating project costs quickly and easily in the preliminary phase. Machine learning can also be used as a supplementary tool alongside a more traditional approach to cost estimation, either to enhance the value of the estimated final cost assessment or as a way to check the estimates by management, for example. A crucial prerequisite for successful machine learning implementation is data, and its quantity, quality, and diversity. Therefore, this study underscores the need to further work on data as one of the key success factors for adopting machine learning in public construction projects. At the same time, the study demonstrates that it is still possible to employ machine learning even if the data is not of the desired quality or diversity.