Tahmine Dayalı Proje Planlama: Yapay Zeka Gecikmeleri Zincirleme Etkiye Dönüşmeden Önce Nasıl Öngörüyor

Nashville'deki 14 aylık bir hastane renovasyonu, mekanik kaba tesisat aşamasında 3 haftalık bir gecikmeyle karşılaştı. Proje ekibi gecikmeyi fark edip programı ayarlayana kadar, gecikme asma tavan ızgarasına, yangın korumasına ve elektrik ince tesisatına sıçramıştı. Toplam etki 7 hafta ve 340.000 dolarlık hızlandırma maliyeti oldu. Mekanik kaba tesisat, gerçekten geride kalmadan 4 hafta önce kayma belirtileri gösteriyordu, ancak haftalık ilerleme raporları erken uyarı işaretlerini yakalayamadı.

Verilerde Erken Uyarı İşaretleri Nasıl Görünür

Gecikmeler nadiren aniden ortaya çıkar. Nereye bakacağınızı biliyorsanız proje verilerinde görülebilen kalıplar aracılığıyla birikir. Bir faaliyetteki işçilik verimliliğinin haftadan haftaya %5 düşmesi. Malzeme teslimatlarının art arda üç sevkiyatta planlanandan 2 ila 3 gün geç gelmesi. Belirli bir iş kapsamıyla ilgili sorularda bilgi talebi (RFI) yanıt sürelerinin 4 günden 9 güne çıkması. Tek tek ele alındığında bu sinyallerin hiçbiri alarm tetiklemez. Ancak bir arada değerlendirildiğinde, tamamlanma tarihini kaçırması muhtemel bir faaliyete işaret ederler.

Yapay zeka planlama araçları, bu kalıpları birden fazla veri akışında eş zamanlı olarak izleyerek çalışır. Günlük raporları, zaman takip kayıtlarını, teslimat günlüklerini, RFI veritabanlarını ve hava durumu verilerini işlerler. Bir faaliyetin gecikmeye doğru ilerlediğini belirlemek için mevcut proje kalıplarını tamamlanmış projelerden elde edilen geçmiş kalıplarla karşılaştırırlar.

Bir platform, 1.200 tamamlanmış ticari inşaat projesinden elde edilen verileri analiz etti ve program gecikmeleriyle ilişkili 23 farklı öncü gösterge belirledi. En güçlü tahmin edici, bir faaliyetteki günlük işçilik saatlerinin düşmesi (planlanan ekip büyüklüğüne göre ölçülen) ile o kapsamdaki malzemeler için artan onay yeniden gönderim oranlarının birleşimiydi. Her iki gösterge aynı anda ortaya çıktığında, faaliyet planlanan tamamlanma tarihini zamanın %84'ünde kaçırdı.

Zincirleme Etkilerin Öngörülmesi

Tek bir faaliyetin gecikeceğini tahmin etmek faydalıdır. Ancak yapay zeka planlamasının en büyük değeri kattığı nokta, o faaliyet kayma gösterdiğinde programın geri kalanına ne olacağını tahmin etmektir. Geleneksel CPM planlaması faaliyetler arasındaki mantıksal ilişkileri gösterir, ancak süreleri sabit olarak ele alır ve gecikmelerin pratikte nasıl yayıldığının gerçekliklerini hesaba katmaz.

Tamamlanmış projeler üzerinde eğitilmiş yapay zeka modelleri, belirli gecikme türlerinin diğerlerinden farklı şekilde yayıldığını öğrenir. Örneğin, çelik konstrüksiyon montajındaki bir gecikme, genellikle alt akıştaki her şeyi gecikme süresinin neredeyse tamamı kadar etkiler çünkü çok az alternatif çözüm seçeneği vardır. Buna karşılık, iç bölme karkas işlerindeki bir gecikme, genellikle kısmen absorbe edilir çünkü alçıpan ekipleri karkas işleri yetişene kadar diğer alanlarda sıra dışı çalışabilir.

Yapay zeka ayrıca kaynak çakışmasını da modeller. Mekanik bir gecikme, kaba tesisatı elektrik ekibinin büyük bir kadro mobilize etmeyi planladığı haftaya iterse, model her iki meslek grubunun aynı tavan alanı için rekabet etmesinin birbirini yavaşlatacağını ve toplam etkiyi basit program mantığının öngöreceğinin ötesine taşıyacağını fark eder.

Denver'daki bir ana yüklenici, 28 milyon dolarlık bir ofis binasında yapay zeka program tahminini kullandı. Sistem, giydirme cephe montajının 2 hafta kayma olasılığını, gerçekten geride kalmadan 6 hafta önce işaretledi. Erken uyarı, proje ekibinin ek malzeme sipariş etmesine, takviye ekipler ayarlamasına ve alt akış iş kalemlerini düzenlemesine olanak tanıdı. Gerçek gecikme öngörülen 14 gün yerine 8 gün oldu ve zincirleme etki genel tamamlanma tarihinde 3 günle sınırlı kaldı.

Veri Gereksinimleri ve Kalitesi

Yapay zeka program tahmini, tutarlı veri girişi gerektirir ve bu, benimsemenin önündeki temel engeldir. Modeller, belirli program faaliyetlerine bağlı günlük veya haftalık ilerleme verilerine, faaliyet düzeyinde işçilik takibine ve planlanan ihtiyaç tarihlerine göre malzeme teslimat takibine ihtiyaç duyar. Birçok yüklenici bu bilgileri bir şekilde takip eder, ancak genellikle birden fazla sisteme dağılmış, tutarsız biçimlendirilmiş ve farklı ayrıntı düzeylerinde girilmiş durumdadır.

Yapay zeka planlamasından en fazla değer elde eden yükleniciler, halihazırda disiplinli saha raporlama süreçlerine sahip olanlardır. Şantiye şefleriniz bir proje yönetim sisteminde ilerlemeyi günlük olarak güncelliyorsa ve proje mühendisleriniz teslimatları ve RFI'ları yapılandırılmış bir veritabanında takip ediyorsa, yapay zeka planlaması için veri hattı nispeten basittir.

Verileri daha az düzenli olan yükleniciler için benimseme yolu, genellikle yapay zekanın değer katabilmesi için önce saha raporlamasını ve veri girişini standartlaştırmakla başlar. Bu boşa harcanan bir çaba değildir. Daha iyi veri uygulamaları, yapay zeka olmadan bile proje yönetimini iyileştirir ve yapay zeka araçlarının anlamlı tahminler sunması için gerekli temeli oluşturur.

Yapay Zeka Program Tahminlerinin Doğruluğu

Bu tahminler ne kadar güvenilir? Çeşitli platformlardan yayınlanan veriler, belirli bir faaliyetin gecikip gecikmeyeceğini tahmin etmede %70 ila %80 doğruluk oranları göstermektedir; tahmin, planlanan tamamlanma tarihinden 3 ila 6 hafta önce yapılmaktadır. Faaliyet planlanan tarihine yaklaştıkça doğruluk artar çünkü daha fazla veri mevcut olur.

Zincirleme etki tahmini için doğruluk daha düşüktür, genellikle %55 ila %65 arasındadır, çünkü alt akış etkileri proje ekibinin uyarıya yanıt olarak aldığı azaltma önlemlerine bağlıdır. Bu aslında arzu edilen bir sonuçtur. Tahmin, ekibin zincirleme etkiyi azaltan önlemler almasına neden olduysa, tam olarak doğru olmasa bile tahmin değerli olmuştur.

Yapay zeka destekli inşaat proje yönetimini benimseyen firmalar, bu araçların değerinin kesinliklerinde değil, doğru zamanda doğru sorunlara dikkat çekme yeteneklerinde olduğunu keşfediyor. 500 faaliyetli bir programda aynı anda izlenecek çok fazla şey vardır. Yapay zeka, alanı şu anda risk kalıpları gösteren 5 veya 10 faaliyete daraltarak proje ekibine azaltma çabalarını nereye yönlendireceklerine dair önceliklendirilmiş bir liste sunar.

Proje Ekiplerinin Çalışma Şeklini Değiştirmek

Davranışsal değişim, teknoloji kadar önemlidir. Geleneksel program yönetimi büyük ölçüde reaktiftir. Ekip ilerlemeyi haftalık olarak gözden geçirir, zaten geride kalan faaliyetleri belirler ve telafi planları geliştirir. Yapay zeka destekli planlama, konuşmayı önlemeye kaydırır. Ekip risk tahminlerini haftalık olarak gözden geçirir, geride kalması muhtemel faaliyetleri belirler ve önleyici tedbirler alır.

Bu değişim, bazı proje ekipleri için başlangıçta rahatsız edicidir. Bilinen bir sorun yerine bir tahmine göre hareket etmek, farklı bir zihniyet ve taşeron yüklenicilerle farklı bir diyalog gerektirir. Bir taşerona, kendisi yolunda olduğuna inandığı halde verilerin faaliyetinin gecikmeye doğru eğilim gösterdiğini söylemek, diplomasi ve konuşmayı destekleyecek veriler gerektirir.

Bu geçişi yapan proje ekipleri, yapay zeka tahminlerinin program tartışmalarında tarafsız bir üçüncü taraf haline geldiğini bildirmektedir. Ana yüklenici şantiye şefinin bir taşeronu işaret edip geride kaldınız demesi yerine, tartışma verilerin ne gösterdiği ve hangi düzenlemelerin yardımcı olabileceği üzerine yoğunlaşır. Başlangıçta yapay zeka tabanlı değerlendirmelere direnen taşeronlar, genellikle erken uyarıyı takdir etmeye başlar çünkü bu onlara durum kritik hale gelmeden önce kendi kaynak planlarını ayarlama zamanı verir.