مقالهای که توسط گارسیا و همکارانش در سال ۲۰۲۰ منتشر شده، به یکی از تحولات بنیادین در مدیریت پروژههای ساختوساز میپردازد: استفاده از سکوهای دادهمحور مبتنی بر هوش مصنوعی (AI-driven data platforms). در این مقاله، نویسندگان با بررسی پروژههای واقعی، چالشهای جاری در مدیریت دادهها در پروژههای مهندسی را شناسایی کرده و نقش پلتفرمهای هوشمند در حل این چالشها را بهصورت مستند تحلیل میکنند.
در ابتدای مقاله، به حجم عظیم دادههای تولیدشده در پروژههای ساختمانی اشاره میشود؛ از دادههای طراحی و برنامهریزی گرفته تا گزارشهای روزانه، دادههای پیشرفت فیزیکی، نتایج بازرسیها، مستندات ایمنی، اطلاعات تجهیزات، سوابق کیفیت، مکاتبات و صدها نوع اطلاعات دیگر. اما نکته کلیدی این است که بخش عمدهای از این دادهها یا اصلاً استفاده نمیشوند، یا با تأخیر و خطا مورد تحلیل قرار میگیرند؛ چرا که معمولاً سیستمها مجزا هستند، منابع داده یکپارچه نیستند و امکان تحلیل همزمان فراهم نیست.
نویسندگان مقاله معتقدند که آینده پروژههای ساختوساز، در گرو استفاده از سکوهای دادهمحوری است که بتوانند این اطلاعات را بهصورت زنده، متمرکز و قابل تحلیل جمعآوری و مدیریت کنند. این سکوها باید از الگوریتمهای یادگیری ماشین (Machine Learning) برای تحلیل دادهها استفاده کنند، روندها را شناسایی کرده و به مدیران پروژه در تصمیمگیری کمک نمایند.
یکی از بخشهای مهم مقاله به نقش این سکوها در پیشبینی ریسک، جلوگیری از تأخیرات، بهینهسازی منابع و هشدارهای پیشگیرانه اختصاص دارد. نویسندگان نشان میدهند که چگونه یک پلتفرم هوش مصنوعی میتواند با تحلیل روزانه دادههای پیشرفت کار، موجودی انبار، وضعیت کارگاه، شرایط آبوهوایی و دادههای کیفیت، احتمال وقوع مشکلات آتی را پیشبینی کرده و بهصورت خودکار پیشنهاداتی برای اصلاح روند ارائه دهد.
در همین راستا، مقاله تأکید میکند که کلید موفقیت این سکوها، یکپارچگی دادهها و جریانهای اطلاعاتی زنده (real-time) است؛ یعنی سیستم باید بتواند از منابع مختلف مانند موبایل، سنسورها، فرمهای دیجیتال، ایمیل و سیستمهای مدیریتی دیگر اطلاعات بگیرد و همه را در یک بستر مرکزی هوشمند ذخیره و تحلیل کند.
از طرفی، چالشهایی نیز ذکر شده است: از جمله نیاز به آموزش کارکنان برای استفاده از سیستمهای هوش مصنوعی، نیاز به فرهنگ دادهمحور، حفظ امنیت و محرمانگی اطلاعات، و هزینههای اولیه پیادهسازی. اما این مقاله نتیجه میگیرد که بازده بلندمدت چنین سکوهایی، بهمراتب بیشتر از هزینههای آنها خواهد بود.
در اینجا، سامانه پندار دقیقاً بهعنوان یک پلتفرم دادهمحور هوش مصنوعی، تمام ویژگیهایی را دارد که مقاله گارسیا و همکارانش توصیه کردهاند. پندار نهتنها دادهها را از منابع مختلف جمعآوری میکند، بلکه آنها را ساختاردهی، ذخیره و تحلیل میکند. با بهرهگیری از الگوریتمهای پیشبینی، بهویژه در بخش کیفیت، پیشرفت پروژه، و مدیریت درخواستها، پندار قادر است روندها را تحلیل کرده، نقاط گلوگاهی را شناسایی و پیش از وقوع بحران، هشدار صادر کند.
برای مثال، در پروژههای نفت و گاز که هر روز صدها فرم، بازرسی، گردش کار و تغییرات اتفاق میافتد، پندار با ترکیب دادههای لحظهای از اپلیکیشنهای میدانی و زیرسیستمهای مدیریتی، میتواند تشخیص دهد که یک تأخیر یا ناهماهنگی کیفی در حال وقوع است و چه تیمی باید وارد عمل شود. همچنین، در صورت مشاهده الگوهای تکراری نقص، الگوریتم تحلیل ریشهای هوشمند فعال میشود و پیشنهاداتی برای اصلاح فرایند ارائه میدهد.
علاوه بر این، یکی از ویژگیهای متمایز پندار، استفاده از موتور جستجوی نیمههوشمند برای استخراج اطلاعات موردنیاز از میان هزاران سند است، که دقیقاً به مشکل دادههای بدون استفاده که در مقاله ذکر شده، پاسخ میدهد.
در نهایت، اگر مقاله گارسیا تصویری از آینده پروژههای ساختوساز را ترسیم میکند که در آن دادهها حرف اول را میزنند و هوش مصنوعی مغز پروژه است، سامانه پندار همین آینده را امروز در میدان پروژهها پیادهسازی کرده است. با پندار، دادهها به دارایی فعال، زنده و قابل تصمیمگیری تبدیل میشوند و پروژهها از فضای سنتی و کاغذی به دنیای تحلیلی، دقیق و پیشبینیپذیر وارد میشوند.
