Faglig innhold

I BAE næringen finnes mye uutnyttede data - både strukturert og ustrukturert. I byggeprosjektene er det mange aktører, noe som medfører informasjonssiloproblematikk. Ved bruk av kunstig intelligens og god datastruktur vil informasjonssiloene kunne løses opp, og det kan dras større nytte av informasjonen som produseres.

Temaene som inngår i emnet, er:

Introduksjon:

• Forståelse av bransjens utfordringer: Hva koster tid, penger, ressurser, og hva som fører til dårlig kvalitet eller dårlig fungerende bygg.
• Innføring i teknologiene, begreper og definisjoner;
• Introduksjon til kunstig Intelligens (AI) og maskinlæring relevant for byggebransjen

Maskinlæring:

• Populære maskinlæringsalgoritmer
• Kartlegging og kategorisering av maskinlæringsalgoritmer

SemantiskWeb:

• Semantisk Web, Resource Description Framework (RDF)
• Teknologisk oppbygging av Semantisk Web; RDF-tripler, ontologier og konsepter
• Eksempler på ontologier relaterte til BAE næringen
• LinkedData lagring / Grafdatabaser

Anvendelse:

• Gjennomgang av vellykkede erfaringer:
  • Når, hvor og til hva er AI nyttig i dag?
  • Hva slags målbar nytte er observert i forhold til tidsbesparelse, økt kvalitet, økt verdi og lavere kostnader.
  • Gjennomgang av erfarte problemer: På hvilken måte, eller i hvilke situasjoner kan dagens teknologi komme til kort, være uhensiktsmessig eller uegnet?
• Hva slags teknologi som er under utvikling og vil ha betydning for bransjen
  • Standardisering, interoperabilitet og plattform uavhengighet.
  • Risiko/fallgruver man må være bevissthet på i forhold til personvern, sikkerhet og lovverk.
• Hvordan man bør gå frem for å identifisere når det kan være gunstig å prøve ut nye teknologiske muligheter innenfor AI.
  • Kriterier for å evaluere modenhet av løsninger / metoder. Balansering/estimering av risiko knyttet til innovasjon og pilotprosjekter.
• Praktisk innføring av AI i din bedrift, og i bransjen generelt.
  • Hvordan få gjennomslag for innføring av nye metoder.
  • Bransjesamarbeid om innovasjon, FoU, og kunnskapsdeling.
• Hvordan proaktivt tilegne seg kunnskap og erfaring fra andre bransjeaktører i Norge og verden for øvrig.

Læringsutbytte

Etter endt emne skal deltakerne ha:

Kunnskap:

• Ha oversikt over de forskjellige kategoriene innenfor maskinlæring
• Forstå metodikken og forutsetningene for å utnytte maskinlæring for å behandle store datamengder
• Kunne gjøre rede utvalgte maskinlæringsalgoritmene og hvilke byggrelaterte utfordringer disse kan løse
• Gjøre rede for SemantiskWeb-prinsippene og hvilke teknologier som inngår
• Kjenne til utvalgte ontologier som vil kunne brukes i BAE næringen
• Forstå hvordan presentert teknologi kan utnyttes til effektivisering og til å redusere informasjonssiloproblematikken i bransjen

Ferdigheter:

• Vite hvordan løse utvalgte problemer og utfordringer i BAE næringen, ved hjelp av maskinlæringsalgoritmer
• Kunne bidra til automasjon og maskinlæring innenfor relevante områder

Generell kompetanse:

• Forstå viktigheten av kunstig intelligens og få en nyansert forståelse for hvordan dette vil endre BAE-næringen
• Vise selvstendighet og samarbeidsevne, samt evne til refleksjon.
• Etablere grunnleggende forståelse for hvordan skape verdi ut av "stordata" gjennom god strukturering og maskinlæringsalgoritmer

Læringsformer og aktiviteter

• Nettbasert med en 2-dagers samling på Gjøvik
• Video med gjennomgang av Semantisk Web
• Videoer med gjennomgang av maskinlæringsteknikker
• Selvstudium av relatert litteratur
• Gruppearbeid
• Webinarer
• Prosjektoppgaver
  • 1) Oppgave relatert til Semantisk Web (20%)
  • 2) Oppgave relatert til Maskinlæring (20%)
  • 3) Oppgave knyttet til hvordan maskinlæring kan implementeres i bygg- og anleggsbransjen (60%)

Mer om vurdering

Ved stryk må emnet tas på nytt ved neste gjennomføring

Spesielle vilkår

Anbefalte forkunnskaper

• Kjennskap og erfaring til bygg- og anleggsbransjen
• VB6114 Prosjektgjennomføringsmodell etter ISO19650

Forkunnskapskrav

Ingen

Kursmateriell

• Opplæringsvideoer i Semantisk Web
• Opplæringsvideoer i maskinlæring
• Microsoft Azure Machine Learning; ISBN-10: 1784390798; ISBN-13: 978-1784390792
• Allemang og Hendler (2011): Semantic Web for the Working Ontologist (utvalgte deler), tilgjengelig fra https://www.sciencedirect.com/book/9780123859655/semantic-web-for-the-working-ontologist
• Pascal Hitzler, Markus Krötzsch, Sebastian Rudolph (2009): Foundations of Semantic Web Technologies (https://www.semantic-web-book.org)
• https://www.w3.org

Presiseres ved undervisnings-start