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 informajonssiloene 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 fører til dårlig kvalitet eller dårlig fungerende bygg? - Innføring i teknologiene, begreper og definisjoner; Kunstig Intelligens (AI), Maskinlæring, prediksjon og algoritme? - Oversikt over hvordan AI kan brukes i bransjen gjennom bygg og anleggs livsløp Maskinlæring: - Populære maskinlæringsalgoritmer (Lineær regresjon, Logistisk regresjon, Naive Bayes-Algoritme, Støttevektormaskiner, Beslutningstre-algoritmer, K-nearest neighbor, Tilfeldig skog algoritme, Graderingsforsterkning og K-means algoritme) - Kartlegging og kategorisering av Maskinlæringsalgoritmer - Nevrale nettverk - introduksjon, bruksområder SemantiskWeb: - Semantisk Web, Resource Description Framework (RDF) - Teknologisk oppbygging av Semantisk Web; RDF-tripler, ontologier og konsepter - Kartlegging av Ontologier relaterte til BAE næringen - Linked data lagring - Grafdatabaser Anvendelse: - Oversikt over viktige teknologitilbydere og deres løsninger - Muligheter og begrensninger med dagens bransjeløsninger basert på erfaringer. - 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. "Mirror World", "Spatial Web" og "Semantic Web": Konvergens av AR, VR, "Reality Capture”, AI, IOT, 5G & Edge-computing, smarte byer og Robotikk i et "Real World Spatial Computing" paradigme som basis for BIM trinn 3 prosjekter. - 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. Estimering av kostnads- og tidsbesparelse. Estimering av verdi- og kvalitetsøkning. Bransjesamarbeid om innovasjon, FoU, og kunnskapsdeling. Hvordan bransjen kan promotere langsiktig grunnforskning og fremtidsrettet utdanning av kunnskapsarbeidere i byggebransjen. - Hvordan proaktivt tilegne seg kunnskap og erfaring fra av andre bransjeaktører i Norge og verden forøvrig.

Læringsutbytte

Etter endt emne skal deltakerne selvstendig 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 for de mest brukte maskinlæringsalgoritmene og hvilke byggrelaterte utfordringer disse kan løse - Gjøre rede for SemantiskWeb-prinsippene og hvilke teknologier som inngår - Kunne gjengi de mest brukte ontologiene som vil kunne brukes i BAE næringen - Forstå hvordan infrastrukturen for Web 3.0 kan utnyttes til å redusere informasjonssiloproblematikken i bransjen Ferdigheter: - Vite hvordan løse problemer og utfordringer i BAE næringen, ved hjelp av maskinlæringsalgoritmer - Kunne tilrettelegge for 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 oppstartssamling på Gjøvik - Video med gjennomgang av Semantisk Web - Videoer med gjennomgang av maskinlæringsteknikker - Selvstudium av relatert litteratur - Gruppearbeid - Webinarer - Prosjektoppaver 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%)

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 - https://www.semantic-web-book.org - https://www.w3.org (suppleres ved undervisnings-start)