Slik jobber ingeniører med KI i generativ design
Kunstig intelligens sparer ingeniører for tid og kostander, sier ekspert.
– Dette har endret hverdagen vår og måten vi interagerer med design i prosjektene vi er involverte i.
Marius Jablonskis er ingeniør og leder for digital transformasjon i Norconsult. Han er også medlem av RIFs ekspertgruppe innen kunstig intelligens (KI).
Når nye bygg skal føres opp må de rådgivende ingeniørene regne på alt fra arealbruk, naturinngrep og materialbruk til kostnader og bærekraft. Slik blir de et viktig bindeledd og premissleverandør mellom kunden som bestiller et bygg og entreprenøren som skal bygge det.
For tiden er Jablonskis i gang med å undersøke og teste hvordan KI kan endre en sentral praksis i mange ingeniørers hverdag – nemlig i designprosessene.
– KI i generativ design kan avdekke mer effektive og bærekraftige løsninger, samtidig som det reduserer kostnader. Og, vi kan få mer fart i noen av de trege prosessene.
KI i generativ design gir mange nye muligheter
Der de fleste vil være kjent med generativ KI som genererer bilder, video og språk (som Midjourney, Sora og ChatGPT), handler generativ design om mye av det samme, bare rettet mot ingeniørbransjen.
Kort fortalt blir en datamaskin matet med kriterier – alt fra materialbruk til bærekraft – rundt det man ønsker å oppnå. Med gitte mål og begrensninger genereres en rekke designforslag, som ingeniøren så kan sortere gjennom og plukke fra.
Dermed slipper ingeniøren å måtte bruke veldig mye tid og energi på å utarbeide hver mulige løsning manuelt – for eksempel varianter av hvordan ulike rom skal plasseres i en etasje av et gitt bygg.
– Vi fôrer datamaskinen med parametere og kriterier. Basert på disse, genererer den et forslag, som vi kan vurdere, forklarer Gøran Andre Hansen.
Han er avdelingsleder for data og kunstig intelligens i Multiconsult, og også en del av RIFs ekspertgruppe innen KI.
KI gir kjappere kommunikasjon
Når denne arbeidsflyten får selskap av KI-modeller med forståelse av rom og geometriske sammenhenger, er gevinsten at man kan ta inn flere data og mer komplekse kriterier (for eksempel støy eller lysforhold), og i sin tur generere flere og bedre løsningsforslag.
Det er tilsynelatende en gradsforskjell, men det får store ringvirkninger. For eksempel i kommunikasjonen med kunder.
I stedet for å måtte tolke plantegninger og velge mellom noen få alternativer som har krevd mye ressurser å utarbeide, sier Jablonskis at de nå kan ta stilling til et bredere utvalg løsninger (tusenvis, om man vil), levende visualisert gjennom videoer eller på andre måter.
– Du får raskere utarbeidet og kommunisert konseptene og kommet videre til neste steg, hvor du evaluerer kostnader.
Om KI-modellen har kunnskap om et gitt areal, kan man spørre hva som er den optimale utnyttelsen av området, basert på historiske data om hvordan tusenvis av lignende områder er løst.
– I stedet for å definere nøyaktig hvor vi vil, kan vi definere hva vi ønsker å oppnå, sier Jablonskis.
– Om en kunde har en tomt som kan bli skole eller boligblokk, kan vi be om å få se hvilken løsning som fungerer best.
Går fra å modellere til å evaluere
Jablonskis sier at KI-støtten også letter balansegangen mellom alle mulige moderne byggekrav opp mot hverandre.
Et eksempel på hvordan KI letter arbeidet er å tenke seg en vei som skal gå gjennom et naturområde. Normalt ville ingeniøren gjerne tegnet veien selv, og kommet opp til noen ulike løsningsforslag til linjen den skal skjære gjennom omgivelsene.
– Men med KI oppgir du at veien skal gå fra A til B, og så tegner den ulike versjoner av veitraseene for deg, sier Hansen.
– Det du selv gjør er å legge inn alle begrensningene rundt, som hvordan landskapet ser ut eller om det er vernede områder der.
Ifølge Jablonskis kan komplekse beregninger rundt for eksempel bærekraft da utføres allerede på skissestadiet:
– Du kan optimalisere på mengden natur som må graves, typen materialer som skal brukes, eller for et langsiktig bærekraftsperspektiv. Der blir det virkelig komplisert, og da er KI en fin assistent å ha med seg.
Akkurat assistent er et greit stikkord her. KI fjerner ikke behovet for resten av verktøykassen – fra menneskelig kompetanse og datainnhøsting til de mer tradisjonelle algoritmene – men Jablonskis sier det kan ta dem kjappere til neste ledd.
– Basert på den ene veitraseen kan de vanlige algoritmene bygge ut hver komponent, som strøm og vifter i tunnelene, og gi detaljert innsikt i hva det vil koste å bygge ut.
Både han og Hansen understreker begge at viktigheten av at løsningsforslag skapt av maskinlæring blir gjennomgått kritisk av kompetente ingeniører. For dem er KI et effektiviserende ledd som må finne sin plass i flyten, ikke en endestasjon.
– Det er vi som er parten som sikrer at dette er trygt, sier Hansen, og kommer med et eksempel:
– Om KI har plassert elementer ut i en 3D-modell, må det valideres, sier han.
Avhengig av gode data
De understreker begge at eksempelet med veibygging bygger på én viktig forutsetning – gode data om kriteriene i området.
– Det er det som gjør modellen i stand til å produsere et godt svar, sier Hansen.
Hansen tror dette må løftes på bransjenivå for å høste de virkelig store gevinstene av maskinlæring.
– Å gå fra å tenke at vi skal tegne den veien selv til å fokusere på datakvalitet er en stor endring. Og datakvalitet er det vi ofte feiler på i bransjen. Vi har en tendens til å miste informasjon i hver overlevering, fra tidlig fase til arkitekt til ingeniør til bygg, fordi vi ikke har klart å enes om hvordan vi skal dra med oss data fra ledd til ledd.
Utfordringene rundt god databruk peker på et viktig poeng:
KI-teknologi fikser noe, men ikke alt. Mange av de tradisjonelle prosessene består, og må fortsatt forbedres. Noe løses best med ren dataflyt og automatisering, mens andre ting er best løst med maskinlæring.
For Jablonskis handler mye om at KI forsterker fagkompetansen og dette gjør oss mer effektive, kreative og styrker kvaliteten på alt vi gjør.
– Slik at våre gode arkitekter og ingeniører får et sett med superskills og er bedre rustet for å løse morgendagens komplekse samfunnsutfordringer.