2 minuuttia
Kirjoittaja Fredrik Löfberg
Quenticin sisäiseen dna:han on rakennettu into tutkia uusia teknologioita. Haluamme ymmärtää, miten teknologista kehitystä voidaan hyödyntää paremman työturvallisuuden saavuttamiseksi ja asioiden automatisoinniksi. Automaatioasteen parantaminen on avain turvallisuuden kehittämiseen, koska fakta on, että teknologia tekee nykyiset manuaaliset raportointiratkaisut hyödyttömiksi. Itsestäni tuntuu, että olemme vasta aloittaneet oman matkamme mobiilipohjaisella ratkaisullamme.
Olemme miettineet paljon, miten voisimme tunnistaa piileviä ja nousevia riskejä työkohteissa. Nousevilla tarkoitan siis sellaisia riskejä, joiden todennäköisyys kasvaa hetki hetkeltä. Olen koonnut listan niistä teknologioista, jotka olisivat jo tällä hetkellä saatavilla:
Visuaaliset syötteet ja niiden reaaliaikainen tulkinta: Voisimme tunnistaa kuvista henkilökohtaisten suojainten käytön sekä jopa tulkita ihmisten tunnetiloja.
Ympäristötekijöiden reaaliaikainen mittaaminen ja vertailu sallittuihin raja-arvoihin. Esimerkkeinä lämpötila, kosteus, tuulisuus yms.
Työkalujen ja raskaan kaluston ennakoiva mittaaminen.
Telineiden ja suojarakenteiden kunnon mittaaminen ja ennakoiva huolto.
Alustan liukkauden ja henkilöiden liukastumisriskin mittaaminen turvakengissä olevilla kiihtyvyysantureilla.
Informaatiovirtojen yhdistäminen ymmärrettäväksi tiedoksi
Kuten yllä oleva lista osoittaa, tietoa olisi tarjolla todella paljon. Suurin osa tiedosta kerätään automaattisesti, eikä siihen tarvita ihmistyövoimaa tietoa syöttämän. Tieto saataisiin siis talteen automaattisesti, mutta sen analysointi ja johtopäätösten tekeminen olisivat todella aikaa vievää työtä. Datan kerääminen ilman mahdollisuutta visualisoida tietoa, tunnistaa trendejä ja käynnistää tarvittavia toimenpiteitä johtopäätösten jälkeen on turhaa ja hukkaan heitettyä rahaa. Toisaalta, kun tiedon määrä kasvaa, myös reagointinopeuden pitää kasvaa ja analyysin sekä päätöksenteon tapahtua lähes reaaliajassa. Yksinkertaisesti siis parempi, laadukkaampi ja kasvava määrä työturvallisuusinformaatiota on liian suuri haaste työturvallisuuspäällikölle manuaalisesti käsiteltäväksi. Puhumatta siitä, että informaatiosta pitäisi tunnistaa toistuvat piirteet ja nousevat riskit.
Koneoppiminen ja tekoäly avuksi
Viime vuosina koneoppimisesta on tullut yleishyödyke, ja se onkin tekoälyn ensiaste, jota hyödynnetään jo varsin laajasti. Esimerkiksi Apple on tuonut koneälysirut jo mobiililaitteisiinkin. Työmaiden kontekstissa koneoppimista voitaisiin hyödyntää nimenomaan eri informaatiovirtojen käsittelyyn. Nämä virrat toimivat sisältönä, josta voidaan oppia ja jalostaa tieto laadullisesti tarkaksi ennusteiksi ja ennakoiviksi toimenpiteiksi ihmisille. Malli tulee kehittymään lähitulevaisuudessa vielä pidemmälle. Kun tekoäly tulee mukaan kuvioon ja tekee itsenäisesti päätökset toimenpiteiksi, ihmisten ei tarvitse enää olla kumileimasimena hyväksymässä toimenpiteitä, joiden kompleksisuutta ja kokonaiskuvaa voi olla hankala käsittää tekoälyn nopeudella. Järjestelmä voisi myös kommunikoida suoraan kentällä olevan henkilöstön kanssa epäturvallisesta käytöksestä tai varoittaa nousevista riskeistä. Tämä keskustelu voidaan käydä esim. chatbotin avulla.
Tulevaisuudessa tulemme näkemään yhä enemmän kehitystä, jossa rutiininomaisia tehtäviä työturvallisuudessa ja työmaapäällikön nykyisistä tehtävistä hoidetaan automaattisesti tekoälyllä. Tämä tulisi nähdä positiivisena asiana, koska nykyisellään monen turvallisuus- ja työmaapäällikön aikaa tuhlaantuu hyvin perustavanlaatuisiin perustehtäviin, eikä heillä yksinkertaisesti ole aikaa kommunikoida tarpeeksi kaikkien kanssa. Koneoppimisen ja pidemmälle viedyn tekoälyn hyödyntäminen vapauttaa aikaa. Tämä mahdollistaa ihmisten fokuksen siirtymisen korkeamman jalostusasteen tehtäviin, joissa esimerkiksi ROI on merkittävästi perustehtäviä suurempi.
