Maskininlärning gör intåg i miljö- och entreprenadbranschen

Digitaliseringsvågen sveper över Sverige och fler och fler företag förstår nyttan av att digitalisera sina administrativa processer, inte bara för tidsbesparingarna utan även för den minimering av fel som automatiserade processer innebär. Nästa steg på resan är att systemet själv börjar lära sig och utvecklar regler med hjälp av maskininlärning.

Maskininlärning (engelska: machine learning) handlar om metoder för att med inmatad data konstant "träna" datorer att upptäcka och "lära" sig regler för att lösa en uppgift, utan att datorerna har programmerats med regler för just den uppgiften.

Pinpointer driver utveckling
Det svenska företaget Pinpointer utvecklar just nu metoder och modeller för att kunna utveckla sitt system för hantering av förorenade massor med maskininlärning. Till en början kommer det att implementeras i inläsning och förståelse av jordanalyser samt vågkvitton, men kommer senare att utvecklas till att kunna läsa och förstå markgeotekniska undersökningar.

• -Det är en väldigt komplex och intressant vidareutveckling av systemet som kommer att pågå under de närmaste åren, men vi har tagit flera viktiga steg på resan mot ett självlärande system inom hanteringen av förorenade material. Säger Henrik Elf, IT ansvarig på Pinpointer.

Genom att applicera maskininlärning på t ex läsandet av analyser kommer systemet att kunna förstå och klassificera material mycket snabbare samtidigt som det succesivt kommer att kunna sätta det i samband med de markgeotekniska undersökningar som är utförda. Det bör även kunna ge förslag till hur man bäst sorterat och schaktar för att uppnå bästa resultat inom både miljö och ekonomi. Sedan kommer systemet även självklart att hitta de avvikelser som t ex fel i analyser och medelvärdesberäkningar kan innebära.

Kundnytta för användaren
Vad blir då nyttan för de vanliga användarna? Redan idag har digitaliseringen effektiviserat hanteringen rejält, men att i en framtid kunna skicka in sina undersökningar och direkt få ut ett förslag till uppdelning av material och prisuppskattningar kommer att spara oändliga mängder med tid och resurser. Att sedan systemet kan ställa de värden som lästs in innan projektet startas mot faktiska vågkvitton och klassificeringarna gör att systemet hela tiden lär sig och kommer att ställa mer tillförlitliga prognoser. Det kommer innebära att mer tid kan läggas på att effektivisera och leda själva schakten och mindre administrativ tid på jämförelser och kontroller.

Miljö och utveckling går hand i hand
I en verklighet där tidplanerna är pressade, marginalerna små och insatserna stora, är utrymmet för misstag litet. Ändå är kraven omfattande på de aktörer som ansvarar för schakt och sanering inför byggnation. Rapporter, kvitton, analyser, deklarationer och körsedlar ska skötas med stor noggrannhet för att uppdragsgivarnas och myndigheternas förtroende ska hedras. Om det smyger sig in fel någonstans i processen så är risken stor att föroreningar sprids till ställen där de absolut inte hör hemma. Med den utveckling som digitalisering och maskininlärning innebär kommer sådana fel att minimeras och risken för oönskad spridning blir väldigt låg.