Arkkitehti- ja laajemmin rakennusala on jäänyt muista aloista jälkeen tekoälyn hyödyntämisessä, kirjoittaa Albina Hakkarainen.
Työn väheneminen ja rakennusalan kiristynyt kilpailu ovat saaneet minutkin päivittämään taitojani vastaamaan alan muuttuvia vaatimuksia.
Tekoälyopintojeni ensiaskeleet eivät alkaneet, kuten usein tapahtuu, kuvien luonnista, vaan elinkaarianalyysin (LCA) opiskelusta. Tutustuminen generatiiviseen dataan, jota hyödynnetään rakennusten hiilijalanjäljen laskennassa, avasi silmäni datan merkitykselle. Tämä herätti kiinnostukseni ja johdatti jatko-opintoihin ohjelmassa AI applied to Construction, jonka tarjosi Zigurat Technical Institute of Barcelona.
Pian opin, että rakennusala on siirtymässä CAD-aikakaudesta (computer aided design) kohti AAD-kautta (artificial aided design). Muutos on vasta alkuvaiheessa, mutta kehitys on käynnissä, ja alan ammattilaisten on tärkeää ymmärtää ainakin sen suunta.
Vaikka tekoälyn historia ulottuu 1950-luvulle, sen varsinainen läpimurto tapahtui vasta 2020-luvulla. Tekoälybuumin taustalla on monen tekijän yhteisvaikutus: prosessorien laskentatehon kasvu, datan saatavuus, algoritmien kehitys, pilvipalvelut, taloudelliset investoinnit ja tekoälyn saavutettavuuden paraneminen.
Nopeimmin tekoälyä alkoivat hyödyntää ammatit, joissa data ja teknologia ovat keskeisessä roolissa: it-, rahoitus- ja markkinointiala. Arkkitehti- ja laajemmin rakennusala on jäänyt muista aloista jälkeen. Safan viime joulukuussa julkaisemassa kyselyssä todettiin, että suomalaisten arkkitehtien kokemus tekoälystä on melko vähäinen. Tekoälytyökaluja, kuten ChatGPT:tä ja kuvageneraattoreita, käytetään lähinnä tiedonhakuun, ideointiin ja havainnekuvien luomiseen.
Rakennusala on siirtymässä CAD-aikakaudesta (computer aided design) kohti AAD-kautta (artificial aided design).
VAIKKA tekoäly on tällä hetkellä monelle meistä lähinnä leikkikalu, sen potentiaali työkumppanina on valtava. Nopeus tekee tekoälystä arvokkaan työkalun erityisesti suunnittelun alkuvaiheessa, kun tarvitaan luovia ideoita, alustavia lukuja ja nopeita analyysityökaluja.
Viime vuosina kestävyys on noussut rakentamisessa keskeiseksi teemaksi, ja uusi rakentamislaki on entisestään korostanut sen merkitystä. Keskiössä ovat erityisesti energiatehokkuus ja materiaalien hallinta, sillä ne ovat ratkaisevia kestävän kehityksen tavoitteiden saavuttamisessa. Tuntuu, ettei arkkitehtien keskuudessa kuitenkaan ole vielä riittävästi osaamista asiasta. Tuleeko siis elinkaarilaskenta siirtää kokonaan muiden konsulttien vastuulle vai voisiko tekoälystä kenties olla apua?
Suuret kielimallit, kuten ChatGPT, auttavat, kun ei tiedä mistä aloittaa. Opintojeni lopputyönä ryhmämme kehitti räätälöidyn GPT-mallin, joka ohjaa arkkitehteja ja rakentajia kestävän rakentamisen suunnittelussa. Malli analysoi tontin ominaisuuksia, ehdottaa kestäviä materiaaleja ja tehokkaampia rakenteita sekä tunnistaa mahdollisia ongelmakohtia ja tarjoaa niihin ratkaisuja. Se myös auttaa monimutkaisten analyysien tulosten vertailussa, niiden merkityksen ymmärtämisessä sekä säädösten ja ympäristöstandardien tarkastelussa.
Energiatehokkuuden saavuttamiseksi on olennaista panostaa huolelliseen suunnitteluun sekä varmistaa, että rakennusta käytetään mahdollisimman resurssitehokkaasti koko sen elinkaaren ajan.
Optimaalinen suunnittelu saavutetaan pitkälti simulointien avulla. Rakennusalan lupaavimpia tekoälypohjaisia työkaluja ovat ilmastosimulaattorit, sillä ilmastodataa on kerätty maailmanlaajuisesti jo vuosikymmenten ajan. Niiden avulla voidaan suunnittelun aikana saada reaaliaikaista kuvaa aurinkosäteilystä, varjostuksesta, tuulen, päästöjen ja melun vaikutuksista, lämpökuormituksesta sekä energiankulutuksesta.
Rakennuksen käytön aikana tekoäly pystyy entistä paremmin auttamaan energian ja laitteiden kulutuksen vähentämisessä. IoT-sensorit tarjoavat reaaliaikaista tietoa energian käytöstä, tilojen hyödyntämisestä ja järjestelmien toiminnasta ja tämän tiedon pohjalta tekoälymallit ennustavat ja optimoivat LVIS-järjestelmien toimintaa.
Kokonaisvaltaisen ja datalähtöisen lähestymistavan rakennusten ja niiden järjestelmien optimointiin tarjoavat digitaaliset kaksoset, jotka ovat virtuaalisia malleja fyysisistä kohteista ja niiden järjestelmistä. Ne keräävät dataa ja simuloivat skenaarioita hyödyntäen BIM-tekniikkaa ja IoT-sensoreiden yhdistelmää. Rakennuksen elinkaaren hallinta tehostuu, kun digitaaliset kaksoset tunnistavat vain todellisia huoltotarpeita. Myös kokonaisia kaupunginosia voidaan mallintaa.
Kaupunkien digitaaliset kaksoset auttavat analysoimaan ja ymmärtämään kaupungin rakenteita, liikennevirtoja, väestön jakautumista ja ympäristövaikutuksia. Niiden avulla voidaan mallintaa eri skenaarioita, suunnitella ja optimoida rakennuskantaa, vihervyöhykkeitä, infrastruktuuria ja logistiikkaa ennen toteuttamista.
Koska tekoälysimulaatiot pohjautuvat pääosin generatiiviseen dataan, ne eivät ole niin tarkkoja kuin perinteiset työkalut, mutta ne ovat huomattavasti nopeampia ja usein riittävän hyviä jatkosuunnittelun pohjaksi. Lisäksi ne tunnistavat datasta rakenteita ja trendejä ihmistä paljon tehokkaammin ja pystyvät jopa luomaan uusia, oivaltavia yhteyksiä.
Toinen keskeinen tekijä kestävässä rakentamisessa on rakennusmateriaalien hallinta. Suunnitteluvaiheessa tekoälyä voidaan hyödyntää suunnitelmien optimointiin, mikä voi vähentää tarvittavien materiaalien määrää. Materiaalien saavutettavuus ja kierrätys tulee olemaan helpompaa tekoälyn ja digitaalisten materiaalidatapankkien ansiosta. Tällainen pankki voisi sisältää tiedon eri materiaalien sijainnista, koostumuksesta, alkuperästä, kierrätyskelpoisuudesta ja ympäristövaikutuksista.
Tämä mahdollistaisi materiaalien jäljitettävyyden koko niiden elinkaaren ajan, mikä käsittääkseni on juuri uuden rakentamislain tavoite. Rakennuksen purku- tai korjaustilanteessa tekoäly voi ehdottaa parhaita kierrätys- tai uudelleenkäyttötapoja sekä optimoida materiaalien ja jätteiden reitit paikalliset olosuhteet huomioiden. Jätekeräyspaikoissa tekoäly voi tunnistaa ja erotella eri rakennusjätetyypit nopeammin kuin nyt.
Projektin alkuvaiheessa, kun tarkkoja materiaalitietoja ei vielä ole saatavilla, generatiivinen data on paras vaihtoehto hiilijalanjäljen laskemiseen. Hiilijalanjälkilaskurien hallinta on yhä tärkeämpi osa ammattitaitoa, mutta suhtaudun niihin varauksella. Harjoitustyössäni, jossa eri ryhmät käyttivät samaa dataa ja ohjelmaa, laskelmat tuottivat eri tuloksia. Tekoälyn arvo piilee kuitenkin sen kyvyssä optimoida hiilijalanjälkiä tinkimättä muista tärkeistä tavoitteista, kuten toimivuudesta tai kustannustehokkuudesta. Laskurien suorituskyky todennäköisesti paranee datan määrän ja laadun lisääntyessä.
TEKOÄLYN ja arkkitehtuurin suhde on vielä kehitysvaiheessa. Olemme vasta alkaneet tutkia, mitä tekoäly voi tarjota kestävän rakentamisen saavutettavuudelle ja laajemmin rakennusalalle. Siihen liittyy monia toiveita, mutta myös riskejä: eettiset riskit, kuten tekijänoikeudet ja vastuun jakautuminen sekä ympäristöriskit, kuten tekoälyn suuri energiankulutus.
Vaikka tekoälytyökalut eivät ole vielä täysin luotettavia, ne pystyvät merkittävästi nopeuttamaan suunnitteluprosessia ja parantamaan viestintää sekä ymmärrystä suunnittelun taustalla vaikuttavista tekijöistä. Alussa niiden käyttö saattaa tuntua turhauttavalta, mutta sekä käyttäjän että tekoälyn kehittyessä työskentelystä tulee yhä tehokkaampaa. Tekoälyn myötä suunnitteluprosessi ja arkkitehdin työnkuva saattavat muuttua jo lähitulevaisuudessa, mutta arkkitehdin asemaan tekoäly ei mielestäni pysty vaikuttamaan vielä vähään aikaan.
Kirjoittaja työskentelee projektiarkkitehtina ja projektivetäjänä ja on kiinnostunut historiasta ja tulevaisuuden trendeistä.