CAPITALITZANT EL CONEIXEMENT EN CONSULTORIA ESTRUCTURAL AMB INTEL·LIGÈNCIA ARTIFICIAL

CARLES FARRÉ SERRA
Professional amb més de 8 anys d’experiència en el sector de la construcció, especialitzat en la gestió de projectes i la implementació de solucions digitals per al sector AECO (Arquitectura, Enginyeria, Construcció i Operacions).
Actualment, desenvolupa com a cofundador i consultor per implementar sistemes d’IA, BIM i transformació digital en empreses AEC a AECOTECH.

Una de les grans virtuts de la intel·ligència artificial és la seva capacitat per «recordar», o el que anomenem «memòria». Això no només permet que pugui retenir informació al llarg de múltiples interaccions, sinó també conservar i aplicar coneixement sense intervenció humana, quelcom que, ben implementat en una empresa, representa un avantatge competitiu difícil d’igualar. En encapsular la teva experiència en un model o emprar-la com a context per a grans models generatius, pots distribuir i aprofitar el coneixement de formes inèdites.
Quan explorem com aplicar la IA a l’àmbit de les estructures, els conceptes clau sempre es repeteixen: aprofitar les nostres dades, millorar la presa de decisions, automatitzar processos i optimitzar resultats, entre altres.

Però, què implica realment això? Per què hauries d’interessar-t’hi?
En essència, es tracta de deixar enrere l’hàbit de «reinventar la roda» o de «topar dues vegades amb la mateixa pedra», dues pràctiques que resten eficiència i que, curiosament, els enginyers repetim amb freqüència. Alguna vegada has perdut hores remenant solucions en projectes antics per aplicar-les a l’actual? Dubtes sobre el material adequat per a certes condicions? Va marxar de l’empresa aquella persona amb experiència que solia resoldre els reptes difícils i ara ningú sap com abordar aquests problemes? Es va prendre una decisió en el passat i avui resulta impossible saber per què? Tot això es tradueix en una pèrdua de temps, diners i en resultats de qualitat desigual, i la causa principal sol ser la manca d’accés a la informació i al coneixement acumulat a l’empresa.
T’imagines comptar amb algú que sempre recordi tots els detalls importants i que, cada vegada que necessitis ajuda, pugui trobar la informació, donar-te recomanacions específiques i mostrar-te com es van resoldre situacions similars en el passat?

Però, com s’aconsegueix això a la pràctica?
El que avui anomenem intel·ligència artificial és un conjunt d’eines que ens permeten convertir dades en coneixement útil i aplicable. D’una manera senzilla, podem dividir la IA actual en dues grans branques:
Per una banda, l’aprenentatge automàtic (machine learning) utilitza algoritmes que, en entrenar-se amb les teves pròpies dades, són capaços de resoldre tasques específiques com predir preus, classificar tipus de projectes o reconèixer elements en imatges. Així, el coneixement s’integra directament al model.
D’altra banda, la IA generativa (com la que impulsen sistemes tipus ChatGPT) funciona a partir de models prèviament entrenats, als quals se’ls pot afegir coneixement nou de dues maneres: realitzant un reentrenament (fine-tuning) o aportant informació rellevant a través del context (és a dir, mitjançant prompts i dades addicionals que se li proporcionen; forma indirecta).

Veus ara el potencial de capitalitzar el coneixement a la teva empresa?
Res millor que un exemple, així que a continuació explorarem ambdós enfocaments: models personalitzats i sistemes generatius amb memòria per il·lustrar com una consultora pot aprofitar al màxim les dades que ja té, aquelles que moltes vegades estan guardades en un ordinador o servidor, esperant a ser redescobertes i que pot ser que valguin or.

Figura 1. Gràfics realitzats amb les dades sintètiques generades amb una combinació de regles lògiques i IA generativa.

CAS D’ESTUDI 1: RECOMANADOR DE MATERIAL BASAT EN APRENENTATGE SUPERVISAT

Imagina que, a la teva empresa ACME, es duen a terme uns 100 projectes estructurals cada any i que l’equip està format per cinc persones. Uns 80 projectes es resolen sense contratemps, però en 20 d’ells sol ser necessari invertir temps revisant materials, perfils o revestiments, consultant projectes anteriors, normatives i fabricants per trobar solucions. A més, un parell de vegades a l’any sorgeixen problemes graves que requereixen intervenció directa a l’obra. Suposem, a més, que el teu especialista més experimentat, Juan, es jubila i part del seu coneixement es perd amb la seva sortida.

Davant d’aquesta situació, com pot ajudar-te la intel·ligència artificial?
Si analitzes la trajectòria de l’empresa, veuràs que en una dècada s’han acumulat al voltant de 1.000 projectes, dels quals 180 van presentar algun grau de dificultat i 20 van generar incidències importants. Tot aquest coneixement, dispers en carpetes i documents, té el potencial de transformar la manera de treballar: podrien reduir-se els casos especials de 18 a només dos a l’any, els incidents greus passarien de dos anuals a un cada dos anys, i l’empresa seria menys vulnerable davant la rotació de personal. Fins i tot suposem que es pogués augmentar la capacitat productiva fins a 150 projectes a l’any amb un equip més resilient. Vegem-ho.
Per realitzar aquest cas, s’ha creat un conjunt de dades sintètic amb 200 mostres, representant descripcions, característiques ambientals, materials, càrregues de foc, complexitat relativa, entre altres.
En visualitzar els resultats de l’anàlisi a les imatges següents, s’observa, per exemple, que els incidents que cometen els tècnics tendeixen a concentrar-se en projectes sobre terrenys argilosos. Els incidents greus, a més, semblen concentrar-se en edificis residencials amb estructures de formigó i mixtes. A més, més enllà de l’anàlisi quantitativa d’errors, es poden analitzar hàbits sobre decisions qualitatives, com la preferència de certs recobriments segons el context del projecte (fig. 1).
En definitiva, en les dades s’aprecia com ACME ha utilitzat determinats materials i recobriments en funció de cada context, trobant un patró que podem explotar, ja que veiem una predominança de solucions en ambients corrosius, càrregues de foc, tenint en compte el biaix del projectista i les incidències registrades.
A partir d’aquesta comprensió, és possible entrenar un model que recomani tipologies estructurals i recobriments d’acord amb les variables dels nous projectes. En aquest cas, s’ha entrenat un arbre de decisió amb un rendiment molt bo (precisió del 98 %). Ara, si intentem utilitzar el model per predir incidències i que ens recomani un recobriment (taula 1), hem de:

Taula 1

Com s’ha dit anteriorment, aquest conjunt de dades està simulat. En un entorn real, probablement amb una gran quantitat de casos, seria més encertat i a més el podem alimentar amb el temps, afinant el resultat en cada iteració.

CAS D’ESTUDI 2: SISTEMA D’AGENTS PER A L’ANÀLISI D’ESTUDIS GEOTÈCNICS AMB MEMÒRIA

Ara canviem d’enfocament i centrem-nos en la IA generativa, específicament en sistemes d’agents. Imaginem que a ACME ja s’ha resolt la recomanació de materials i l’avaluació de riscos potencials, però el veritable repte està en la interpretació dels estudis geotècnics, ja que, com s’ha conclòs en l’anterior cas, els incidents greus es concentren en terrenys argilosos. ACME, després d’avaluar-ho, determina que aquests problemes solen deure’s a dades rellevants que falten en els estudis i/o a dificultats per identificar riscos en els informes per part dels enginyers.
Aquí la clau està en aprofitar els grans models multimodals (com GPT), perquè els informes geotècnics estan compostos principalment de text i gràfics.
Es pretén plantejar una solució basada en un sistema multiagent en dues fases: primer, un sistema d’aprenentatge multiagent (l’agent entrenador) s’entrena fent servir informació d’internet, guies especialitzades i estudis geotècnics reals. Un agent principal coordina entre 10 i 30 subagents, que exploren diferents fonts per recopilar dades útils per interpretar informes, com propietats del terreny, riscos com associats als estrats i resultats de proves. Tota aquesta informació es consolida i un agent final genera protocols i advertències que serviran de guia en la següent etapa. A les figures 2 i 3 es pot visualitzar

Figura 2.

Figura 3.

Figura 4.

Figura 5.

l’esquema i la implementació en Flowise del sistema d’entrenament.
El resultat: un protocol per analitzar els estudis geotècnics, identificar possibles mancances en les proves realitzades, extreure les seves característiques i recomanacions, i revisar el coneixement de l’empresa per detectar incidents i anticipar riscos en els nous projectes.
En la segona fase, l’«agent analista» s’encarrega d’extreure informació clau i generar un informe detallat perquè l’enginyer prengui millors decisions (i fins i tot podria ajudar qui redacta l’estudi a detectar mancances). A més, ACME implementa un mecanisme de memòria: cada vegada que es produeix un incident rellevant, es documenta la incidència amb un anàlisi de les causes mitjançant un agent que emmagatzema l’experiència adquirida en una «memòria». Així, el sistema «aprèn» de cada cas, millorant la seva precisió i anticipant-se a situacions similars en nous projectes. En les figures 4 i 5 es pot visualitzar l’esquema i la implementació a Flowise del sistema d’anàlisi.
El resultat és un sistema d’agents capaç de generar informes exhaustius sobre estudis geotècnics i facilitar a l’enginyer estructural (fins i tot al laboratori que emet l’estudi) l’extracció de dades clau i trobar riscos significatius en relació amb el coneixement generat a l’empresa.
Aquest sistema, posem que pot resoldre inicialment el 50 % dels problemes i millorar la seva efectivitat en un 10 % anual. Aquest avanç es tradueix en estalvi econòmic, reducció de la incertesa i una major confiança tècnica per part dels clients i que a més evoluciona amb el temps. Resultat d’una execució per analitzar un geotècnic (fig. 6).

Figura 6.

CONCLUSIÓ

En definitiva, en l’era de la intel·ligència artificial, les dades es converteixen en un recurs fonamental per aportar valor i competitivitat a les empreses. La IA permet millorar la qualitat, minimitzar els riscos i potenciar el talent de qui l’utilitza; en mans expertes, multiplica les capacitats i obre noves oportunitats.