Maskinlæring som beslutningsstøtte for å redusere ulykkesrisiko

Abstract

Flere næringer er i stor endring grunnet nye teknologiske utviklinger. Heriblant vil maskinlæring (ML) bidra til flere nye muligheter i ulike industrier. Bygg- og anleggsnæringen (BA-næringen) har foreløpig ikke tatt i bruk slike nyskapende teknologier i stor grad. Det vil foregå en stor endring også i denne næringen for å dra nytte av de nye mulighetene ved maskinlæring. Derimot vil det også være utfordringer tilknyttet slike verktøy. Dermed vil denne oppgaven avdekke eksisterende anvendelse for ML og hvilke tilknyttede utfordringer andre næringer enn BA-næringen har så langt. Deretter skal det sees på hvilke overføringsverdier dette kan ha for BA-næringen.

Problemstillingen til oppgaven besvares med å utføre intervjuer fra ulike næringer som har forskjellige anvendelser av nye teknologiske verktøy. Dette gjøres for å få en bred forståelse for både muligheter og utfordringer som er tilknyttet, samt vil det fungere som inspirasjon for anvendelse til en dynamisk preget bransje som BA-bransjen. Det vil også utføres intervjuer med pågående bruk av ML i BA-næringen. Det skal gjennomføres en litteraturstudie som skal styrke eller utfordre synspunkt som kommer fram gjennom intervjuer. Tematikken vil utforskes med et teoretisk grunnlag som innebærer et sikkerhetsstyringssystem, sikkerhetsperspektiver og beslutningsteori. Masteroppgaven er tilknyttet forskningsprosjektet DiSCo som ønsker å se hvilke muligheter som eksisterer for å utvikle et ML-verktøy for å forbedre ulykkesrisiko i BA-næringen. Det vil i denne sammenhengen gjennomføres workshops som en siste form for empiri i denne oppgaven. Dette utføres med partnere i forskningsprosjektet for å få innsikt i både BA-næringen og for økt forståelse av ML.

Funn fra oppgaven tyder på at det er flere muligheter å dra nytte av. Heriblant økt effektivisering, større beslutningsgrunnlag, redusert ressursbruk og redusert ulykkesrisiko. Samtidig vises det noen utfordringer som for eksempel økt kompleksitet, økt kritikalitet og manglende tillit til ML. Det vil dermed være et viktig moment å minske utfordringene tilknyttet anvendelse av ML-verktøy samtidig som man kan dra nytte av mulighetene som det medbringer.

Områdene som utforskes er preget av lite tidligere forskning og det vil bli et økende fokus fremover. Oppgaven har samlet en del av den eksisterende informasjon som er tilgjengelig, og kan dermed benyttes som en inspirasjon til utvikling av ML-verktøy, samt tilknyttede muligheter og utfordringer. Den kan også fungere som et steg i prosessen videre for forskning på området.

Major changes are ongoing in a range of industries due to new technological developments. Among these are machine learning whom will contribute to many new opportunities in various industries. The construction industry has not yet adopted these innovative technologies to a large extent. There will be major changes in the construction industry as well, to take advantage of the new opportunities with machine learning. There will also be associated challenges with such tools. Thus, this thesis will explore current applications of machine learning and what challenges other industries than the construction industry have discovered so far. The thesis will then explore which values could be transferred to the construction industry.

The problem to be adressed in the thesis is answered by conducting interviews from varying industries, that have different applications of new technological tools. These will be performed to gain a broad understanding of both the opportunities and challenges that are associated, and they will serve as inspiration for application to a dynamically cahracterized industry such as construction. Interviews will also be conducted with ongoing use of machine learning in the construction industry. A literature study will be conducted to strengthen or challenge points of views lifted during interviews. The topic will be explored with a theoretical basis that includes a safety information system, safety perspectives and decision theory. This master thesis is associated with a research project DiSCo which would like to explore what opportunities exist to develop a machine learning tool, to improve accident risk in the construction industry. In this context, workshops will be conducted as a final form of empirical work in this thesis. This is done with partners in the research project to gain insight into both the construction industry and for an increased understanding of machine learning.

The thesis findings indicates that there are many opportunities to take advantage of. These include increased efficiency, greater decision basis, reduced use of resources and reduced accident risk. On the other hand, some challenges appear, such as increased complexity, increased criticality and lack of trust in machine learning. Thus, an important focus will take place to reduce the challenges associated with the use of machine learning tools, while also being able to take advantage of the opportunities.

The field being explored in the thesis is characterized by a low degree of previous research, and there will be an increased focus in the future. The thesis has collected much of the exisiting information that is available and can thus be used as inspiration for the development of machine learning tools with its associated opportunities and challenges. It can also serve as a stepping stone for further research in the field being studied.