¿Cómo el Machine Learning puede ser útil en la construcción?

Cuando la mayoría de las personas escuchan "Machine Learning" o "inteligencia artificial", lo último que les viene a la mente es una tecnología que requiere interacción humana. Por lo general, es lo contrario. Más computadoras y más tecnología significan que menos humanos necesitan estar involucrados.

Sin embargo, el Machine Learning puede mejorar la vida cotidiana de los humanos en industrias de todo tipo, particularmente en la construcción.

Si bien el Machine Learning en la construcción puede parecer un concepto distante a décadas de convertirse en realidad, el futuro de la tecnología está más cerca de lo que piensa. En realidad, el aprendizaje automático ha estado ganando terreno en el negocio de la construcción durante años y, en pocas palabras, en lugar de eliminar a los humanos de la ecuación, permite que las personas realicen su trabajo de manera más eficiente.

3 formas en que el aprendizaje automático puede ser útil en la construcción

Hay muchas formas en que el Machine Learning se puede utilizar para ayudar a los humanos en el lugar de trabajo de la construcción, y cubre una variedad de nichos y consideraciones diferentes. Algunos de los más importantes incluyen:

1. Mejorar la calidad del diseño

El Machine Learning tiene el potencial de mejorar el diseño general de un edificio para sus ocupantes. Las empresas de espacios de trabajo utilizan la tecnología para analizar y estimar mejor la frecuencia de uso de las salas de reuniones, lo que permite a las empresas optimizar el diseño de esos espacios antes de que comience la construcción.

El Machine Learning también puede ayudar a los trabajadores a identificar posibles defectos de diseño y omisiones antes de continuar con la construcción.

2. Crear un lugar de trabajo más seguro

Por supuesto, la seguridad en los sitios de trabajo de construcción es una prioridad principal y el aprendizaje automático puede ayudar. Considere la prueba de inteligencia artificial VINNIE [Very Intelligent Neural Network for Insight and Evaluation] según lo informado por Engineering News-Record en 2016:

“VINNIE detectó peligros para la seguridad, como una persona que no usaba un casco, mucho más rápido y con mayor precisión que el equipo humano. En comparación, un equipo de especialistas humanos tardó más de 4,5 horas en revisar más de 1000 entradas, mientras que VINNIE tardó menos de 10 minutos. El equipo humano identificó correctamente 414 fotografías con personas, mientras que VINNIE identificó correctamente 446”. 

Al final del día, un ambiente de trabajo más seguro beneficia a toda la fuerza laboral.

3. Evaluación y reducción del riesgo

De la mano con el ejemplo anterior, se encuentra uno de los aspectos más maravillosos del Machine Learning: su capacidad para predecir peligros antes de que ocurran. Por ejemplo, al usar análisis predictivos, el aprendizaje automático puede ayudarlo a identificar peligros, cuantificar su impacto y reducirlos o evitarlos.