Kirjoitimme aiemmassa blogissa, että ihmisen rooli pysyy tulevaisuudessakin tärkeänä siitä huolimatta, että automaatio, digitalisaatio ja muut muoti-ilmiöt muuttavat toimintatapoja. Ajattelimme nyt mennä vielä hieman lähemmäs konkretiaa.

Ennakoivasta huollosta puhutaan eri toimialoilla paljon. Konepajat asentavat laitteistoihinsa sensoreita, jotka tunnistavat epätyypillistä värinää ja siten ennakoivat varaosa- ja huoltotarvetta. Kiinteistöalalla lämpötila- ja kosteusanturit mittaavat olosuhteita ja aistivat ongelmia esimerkiksi ilmanvaihdon toiminnassa ja kosteusolosuhteissa.

Puhuttaessa tällaisesta toiminnasta on näkökulma usein automaatiossa ja jopa ihmisten korvaamisessa koneilla. Tosiasiassa ihmisen rooli pysyy jatkossakin erittäin tärkeänä. Asiantuntijoita tarvitaan prosessin monissa vaiheissa – koneet ja ihmiset täydentävät toisiaan. Me Leanheatillä olemme lähestyneet asiaa seuraavalla tavalla ja vaiheistuksella.

1. Raakadatan keräys
Jotta ennakoivassa huollossa päästään eteenpäin, on käärittävä hihat ja aloitettava jostakin. Me aloitamme keräämällä suuret määrät dataa esimerkiksi asentamalla kiinteistöihin kosteusantureita. Liikkeelle lähtö on helppoa, mutta datan kerääminen on vasta alkua, eikä tuo suoraan vielä lisäarvoa. Useimmiten ihmisillä ei ole aikaa analysoida raakadataa, jolloin pelkällä datalla harvoin pääsee pitkälle. Työsarkaa voidaan toki helpottaa yksinkertaisilla hälytysrajoihin perustuvilla poikkeamahälytyksillä, mutta käytännössä ne voivat olla haastavia toteuttaa fiksusti johtaen virhehälytyksien vyöryyn ja ihmisten turhautumiseen.

2. Älykkyyden luominen
Kun dataa kertyy, päästään pikkuhiljaa luomaan älykkyyttä. Olemme lähestyneet asiaa kahdesta suunnasta. Matemaatikkomme luovat datan pohjalta malleja, joiden avulla pyritään ennustamaan kiinteistöjen ”tyypillistä käyttäytymistä” (esim. tyypillisiä kosteusolosuhteita). Näihin malleihin perustetaan poikkeamahälytykset. Tässä kohtaa analyysitiimi tulee mukaan tutkien poikkeamien syyt datan avulla ja esim. kohteella käymällä. Kun syitä poikkeamille alkaa kertymään pääsevät matemaatikkomme opettamaan kiinteistön ”mallille”, mistä erilaiset poikkeamatyypit johtuvat. Tällöin tyhmä ”poikkeamahälytys” muuttuu ”älykkääksi hälytykseksi” sisältäen analyysin poikkeaman syistä ja mahdollisista korjaustoimenpiteistä. Ihmisten rooli ”koneen opettamisessa” tulee jatkossakin olemaan tärkeä jo siitäkin syystä, että maailma muuttuu ja sen myötä myös erilaiset ongelmatyypit muuttuvat. Kone voidaan opettaa tunnistamaan tietystä datasta tietty ongelma, mutta datan ja ongelmien muuttuessa tarvitaan jälleen ihmisiä opettamaan.

3. Käytännön toimenpiteet
Kun on saatu aikaan ”älykkäitä hälytyksiä” seuraa käytännön tekemisen vaihe. Jonkun on mentävä fyysisesti kiinteistöön tekemään käytännön toimia, kuten vaihtamaan venttiilejä, tasapainottamaan ilmanvaihtoa, säätämään laitteistoja ja niin edelleen. Toisaalta tätä edeltävässä jatkuvassa valvonta- ja analyysityössäkään edes älykkäimmät hälytyslogiikat eivät kokonaan poista tarvetta asiantuntijoille. Kosteusdatan pohjalta olemme löytäneet esimerkiksi ilmanvaihtokoneita, jotka kyllä pyörivät, mutta propellin lavat ovat irronneet. Voi olla vaikea opettaa koneälyä tunnistamaan näin yksityiskohtaisia ongelmia, jolloin ihmistä tarvitaan edelleen a) jatkoanalysoimaan ongelmien lähteet ja b) korjaamaan ne.

Älykkäiden hälytysten ja ennakoivan huollon maailmassa ihmisen rooli on entistä mukavampi ja kiireettömämpi, mutta se pysyy edelleen tärkeänä. Leanheatin palvelussa energia-asiantuntija kuuluu palvelusta maksettavaan kokonaishintaan, jolloin asiakkaan rooliksi jää parhaassa tapauksessa jalkojen nostaminen pöydälle. Osa töistä siirretään tekoälylle ja osa ulkoistetaan asiaan perehtyneille ja keskittyville asiantuntijoille. Tällaisella koneiden ja ihmisten toisiaan täydentävällä yhteistyöllä saadaan parhaat puolet irti automaatiosta ja asiantuntijuudesta.