Publicerad 2019-06-04

Studenter utvecklar AI som beslutsstöd i tolkning av gamla planbestämmelser

”Så fantastiskt lärorikt!”, så sammanfattar fem studenter från Blekinge Tekniska Högskola det projektarbete som de genomfört tillsammans med oss på S-GROUP Solutions. Under ett antal veckor har de lärt ett neuralt nätverk att tolka gamla planbestämmelser. Resultatet är en fungerande modell som läser en äldre bestämmelse och ger förslag på en rådande bestämmelse från Boverkets bestämmelsekatalog.

- Det sker just nu en explosion inom samhällsbyggnadssektorn när det kommer till digital utveckling och innovation. Givetvis kommer detta påverka hur vi arbetar med våra produkter, men framförallt så kommer det påverka slutanvändaren. Man vill arbeta smart helt enkelt, säger Hans-Göran Wilhelmsson, VD på S-GROUP Solutions.

AI robot

- Vi måste hela tiden våga höja blicken och se hur tekniken kan vara en tillgång i vårt arbete att digitalisera samhällsbyggnadsprocessen. I det arbetet känns samarbetet med Blekinge Tekniska Högskola, och deras fantastiskt duktiga studenter, som en naturlig förlängning av vår interna innovationsprocess, avslutar Hans-Göran.


Studenter BTH

Under ett antal veckor har några studenter från Programvaruteknik och IT-säkerhetsprogrammet på Blekinge Tekniska Högskola arbetat med en modell med syftet att lära ett neuralt nätverk att tolka äldre skrivna detaljplanebestämmelser. Vi fick chansen att prata med studenterna, Ludvig Hansson, Simon Nilsson, Hadi Al Halbouni, Adam Andersson och Emelia Karlsson precis efter deras slutpresentation.

Hej!

Hej!

Berätta lite om vad ni har gjort här tillsammans med oss?

Vi har byggt en maskininlärningsmodell, som syftar till att kunna ta en äldre skriven bestämmelse från en detaljplan, köra den genom nätverket, och på andra sidan få ut ett förslag på vilken av Boverkets rådande bestämmelser som bäst matchar.


Vad har AI:n lärt sig?

Det som den framförallt har koncentrerat sig på att förstå är sekvensen av ord som står i den gamla bestämmelsen och inte de specifika orden i sig. För att dra en parallell så lär sig t.ex. en hundvalp att ordet ”sitt” följs av en specifik handling. Men hunden förstår ju inte innebörden av ordet sitt. Kommandot skulle lika gärna kunna vara gurka. Samma princip har vi tillämpat här, att nätverket inte lär sig specifika ord, utan sekvenser av ord som sätts i kontext.

Hur kan man använda detta i förlängningen?

I princip så skulle man ute på en kommun kunna använda det som stöd i tolkningen av gamla detaljplaner, och få stora effektivitetsvinster samt kunna vara konsekvent i sin tolkning. Nätverket lär sig löpande för att kunna erbjuda dig det bästa förslaget på gällande bestämmelse.

Vilka utmaningar har ni stött på?

En utmaning vi stötte på var att ha tillräckligt stora datavolymer för att kunna träna modellen. Nätverket skulle prestera bättre om vi hade haft ett större dataset att använda i inlärningssyfte.

Vad har ni lärt under dessa veckor?

Massor! Vi gick ju mer eller mindre in i detta utan tidigare erfarenhet från att jobba med neurala nätverk. Så inlärningskurvan har varit utmanande, men fantastiskt kul! Roligast är nog ändå att det faktiskt fungerar. Vi har en modell som faktiskt träffar rätt, och svarar bra mot rådande bestämmelser.


Hjälpte informationen dig?
Kontakta mig
Tack för din synpunkt
Just nu har vi tekniska problem, försök gärna igen senare.