# Tekoälystä uusi tarkastaja suunnittelijan rinnalle - Savonia-AMK

> Oheinen artikkeli käsittelee, kuinka tekoälyä voidaan hyödyntää teollisuuden instrumentointisuunnittelussa.

## Johdanto
Teollinen suunnittelu on muuttumassa nopeasti. Projektien aikataulut kiristyvät, dokumentaation määrä kasvaa ja laadulle asetetaan yhä korkeampia vaatimuksia. Instrumentointiperussuunnittelussa tämä näkyy erityisesti siinä, että suunnittelijan työ sisältää paljon teknisten dokumenttien tarkastamista, vertailua ja ristiriitojen etsimistä. Tänä päivänä tekoälyä voidaan hyödyntää suunnittelijan apuna juuri tällaisissa toistuvissa tarkastustehtävissä nopeuttamaan tarkastusprosessia ja parantamaan laatua (mckinsey, 2023; Shakked & Whitney, 2023).

## Instrumentointisuunnittelun haasteet
Instrumentointiperussuunnittelussa tuotetaan ja käsitellään useita dokumentteja, kuten instrumenttilistoja, prosessiyhdekuvia ja asennustyyppikuvia. Näiden tietojen täytyy olla keskenään yhdenmukaisia, koska perussuunnitteluvaiheessa tehdyt virheet voivat vaikuttaa myöhemmin hankintaan, asennukseen ja käyttöönottoon. Pienikin ristiriita dokumenttien välillä voi aiheuttaa ylimääräistä selvitystyötä, kustannuksia tai viivettä projektin myöhemmissä vaiheissa (PSK Standardisointi, 1996).

Perinteisesti tarkastustyö tehdään pitkälti manuaalisesti. Kokenut suunnittelija käy dokumentteja läpi ja varmistaa, että tiedot vastaavat toisiaan. Tämä on välttämätöntä työtä, mutta samalla aikaa vievää ja toistuvaa. Juuri tällaiset tehtävät ovat kiinnostavia tekoälyn hyödyntämisen näkökulmasta (Suomen Automaatioseura ry, 2007).

## Toimintamallin kehittäminen
Opinnäytetyössä kehitettiin toimintamalli, jossa tekoälylle annetaan rajattuja tarkastustehtäviä dokumenttien vertailuun. Tekoälyä ohjattiin komentokehotteilla, joissa määriteltiin tarkasteltavat dokumentit, vertailtavat tiedot, toivottu raportointimuoto ja tarkasteltavat rajaukset. Tavoitteena oli saada tekoäly tuottamaan suunnittelijalle esiseulonta eli lista havaituista ristiriidoista, epäselvistä kohdista ja tarkistusta vaativista havainnoista.

Käytännön testaus osoitti, että tekoälyn toiminnan laatu riippuu ratkaisevasti lähtöaineiston selkeydestä ja kehotteiden tarkkuudesta. Jos dokumenttien rakenne on epäselvä tai sama tieto on eri paikoissa eri muodossa, myös tekoälyn tulkintavirheiden riski kasvaa. Tämä on linjassa tekoälyn riskienhallinnan kanssa, jossa korostetaan käyttökontekstin, rajoitteiden ja arviointitavan määrittelyä (National Institute of Standards and Technology, 2023).

Toimintamallin kannalta oli keskeistä, että tekoälylle ei annettu avointa suunnitteluvastuuta. Sen tehtävä rajattiin dokumenttien vertailuun ja ristiriitojen havainnointiin. Vastuu teknisestä arvioinnista ja havaintojen merkityksen tulkinnasta ja lopullisesta päätöksestä säilyi edelleen asiantuntijalla.

## Tulokset ja johtopäätökset
Tulosten perusteella tekoäly soveltuu hyvin toistuviin ja sääntöpohjaisiin tarkastustehtäviin. Se pystyy käymään nopeasti läpi suuria tietomääriä ja nostamaan esiin kohtia, jotka vaativat suunnittelijan tarkastusta. Samalla tutkimus osoitti, että tekoäly ei ole itsenäinen suunnittelija. Se voi tehdä virheitä, tulkita tietoja väärin tai jättää jonkin poikkeaman havaitsematta. Tämän vuoksi tekoälyn tuottamat tulokset on aina tarkastettava asiantuntijan toimesta.

Yksi työn tärkeimmistä havainnoista oli, että tekoälyn käyttöönotto korostaa laadukkaan suunnitteludatan merkitystä. Mitä selkeämmin dokumentit on laadittu ja mitä yhdenmukaisemmin tiedot on esitetty, sitä paremmin tekoäly pystyy tukemaan tarkastustyötä.

Tekoälyn merkitys teknisessä suunnittelussa tulee todennäköisesti kasvamaan. Sen suurin hyöty ei ole siinä, että se korvaisi asiantuntijat, vaan siinä, että se voi vapauttaa asiantuntijoiden aikaa rutiininomaisesta tarkastamisesta vaativampiin tehtäviin.

## Kirjoittajat
*   Heikkimatti Tossavainen, YAMK-opiskelija, Savonia-ammattikorkeakoulu
*   Sami Tiilikainen, lehtori, Savonia-ammattikorkeakoulu

*Artikkelin työstämisessä on hyödynnetty tekoälyä.*

## Lähteet
*   mckinsey, 2023. [The economic potential of generative AI: The next productivity frontier](https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier)
*   National Institute of Standards and Technology, 2023. [AI RMF PLAYBOOK](https://airc.nist.gov/airmf-resources/playbook/)
*   PSK Standardisointi, 1996. PSK 4603. Teoksessa: Automaation hankinta. Instrumentointi.
*   Shakked, N. & Whitney, Z., 2023. [Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence](https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf)
*   Suomen Automaatioseura ry, 2007. Automaatiosuunnittelun prosessimalli. Teoksessa: Automaatiosuunnittelun prosessimalli, Yhteiset käsitteet verkottuneen suunnittelun perustana.