Tekoäly voi mullistaa rakennetun ympäristön – mutta ei yksin
9.5.2025 – Tekoälyn vaikutus näkyy jo rakennetussa ympäristössä, ja me granlundilaiset olemme aktiivisesti mukana tässä mullistuksessa. Mitä mahdollisuuksia tekoäly tuo kiinteistö- ja rakennusalalle?

Olemme aina halunneet olla edelläkävijöitä asiakkaitamme hyödyttävissä teknologiaharppauksissa, eikä tekoäly tee poikkeusta. Tutkimme tekoälyn mahdollisuuksia hankkeissamme ja otamme käyttöön työkaluja, joista on käytännön hyötyä.
Tekoäly auttaa päätöksenteossa: tehokkuus paranee, kun annamme tekoälyn huolehtia suurten tietomassojen analysoinnista ja automatisoida toistuvia prosesseja.
Rakennus- ja kiinteistöalalla pyörii monenlaista dataa: tekstiä, taulukoita, valokuvia, kaavioita, BIM-malleja ja aikasarjoja. Datavyyhtiä pahentavat vuosien varrella eri toimijoiden keräämät ja keräämättä jätetyt hajanaiset tiedot. Tieto on usein siiloutunutta ja vaikeasti löydettävissä ja hyödynnettävissä.
Me haluamme purkaa nämä siilot. Kehitämme tekoälyratkaisuja, joiden avulla data on helpommin löydettävissä, ja sen analysointi on tehokkaampaa ja luotettavampaa.
Tekoäly voi tehostaa merkittävästi suunnittelua, rakentamista ja ylläpitoa. Näiden uusien ratkaisujen avulla voimme säästää aikaa, vähentää kustannuksia, pienentää kasvihuonekaasupäästöjä ja kasvattaa arvoa.
ELFMo-hanke
ELFMo-hankkeen (Engineering Large Foundational Models for Enterprise Integration) tavoitteena on tekoälyn integrointi liiketoimintasovelluksiin. ELFMo-hankkeeseen osallistuu yrityksiä ja yliopistoja neljästä Euroopan maasta.
Suomalainen konsortio on saanut rahoitusta Business Finlandilta. Granlundin lisäksi mukana Suomesta ovat Helsingin yliopisto, F-Secure, Nosto Solutions, Siili ja Solita. ELFMo-hankkeen on tarkoitus jatkua syyskuuhun 2027 asti.
Kehitämme tekoälyratkaisuja, joiden avulla data on helpommin löydettävissä, ja sen analysointi on tehokkaampaa ja luotettavampaa.
Koneoppiminen tuo lisää älyä rakennuksiin
Tekoälyn mahdollisuuksia voi avata esimerkiksi rakennuksen liian suureksi päässeen energiankulutuksen kautta. Tekoälyn voi kouluttaa tunnistamaan energiankulutuksen poikkeamia ja ehdottamaan toimenpiteitä, joilla voidaan puuttua tilanteeseen ajoissa. Se osaa analysoida suuria datamääriä, kuten reaaliaikaisia energian hintoja.
Se pystyy myös oppimaan, miten kiinteistön energiankulutusta voi optimoida. Tekoäly voi vaikkapa kytkeä rakennuksen lämmityksen päälle ennen työntekijöiden saapumista tai ajoittaa akkujen latauksen ja käyttöveden lämmityksen edullisimpien tuntien ajalle.
Pilotoimme tällä hetkellä oman toimistorakennuksemme lämmityksen optimoimista tekoälyllä. Tavoitteena on parantaa energiankäytön hyötysuhdetta ja samalla vähentää kustannuksia ja päästöjä.
Tekoälyn luotettavuutta kehitetään yhdessä
Kehitämme tekoälyn hyödyntämismahdollisuuksia yhteistyössä kumppaneidemme kanssa. Esimerkiksi Engineering Large Foundational Models for Enterprise Integration (ELFMo) -hankkeessa etsimme keinoja hyödyntää suuria kielimalleja ja generatiivista tekoälyä liiketoiminnassa. Ratkaisujen tulee olla paitsi hyödyllisiä myös turvallisia, eettisiä ja juridisesti kestäviä.
Yksi ELFMo-hankkeen tavoitteista on parantaa tekoälyn luotettavuutta yritysten näkökulmasta. Kuten moni on varmasti huomannut, tekoäly voi tehdä virheitä: se saattaa esimerkiksi keksiä asioita omasta päästään tai käyttää vanhentunutta tietoa.
Kun näin käy, luottamus horjuu – ja pahimmillaan koko teknologia jää hyödyntämättä. Näitä haasteita pyrimme kumppaneidemme kanssa ratkomaan, jotta voisimme saada aitoa arvoa työkalujen käytöstä.
Tekoäly kehittyy nopeasti ja tulevaisuutta on vaikea ennustaa. Meille on tärkeää olla aktiivisesti mukana muutoksessa ja kehittää yhdessä kumppaneidemme ja asiakkaidemme kanssa uusia tekoälyn käyttöön liittyviä teknologioita ja toimintamalleja.
Tekoäly: tietokonejärjestelmä, joka pystyy suorittamaan normaalisti ihmisälyä vaativia tehtäviä, kuten oppimista, päättelyä, ongelmanratkaisua, havainnointia ja päätöksentekoa
Generatiivinen tekoäly (GenAI): tekoälyn osa-alue, jolla voidaan tuottaa tekstiä, kuvia tai videoita generatiivisten mallien avulla
LFM-malli: koneoppimismalli, jonka koulutukseen käytetään massiivisia merkitsemättömiä tietojoukkoja ja jota voidaan käyttää dokumenttien käsittelyn ja data-analysoinnin automatisointiin
Koneoppiminen: tietokonejärjestelmä, joka voi oppia ja mukautua analysoimalla ja tekemällä päätelmiä datassa esiintyvistä kuvioista algoritmien ja tilastollisten mallien avulla
Haluatko kuulla lisää?

Davor Stjelja
Lue muita blogejamme
Tilaa uutiskirjeemme
Kuule ensimmäisten joukossa Granlundin ja KiRa-alan uutisista ja uusimmista trendeistä.