Stor, selvom man er lille
AI har hjulpet os med at bygge en driftsportal, samle offentlige data og udvikle metoder til at kortlægge udearealer. Et konkret eksempel på, hvordan en mindre boligorganisation kan få nye muligheder.
I den første samtale om AI i Boligselskabet Tranemosegård satte Martin ord på en mulighed, som er værd at holde fast i:
»Vi får nogle organisatoriske muskler, som vi ikke ville have haft ellers«
Martin Olsen · Almen-AI, udgave 01
Det kan lyde stort. Men hvad betyder det, når man står med græsarealer, maskiner og en arbejdsdag, der skal hænge sammen? For os er driftsportalen blevet et konkret svar. AI har hjulpet os med at udvikle den og med at forbinde oplysninger, som ellers lå adskilt. Det giver en mindre boligorganisation mulighed for selv at opbygge et overblik, som ville kræve flere forskellige kompetencer at skabe.
Det interessante er derfor både, hvad portalen kan vise, og hvordan den er blevet til. Filmen viser vejen fra kort til plan. Her går vi et skridt tilbage og ser på arbejdet bag den.
Et overblik, vi selv kan arbejde videre med
Udgangspunktet var nogle enkle spørgsmål: Hvad har vi? Hvem vedligeholder det? Og hvilket arbejde kræver det? Spørgsmålene går på tværs af matrikler, afdelinger, materiel og medarbejdernes erfaringer. Et luftfoto besvarer dem ikke alene. En maskinliste gør heller ikke.
Vi ville samle arealer og objekter på et kort og forbinde dem med viden om opgaver og maskiner. Så kunne en samtale om driften begynde med noget fælles: dette areal, denne opgave, disse forudsætninger. Overblikket skulle kunne undersøges og rettes, efterhånden som vi blev klogere.
Her kom AI ind som hjælp i udviklingen. Vi brugte den til at skrive og bearbejde kode, forbinde datakilder og udvikle metoder til at kortlægge udearealer. Det gav os mulighed for at bevæge os mellem opgaver, som normalt kræver forskellig teknisk viden. Men vi skulle stadig beskrive formålet, undersøge resultaterne og afgøre, hvad der var brugbart.
Data fandtes allerede. Sammenhængen skulle bygges.
En del af grundlaget var offentligt tilgængeligt. GeoDanmark indeholder geografiske objekter. Luftfotos viser området på forskellige tidspunkter. Højdedata kan hjælpe med at skelne mellem lave flader og bevoksning. Vi hentede og kombinerede sådanne kilder for de områder, vi arbejdede med, og brugte også skråfotos som supplerende visuel støtte.
Kilderne fortæller forskellige ting. Et kortobjekt kan give en afgrænsning, mens et luftfoto hjælper os med at undersøge, hvad afgrænsningen dækker. Billeder fra flere år kan give flere holdepunkter. Ingen af delene fortæller automatisk, hvem der har vedligeholdelsesansvaret.
AI hjalp med at bygge forbindelserne: kode, der henter oplysningerne, afgrænser dem til området og gør dem anvendelige i portalen. Det er en vigtig del af historien. Værdien ligger også i at kunne få eksisterende viden til at arbejde sammen, frem for at skulle begynde med at indsamle alt på ny.
Græsset forsvandt under træerne
Gurrelund gav et godt eksempel på, hvorfor den første tekniske løsning ikke nødvendigvis er den rigtige. I arbejdet med at kortlægge græs var en metode blevet for forsigtig: Den fjernede områder under trækroner. Set ovenfra var der jo træer. Men i den virkelige drift kan der stadig være græs under dem, som skal slås.
Den fejl blev opdaget ved menneskelig gennemgang. Dermed ændrede opgaven sig. Vi skulle ikke blot finde de grønne flader, som var lette at se. Metoden skulle også kunne håndtere, at noget af det relevante areal var skjult på billedet.
Vi udviklede derfor en regel, som undersøger, om synligt græs fortsætter omkring en trækrone. Når der er tilstrækkelig støtte i omgivelserne, kan metoden foreslå en sammenhæng under kronen. Den del bliver markeret med sin egen usikkerhed. Metoden ser ikke gennem bladene. Den udleder en mulig fortsættelse, som skal kunne efterprøves.
Det er en lille forskel i et kort, men en stor forskel i forståelsen af opgaven. Et pænt resultat på skærmen kan godt mangle noget, som er helt oplagt for den, der kender området. Her blev fagligheden brugt til at forbedre selve metoden, så rettelsen kunne komme senere kortlægninger til gode.
Fra et forslag på kortet til en driftsopgave
Et foreslået græsareal eller en hæk er endnu ikke et kontrolleret driftsgrundlag. Vi skal vide, om objektet findes, om afgrænsningen er rimelig, og om det er organisationens opgave at vedligeholde det. At noget ligger inden for en matrikel, afgør ikke alene, om det er fællesareal eller en privat have.
Derfor har de lokale oplysninger en vigtig plads ved siden af de offentlige data. Hvilke maskiner har vi? Hvilke opgaver bruges de til? Hvor er der besværlig adgang, eller forhold som kortet ikke viser? Medarbejdernes viden giver overblikket den forbindelse til hverdagen, som datakilderne ikke kan levere selv.
Når arealer, opgaver og forudsætninger forbindes, kan portalen også beregne et forventet arbejdsbehov. Det er almindelige beregninger ud fra de valgte tal. Areal, hyppighed og maskinens kapacitet bliver til et overslag, som vi kan undersøge. AI har hjulpet med at udvikle koden og kortlægningsmetoderne. Selve beregningen følger de forudsætninger, vi har lagt ind.
Nye muligheder kræver bedre spørgsmål
Et fælles overblik gør det muligt at undersøge, hvordan opgaver og materiel hænger sammen på tværs. Vi kan gå fra et område på kortet til dets opgaver og videre til de maskiner, der kan udføre dem. Afgrænsninger kan ses efter og justeres. Forudsætningerne kan ændres, så vi kan sammenligne, hvad forskellige valg betyder for det beregnede arbejdsbehov.
Det giver også et andet forhold til selve redskabet. Når vi opdager et lokalt behov, kan vi arbejde videre med portalen omkring det. Måske mangler der en oplysning, eller en arbejdsgang passer dårligt til praksis. Så har vi et konkret udgangspunkt for at ændre løsningen sammen med dem, der skal bruge den.
Dermed er der sket noget væsentligt: Vi kan bygge, afprøve og forbedre et redskab omkring en konkret organisatorisk opgave. En idé behøver ikke blive liggende, fordi den kræver både kode, databehandling og kortfaglig metode. AI kan hjælpe os med at komme videre, mens mennesker sørger for, at arbejdet bliver ved med at handle om den rigtige opgave.
Hvad vil I gerne kunne?
Det er sådan, vi forstår Martins organisatoriske muskler i dette eksempel. Organisationens størrelse er den samme, men mulighederne for at få viden og teknik til at mødes har flyttet sig. Det stiller også krav til os: om at kunne formulere behovet, opdage fejl og tage ansvar for det, vi bruger.
Måske er jeres ambition en helt anden end et kort over udearealer. Spørgsmålet er stadig værd at stille sammen:
Hvad ville I gerne kunne i jeres organisation, som hidtil virkede uden for rækkevidde?
Martin Olsen & Mikkel Krogsholm
Almen-AI · Udgave 02
Kilder og metode
Eksemplet bygger på vores udviklingsarbejde med driftsportalen og kortlægning i Gurrelund. Offentligt datagrundlag: GeoDanmark samt ortofoto, Danmarks Højdemodel og skråfoto via Datafordeleren. Kortlægningen kombinerer datakilder og regler; foreslåede objekter og udledte arealer kræver menneskelig kontrol. Martins citat er et uddrag af den første samtale.