SÅDAN GØR VI DET KOMPLEKSE ENKELT

Fugt i bygninger er komplekst, men hvordan gør vi det komplekse enkelt? Bag det at automatisere udfordringer inden for fugt på en enkel måde ligger der ofte en kompliceret proces. I vores tilfælde har vi været nødt til at gå den lange vej og baserer vores metode udelukkende på data.

Hvordan designer vi en metode baseret på rene data – og bruger dens afsæt til at udvikle en AI-baseret fugtdiagnostisk metode?

At designe en metode udelukkende baseret på rene data lyder i teorien enkelt – har man tilstrækkeligt med data, burde mønstre og konklusioner stå tydeligt frem. I praksis er det langt mere komplekst at designe – for det skal være nemt at betjene. Mit ønske er, at manden på gaden uden besvær kan levere en analyse på niveau med en rådgivende ingeniør.

Det dilemma oplever jeg i udviklingen af en AI-baseret metode til differentiering af fugttyper i bygninger – en metode, der bevidst tager udgangspunkt i data uden at lade sig styre af almindelige teoretiske antagelser om fugt.

At vi måler med de samme instrumenter, er ikke det samme, som at vi måler med samme metode

Folk har sagt til mig, at der er mange andre, der måler på samme måde. Men det at måle er ikke det samme som at arbejde efter en datagenereret metode. Vi anvender ganske vist konventionelle måleinstrumenter, for de er skam udmærkede og kan generere rene data, men hvordan man anvender data i sit research design, er en verden til forskel. Så vendingen med, at det har vi altid gjort, eller det gør de også i Tyskland, er, at selvfølgelig gør de det, men de bruger data til noget andet. Det er ikke samme metode.

Krav til den endelige metode og system

Mit mål er at udvikle en objektiv, datadrevet analysemetode, der kan identificere forskellige typer fugt alene på baggrund af måledata og kontekstuelle informationer. Et system, der har enkelhed som krav, og som selv en lægmand kan bruge. Det stiller meget høje krav til både datakvalitet og metodens følsomhed over for subtile mønstre.

For det første kræver det, at dataene rent faktisk er rene. Det betyder, at de skal være konsistente, valide og uden støj, fejlmålinger eller huller. I mit tilfælde arbejder jeg med cirka 1000 komplette og 2000 ufuldstændige datasæt fra fugtsager. Alene det at forberede og strukturere disse data har været et stort arbejde i sig selv.

Metodeudviklingen

Dernæst består udfordringen i at udvikle en metode, der ikke forudsætter, hvad der er årsag til fugten – men i stedet lader data afdække mønstre, forskelle og sammenhænge. Det metodiske grundprincip er Grounded Theory, med AI som løftestang. Metoden skal selv lære at skelne mellem fx indtrængende regnvand, kapillær opstigning og kondens mm. uden at blive "fodret" med de klassiske forklaringer, fortællinger og dogmer.

Paradoksalt nok kan det være vanskeligere at arbejde med rene data end med teoriunderstøttede metoder, fordi man ikke har nogen forforståelse til at guide analysen. Det kræver præcis kodning, omhyggelig etikettering og en vedholdende tilgang til validering – ikke kun af modellens præcision, men af hvorvidt den reelt forstår virkeligheden bag tallene. Fordelen er, at man er fri for bias. Det er, hvad det er, og ikke styret af, hvad man gerne vil ende op med.

Fremgangsmåden giver nye indsigter

At designe en metode baseret på rene data er derfor ikke blot en teknisk disciplin – det er en balance mellem analyse, intuition og ydmyghed over for det, man (endnu) ikke ved. Men netop derfor rummer det også muligheden for at opdage det, som hidtil er blevet overset – og skabe et mere nuanceret billede af fugtproblemer i byggeriet til gavn for bygningsejeren, som jo er den, der i sidste ende betaler regningen.

Samtidig flytter vi noget, som kræver mange års erfaring, ind i en service, hvor alle kan opnå et resultat på niveau med en ekspert. Det kræver mange iterationer at nå dertil, men rejsen er begyndt. Det bliver et markant kompetenceløft for branchen.