Σίβα Ντχαβάν, Συνιδρυτής και Διευθύνων Σύμβουλος της Attentive.ai – Σειρά Συνεντεύξεων

Σίβα Ντχαβάν, Συνιδρυτής και Διευθύνων Σύμβουλος της Attentive.ai, είναι ένας επιχειρηματίας που επικεντρώνεται στην εφαρμογή της τεχνητής νοημοσύνης για τη μεταμόρφωση των ροών εργασίας υποδομής και κατασκευής. Πριν από την εκκίνηση της Attentive.ai, κατέχει ηγετικές και λειτουργικές θέσεις σε τεχνολογικές και επιχειρηματικές λειτουργίες, βοηθώντας να διαμορφωθεί η όραση της εταιρείας γύρω από την αυτοματοποίηση παραδοσιακά χειροκίνητων διαδικασιών σε βιομηχανίες όπως η κατασκευή, η χαρτογραφία και η γεωχωρική ανάλυση. Υπό την ηγεσία του, η εταιρεία έχει επεκταθεί διεθνώς ενώ αναπτύσσει συστήματα AI που σχεδιάζονται για τη βελτίωση της αποδοτικότητας στην εκτίμηση, τις λήψεις και τη διαχείριση υποδομής για επιχειρήσεις και συμβατικά.

Attentive.ai είναι μια εταιρεία κατασκευαστικής τεχνολογίας που βασίζεται στην τεχνητή νοημοσύνη, επικεντρωμένη στην αυτοματοποίηση των ροών εργασίας προκατασκευής και υποδομής χρησιμοποιώντας υπολογιστική όραση και γεωχωρική νοημοσύνη. Η πλατφόρμα της βοηθά τους συμβατικούς, τις εταιρείες τοπιοCAPECTION και τους χειριστές υποδομής να επιταχύνουν τις εργασίες εκτίμησης, μέτρησης και ανάλυσης εργοταξίου που ιστορικά βασίζονταν σε χειροκίνητο εργατικό δυναμικό. Το προϊόν Beam AI της εταιρείας σχεδιάζεται για να εκμεταλλευτεί εικόνες από εναέρια λήψεις και τεχνητή νοημοσύνη για τη δημιουργία λεπτομερών μετρήσεων ιδιοκτηριών και επιφανειών τοπιοCAPECTION, βοηθώντας τις επιχειρήσεις να βελτιώσουν την ακρίβεια των προσφορών, να μειώσουν τα λειτουργικά μποτλνεκ και να κλιμακωθούν σε projects με αυτοματοποίηση.

Ιδρύσατε την Attentive.ai μετά την κλιμάκωση μιας εταιρείας υπηρεσιών σε χαρτογραφία και ασφάλιση, και στη συνέχεια εισαγάγατε το Beam AI ως το προϊόν σας. Ποια συγκεκριμένα ερεθίσματα από εκείνη την προηγούμενη φάση σας οδήγησαν να δημιουργήσετε το Beam AI, και γιατί επέλεξατε την εκτίμηση ως το σημείο εισόδου για τη μεταμόρφωση των ροών εργασίας κατασκευής;

Ο συνιδρυτής μου, Rishabjit και εγώ ήρθαμε στην αγορά κατασκευής των ΗΠΑ κατά τη διάρκεια του COVID, όταν οι συμβατικοί έπρεπε να εκτιμούν εργασίες χωρίς να είναι στο εργοτάξιο. Αυτό που συνέβαινε συνεχώς ήταν το ίδιο περιορισμό: οι συμβατικοί έχαναν εργασίες όχι επειδή δεν μπορούσαν να τις κάνουν, αλλά επειδή έτρεχαν έξω από χρόνο για να τις τιμούν. Ένας εκτιμητής, εκατοντάδες σελίδες σχεδίων, 4 έως 8 ώρες ανά εργασία. Δεν μπορείς να μεγενθύνεις μια επιχείρηση με αυτό.

Επιλέξαμε τις λήψεις επειδή είναι το σημείο εκκίνησης για όλα. Τίποτα άλλο δεν κινείται μέχρι κάποιος μετρήσει το εύρος. Και η έξοδος είναι επιβεβαιώσιμη· είτε πήρατε τις ποσότητες σωστά, είτε όχι. Ένα λάθος 2% σε μια εργασία 10 εκατομμυρίων δολαρίων είναι 200.000 δολάρια που χάνονται. Αυτό δεν είναι αφηρημένο. Είναι ένα πραγματικό κόστος που οι εκτιμητές φέρουν κάθε μέρα.

Η κατασκευή και οι υπηρεσίες πεδίου θεωρούνται συχνά ως πιο αργές στην υιοθέτηση νέων τεχνολογιών. Ποιο είναι το μεγαλύτερο εμπόδιο στην υιοθέτηση της τεχνητής νοημοσύνης σε αυτόν τον τομέα, και πώς το ξεπερνάτε;

Εμπιστοσύνη. Οι εκτιμητές έχουν χτίσει τις καριέρες τους στην ακρίβεια. Όταν λανθάνουν κάτι, η εταιρεία τους πληρώνει για αυτό. Όταν εμφανιστήκαμε με την τεχνητή νοημοσύνη, η φυσική αντίδραση ήταν: πώς να ξέρω ότι αυτό είναι σωστό;

Δεν προσπαθήσαμε να πείσουμε τους ανθρώπους να ξεπεράσουν αυτή την ανησυχία. Την αντιμετωπίσαμε απευθείας. Κάθε έτοιμη για χρήση λήψη ελέγχεται από ένα εκπαιδευμένο άτομο πριν επιστραφεί στον πελάτη. Η αυτοματοποίηση χειρίζεται τον όγκο και την ταχύτητα.

Το QA πιάνει ο,τιδήποτε χρειάζεται μια δεύτερη ματιά. Μετά από quelques εργασίες, οι πελάτες βλέπουν το μοτίβο: οι ποσότητες είναι σωστές, η ομάδα τους δεν είναι θαμμένη στα σχέδια, και οι προσφορές βγαίνουν γρηγορότερα. Ένας από τους πελάτες μας, Bommarito Construction, υπέβαλε 50 περισσότερες προσφορές σε έξι μήνες χρησιμοποιώντας την πλατφόρμα. Αυτό είναι πιο πειστικό από οποιοδήποτε demo.

Το Beam AI επικεντρώνεται στην αυτοματοποίηση των λήψεων, μια παραδοσιακά χειροκίνητη και χρόνο-εντατική διαδικασία. Γιατί αυτή η ροή εργασίας είναι τόσο κρίσιμη για την είσοδο της τεχνητής νοημοσύνης;

Κάθε έργο ξεκινά εδώ. Πριν μπορέσετε να τιμούσετε οτιδήποτε, κάποιος πρέπει να καθίσει με τα σχέδια και να μετρήσει όλα. Μια λήψη μπορεί να πάρει μια ολόκληρη μέρα. Όταν τα πράγματα γίνουν πολυσύχναστα, αυτό γίνεται το όριο στο πόσο έργα μπορεί να κυνηγήσει μια ομάδα.

Οι συμβατικοί δεν αρνούνται εργασίες επειδή δεν τις θέλουν. Αρνούνται εργασίες επειδή δεν υπάρχει χρόνος να τις τιμούν.

Οι λήψεις έχουν επίσης μια σαφή, ελέγξιμη έξοδο: ποσότητες υλικών. Ξέρετε αν κάτι χάθηκε. Αυτό κάνει μια λογική θέση να χτίσετε εμπιστοσύνη σε ένα νέο σύστημα, ιδιαίτερα όταν τα στοιχήματα είναι υψηλά.

Η πλατφόρμα σας επιτρέπει στις εταιρείες να αυξήσουν τον όγκο των προσφορών τους χωρίς να προσθέτουν προσωπικό. Πώς βλέπετε αυτή τη μεταμόρφωση της ανταγωνιστικότητας και των маржών σε όλο τον κλάδο;

Ήδη συμβαίνει. Όταν ένας συμβατικός μπορεί να κυνηγήσει τρεις φορές περισσότερες εργασίες με την ίδια ομάδα, γίνεται επιλεκτικός. Πηγαίνει μετά από εργασίες υψηλότερου κέρδους. Μπορεί να ανταποκριθεί γρήγορα όταν μια μεγάλη ευκαιρία έρχεται, αντί να την παρατήσει επειδή είναι ήδη στο όριο.

Οι συμβατικοί που δεν σκέφτονται γι’ αυτό θα sentir την πίεση από εκείνους που το κάνουν. Οι Rays Stairs διπλασίασαν τον όγκο των προσφορών τους και αυξήθηκαν τα έσοδα από 900.000 δολάρια σε 2 εκατομμύρια δολάρια σε δύο μήνες. Η Guardian Roofing μείωσε τον χρόνο λήψης από 25 ώρες την εβδομάδα σε 5. Αυτά δεν είναι μικρά κέρδη. Αλλάζουν τι μπορεί μια επιχείρηση να κυνηγήσει.

Το Beam AI ενσωματώνει ένα επίπεδο ελέγχου ποιότητας (QA) με αυτοματοποίηση. Πώς καθορίζετε τη σωστή ισορροπία μεταξύ της αυτονομίας της τεχνητής νοημοσύνης και του ανθρώπινου ελέγχου;

Σκεφτόμαστε γι’ αυτό σε όρους εμπιστοσύνης και τι είναι στο στοίχημα. Η τεχνητή νοημοσύνη χειρίζεται καλά την структуρημένη, επαναλαμβανόμενη εργασία: ανάγνωση εγγράφων, ανάλυση σχεδίων, εξαγωγή ποσοτήτων. Nhưng οι έξοδοι είναι ειδικές για κάθε εμπόριο με τρόπους που έχουν σημασία. Πώς μετράτε τον εξοπλισμό HVAC δεν είναι τίποτα σαν να μετράτε τον δομικό χάλυβα ή το σκυρόδεμα.

Το επίπεδο QA είναι εκεί για αυτές τις καταστάσεις. Για την έτοιμη για χρήση υπηρεσία, ένας εκπαιδευμένος αναθεωρητής ελέγχει κάθε έξοδο πριν επιστραφεί στον πελάτη. Για τις αυτοματοποιημένες λήψεις 10 λεπτών, έχουμε συλλέξει αρκετά δεδομένα, ιδιαίτερα σε HVAC και υδραυλικά, για να κινηθούμε γρηγορότερα χωρίς αυτό το βήμα. Ο χάλυβας είναι τώρα σε διαδικασία κυκλοφορίας. Το επίπεδο αυτονομίας παρακολουθεί το εμπόριο και τη сложκότητα της εργασίας.

Όσο τα μοντέλα βελτιώνονται, βλέπετε το επίπεδο QA να γίνεται λιγότερο κεντρικό με την πάροδο του χρόνου, ή θα παραμείνει ένα μόνιμο μέρος των ροών εργασίας υψηλού κινδύνου όπως η εκτίμηση;

Και τα δύο, ανάλογα με τον τρόπο που ορίζουμε. Η μορφή που θα πάρει θα αλλάξει. Πολύ από ότι ένας ανθρώπινος αναθεωρητής πιάνει σήμερα θα μεταφερθεί σε αυτοματοποιημένους ελέγχους μέσα στο σύστημα καθώς τα μοντέλα βελτιώνονται και χτίζουμε περισσότερα δεδομένα. Nhưng δεν πιστεύω ότι θα αφαιρέσετε ποτέ την επαλήθευση από μια ροή εργασίας così υψηλού κινδύνου. Αν ένας συμβατικός τιμούσε μια εργασία χάλυβα 50 εκατομμυρίων δολαρίων, θα ήθελε ένα σημείο ελέγχου.

Τι εργαζόμαστε είναι να κάνουμε αυτό το σημείο ελέγχου γρηγορότερο και λιγότερο εργατοαπαιτούμενο. Ο στόχος δεν είναι να εξαφανίσουμε το QA. Είναι να το κάνουμε ελαφρύτερο.

Η Attentive.ai συνδυάζει την αυτοματοποίηση της τεχνητής νοημοσύνης με πραγματικές ροές εργασίας. Βλέπετε το μέλλον της τεχνητής νοημοσύνης στην κατασκευή ως αναπόσπαστο υβριδικό και όχι πλήρως αυτόνομο;

Για τον προβλέψιμο μέλλον, ναι. Και θα αντιταχθώ στην ιδέα ότι “υβριδικό” είναι ένα έπαθλο. Η κατασκευή εμπλέκει κρίση που δεν είναι πιασμένη σε ένα σχέδιο. Ένας καλός εκτιμητής γνωρίζει την τοπική αγορά των υποεργολάβων. Γνωρίζει πώς ένας συγκεκριμένος GC γράφει τις προδιαγραφές. Γνωρίζει τι θα κοστίσει μια εργασία για να χτιστεί, το οποίο δεν είναι πάντα αυτό που λένε τα σχέδια.

Η τεχνητή νοημοσύνη χειρίζεται την ποσοτική εργασία. Ο άνθρωπος φέρνει το контекст. Ο στόχος δεν είναι να αντικαταστήσει τους εκτιμητές. Είναι να τους βγάλει από την επαναλαμβανόμενη μέτρηση ώστε να μπορέσουν να περάσουν χρόνο στην εργασία που πραγματικά απαιτεί την κρίση τους. Γιαυτό και έχουμε χτίσει το Beam AI για να είναι ένα εργαλείο, όπως ένα junior εκτιμητής που χειρίζεται μηχανικές εργασίες.

Περιγράψτε μας την όρασή σας για το μέλλον της τεχνητής νοημοσύνης στην κατασκευή τα επόμενα πέντε χρόνια.

Τώρα εστιαζόμαστε στην αρχική φάση: σχέδια σε ποσότητες υλικών, όσο γρήγορα και ακριβώς γίνεται. Το επόμενο επίπεδο είναι η διαχείριση προσφορών. Έχουμε ήδη κυκλοφορήσει το Bid Dashboard και το Bid Sniper, τα οποία δίνουν στους συμβατικούς μια ενιαία θέα του πipelines, των προθεσμιών, των RFIs και των addenda.

Τα επόμενα πέντε χρόνια, θέλω η πλατφόρμα να συνδέσει τις λήψεις απευθείας με την τιμολόγηση και την προμήθεια. Ένας συμβατικός ανεβάζει σχέδια και, μέσα σε quelques ώρες, έχει μια πραγματική εικόνα του τι κοστίζει η εργασία και τι πρέπει να προμηθευτεί. Αυτό είναι ένας πραγματικά διαφορετικός τρόπος για να τρέξει την προκατασκευή από ότι κάνουν οι περισσότερες ομάδες σήμερα.

Το Beam AI υποστηρίζει πολλά εμπόρια, από τοπιοCAPECTION σε πολιτικές και ηλεκτρικές εργασίες. Πώς ισορροπείτε την κατασκευή γενικευμένων συστημάτων τεχνητής νοημοσύνης με την ανάγκη για βαθιά εμπόριο-ειδικές βελτιώσεις;

Είναι μια πραγματική τάση. Η υποκείμενη εργασία είναι κοινή σε όλα τα εμπόρια: ανάγνωση εγγράφων, ανάλυση σχεδίων, εξαγωγή ποσοτήτων. Nhưng οι έξοδοι είναι εμπόριο-ειδικές με τρόπους που έχουν σημασία. Πώς μετράτε τον εξοπλισμό HVAC δεν είναι τίποτα σαν να μετράτε τον δομικό χάλυβα ή το σκυρόδεμα.

Έχουμε χτίσει εμπόριο-ειδικά μοντέλα και επενδύουμε σε δεδομένα εκπαίδευσης για κάθε ένα. Γιαυτό ξεκινήσαμε με HVAC και υδραυλικά, όπου το σύνολο δεδομένων μας ήταν πιο ισχυρό, πριν επεκταθούμε σε υδραυλικά και χάλυβα. Καλύπτουμε 15 ή περισσότερα εμπόρια, αλλά είμαστε ειλικρινείς ότι δεν κάθε εμπόριο είναι στο ίδιο επίπεδο ωριμότητας. Χτίζουμε βάθος καθώς επεκτείνουμε.

Η τεχνητή νοημοσύνη αρχίζει να μεταμορφώνει παραδοσιακά.offline βιομηχανίες. Πιστεύετε ότι η κατασκευή θα μπορούσε να γίνει einer από τις πιο μεταμορφωμένες βιομηχανίες τα επόμενα δέκα χρόνια, και τι θα ήταν αυτή η μεταμόρφωση στην πράξη;

Ναι. Μέρος του λόγου που υποτιμάται είναι ότι ήταν τόσο χειροκίνητη για τόσο καιρό. Δεν υπάρχει βαθιά εδραιωμένη λογισμική στρώση για να αντικατασταθεί, όπως υπάρχει στις финансы ή την υγεία. Τα δεδομένα δεν έχουν ψηφιοποιηθεί. Οι ροές εργασίας δεν είναι τυποποιημένες. Αυτό ακούγεται σαν πρόβλημα, αλλά από όπου καθόμαστε, είναι μια ευκαιρία. Δεν αντικαθιστούμε ένα υπάρχον σύστημα. Σε πολλές περιπτώσεις, χτίζουμε το πρώτο.

Προσθέστε σε αυτό το κεφάλαιο που επενδύεται σε κέντρα δεδομένων, κατασκευή και υποδομή τώρα, και η πίεση να τιμούμε και να χτίζουμε γρηγορότερα είναι μόνο σε αύξηση. Οι συμβατικοί που θα το καταφέρουν θα προχωρήσουν. Αυτοί που δεν θα το κάνουν θα αναρωτηθούν τι συνέβη.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν Attentive.ai ή Beam AI.