Työtapaturmien tietojen muuttaminen toimintakykyisiksi näkymiin tekoälyllä

Työpaikkojen turvallisuustiimit tuottavat vuosittain työtapaturmien tietoa, mutta miljoonat työntekijät loukkaantuvat edelleen vuosittain, osa kuoleellisesti. Tapaturmien ilmoitukset, lähesonnettomuudet, vaaratilanteiden havainnot ja tutkintakertomukset kirjataan eri aloilla, kuten valmistuksessa, rakennusalan, ja energiantuotannossa. Vaikka tietoa on laaja, monet organisaatiot kamppailevat edelleen siinä, miten muuttaa tämä tapaturmien tieto kestäväksi ehkäiseväksi.

Yhdysvalloissa yksin työnantajat ilmoittivat noin 2,6 miljoonaa tapausta, joissa ei ollut kuolemaan johtaneita työpaikan loukkaantumisia ja sairauksia vuonna 2023, korostaen edelleen tarvetta tehokkaammille turvallisuusjärjestelyille. Vaikka pitkän aikavälin trendit osoittavat parantumista, ja loukkaantumisluvut ovat laskeneet merkittävästi 1970-luvun jälkeen, edistys on hidastunut viime vuosina, erityisesti korkean riskin aloilla.

Tilanne ilmoittamisen ja ehkäisyn välillä

Monet tapaturmien hallintaprosessit on suunniteltu varmistamaan OSHA:n tai työntekijöiden korvausmääräyksiin noudattamisen. Turvallisuuden ja työntekijöiden korvausammattilaiset suorittavat tutkimukset, kirjaavat löydökset ja säilyttävät raportteja sääntelyn ja tarkastusten tarkoituksiin.

Turvallisuuden johtajat voivat tunnistaa juurisyyt ja osatekijät, mutta kääntää nämä oivallukset ajankohtaisiksi korjaaviksi toimiksi, erityisesti kohdennetuksi koulutukseen, voi olla aikaa vievää ja vaatia eri järjestelmiä. Turvallisuusammattilaiset saattavat joutua suorittamaan laajoja tietojen analyysiä, jotta voivat määritellä kuvioita tai trendejä.

Tutkimukset osoittavat, että aiemmat tapaturmat ovat yksi vahvimmista ennustajista tulevista loukkaantumisista, kun korjaavat toimet viivästyvät tai eivät ole riittäviä, korostaen, kuinka kriittinen aikajakso tapahtumien jälkeen voi olla ehkäisyssä. Tekoälytyökalut voivat alkaa muuttaa turvallisuuden työnkulkua, kun ne liitetään tapahtumien jälkeisiin suositusten antamiseen.

Tehtävä: Tekoäly tapahtumien kertomusten ymmärtämiseen laajassa mittakaavassa

Tapahtumien ilmoitukset sisältävät arvokkaita oivalluksia rakenteettomassa tekstissä: tutkijoiden muistiinpanot, työntekijöiden lausunnot ja kontekstuaaliset kuvaukset olosuhteista ja käyttäytymisestä.

Aikaisemmin tietojen analysointi useiden tapausten yli vaati aikaa vievää manuaalista tarkastelua. Tekoälytyökalut voivat nyt muuttaa tätä dynamiikkaa, ja mallit voivat tarkastella kerrontatietoja laajassa mittakaavassa, tunnistaa toistuvia kuvioita, yleisiä osatekijöitä ja hienoja trendejä, jotka eivät välttämättä ole helposti näkyvissä ainoastaan rakenteellisten kenttien kautta.

Lisäksi tutkimukset ovat osoittaneet, että turvallisuuden rakenteettomat kertomukset usein paljastavat varhaisia merkkejä järjestelmällisestä riskistä – kuten menettelyjen sekaannusta tai toistuvia ympäristöolosuhteita – paljon ennen kuin ne ilmenevät aggregoituissa tilastoissa. Tekoälytyökalut eivät korvaa tutkijoita, vaan voivat täydentää heidän asiantuntemustaan paljastamalla signaaleja, jotka vaativat tarkempaa huomiota.

Turvallisuustiimit voivat käyttää tekoälytyökaluja välittömästi tapahtuman jälkeen:

• Tapaturman yksityiskohtien tulkinta – mukaan lukien vakavuus, käyttäytyminen ja kontekstuaaliset kuvaukset – korostaa merkityksellisiä osatekijöitä
• Toistuvien kuvioiden tunnistaminen samankaltaisten tapausten yli, jotka eivät välttämättä ole ilmeisiä yksittäisissä tapauksissa
• Tutkijoiden ohjaaminen korjaaviin toimiin, jotka ovat linjassa näiden löydösten kanssa

Nämä kyvyt vähentävät riippuvuutta manuaalisesta tarkastelusta ja institutionaalisen muistin varastosta, jolloin tiimit voivat reagoida suuremmalla johdonmukaisuudella ja nopeudella.

Siirtyminen juurisyytutkimuksesta välittömiin toimiin

Juurisyyntutkimuksen tunnistaminen on arvokasta vain, jos se johtaa toimiin. Kuitenkin turvallisuustiimit kohtaavat usein tuttujen pullonkaulatutkimusten jälkeen: mitä korjaavaa toimintaa tehdä ja miten nopeasti.

Tehtävä: Tekoälytyökalut ovat yhä enemmän käytössä tämän aukon sulkemiseksi analysoimalla tapahtumien ominaisuuksia – tyyppi, vakavuus, osatekijät ja kontekstuaaliset tekijät. Tekoälytyökalu ohjaa sitten tutkijoita kohti merkityksellisimpiä korjaavia toimia. Käytännössä turvallisuusammattilaiset ovat vähemmän riippuvaisia muistista, manuaalisista hakutoiminnoista tai yleisistä koulutustehtävistä.

Käyttämällä syvää ja spesifiä analyysiä, joka on linjassa kansainvälisten turvallisuuden hallintastandardien kanssa, kuten ISO 45001, joka korostaa, että korjaavat toimet tulisi kohdistaa suoraan tunnistettuihin vaaroihin ja juurisyihin, eikä riippua laajasta, yleisestä vastauksesta. Lyhentämällä etäisyyttä tutkimuksen ja toiminnan välillä, organisaatiot voivat puuttua tilanteeseen, kun konteksti on edelleen tuore ja tehokkain.

Sulkeutumisen aukin sulkeminen tapahtumien ja vastuun välillä

Toinen jatkuva haaste turvallisuusohjelmissa on näkyvyys korjaavien toimien jälkeen, jotka liittyvät koulutukseen. Turvallisuuden johtajat usein kamppailevat perustiedusten kysymysten kanssa, kuten: onko koulutus suoritettu? Onko se suoritettu ajoissa? Onko selkeä muisti, joka yhdistää tapahtuman toimiin?

Tehtävä: Tekoälytukea turvallisuustyönkulkuun korostaa yhä enemmän suljettua vastuun ketjua, varmistamalla, että korjaavat toimet eivät ainoastaan suositella, vaan seurata niiden toteutumista ja asiakirjoitetaan alkuperäisen tapahtuman yhteydessä. Ohjelman kypsymisen näkökulmasta tämä mahdollistaa organisaatioille siirtymisen sääntelyn mukaisuudesta mitattavien parannusten suuntaan, mukaan lukien:

• Nopeampi aika tapahtuman tutkimisesta korjaaviin toimiin
• Suurempi johdonmukaisuus koulutuksen määräämisessä ja vahvistamisessa
• Selkeämmät auditin jäljet, jotka yhdistävät tapahtumat, toimet ja tulokset

Sääntelyn ohjeistus OSHA:lta on korostanut asiakirjoituksen ja vahvistamisen tärkeyttä turvallisuuden hallintajärjestelmissä, erityisesti koulutuksen tehokkuuden ja tarkastusvalmiuden osalta.

Turvallisuuden tulokset kantavat eettisiä, lakiteknisiä ja inhimillisiä seuraamuksia, jotka vaativat ammattimaista arviointia. Tekoälytyökalujen tehokas käyttöönotto seuraa “ihminen silmukassa” -mallia, jossa tekoälytyökalu tarjoaa selitettäviä suosituksia ja tukemaan todisteita, kun taas turvallisuusammattilaiset säilyttävät täydellisen valtuuden päätöksenteossa. Tämä lähestymistapa on yhdenmukainen laajempien tekoälyhallinnon kehyksien kanssa, kuten NIST Tekoäly Riskien Hallintakehys, joka korostaa avoimuutta ja vastuuta ylläpitäen valvontaa.

Kun tekoälytyökalut asetetaan tueksi päätöksenteossa, ne tulevat helpommin luotettaviksi ja todennäköisemmin omaksutaviksi.

Edetään eteenpäin ja mitataan vaikutusta sääntelyn ylittävästi

Kun tapahtumien tieto muuttuu toimintakykyiseksi, turvallisuusohjelmat voivat siirtyä jäljempänä olevista osoittimista, kuten kirjatuista loukkaantumisluvuista, ja alkaa keskittyä riskien johtaviin osoittimiin. Organisaatiot, joilla on kypsiä turvallisuusanalytiikkaohjelmia, ovat osoittaneet vähemmän vakavia tapahtumia ajan myötä, koska ne pystyvät tunnistamaan nousevia riskejä ja puuttumaan niihin aikaisemmin.

Yhdistämällä tapahtumat suoraan oppimiseen, vastuuseen ja mitattaviin tuloksiin, tekoäly auttaa turvallisuustiimejä oppimaan ei ainoastaan tapahtumista, vaan niiden kautta.

Työpaikkojen turvallisuuden tulevaisuus ei ole siinä, että kerätään enemmän tietoa. Se on siinä, että käytetään olemassa olevaa tietoa älykkäämmin. Tekoälytyökalut tarjoavat turvallisuustiimille tavan muuttaa tapahtumien ilmoituksia staattisista asiakirjoista dynaamisiksi ehkäisyn työkaluiksi, auttaen organisaatioita siirtymään nopeammin tutkimuksesta toimiin ilman, että uhraavat inhimillistä arviointia. Ympäristöissä, joissa toistuvien tapahtumien kustannukset ovat korkeat, tekemällä tapahtumien tiedosta todella toimintakykyistä, voi olla yksi vaikuttavimmista askelista, jonka turvallisuuden johtajat voivat ottaa.