Ajatusjohtajat

Työtapaturmatietojen muuttaminen käytännön toimia ohjaaviksi oivalluksiksi tekoälyn avulla

Clare Epstein
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatTekoäly muuntaa rakentamattomat tapahtumakuvaukset systemaattisiksi riskikuvioiksi…
Näytä lisää
  • Tekoäly muuntaa rakentamattomat tapahtumakuvaukset systemaattisiksi riskikuvioiksi aikaista puuttumista varten.
  • Tekoäly lyhentää kriittistä kuilua tapahtumien tutkimisen ja kohdennettujen korjaavien toimenpiteiden välillä.
  • Tekoäly mahdollistaa suljetun silmukan vastuullisuuden seuraamalla korjaavia toimenpiteitä suosituksesta vahvistukseen saakka.

Työpaikkojen turvallisuustiimit tuottavat vuosittain työtapaturmien tietoa, mutta miljoonat työntekijät loukkaantuvat edelleen vuosittain, osa kuolettavasti. Tapaturmailmoituksia, läheltä piti -tilanteita, vaarahavaintoja ja tutkintakertomuksia kirjataan esimerkiksi teollisuudessa, rakentamisessa ja yhdyskuntapalveluissa. Tiedon määrästä huolimatta monien organisaatioiden on vaikea muuttaa sitä pitkäjänteiseksi ennaltaehkäisyksi.

Yhdysvalloissa yksin työnantajat ilmoittivat noin 2,6 miljoonaa ei-kuolemaan johtanutta työtapaturmaa ja työperäistä sairautta 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.

Raportoinnin ja ennaltaehkäisyn välinen kuilu

Monet tapaturmien hallintaprosessit on suunniteltu varmistamaan OSHA:n määräysten tai työtapaturmakorvauksia koskevien sääntöjen noudattaminen. Turvallisuuden ja työtapaturmakorvausten ammattilaiset suorittavat tutkimukset, kirjaavat löydökset ja säilyttävät raportteja sääntelyn ja tarkastusten tarkoituksiin.

Turvallisuuden johtajat voivat tunnistaa juurisyyt ja osatekijät, mutta näiden havaintojen muuttaminen oikea-aikaisiksi korjaaviksi toimiksi, erityisesti kohdennetuksi uudelleenkoulutukseksi, voi viedä aikaa ja vaatia eri järjestelmiä. Turvallisuusammattilaiset saattavat joutua suorittamaan laajoja tietoanalyysejä, 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.

Tekoäly tapahtumakertomusten ymmärtämisen tukena 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 hienovaraisia kehityssuuntia, 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

Juurisyyn tunnistaminen on arvokasta vain, jos se johtaa toimiin. Tutkinnan valmistuttua turvallisuustiimit kohtaavat kuitenkin usein tutun pullonkaulan: mihin korjaaviin toimiin ryhtyä ja kuinka nopeasti.

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.

Syvällinen ja yksityiskohtainen analyysi on linjassa kansainvälisten turvallisuuden hallintastandardien kanssa, kuten ISO 45001, joka korostaa, että korjaavat toimet tulisi kohdistaa suoraan tunnistettuihin vaaroihin ja juurisyihin, eikä nojata laajoihin, kaikille samanlaisiin ratkaisuihin. Lyhentämällä etäisyyttä tutkimuksen ja toiminnan välillä, organisaatiot voivat puuttua tilanteeseen, kun konteksti on edelleen tuore ja tehokkain.

Tapahtumien ja vastuun yhdistäminen katkeamattomaksi ketjuksi

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

Tekoälyavusteiset turvallisuustyönkulut korostavat yhä enemmän katkeamatonta vastuun ketjua: korjaavia toimia ei ainoastaan suositella, vaan niiden toteutumista seurataan loppuun asti ja ne dokumentoidaan alkuperäisen tapahtuman yhteyteen. 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 suosituksia tukevaa näyttöä, 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 toimivat päätöksenteon tukena eivätkä automatisoi asioita vain automatisoinnin vuoksi, niihin on helpompi luottaa ja ne otetaan todennäköisemmin käyttöön.

Katse tulevaan: vaikutusten mittaaminen vaatimustenmukaisuutta laajemmin

Kun tapahtumien tieto muuttuu toimintakykyiseksi, turvallisuusohjelmat voivat siirtyä jälkikäteisistä mittareista, kuten kirjatuista loukkaantumisluvuista, ja alkaa keskittyä ennakoiviin riskimittareihin. 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 ihmisen harkinnasta tinkimättä. Ympäristöissä, joissa toistuvien tapahtumien kustannukset ovat korkeat, tapahtumatiedon muuttaminen aidosti hyödynnettäväksi voi olla yksi vaikuttavimmista toimista, joihin turvallisuusjohtajat voivat ryhtyä.

Clare Epstein on Vector Solutionsin kaupallisen liiketoimintasegmentin johtaja, jolla on yli 20 vuoden johtokokemus turvallisuuskoulutuksesta ja teknologiaratkaisuista. Johtajana Epstein vastaa strategian, toteutuksen ja kasvun johtamisesta Vectorin kaupalliselle markkinasegmentille, joka palvelee asiakkaita valmistuksen, öljy- ja kaasualan, kiinteistöjohtamisen, insinöörityön ja rakennusalan parissa.