Berita Berinvestasi pada AI untuk membangun infrastruktur generasi berikutnya

Kesenjangan infrastruktur – perbedaan antara pendanaan dan konstruksi – sangat besar. Meskipun pemerintah dan perusahaan di seluruh dunia merasakan kesulitan dalam membangun lingkungan yang hemat energi dan berkelanjutan, hal ini membuktikan bahwa manusia tidak dapat melakukannya sendiri. Untuk mengatasi ketidakseimbangan ini, banyak organisasi beralih ke berbagai bentuk AI, termasuk model bahasa besar (LLM) dan pembelajaran mesin (ML). Secara kolektif, upaya-upaya tersebut belum mampu menyelesaikan seluruh permasalahan infrastruktur yang ada saat ini, namun sudah membantu mengurangi biaya, risiko, dan meningkatkan efisiensi.

Mengatasi keterbatasan sumber daya

Kurangnya tenaga kerja terampil di bidang teknik dan konstruksi merupakan masalah besar. Di AS, itu diperkirakan bahwa akan ada kekurangan 33% dalam pasokan talenta baru pada tahun 2031, dengan posisi yang belum terisi di bidang perangkat lunak, industri, sipil, dan teknik elektro. Jerman melaporkan kekurangan 320.000 spesialis sains, teknologi, teknik, dan matematika (STEM) pada tahun 2022 dan negara besar lainnya di bidang teknik, Jepang, memperkirakan akan terjadi defisit lebih dari 700.000 insinyur pada tahun 2030. Mengingat lamanya sebagian besar proyek teknik (memperbaiki mesin yang rusak, pipa gas misalnya, bisa memakan waktu puluhan tahun), permintaan terhadap insinyur yang berkualifikasi hanya akan terus melebihi pasokan kecuali ada tindakan yang dilakukan.

Pembatasan imigrasi dan visa bagi mahasiswa teknik internasional, dan kurangnya retensi dalam pekerjaan formatif STEM, memberikan kendala tambahan. Ditambah lagi, ada masalah duplikasi tugas yang bisa dilakukan AI dengan mudah.

Julien Moutte, CTO Bentley Systems menjelaskan, “Ada banyak sekali pekerjaan yang harus dilakukan para insinyur yang membosankan dan berulang-ulang. Antara 30% hingga 50% waktu mereka dihabiskan hanya untuk mengompresi model 3D ke dalam format PDF 2D. Jika pekerjaan tersebut dapat dilakukan dengan alat yang didukung AI, mereka dapat memulihkan separuh waktu kerja mereka yang kemudian dapat diinvestasikan untuk melakukan tugas-tugas yang bernilai lebih tinggi.”

Dengan panduan, AI dapat mengotomatiskan gambar yang sama ratusan kali. Melatih para insinyur untuk mengajukan pertanyaan yang tepat dan menggunakan AI secara optimal akan meringankan beban dan tekanan pengulangan.

Namun hal ini bukannya tanpa tantangan. Pengguna ChatGPT, atau LLM lainnya, mengetahui kelemahan halusinasi AI, di mana model tersebut dapat secara logis memprediksi rangkaian kata tetapi tanpa pemahaman kontekstual tentang arti kata tersebut. Hal ini dapat menghasilkan keluaran yang tidak masuk akal, namun dalam bidang teknik, halusinasi terkadang bisa lebih berisiko. “Jika sebuah rekomendasi dibuat oleh AI, maka rekomendasi tersebut perlu divalidasi,” kata Moutte. “Apakah rekomendasi itu aman? Apakah itu menghormati hukum fisika? Dan hanya membuang-buang waktu bagi para insinyur untuk meninjau semua hal ini.”

Namun hal ini dapat diimbangi dengan membuat alat dan produk perusahaan yang sudah ada menjalankan simulasi dan memvalidasi desain menggunakan aturan teknik dan kode desain yang telah ditetapkan, yang sekali lagi meringankan beban para insinyur yang harus melakukan validasi sendiri.

Meningkatkan efisiensi sumber daya

Diperkirakan 30% bahan bangunanseperti baja dan beton, terbuang di lokasi konstruksi biasa di Amerika Serikat dan Inggris, dan sebagian besar berakhir di tempat pembuangan sampah, meskipun negara-negara seperti Jerman dan Belanda baru-baru ini menerapkan langkah-langkah daur ulang. Hal ini, dan meningkatnya biaya bahan baku, memberikan tekanan pada perusahaan untuk memikirkan solusi guna meningkatkan efisiensi dan keberlanjutan konstruksi.