Tekoälyperusteiset tiedonhallintamallit prosessiteollisuuden investointihankkeissa

Abstract

Ongelmana suurissa prosessiteollisuuden EPC-mallisissa investointihankkeissa on valtavan tietomäärän hallinta, sillä se on hajautettuna eri paikkoihin, järjestelmiin ja projektin sidosryhmille. Tiedon hajanaisuus vaikeuttaa dataan pohjautuvaa päätöksentekoa, kustannusarvioiden tekemistä sekä aiheuttaa ongelmia riskientunnistukseen. Aiemmat alan kirjallisuuden käsikirjat ja viitekehykset antavat hyvän pohjan toteuttaa projekteja, mutta ne eivät käsittele tiedonhallintaa riittävästi. Tutkimuksessa toteutettiin kirjallisuuskatselmus, jossa ongelma tunnistettiin ja sitä varten määriteltiin strategiset, operatiiviset sekä tiedonhallinnalliset tavoitteet, joita voitiin hyödyntää suunnittelututkimus-menetelmän mukaisen artefaktin luomisessa. Artefaktilla demonstroitiin prototyyppiä järjestelmästä, mikä koostuu monista tekoälyä hyödyntävistä agenteista. Tällainen moniagenttijärjestelmä rakennettiin Microsoft-natiiville AutoGen-alustalle, sillä se on myöhemmin mahdollista skaalata suuremmaksi ja laajemmaksi hyödyntäen Azure-ekosysteemin palveluja. Käyttäjälle luotiin intuitiivinen käyttöjärjestelmä, jonka kautta järjestelmän hyödyntäminen olisi mahdollisimman helppoa. Artefaktin demonstroitava osuus sisälsi HAZOP-aiheisia projektidokumentteja, jotka käsiteltiin tekoälytyökaluja apuna käyttäen, jolloin käyttäjä pystyi luonnollisella kielellä tekemään järjestelmään kysymyksiä ja saaden vastauksia dokumentteihin liittyen. Arviointi ja validointi suoritettiin luoduilla avainsuorituskykymittareilla kvantitatiivisesti ja kvalitatiivisesti. Keskeiset työn tulokset tiedonhallinnasta olivat, että järjestelmä nopeutti merkittävästi tiedon hakua tietokannasta vähentäen manuaalisen työn määrää. Lisäksi päätöksenteko dataan perustuen oli merkittävästi nopeampaa, mitä manuaalisella työllä on mahdollista saavuttaa. Järjestelmän dokumentaatio oli läpinäkyvää ja käyttäjä pystyy tarkistamaan manuaalisesti kyselyjen tulokset, mikä tuo jäljitettävyyden ja auditointimahdollisuuden. Tiedon jakaminen voidaan hoitaa myös tulevaisuuden visiota ajatellen turvallisesti hyödyntäen Azure-ekosysteemiä, jolloin myös sidosryhmien projektiin osallistaminen on helpompaa. Lopuksi vielä tuloksina voidaan todeta, että työvoimakustannuksia voidaan säästää, jos työaikaa manuaaliseen tiedon etsimiseen voidaan minimoida, mikä parantaa taloudellista ja operatiivista tehokkuutta. Yhteenvetona voidaan todeta, että tekoälypohjainen moniagenttijärjestelmä kykenee oikein konfiguroituna merkittävästi parantamaan prosessiteollisuuden investointiprojektien tiedonhallintaa, päätöksentekoa ja tuottavuutta toimimalla projektipäällikköä tukevana työkaluna ja samalla tukien toimintaa eri sidosryhmien välillä. Lopuksi tulevaisuuden tutkimuksissa voitaisiin keskittyä teknologiseen, metodologiseen ja organisatoriseen jatkokehitykseen. Näistä teknologiseen näkökulmaan kuuluisi AI-agenttien autonomian sekä integroinnin kehitys. Toisessa jatkotutkimuksen aiheessa painottuisi selittävä tekoäly ja päätösten läpinäkyvyys turvallisuuskriittisissä käyttötapauksissa. Viimeisenä jatkotutkimuksen aiheena olisi muutosjohtaminen sekä eettisten kysymysten käsittely tekoälyperusteisten moniagenttijärjestelmien käyttöönottoon organisaatiossa. Näillä jatkotutkimussuunnilla voitaisiin saavuttaa kokonaisvaltaisempi ymmärrys tekoälyjärjestelmien toiminnasta prosessiteollisuuden investointihankkeiden kontekstissa luoden samalla lisäarvoa tehdylle tutkimukselle.

A major challenge in EPC-model large investment projects within the process industry is the management of extensive amount of information, as data is dispersed across multiple locations, systems, and project stakeholders. This fragmentation slows down data-driven decision-making, complicates cost estimation, and brings challenges to risk identification. Existing handbooks and frameworks in the field provide a solid foundation for project execution, but they do not sufficiently address information management. The study began with a literature review in which the problem was identified. The problem was then defined through strategic, operational, and information-related objectives. These objectives served as the basis for developing an artefact in accordance with the Design Science Research methodology. The artefact demonstrated a prototype of a system composed of artificial intelligence agents. This multi-agent system was built on Microsoft’s native AutoGen platform, allowing future scalability and wider utilisation of Azure ecosystem services. An intuitive user interface was designed to ensure ease of use. The demonstrative part of the artefact involved HAZOP-related project documentation that was processed with AI tools, enabling the user to query the system in natural language and receive answers directly grounded to the documents. Evaluation and validation were conducted through defined key performance indicators using both quantitative and qualitative approaches. The key findings regarding information management suggested that the system significantly accelerated data retrieval from the database, thereby reducing the amount of manual work required. Also, data-driven decision-making was much faster compared to manual processes. System documentation was transparent, and users were able to manually verify the results of queries, providing traceability and auditability. Data sharing can also be implemented securely in line with future development scenarios through the Azure ecosystem, which enables the involvement of project stakeholders. Finally, the results showed that labour costs can be reduced when time spent on manual information retrieval is minimised, which improves both economical and operational efficiency. In conclusion, a properly configured AI-based multi-agent system can significantly improve information management, decision-making, and productivity in process industry investment projects by supporting project managers and enabling collaboration across stakeholder groups. Finally, future research could focus on technological, methodological, and organizational aspects. The technological future research perspective would involve AI agent autonomy and integration possibilities. Methodological aspect would consist of explainable AI and decision transparency in safety‑critical use cases. The last area of future research would address change management and ethical questions for deploying AI‑based multi‑agent systems within organizations. These future research directions would produce a more comprehensive understanding of how AI systems operate in the context of process industry investment projects, thereby adding further value to the conducted work.