Explainable Machine Learning for Early-Stage Construction Duration Prediction Using Limited Project Information

تبدأ كل عملية بناء بسؤال يصعب الإجابة عليه دون بلورة سحرية: كم ستستغرق عملية البناء؟ وقبل أن تكتمل المخططات، وقبل أن تُطلب المواد، وقبل أن تضرب أول مِعول في الأرض، يجب على المقاولين والعملاء تحديد جدول زمني. هذا القرار هو ما يحدد الميزانية، وجدول عمل العمال، والمخاطر المالية لكل الأطراف المعنية. تقليديًا، كانت الإجابة على هذا السؤال تتطلب حسابات هندسية مفصلة وتقسيمًا لكل مهمة على حدة، وهي معلومات لا توجد ببساطة في مراحل التخطيط الأولى. وهذا يخلق وضعًا صعبًا حيث تكون الحاجة إلى جدول زمني في أعلى مستوياتها في الوقت الذي تكون فيه البيانات المتاحة لإنشائه في أدنى مستوياتها.

ولحل هذه المشكلة، لجأ الباحثون إلى تعلم الآلة، وهو فرع من علوم الحاسوب حيث تتعلم البرامج كيفية إيجاد الأنماط في البيانات بدلاً من اتباع قواعد صارمة ومكتوبة مسبقًا. وفي سياق البناء، يمكن لهذه البرامج أن تنظر إلى المشاريع التاريخية وتتعلم كيف ترتبط عوامل معينة، مثل التكلفة أو نوع المبنى، بالمدة التي استغرقها العمل. ومع ذلك، فإن العديد من المحاولات السابقة في هذا الصدد اعتمدت على بيانات لا تتوفر إلا بعد بدء المشروع بالفعل، مثل العدد الدقيق للطوابق أو ظروف الموقع المحددة. وهذا يحد من فائدتها للقرارات المبكرة الأكثر أهمية. تعالج دراسة جديدة أجراها محمد سنا كاشكا وإيشيك أتيش كيرال هذه الفجوة من خلال بناء نظام يتنبأ بمدة البناء باستخدام المعلومات الأساسية المتاحة فقط في بداية المشروع.

جمع الباحثون بيانات من 209 مشروع بناء مكتمل لتدريب نظامهم. وقد تعمدوا تجاهل التفاصيل المعقدة التي لم تُعرف بعد في مرحلة التخطيط. وبدلاً من ذلك، قاموا بتغذية الحاسوب بأربعة معلومات بسيطة: التكلفة التقديرية للمشروع، وما إذا كان المالك جهة عامة أم شركة خاصة، والنوع العام للمبنى أو البنية التحتية، والموقع الجغرافي. تضمنت مجموعة البيانات مجموعة متنوعة من المنشآت، من المنازل السكنية والمكاتب التجارية إلى المصانع والموانئ وخطوط نقل المياه، والموزعة عبر مناطق مختلفة تشمل الشرق الأوسط، وشمال أفريقيا، وجنوب آسيا، ودول رابطة الدول المستقلة. ومن خلال استخدام مجموعة متنوعة من المشاريع، هدف الفريق إلى إنشاء نموذج يمكنه التعامل مع الواقع الفوضوي لصناعة البناء، بدلاً من مجرد شريحة ضيقة منه.

ولفهم هذه البيانات، اختبر الفريق عدة أنواع مختلفة من خوارزميات تعلم الآلة. فقد قارنوا بين نماذج تُعرف باسم "الغابة العشوائية" (Random Forest)، و"الأشجار الإضافية" (Extra Trees)، و"الشبكات العصبية الاصطناعية" (Artificial Neural Networks)، و"XGBoost". وهذه هي طرق رياضية مختلفة لإيجاد الأنماط، ولكل منها طريقته الخاصة في معالجة المعلومات. وكان الباحثون حذرين من الاعتماد على اختبار واحد لإعلان الفائز؛ بل قاموا بتكرار خلط البيانات واختبار النماذج بطرق مختلفة لضمان استقرار النتائج وعدم كونها مجرد صدفة سعيدة ناتجة عن كيفية تقسيم البيانات. وكشف هذا الاختبار الصارم أنه بينما أدت بعض النماذج أداءً جيدًا في اختبار واحد، إلا أنها كانت حساسة للتغيرات في البيانات. وقد أثبت نموذج XGBoost، الذي يستخدم تقنية بناء العديد من أشجار القرار الصغيرة ودمجها، أنه الأكثر اتساقًا في الأداء عبر هذه الاختبارات المتكررة.

حقق النموذج النهائي الذي اختاره الباحثون، وهو XGBoost، مستوى من الدقة يشير إلى أنه استطاع التقاط أنماط ذات معنى في البيانات. وعند اختباره على مجموعة محددة من المشاريع التي لم يسبق له رؤيتها، انحرفت تنبؤات النموذج بنحو 175 يومًا في المتوسط. ورغم أن هذا قد يبدو هامش خطأ كبيرًا، إلا أن المشاريع في الدراسة تراوحت مدتها بين 92 يومًا كحد أدنى و2,760 يومًا كحد أقصى، بمتوسط قدره 669 يومًا. وفي سياق التخطيط المبكر، حيث لا يوجد جدول زمني مفصل بعد، يوفر هذا المستوى من الدقة نقطة انطلاق قيمة. ولم يقدم النموذج رقمًا فحسب؛ بل استخدم الباحثون أيضًا أدوات لشرح كيفية وصول النموذج إلى استنتاجاته، مما يضمن أن النتائج ليست لغزًا من نوع "الصندوق الأسود".

وكشف تحليل منطق النموذج أن التكلفة التقديرية للمشروع كانت العامل الأهم في التنبؤ بالمدة التي سيستغرقها. فكلما ارتفعت التكلفة، زادت المدة المتوقعة عمومًا، وهو ما يتماشى مع الحدس بأن المشاريع الأكبر والأكثر تكلفة تستغرق وقتًا أطول. ومع ذلك، تعلم النموذج أيضًا أن التكلفة وحدها لا تروي القصة كاملة؛ إذ أثر الموقع الجغرافي وما إذا كان المشروع عامًا أو خاصًا أيضًا على الجدول الزمني. فعلى سبيل المثال، عند مستويات التكلفة المتشابهة، كان من المتوقع أن تستغرق المشاريع في مناطق معينة وقتًا أطول من غيرها. كما كان لنوع المشروع أهمية أيضًا، حيث أظهرت مشاريع البنية التحتية والموانئ أنماط مدة مختلفة مقارنة بالمصانع أو المباني التجارية، وإن كانت هذه العوامل أقل تأثيرًا من التكلفة.

ورغم هذه النتائج الواعدة، يحرص المؤلفون على تحديد حدود عملهم. فهم يؤكدون أن هذه الأداة ليست بديلاً عن جدول البناء التفصيلي، الذي يتم إنشاؤه لاحقًا في العملية عندما تُعرف جميع الخطط المحددة. فالنموذج مصمم كعامل مساعد أولي، كوسيلة لمقارنة الجدول الزمني المقترح بالبيانات التاريخية أو لتحديد المخاطر المحتملة قبل تقديم العطاء. كما يشير الباحثون إلى أن أداء النموذج مرتبط بالبيانات المحددة التي تم تدريبه عليها؛ ولأن مجموعة البيانات احتوت على 209 مشروعًا فقط وكانت غير متوازنة عبر أنواع ومواقع مختلفة، فقد يتصرف النموذج بشكل مختلف إذا طُبق على بلد جديد تمامًا أو ظروف سوق مختلفة. وتنص الدراسة صراحة على ضرورة اختبار النموذج على بيانات خارجية جديدة قبل الوثوق به لاتخاذ قرارات حاسمة في العالم الحقيقي.

في النهاية، يوضح هذا البحث أنه حتى مع وجود معلومات محدودة للغاية، من الممكن تقديم تخمينات مدروسة حول الجداول الزمنية للبناء. ومن خلال التركيز على المتغيرات القليلة المعروفة في بداية المشروع، أنشأ الفريق إطارًا يساعد صناع القرار على التعامل مع عدم اليقين في مرحلة التخطيط المبكر. وتظهر الدراسة أنه بينما لا يستطيع الحاسوب التنبؤ بالمستقبل بيقين تام، فإنه يستطيع التعلم من الماضي لتقديم تقدير معقول أفضل من مجرد التخمين. ويقدم هذا النهج طريقة عملية لجلب الرؤى القائمة على البيانات إلى المراحل الأولى من البناء، مما يساعد في إدارة التوقعات وتخطيط الموارد قبل وضع أول حجر في البناء.