Explainable Machine Learning for Early-Stage Construction Duration Prediction Using Limited Project Information
यह अध्ययन सीमित परियोजना जानकारी के आधार पर प्रारंभिक चरण की निर्माण अवधि की भविष्यवाणी करने के लिए एक XGBoost मॉडल का उपयोग करके एक व्याख्यात्मक मशीन लर्निंग ढांचे को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि हालांकि मॉडल परियोजना लागत को प्राथमिक चालक के रूप में मजबूत भविष्य कहनेवाला प्रदर्शन प्राप्त करता है, इसके परिणामों के लिए डेटा विभाजन के प्रति संवेदनशीलता के कारण सावधानीपूर्वक व्याख्या की आवश्यकता होती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
प्रत्येक निर्माण परियोजना एक ऐसे प्रश्न के साथ शुरू होती है जिसका उत्तर बिना किसी भविष्य बताने वाले यंत्र (क्रिस्टल बॉल) के देना कठिन होता है: इसे बनाने में कितना समय लगेगा? इससे पहले कि ब्लूप्रिंट पूरी तरह से तैयार हों, इससे पहले कि सामग्री का ऑर्डर दिया जाए, और इससे पहले कि पहली कुदाल जमीन पर लगे, ठेकेदारों और क्लाइंट्स को एक समयसीमा तय करनी होती है। यह निर्णय बजट, श्रमिकों के शेड्यूल और इसमें शामिल सभी लोगों के लिए वित्तीय जोखिम को निर्धारित करता है। पारंपरिक रूप से, इस प्रश्न का उत्तर देने के लिए विस्तृत इंजीनियरिंग गणनाओं और प्रत्येक कार्य के विस्तृत विवरण की आवश्यकता होती थी, ऐसी जानकारी जो शुरुआती नियोजन चरणों में उपलब्ध ही नहीं होती है। यह एक कठिन स्थिति पैदा करता है जहाँ समयसीमा की आवश्यकता सबसे अधिक होती है, ठीक उसी समय जब उसे बनाने के लिए उपलब्ध डेटा सबसे कम होता है।
इसे हल करने के लिए, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया है, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ प्रोग्राम कठोर, पूर्व-लिखित नियमों का पालन करने के बजाय डेटा में पैटर्न खोजने के लिए सीखते हैं। निर्माण के संदर्भ में, ये प्रोग्राम ऐतिहासिक परियोजनाओं को देख सकते हैं और सीख सकते हैं कि कैसे कुछ कारक, जैसे कि लागत या भवन का प्रकार, इस बात से संबंधित हैं कि काम पूरा होने में कितना समय लगा। हालाँकि, इस दिशा में किए गए कई पिछले प्रयास ऐसे डेटा पर निर्भर थे जो परियोजना शुरू होने के बाद ही उपलब्ध होते हैं, जैसे कि मंजिलों की सटीक संख्या या विशिष्ट साइट की स्थितियाँ। यह उन महत्वपूर्ण शुरुआती निर्णयों के लिए उनकी उपयोगिता को सीमित कर देता है जो सबसे अधिक मायने रखते हैं। मेहमत सेना कास्का और इशिक अतेश किराल का एक नया अध्ययन इस अंतर को दूर करने के लिए एक प्रणाली बनाकर इस कमी को संबोधित करता है, जो किसी परियोजना के बिल्कुल शुरुआत में उपलब्ध बुनियादी जानकारी का उपयोग करके निर्माण की अवधि की भविष्यवाणी करती है।
शोधकर्ताओं ने अपने सिस्टम को प्रशिक्षित करने के लिए 209 पूर्ण निर्माण परियोजनाओं से डेटा एकत्र किया। उन्होंने जानबूझकर उन जटिल विवरणों को अनदेखा करने का निर्णय लिया जो नियोजन चरण में ज्ञात नहीं होते हैं। इसके बजाय, उन्होंने कंप्यूटर को चार सरल जानकारियां दीं: परियोजना की अनुमानित लागत, मालिक एक सार्वजनिक संस्था है या निजी कंपनी, भवन या बुनियादी ढांचे का सामान्य प्रकार, और भौगोलिक स्थान। इस डेटासेट में आवासीय घरों और वाणिज्यिक कार्यालयों से लेकर कारखानों, बंदरगाहों और जल संचरण लाइनों तक विविध प्रकार की संरचनाएं शामिल थीं, जो मध्य पूर्व, उत्तरी अफ्रीका, दक्षिण एशिया और राष्ट्रमंडल स्वतंत्र राज्यों (CIS) सहित विभिन्न क्षेत्रों में स्थित थीं। परियोजनाओं के ऐसे विविध सेट का उपयोग करके, टीम का लक्ष्य एक ऐसा मॉडल बनाना था जो निर्माण उद्योग की जटिल वास्तविकता को संभाल सके, न कि केवल उसके एक छोटे से हिस्से को।
डेटा को समझने के लिए, टीम ने कई अलग-अलग प्रकार के मशीन लर्निंग एल्गोरिदम का परीक्षण किया। उन्होंने रैंडम फॉरेस्ट (Random Forest), एक्स्ट्रा ट्रीज़ (Extra Trees), आर्टिफिशियल न्यूरल नेटवर्क (Artificial Neural Networks) और एक्सजीबूस्ट (XGBoost) जैसे मॉडलों की तुलना की। ये सूचना को संसाधित करने के अपने अलग-अलग तरीकों के साथ, पैटर्न खोजने के विभिन्न गणितीय दृष्टिकोण हैं। शोधकर्ताओं ने विजेता घोषित करने के लिए केवल एक परीक्षण पर भरोसा न करने में सावधानी बरती। इसके बजाय, उन्होंने डेटा को बार-बार बदला और मॉडलों का विभिन्न तरीकों से परीक्षण किया ताकि यह सुनिश्चित हो सके कि परिणाम स्थिर हैं और केवल डेटा के विभाजन का कोई भाग्यशाली संयोग नहीं हैं। इस कठोर परीक्षण से पता चला कि जबकि कुछ मॉडल एक एकल परीक्षण पर अच्छा प्रदर्शन करते थे, वे डेटा में बदलाव के प्रति संवेदनशील थे। एक्सजीबूस्ट मॉडल, जो कई छोटे निर्णय वृक्षों (decision trees) के निर्माण और उन्हें संयोजित करने की तकनीक का उपयोग करता है, इन बार-बार किए गए परीक्षणों में सबसे सुसंगत प्रदर्शन करने वाला मॉडल साबित हुआ।
शोधकर्ताओं द्वारा चुना गया अंतिम मॉडल, एक्सजीबूस्ट, सटीकता के उस स्तर को प्राप्त करने में सफल रहा जो यह सुझाव देता है कि उसने डेटा में सार्थक पैटर्न को पकड़ लिया है। जब इसे उन विशिष्ट परियोजनाओं के सेट पर परखा गया जिन्हें इसने पहले नहीं देखा था, तो मॉडल की भविष्यवाणियां औसतन लगभग 175 दिनों के अंतर पर थीं। हालांकि यह त्रुटि का एक बड़ा मार्जिन लग सकता है, लेकिन अध्ययन की परियोजनाएं 92 दिनों से लेकर 2,760 दिनों तक की अवधि वाली थीं, जिनका औसत (median) 669 दिन था। प्रारंभिक नियोजन के संदर्भ में, जहाँ अभी तक कोई विस्तृत शेड्यूल मौजूद नहीं है, सटीकता का यह स्तर एक मूल्यवान शुरुआती बिंदु प्रदान करता है। मॉडल ने केवल एक संख्या ही नहीं दी; शोधकर्ताओं ने यह समझाने के लिए उपकरणों का भी उपयोग किया कि मॉडल अपने निष्कर्षों तक कैसे पहुँचा, जिससे यह सुनिश्चित हुआ कि परिणाम कोई "ब्लैक बॉक्स" रहस्य नहीं हैं।
मॉडल के तर्क के विश्लेषण से पता चला कि परियोजना की अनुमानित लागत, यह भविष्यवाणी करने के लिए सबसे महत्वपूर्ण कारक थी कि इसे पूरा करने में कितना समय लगेगा। जैसे-जैसे लागत बढ़ती गई, अनुमानित अवधि भी आम तौर पर बढ़ती गई, जो इस अंतर्ज्ञान के अनुरूप है कि बड़ी, अधिक महंगी परियोजनाओं में अधिक समय लगता है। हालाँकि, मॉडल ने यह भी सीखा कि केवल लागत पूरी कहानी नहीं बताती। भौगोलिक स्थान और परियोजना सार्वजनिक थी या निजी, इस बात ने भी समयसीमा को प्रभावित किया। उदाहरण के लिए, समान लागत स्तरों पर, कुछ क्षेत्रों में परियोजनाओं को अन्य क्षेत्रों की तुलना में अधिक समय लेने वाला बताया गया। परियोजना का प्रकार भी महत्वपूर्ण था, जिसमें बुनियादी ढांचे और बंदरगाह परियोजनाओं ने कारखानों या वाणिज्यिक भवनों की तुलना में अलग-अलग अवधि के पैटर्न दिखाए, हालांकि ये कारक लागत की तुलना में कम प्रभावशाली थे।
इन आशाजनक परिणामों के बावजूद, लेखक अपने कार्य की सीमाओं को परिभाषित करने में सावधान हैं। वे इस बात पर जोर देते हैं कि यह उपकरण विस्तृत निर्माण कार्यक्रम (construction schedule) का विकल्प नहीं है, जिसे प्रक्रिया में बाद में बनाया जाता है जब सभी विशिष्ट योजनाएं ज्ञात होती हैं। यह मॉडल एक प्रारंभिक सहायता के रूप में डिज़ाइन किया गया है, जो प्रस्तावित समयसीमा को ऐतिहासिक डेटा के विरुद्ध बेंचमार्क करने या बोली (bid) जमा करने से पहले संभावित जोखिमों को चिह्नित करने का एक तरीका है। शोधकर्ता यह भी नोट करते हैं कि मॉडल का प्रदर्शन उस विशिष्ट डेटा से जुड़ा है जिस पर इसे प्रशिक्षित किया गया था। चूंकि इस डेटासेट में केवल 209 परियोजनाएं थीं और यह विभिन्न प्रकारों और स्थानों में असमान रूप से वितरित था, इसलिए मॉडल किसी पूरी तरह से नए देश या अलग बाजार स्थितियों में अलग तरह से व्यवहार कर सकता है। अध्ययन स्पष्ट रूप से कहता है कि वास्तविक दुनिया के महत्वपूर्ण निर्णयों के लिए इस मॉडल पर भरोसा करने से पहले इसे नए, बाहरी डेटा पर परीक्षण करने की आवश्यकता है।
अंततः, यह शोध प्रदर्शित करता है कि बहुत सीमित जानकारी के साथ भी, निर्माण की समयसीमा के बारे में सूचित अनुमान लगाना संभव है। परियोजना के बिल्कुल शुरुआत में ज्ञात कुछ चरों पर ध्यान केंद्रित करके, टीम ने एक ऐसा ढांचा तैयार किया है जो निर्णय लेने वालों को प्रारंभिक नियोजन चरण की अनिश्चितता से निपटने में मदद करता है। अध्ययन दिखाता है कि हालांकि एक कंप्यूटर पूर्ण निश्चितता के साथ भविष्य की भविष्यवाणी नहीं कर सकता, लेकिन वह एक उचित अनुमान प्रदान करने के लिए अतीत से सीख सकता है जो केवल एक तुक्का लगाने से बेहतर है। यह दृष्टिकोण निर्माण के सबसे शुरुआती चरणों में डेटा-संचालित अंतर्दृष्टि लाने का एक व्यावहारिक तरीका प्रदान करता है, जिससे पहली ईंट रखने से पहले अपेक्षाओं को प्रबंधित करने और संसाधनों की योजना बनाने में मदद मिलती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।