Digitaalisen työkalun kehittäminen RAMS-prosessin tehostamiseksi rakennusprojekteissa

Abstract

Tämän opinnäytetyön tavoitteena oli kehittää ja testata digitaalista työkalua, joka tehostaa raken-nusalan turvallisuusasiakirjojen, erityisesti RAMS-dokumenttien (Risk Assessment and Method Statement), laadintaa hyödyntämällä generatiivista tekoälyä. Työn toimeksiantajana toimi Anfra Oy, ja kehitystyö oli osa laajempaa BuildAI-hanketta. Taustalla oli tarve vähentää manuaalista rutiinityötä ja parantaa turvallisuussuunnittelun laatua hyödyntämällä projektikohtaista lähdeaineis-toa tehokkaammin.

Opinnäytetyö toteutettiin konstruktiivisena tutkimuksena. Tietoperustassa tarkasteltiin rakennus-alan digitalisaatiota, tekoälyn mahdollisuuksia sekä turvallisuusjohtamisen vaatimuksia. Kehittä-mismenetelmänä käytettiin niin sanottua vibekoodausta Replit-ympäristössä, jossa sovellusta kehitettiin ohjaamalla tekoälyagenttia luonnollisella kielellä. Prosessi eteni iteratiivisesti: ensim-mäisen version (RAMSES I) epäonnistumisesta saadut opit, kuten tarkan tekoälyn ohjeistuksen (promptauksen) merkitys ja englannin kielen käyttö tekoälyavustajan kanssa keskustellessa Rep-lit-ympäristössä, hyödynnettiin onnistuneessa toisessa versiossa (RAMSES II).

Työn tuloksena syntyi toimiva selainpohjainen sovellus, RAMSES II, joka kykenee luomaan ra-kenteellisesti oikeaoppisia RAMS-dokumentteja käyttäjän lataamien projektiasiakirjojen pohjalta. Työkalu tunnistaa lähdeaineistosta projektikohtaiset riskit ja työmenetelmät ilman tekoälylle tyy-pillisiä hallusinaatioita eli vakuuttavan kuuloista, mutta virheellistä tietoa. Laadullisessa arvioin-nissa havaittiin, että vaikka tekoäly nopeuttaa prosessia merkittävästi, suomenkielinen ammatti-termistö vaatii edelleen asiantuntijan tarkistusta.

Johtopäätöksenä voidaan todeta, että generatiivinen tekoäly soveltuu hyvin rakennusalan doku-mentaation tehostamiseen, kunhan ”human-in-the-loop” -periaate säilytetään. Työkalu toimii asian-tuntijan apurina, mutta vastuu turvallisuudesta säilyy ihmisellä. Jatkokehityksenä ehdotetaan kielimallin hienosäätöä suomenkielisellä rakennusalan datalla, integraatiota yrityksen muihin tieto-järjestelmiin ja tulevaisuuden kielimalleihin vaihtamista.

The objective of this master’s thesis was to develop and test a digital tool to enhance the crea-tion of safety documents in the construction industry, specifically RAMS documents (Risk As-sessment and Method Statement), by utilizing generative artificial intelligence. The thesis was commissioned by Anfra Oy, and the development work was part of the wider BuildAI project. The study was based on the need to reduce manual routine work and improve the quality of safety planning.

The thesis was implemented as constructive research. In the theoretical framework, digitalization in the construction industry, the possibilities of artificial intelligence, and the requirements of safe-ty management were examined. The development method used was "Vibe Coding" in the Replit environment, where the application was developed by guiding an AI agent with natural language. The process was carried out iteratively, and lessons learned from the first version were utilized in the development of the second version.

The result of the work was a functional browser-based application, RAMSES II. The application could create structurally correct RAMS documents based on project documents uploaded by the user. Project-specific risks and work methods were identified from the source material without "hallucinations." In the qualitative evaluation, it was observed that although AI significantly speeds up the process, Finnish professional terminology still requires verification by an expert.

It can be concluded that generative AI is well suited for enhancing documentation in the construc-tion industry, provided that the "human-in-the-loop" principle is maintained. The responsibility for safety remains with humans. Future development proposals include fine-tuning the language model with Finnish construction data and integrating the tool into the company's other information systems.