Использование искусственного интеллекта для прогнозирования рисков и оптимизации процессов реализации строительных проектов
Прогнозирование рисков и сокращение отклонений по срокам и стоимости остаётся слабым звеном при реализации строительных проектов, где заметная доля объектов завершается с превышением плановых показателей. Разрыв между детерминированным календарно-сметным расчётом и вероятностной природой отклонений порождает систематическую недооценку резервов. Цель работы – количественно оценить вклад предсказательного контура машинного обучения, встроенного в процессы планирования и оперативного управления, в снижение проектных отклонений. На авторской имитационной модели монолитно-каркасного жилого объекта с плановой стоимостью 2 847,3 млн руб. и продолжительностью 26 месяцев выполнен расчёт методом Монте-Карло (10 000 итераций) по восьми факторам риска, дополненный сравнением четырёх алгоритмов прогнозирования итоговой стоимости и дисперсионным разложением вклада факторов. Базовый сценарий даёт среднее превышение сметы на 6,4% и срока – на 2,2 месяца при 80-м процентиле 10,3% и 30,4 месяца. Подключение предсказательного контура снижает средний перерасход до 3,4%, а среднее отставание – до 1,1 месяца, сокращая ожидаемые отклонения примерно наполовину. Наибольшую чувствительность интегральный показатель обнаруживает к ставочному риску и срыву поставок, которые в сумме формируют свыше 40% дисперсии итоговой стоимости. Распределение вклада факторов показывает, что эффект предсказательных алгоритмов достигается перенастройкой уже применяемых процедур календарного и стоимостного контроля, без обособленного управленческого блока. Risk forecasting and the reduction of deviations in schedule and cost remain a weak point in the delivery of construction projects, where a noticeable share of facilities is completed with overruns of planned indicators. The gap between deterministic schedule-and-estimate calculation and the probabilistic nature of deviations produces a systematic underestimation of reserves. The aim of the study is to quantify the contribution of a machine-learning predictive layer, embedded into planning and operational management, to the reduction of project deviations. On an author's simulation model of a monolithic-frame residential facility with a planned cost of 2,847.3 million rubles and a duration of 26 months, a Monte-Carlo calculation (10,000 iterations) was performed over eight risk factors, supplemented by a comparison of four algorithms for forecasting the final cost and by a variance decomposition of the factor contribution. The baseline scenario yields an average estimate overrun of 6,4% and a schedule overrun of 2,2 months, with an 80th percentile of 10,3% and 30.4 months. Connecting the predictive layer lowers the average overrun to 3,4% and the average delay to 1,1 months, cutting the expected deviations roughly by half. The integral indicator shows the highest sensitivity to the financing-rate risk and to supply disruption, which together form more than 40% of the variance of the final cost. The distribution of the factor contribution shows that the effect of predictive algorithms is achieved by re-tuning already applied procedures of schedule and cost control, without a separate management block.