Indtil for nylig betød en registrering i proprty.ai, at man gik rundt på ejendommen og indtastede det, man så. Nu kan det gøres med et kamera. En ny funktion i appen lader brugeren tage et billede af en bygningsdel, hvorefter AI'en forudsiger materiale, opførelsesår, tilstand og restlevetid.
Kunder bygger vedligeholdelsesplaner i proprty.ai på tre måder. Den første er at læne sig op ad AI'ens estimater fra offentlige bygningsdata, som er præcise nok til, at mange bruger dem direkte i budgetlægningen. Den anden er at lave fuldt manuelle registreringer på hver enkelt bygningsdel for at få den højeste præcision. Den tredje, og mest udbredte, er at kombinere de to.
"De fleste kunder lander et sted i midten," siger Mikkel Jensen, medstifter og CDSO i proprty.ai. "De stoler på AI-estimaterne på størstedelen af porteføljen, og laver registreringer dér, hvor det betyder mest. Billedbaserede registreringer gør den mellemvej meget nemmere at vælge."
Hvad ændrer sig for brugeren
Jo flere registreringer du laver, jo mere afspejler planen den faktiske tilstand på hver bygningsdel. Billedbaserede registreringer gør det arbejde hurtigere, og sænker barren for, hvem der kan udføre det.
Indtil nu har en registrering betydet, at man manuelt indtastede materiale, opførelsesår, tilstand og restlevetid på hver bygningsdel. Sammenlignet med en traditionel tilstandsvurdering var den proces allerede hurtigere, mere struktureret og leverede strukturerede data fra dag ét. Billedflowet fjerner den manuelle indtastning oven i det. Brugeren tager et billede, AI'en foreslår en fuld registrering, brugeren gennemgår og justerer.
"Når du har et billede af en bygningsdel, har du langt mere information, end vi nogensinde kan få ud af offentlige bygningsdata," siger Mikkel Jensen. "Det giver dig et meget bedre udgangspunkt, og i de fleste tilfælde er forudsigelsen allerede tæt nok på, at du bare skal verificere den."
Bygget på det, proprty.ai allerede ved
Billedforudsigelsen er ikke et generisk gæt. Den lægger sig oven på den samme struktur, som driver resten af proprty.ai: data fra offentlige registre som BBR, en materialeliste pr. bygningsdel, gennemsnitlige levetidsværdier pr. materiale, og koblingen mellem tilstandsscore og restlevetid.
"Forudsigelsen vælger fra vores egen materialeliste, som fører ind i den gennemsnitlige levetid for den bygningsdel og det materiale, som så forankrer tilstandsscoren og restlevetiden," siger Mikkel Jensen. "Alt det, vi har bygget over de seneste år, er det, der får det her til at virke."
Flere forbedringer på vej
Billedflowet er én af flere ændringer på vejen mod en registreringsoplevelse, der kræver mindre indtastning og mindre erfaring. Brugeren gennemgår stadig hver forudsigelse, og det forsvinder ikke.
"Det kræver mindre erfaring at lave en korrekt registrering, når du starter fra et billede," siger Mikkel Jensen. "Og det frigør brugerens opmærksomhed til de dele af bygningen, der faktisk fortjener et ekstra blik."
proprty.ai bruger domænespecifik AI til at forudsige tilstand, restlevetid og omkostninger på tværs af store bygningsporteføljer. Resultatet er et løbende opdateret beslutningsgrundlag for vedligehold og investering, hvor tilstand, omkostninger og CO₂ er samlet ét sted. Kunder i Danmark, Norge, Schweiz og Tyskland forvalter mere end 40 mio. m² i proprty.ai.
Tilmeld dig vores nyhedsbrev
Få indblik i nye funktioner, kundecases og nyheder fra proprty.ai – direkte i din indbakke.
