DPM 60/ Legislation and Safety of Technical Projects
8
2
105
Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή της Τεχνητής Νοημοσύνης στη διαδικασία ανάθεσης και παρακολούθησης έργων υποδομής, με στόχο τη βελτίωση της αποτελεσματικότητας, της διαφάνειας και της ποιότητας λήψης αποφάσεων. Τα έργα υποδομής χαρακτηρίζονται από υψηλή πολυπλοκότητα, σημαντικό οικονομικό αποτύπωμα και αυξημένο κίνδυνο καθυστερήσεων ή υπερβάσεων κόστους. Στο πλαίσιο αυτό, η αξιοποίηση προηγμένων αναλυτικών εργαλείων κρίνεται ιδιαίτερα σημαντική για τον εκσυγχρονισμό της διαχείρισής τους. Η μεθοδολογία της εργασίας βασίστηκε στη συλλογή και επεξεργασία ιστορικών δεδομένων από έργα υποδομής, τα οποία περιλάμβαναν στοιχεία κόστους, χρονοδιαγραμμάτων, συμβάσεων και αποκλίσεων υλοποίησης. Ακολούθησε η ανάπτυξη και εφαρμογή μοντέλων Μηχανικής Μάθησης, όπως μοντέλα παλινδρόμησης, δέντρα απόφασης και νευρωνικά δίκτυα, με σκοπό την πρόβλεψη πιθανών καθυστερήσεων, την εκτίμηση τελικού κόστους και την υποστήριξη της διαδικασίας αξιολόγησης προσφορών. Παράλληλα, σχεδιάστηκε ένα πλαίσιο υποστήριξης αποφάσεων που ενσωματώνει προβλεπτικούς δείκτες και μηχανισμούς έγκαιρης προειδοποίησης κινδύνων. Τα αποτελέσματα της έρευνας έδειξαν ότι τα μοντέλα Τεχνητής Νοημοσύνης μπορούν να επιτύχουν ικανοποιητική έως υψηλή ακρίβεια στην πρόβλεψη κρίσιμων παραμέτρων των έργων, συμβάλλοντας στη μείωση της αβεβαιότητας και στη βελτίωση του προγραμματισμού. Επιπλέον, η αυτοματοποιημένη ανάλυση δεδομένων ενισχύει τη διαφάνεια και μειώνει τον χρόνο αξιολόγησης στη φάση ανάθεσης. Ωστόσο, επισημαίνεται ότι η απόδοση των μοντέλων εξαρτάται σε μεγάλο βαθμό από την ποιότητα και την επάρκεια των διαθέσιμων δεδομένων. Συμπερασματικά, η ενσωμάτωση της Τεχνητής Νοημοσύνης στη διαχείριση έργων υποδομής μπορεί να αποτελέσει σημαντικό μοχλό εκσυγχρονισμού, υπό την προϋπόθεση ύπαρξης κατάλληλης ψηφιακής υποδομής, θεσμικής υποστήριξης και επαρκούς εξειδίκευσης του ανθρώπινου δυναμικού.
This diploma thesis examines the application of Artificial Intelligence in the process of assigning and monitoring infrastructure projects, with the aim of improving efficiency, transparency, and the quality of decision-making.
Infrastructure projects are characterized by high complexity, significant economic impact, and an increased risk of delays or cost overruns. In this context, the utilization of advanced analytical tools is considered particularly important for the modernization of project management practices. The methodology of the study was based on the collection and processing of historical data from infrastructure projects, including information related to costs, schedules, contracts, and implementation deviations. Subsequently, Machine Learning models such as regression models, decision trees, and neural networks were developed and applied in order to predict potential delays, estimate final project costs, and support the bid evaluation process. In parallel, a decision-support framework was designed, integrating predictive indicators and early-warning risk mechanisms. The findings of the research demonstrated that Artificial Intelligence models can achieve satisfactory to high levels of accuracy in predicting critical project parameters, thereby contributing to the reduction of uncertainty and the improvement of project planning. Furthermore, automated data analysis enhances transparency and reduces evaluation time during the procurement and assignment phase.
However, it is emphasized that the performance of these models largely depends on the quality and adequacy of the available data. In conclusion, the integration of Artificial Intelligence into infrastructure project management can serve as a significant driver of modernization, provided that appropriate digital infrastructure, institutional support, and adequately specialized human resources are in place.
ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΝΝΑ ΚΥΡΙΑΚΟΠΟΥΛΟΥ Final