Viemäri kuvataan, video katsotaan läpi ja raportti arkistoidaan. Lämmitys säädetään syksyllä, ja vika huomataan, kun asukas soittaa. Kiinteistön ylläpito on pitkään toiminut näin: korjataan, kun jotain näkyy. Ennakoiva kunnossapito kääntää järjestyksen. Kone käy läpi kuvaa, mittauksia ja kulutuslukuja ja nostaa esiin kohdan, joka kannattaa tarkistaa, ennen kuin siitä tulee vahinko.
Kolme käyttökohdetta on nyt pisimmällä: putkikuvausten konenäkö, itseoppiva lämmityksen ohjaus ja talotekniikan vikojen tunnistus datasta. Ne ovat eri vaiheissa, ja ihmisen rooli on jokaisessa erilainen.
Keskeiset huomiot
Konenäkö erottaa viemärikuvauksesta ehjät putkiosuudet jo hyvin, mutta vikojen luokittelussa tutkijoilla on vielä paljon parannettavaa.
Motivan selvityksen mukaan tekoälyä hyödyntävä lämmityksen ja talotekniikan optimointi voi kiinteistöstä riippuen pienentää energiankulutusta esimerkiksi 10–20 %.
Isoissa toimitiloissa lain vaatima automaatio seuraa energiankäyttöä ja havaitsee järjestelmien heikkenemisen.
Kaikki kolme nojaavat dataan, ja korjauksesta päättää edelleen ihminen.
Konenäkö lukee viemärikuvauksen videota
Viemärikuvauksessa kamera kulkee putkessa, ja tallenne katsotaan läpi silmämääräisesti. Tanskalaisen Aalborgin yliopiston tutkijat nimeävät ongelman suoraan: tarkastusta rajoittavat pätevien tarkastajien määrä ja yhden putken tarkastamiseen kuluva aika. Siksi he kokosivat Sewer-ML-aineiston, jossa on 1,3 miljoonaa ammattitarkastajien luokittelemaa kuvaa. Kuvat on poimittu 75 618 tarkastusvideosta, jotka saatiin kolmelta tanskalaiselta vesilaitokselta vuosilta 2011–2019.
Suomessa kuvauksen tilaa yleensä taloyhtiö tai omakotitalon omistaja viemäreihin erikoistuneelta urakoitsijalta, ja työn tulos on video ja kirjallinen raportti. Esimerkiksi viemärin sukitusta ja huoltoa tekevän yrityksen sivuilla viemariverstas.fi kerrotaan, että kuvauksesta saa raportin viemärin kunnosta ja korjaustarpeista. Sewer-ML:n kaltaiset mallit on opetettu lukemaan juuri tällaista videota.
Tulokset näyttävät, missä raja kulkee. Paras vertailtu malli tunnisti normaalit putkiosuudet hyvin, ja sen F1-tulos oli 90,94 %. Vikaluokittelun F2-tulos, jossa luokat on painotettu niiden taloudellisen merkityksen mukaan, jäi 55,11 %:iin, ja tekijöiden mukaan parannettavaa on runsaasti. Konenäkö sopii siis jo esikarsintaan: kone erottaa ehjät osuudet ja nostaa epäselvät kohdat tarkastajan katsottaviksi. Vikaluokitus ja korjauspäätös jäävät ihmiselle.
Sama tekniikka on yrityksissä tutumpi AI-kameravalvonnasta. Putkessa näkymä on kuitenkin rajattu, ja samat vikatyypit toistuvat kohteesta toiseen.
Lämmitys, joka oppii rakennuksensa
Lämmityksessä tekoäly on jo kaupallinen palvelu. Motivan tilaamassa ja Granlundin laatimassa selvityksessä Kiinteistöjen kustannustehokkaat energiatehokkuustoimet sekä uudet teknologiat kuvataan optimointipalveluja, jotka hyödyntävät tekoälyä tai koneoppimista. Ohjelmisto oppii, miten kiinteistö reagoi eri tilanteissa, ja säätää talotekniikkaa sen mukaan. Energiankulutus voi selvityksen mukaan pienentyä kiinteistöstä riippuen esimerkiksi 10–20 % tai enemmänkin. Yksi tärkeä syöte on sääennuste: yleisimmät rakennusautomaatiotoimijat tarjoavat jo mahdollisuuden käyttää sää- ja ennustepalveluja rajapintojen kautta.
Säästö riippuu lähtötilanteesta
Selvitys esittää myös varauksia, jotka on hyvä lukea ennen sopimusta. Palvelua ei välttämättä voi ottaa käyttöön vanhemmassa rakennusautomaatiossa, eikä se saavuta täyttä hyötyä ilman kattavasti ohjattavaa ja valvottavaa talotekniikkaa. Paras hyöty saadaan selvityksen mukaan usein heti rakennuksen tai laajan saneerauksen valmistuttua, koska kiinteistö ei käytännössä koskaan toimi aluksi täysin suunnitellusti. Silloin säästöjä on kuitenkin vaikea mitata, koska vertailukelpoista lähtötilannetta ei ole. Optimointi ei myöskään aina pienennä kulutusta, jos palveluntarjoajan kanssa sovitaan, että tärkein tavoite on käyttömukavuus.
Ohjaus voi ulottua patteriin
Kerrostalossa säätö voi tapahtua huoneen tarkkuudella. Selvityksen mukaan markkinoilla on etäohjattavia termostaatteja, jotka asennetaan jokaiseen patteriin ja joiden säätö perustuu sääennusteisiin ja huoneistojen opittuun lämpödynamiikkaan. Rakennukseen tarvitaan silloin WLAN-tukiasemat, koska ohjaus kulkee pilvipalvelun kautta.
Omakotitalossa kysymys on usein toinen: milloin lämmittää, kun sähkön hinta vaihtelee. Miten koti ajoittaa suuret kulutuslaitteet pörssisähkön hinnan mukaan, kerroimme aiemmassa jutussa pörssisähköstä ja tekoälystä.
Vika näkyy datassa ennen hälytystä
Kolmas käyttökohde näkyy asukkaalle vähiten. Motivan selvityksen mukaan käytönaikainen seuranta ja analytiikka paljastavat laite- ja järjestelmävikoja, ennen kuin ne aiheuttavat hälytyksiä ja poikkeustiloja. Koneoppimisen avulla viat ja huoltotarpeet voidaan tunnistaa, ennen kuin energiankulutus nousee tai laite rikkoutuu. Kun seurantatietoa käytetään myös huollon suunnitteluun, ennakointi voi selvityksen mukaan karsia huolto- ja ylläpitokuluja jopa 10 %.
Seurattavia suureita ovat selvityksen mukaan tyypillisesti vähintään lämpötila, hiilidioksidipitoisuus ja suhteellinen kosteus. Erityisen hyödyllistä seuranta on takuuaikana. Uuteen tai saneerattuun kiinteistöön jää helposti puutteita, joita ei huomata valmistumisen yhteydessä. Kun ne löytyvät seurannalla takuuaikana, korjaukset saadaan tehtyä ilman lisäkustannuksia. Kattava seuranta voi silti tulla kalliiksi, koska perinteisessä rakennusautomaatiossa hinta määräytyy yleensä seurattavien pisteiden määrän mukaan.
Isoissa toimitiloissa pohja on lakisääteinen. Laki 733/2020 velvoitti omistajan varustamaan käytössä olevan muun kuin asuinrakennuksen automaatio- ja ohjausjärjestelmällä viimeistään 31.12.2024. Velvoite koskee rakennuksia, joiden lämmitysjärjestelmän tai yhdistetyn lämmitys- ja ilmanvaihtojärjestelmän nimellisteho on yli 290 kilowattia. Järjestelmän on kyettävä muun muassa seuraamaan, kirjaamaan ja analysoimaan energiankäyttöä jatkuvasti sekä havaitsemaan teknisten järjestelmien tehokkuuden heikkeneminen.
Laki ei vaadi tekoälyä. Se vaatii dataa ja kyvyn huomata, että jokin toimii huonommin kuin ennen. Motivan selvityksen mukaan analytiikkapalvelun laatu riippuu siitä, kuinka paljon ja kuinka hyvää dataa kiinteistöstä kerätään.
Kolme käyttökohdetta rinnakkain
| Käyttökohde | Mitä dataa | Mitä tekoäly tekee | Mikä jää ihmiselle | Missä vaiheessa |
|---|---|---|---|---|
| Viemärikuvaus | tarkastusvideo ja kuvat | erottaa ehjät osuudet ja ehdottaa vikaluokkia | vikaluokitus, korjaustapa ja aikataulu | avoimia tutkimusaineistoja ja vertailuja; vikaluokittelu kehittyy |
| Lämmityksen ohjaus | lämpötilat, sääennuste ja kulutus | oppii, miten rakennus reagoi, ja säätää ohjausta | tavoite (energia vai mukavuus) ja tulosten seuranta | kaupallisia palveluja tarjolla, vanha automaatio voi rajata |
| Vikojen tunnistus | rakennusautomaation ja kulutusseurannan mittaukset | huomaa poikkeamat ennen hälytystä | huollon tilaaminen ja korjauspäätös | lakisääteinen seuranta isoissa toimitiloissa |
Oikeanpuoleisin sarake kertoo eniten. Lämmityksen optimointia voi ostaa palveluna jo nyt, mutta putkikuvauksen konenäön tarkkuutta mitataan yhä tutkimusaineistoilla, ja vikaluokittelussa on parannettavaa.
Mistä kiinteistössä kannattaa aloittaa
Rakennusala ei ole tekoälyn edelläkävijä. Tilastokeskuksen mukaan tekoälyteknologioita käytti keväällä 2025 jo 38 % yrityksistä, 14 prosenttiyksikköä enemmän kuin vuotta aiemmin. Rakentamisen toimialalla osuus oli vain 24 %, ja ala kuului tilaston harvimpiin käyttäjiin. Kiinteistön omistaja voi silti edetä ilman suurta hanketta:
Kokoa olemassa oleva aineisto. Viemärikuvausten videot ja raportit, automaation mittaushistoria ja kulutusseuranta ovat ennakoinnin raaka-ainetta. Säilytä ne niin, että seuraavaa kuvausta voi verrata edelliseen.
Selvitä, mitä automaatio pystyy säätämään. Motivan selvityksen mukaan optimointi edellyttää, että järjestelmiä voi säätää vähintään moniportaisesti ja mieluiten portaattomasti.
Päätä tavoite ennen palvelusopimusta. Kirjaa, tavoitellaanko pienempää kulutusta vai parempaa käyttömukavuutta, ja miten tulosta seurataan.
Nimeä ihminen, joka päättää. Poikkeamahälytys tai vikaluokitus on ehdotus, ja korjaustilauksen tekee edelleen huollosta vastaava henkilö.
Taloyhtiön hallinnossa tekoälyn työ on toisenlaista. Tiedotteet, kokousaineisto ja vikailmoitusten luokittelu ovat esillä jutussamme tekoälystä isännöinnissä.
Usein kysyttyä
Mitä ennakoiva kunnossapito tarkoittaa kiinteistössä?
Kiinteistössä ennakoiva kunnossapito tarkoittaa, että korjaus- ja huoltotarve tunnistetaan kuvasta tai mittausdatasta, ennen kuin vika aiheuttaa vahingon tai hälytyksen. Tekoäly nopeuttaa aineiston läpikäyntiä ja löytää poikkeamia, joita ihminen ei ehtisi etsiä.
Korvaako konenäkö viemärikuvauksen tarkastajan?
Ei vielä. Sewer-ML-vertailun parhaalla mallilla vikojen luokittelu jäi selvästi heikommaksi kuin normaalien putkiosuuksien tunnistus. Kone sopii esikarsintaan, ja vikaluokituksen tekee tarkastaja.
Arkistoitu raportti on tulevan mallin opetusaineistoa
Ennakoinnin hyöty kasvaa ajan myötä, koska malli tarvitsee historiaa. Kuvausraportti, joka jää kansioon ilman videota, ei kelpaa konenäön opetusaineistoksi, ja vertailukin jää raportin sanojen varaan. Mittausdata, jota automaatio ei tallenna, katoaa samalla tavalla. Tärkein päätös ei siksi ole ohjelmiston valinta, vaan se, että kuva ja mittaukset säilyvät muodossa, jota kone pystyy myöhemmin lukemaan.
