Inteligencia artificial en la gestión de proyectos: caso construcción y obra civil

María Alejandra Jaimes-Quintanilla; Sergio Zabala-Vargas

doi:10.31637/epsir-2024-1615

Autores/as

María Alejandra Jaimes-Quintanilla Corporación Universitaria Minuto de Dios https://orcid.org/0009-0000-5735-1379
Sergio Zabala-Vargas Corporación Universitaria Minuto de Dios https://orcid.org/0000-0001-5803-1123

DOI:

https://doi.org/10.31637/epsir-2024-1615

Palabras clave:

gestión de proyectos, inteligencia artificial, sector construcción, obras civiles, cadena de valor, revisión sistemática, gestión de costos, gestión de tiempos

Resumen

Introducción: El presente documento relaciona una investigación con el objetivo establecer los niveles de apropiación de tecnologías emergentes, principalmente inteligencia artificial, en la gestión de proyectos del sector de la construcción. Metodología: Se llevó a cabo una investigación cuantitativa centrada en una revisión de literatura internacional y la determinación del nivel de madurez tecnológica en la gestión de proyectos en el sector en Colombia. Se contó con la participación de 97 empresas. Resultados: Los resultados muestran alto interés del sector productivo y de la comunidad académica en el uso de inteligencia artificial en la gestión de proyectos, priorizando áreas como costos, calidad, tiempos, alcance y riesgos. La incorporación de software con IA, LLM (Large Language Models) y procesamiento de grandes datos son priorizados. Discusión: Los resultados son consecuentes con una temática de interés incremental en la comunidad académica. Se viene desarrollando ampliamente los conceptos a nivel internacional y se proyecta consolidación en Colombia. Conclusiones: El sector de la construcción Colombia tiene un importante camino en la incorporación de tecnologías emergentes (Inteligencia artificial), sin embargo, existe el interés y disposición para realizarlo y aplicarlos en sus diferentes ciclos de vida de proyecto.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

María Alejandra Jaimes-Quintanilla, Corporación Universitaria Minuto de Dios

Ingeniera Industrial de la Universidad Santo Tomás (2013), Magister en Calidad y gestión integral (2014) de la Universidad Santo Tomás. Cuenta con 10 años de experiencia en docencia universitaria e investigativa. Ha participado como directiva en organizaciones académicas y en el sector inmobiliario. Cuenta con experiencia en procesos productivos e industriales, en el sector avícola. Hace parte del grupo de investigación del programa de Ingeniería Industrial de la Corporación Universitaria Minuto de Dios. Su principal interés de investigación es la gestión de proyectos, inteligencia artificial, tecnología educativa y las telecomunicaciones aplicadas.

Sergio Zabala-Vargas , Corporación Universitaria Minuto de Dios

Ingeniero Electrónico de la Universidad Industrial de Santander (2005), especialista en Administración de Proyectos de la Universidad del Tolima (2010), Magister en Administración de Proyectos de la UCI de Costa Rica (2014) y Magister en E-learning de la Universidad Autónoma de Bucaramanga (2015). Doctor en Tecnología Educativa de la Universidad de las Islas Baleares- España (2022). Cuenta con 18 años de experiencia en docencia universitaria e investigativa. Es investigador categoría SENIOR de MINCIENCIAS (Colombia). Hace parte del grupo de investigación GICABS de la Corporación Universitaria Minuto de Dios. Su principal interés de investigación es la gestión de proyectos, inteligencia artificial, tecnología educativa y las telecomunicaciones aplicadas.

Citas

Akbari, S., Khanzadi, M. y Gholamian, M. R. (2018). Building a rough sets-based prediction model for classifying large-scale construction projects based on sustainable success index. Engineering, Construction and Architectural Management, 25(4), 534-558. https://doi.org/10.1108/ECAM-05-2016-0110

Akinosho, T. D., Oyedele, L. O., Bilal, M., Ajayi, A. O., Delgado, M. D., Akinade, O. O. y Ahmed, A. A. (2020). Deep learning in the construction industry: A review of present status and future innovations. Journal of Building Engineering, 32, 1-14. https://doi.org/10.1016/j.jobe.2020.101827

Amer, F., Jung, Y. y Golparvar-Fard, M. (2021). Transformer machine learning language model for auto-alignment of long-term and short-term plans in construction. Automation in Construction, 132, 103929. https://doi.org/10.1016/j.autcon.2021.103929

Arashpour, M., Heidarpour, A., Akbar Nezhad, A., Hosseinifard, Z., Chileshe, N. y Hosseini, R. (2020). Performance-based control of variability and tolerance in off-site manufacture and assembly: Optimization of penalty on poor production quality. Construction Management and Economics, 38(6), 502-514. https://doi.org/10.1080/01446193.2019.1616789

Bilal, S. M., Bernardos, C. J. y Guerrero, C. (2013). Position-based routing in vehicular networks: A survey. Journal of Network and Computer Applications, 36(2), 685-697. https://doi.org/10.1016/j.jnca.2012.12.023

Boden, M. A. (2017). Inteligencia artificial. Turner.

Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G. y Askell, A. (2020). Language models are few-shot learners. Advances in neural information processing systems, 33, 1877-1901.

Cao, Y. y Ashuri, B. (2020). Predicting the Volatility of Highway Construction Cost Index Using Long Short-Term Memory. Journal of Management in Engineering, 36(4), 04020020. https://doi.org/10.1061/(ASCE)ME.1943-5479.0000784

Chang, W. y Grady, N. (2019, octubre 21). NIST Big Data Interoperability Framework: Volume 1, Definitions. Special Publication (NIST SP). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.1500-1r2

Cheng, M.-Y., Cao, M.-T. y Herianto, J. G. (2020). Symbiotic organisms search-optimized deep learning technique for mapping construction cash flow considering complexity of project. Chaos, Solitons & Fractals, 138, 1-12. https://doi.org/10.1016/j.chaos.2020.109869

Cheng, M.-Y. y Hoang, N.-D. (2018). Estimating construction duration of diaphragm wall using firefly-tuned least squares support vector machine. Neural Computing and Applications, 30(8), 2489-2497. https://doi.org/10.1007/s00521-017-2840-z

Chenya, L., Aminudin, E., Mohd, S. y Yap, L. S. (2022). Intelligent Risk Management in Construction Projects: Systematic Literature Review. IEEE Access, 10, 72936-72954. https://doi.org/10.1109/ACCESS.2022.3189157

Cooke, B. y Williams, P. (2013). Construction planning, programming and control. John Wiley & Sons.

Dai, Z., Yang, Z., Yang, Y., Carbonell, J., Le, Q. V. y Salakhutdinov, R. (2019). Transformer-xl: Attentive language models beyond a fixed-length context. arXiv:1901.02860. https://doi.org/10.48550/arXiv.1901.02860

Darko, A., Chan, A. P. C., Adabre, M. A., Edwards, D. J., Hosseini, M. R., & Ameyaw, E. E. (2020). Artificial intelligence in the AEC industry: Scientometric analysis and visualization of research activities. Automation in Construction, 112, 1-19. https://doi.org/10.1016/j.autcon.2020.103081

Departamento Administrativo Nacional de Estadística - DANE. (2022). Indicadores Económicos Alrededor de la Construcción (IEAC). https://acortar.link/DULWbp

Edayadiyil, J. B. y Greeshma, A. S. (2022). Automated progress monitoring of construction projects using Machine learning and image processing approach. International Conference on Advances in Construction Materials and Structures, 65, 554-563. https://doi.org/10.1016/j.matpr.2022.03.137

Emaminejad, N. y Akhavian, R. (2022). Trustworthy AI and robotics: Implications for the AEC industry. Automation in Construction, 139, 104298. https://doi.org/10.1016/j.autcon.2022.104298

Fang, L., Mei, B., Jiang, L. y Sun, J. (2020). Investigation of intelligent safety management information system for nuclear power construction projects. ACM International Conference Proceeding Series, 607-611. https://doi.org/10.1145/3452940.3453058

Gobierno Nacional de Colombia. (2020). Estrategia Nacional BIM 2020-2026. https://acortar.link/eVlDM7

Gupta, D. y Rani, R. (2019). A study of big data evolution and research challenges. Journal of Information Science, 45(3), 322-340. https://doi.org/10.1177/0165551518789880

Haider, M. (2015). Getting started with data science: Making sense of data with analytics. IBM Press.

Hsu, H.-C., Chang, S., Chen, C.-C. y Wu, I.-C. (2020). Knowledge-based system for resolving design clashes in building information models. Automation in Construction, 110, 1-14. https://doi.org/10.1016/j.autcon.2019.103001

Huang, Y., Shi, Q., Zuo, J., Pena-Mora, F. y Chen, J. (2021). Research status and challenges of data-driven construction project management in the big data context. Advances in Civil Engineering, 1-19.

Interreg - North Sea Region - European Regional Development Fund. (2021). Industry 4.0 Awareness/Readiness tool. https://acortar.link/RpJ8LU

Kanyilmaz, A., Tichell, P. R. N. y Loiacono, D. (2022). A genetic algorithm tool for conceptual structural design with cost and embodied carbon optimization. Engineering Applications of Artificial Intelligence, 112, 104711. https://doi.org/10.1016/j.engappai.2022.104711

Kelleher, J. D. y Tierney, B. (2018). Data science. MIT Press.

Lledó, P. (2013). Administración de proyectos: El ABC para un Director de proyectos exitoso.

Lester, A. (2013). Project Management, Planning and Control: Managing Engineering, Construction and Manufacturing Projects to PMI, APM and BSI Standards. Elsevier Science.

Li, C. Z., Zhao, Y., Xiao, B., Yu, B., Tam, V. W. Y., Chen, Z. y Ya, Y. (2020). Research trend of the application of information technologies in construction and demolition waste management. Journal of Cleaner Production, 263, 1-17. https://doi.org/10.1016/j.jclepro.2020.121458

Li, W., Duan, P. y Su, J. (2021). The effectiveness of project management construction with data mining and blockchain consensus. Journal of Ambient Intelligence and Humanized Computing. https://doi.org/10.1007/s12652-020-02668-7

Loyola, M. (2018). Big data in building design: A review. J. Inf. Technol. Constr., 23, 259-284.

Rita Mulcahy, P. (2009). PMP exam prep. RMC publications.

Netscher, P. (2014). Successful Construction Project Management: The Practical Guide. Panet Publications.

Oliveira, B., A. P. De Faria Neto, R. M. A. Fernandino, R. F. Carvalho, A. L. Fernandes y F. G. Guimarães. (2021). Automated Monitoring of Construction Sites of Electric Power Substations Using Deep Learning. IEEE Access, 9, 19195-19207. https://doi.org/10.1109/ACCESS.2021.3054468

Pan, M., Yang, Y., Zheng, Z. y Pan, W. (2022). Artificial Intelligence and Robotics for Prefabricated and Modular Construction: A Systematic Literature Review. Journal of Construction Engineering and Management, 148(9), 03122004. https://doi.org/10.1061/(ASCE)CO.1943-7862.0002324

Pospieszny, P., Czarnacka-Chrobot, B. y Kobylinski, A. (2018). An effective approach for software project effort and duration estimation with machine learning algorithms. Journal of Systems and Software, 137, 184-196. https://doi.org/10.1016/j.jss.2017.11.066

Project Management Institute. (2017). Guía de los Fundamentos Para la Dirección de Proyectos. Pmbok.

Ronghui, S. y Liangrong, N. (2022). An intelligent fuzzy-based hybrid metaheuristic algorithm for analysis the strength, energy and cost optimization of building material in construction management. Engineering with Computers, 38(4), 2663-2680. https://doi.org/10.1007/s00366-021-01420-9

Rouhiainen, L. (2018). Inteligencia artificial. Alienta Editorial.

Russell, S. J. (2010). Artificial intelligence a modern approach. Pearson.

Sacks, R., Brilakis, I., Pikas, E., Xie, H. S. y Girolami, M. (2020). Construction with digital twin information systems. Data-Centric Engineering, 1, e14. https://doi.org/10.1017/dce.2020.16

Saka, A. B., Oyedele, L. O., Akanbi, L. A., Ganiyu, S. A., Chan, D. W. M. y Bello, S. A. (2023). Conversational artificial intelligence in the AEC industry: A review of present status, challenges and opportunities. Advanced Engineering Informatics, 55, 101869. https://doi.org/10.1016/j.aei.2022.101869

Salem, T. y Dragomir, M. (2022). Options for and Challenges of Employing Digital Twins in Construction Management. Applied Sciences, 12, 2928. https://doi.org/10.3390/app12062928

Secretaría General de Industria y de la pyme. (2022). Herramienta de Autodiagnóstico Digital Avanzada (HADA). https://acortar.link/2vPWv7

Wu, L. y AbouRizk, S. (2021). Towards construction’s digital future: A roadmap for enhancing data value. In Canadian Society of Civil Engineering Annual Conference, 225-238. Singapore: Springer Nature Singapore.

Zabala-Vargas, S., Jaimes-Quintanilla, M. y Jimenez-Barrera, M. H. (2023). Big Data, Data Science, and Artificial Intelligence for Project Management in the Architecture, Engineering, and Construction Industry: A Systematic Review. Buildings, 13(12), 29-44.

Zabala-Vargas, S., Jiménez-Barrera, M., Vargas-Sanchez, L. y Jaimes-Quintanilla, M. (2023). Big data in construction project management: The Colombian northeast case. Life-Cycle of Structures and Infrastructure Systems, 1, 3476-3483. https://doi.org/0.1201/9781003323020

Zandi, Y., Issakhov, A., Roco Videla, Á., Wakil, K., Wang, Q., Cao, Y., Selmi, A., Agdas, A. S., Fu, L. y Qian, X. (2021). A review study of application of artificial intelligence in construction management and composite beams. Journal of Building Engineering, 44, 103299.

Zhang, Y., Ren, S., Liu, Y., Sakao, T. y Huisingh, D. (2017). A framework for Big Data driven product lifecycle management. Journal of Cleaner Production, 159, 229-240.

Zhou, Y., Hu, Z.-Z. y Zhang, W.-Z. (2018). Development and Application of an Industry Foundation Classes-Based Metro Protection Information Model. Mathematical Problems in Engineering, 1-20. https://doi.org/10.1155/2018/1820631