Kan vi spore matematikken tilbake til en anerkjent standard? Kan vi ettergå hvilke formler som faktisk ble brukt? Og kan vi stå for resultatet i en faglig kvalitetssikring? Dette har vi i SINTEF forsket på.
Bloggforfatter Yared Bekele er forsker i SINTEF Community i avdeling Infrastruktur. Foto: SINTEF
Per i dag er svaret: ikke på en pålitelig måte. LLM-er er blitt imponerende kapable. De kan søke i kilder, utføre beregninger og til og med vise til referanser.
Men i ingeniørfaget holder det ikke at KI finner en formel; vi må vite eksakt hvilken formel som ble brukt, fra hvilken kilde, og at den vil bruke samme metode igjen neste gang. Denne forutsigbarheten mangler i statistiske språkmodeller.
Det er her GeoMCP kommer inn. Tilnærmingen er utviklet for analytiske beregninger i geoteknikk, men metodikken er relevant for alle ingeniørdisipliner som bygger på publiserte standarder og verifiserte formler.
Tillitsproblemet
Hva betyr det egentlig at en ingeniørberegning er «pålitelig»? I praksis innebærer det tre ting:
1. Sporbarhet: Hver formel skal kunne knyttes til en publisert kilde.
2.Reproduserbarhet: Samme input skal gi samme resultat, i dag, i morgen og om et år.
3. Forsvarbarhet: Valgt metode må tåle faglig og profesjonell granskning.
Dette er grunnleggende i alt sikkerhetskritisk ingeniørarbeid.
Men i ingeniørfaget holder det ikke at en KI finner en formel; vi må vite eksakt hvilken formel som ble brukt, fra hvilken kilde, og at den vil bruke samme metode igjen neste gang. Denne forutsigbarheten mangler i statistiske språkmodeller.
LLM-er klarer ikke dette, ikke fordi de er dårlige, men på grunn av hvordan de fungerer. Når en LLM utfører en beregning, «gjenoppfinner» den ofte en formel basert på treningsdata, i stedet for å hente den fra en klar og siterbar kilde. Selv når den har brukt et funn fra et nettsøk, finnes det ingen garanti for at den vil velge samme kilde eller formel neste gang. Resultatet kan være faglig korrekt, men det er ikke etterprøvbart.
Enten du dimensjonerer et fundament, kontrollerer en stålkonstruksjon eller beregner vannføring, er de grunnleggende kravene de samme: sporbare, etterprøvbare og reproduserbare beregninger.
Løsning: La KI forstå kontekst, ikke utføre beregninger
Grunntanken i GeoMCP er enkel: La ikke LLM-en gjøre selve matematikken. La den gjøre det som er dens styrke, å forstå kontekst og problemstilling, og overlat selve beregningen til verifiserte, forutsigbare og entydige verktøy.
Fire komponenter gjør dette mulig:
1. Metodekort
Hver metode beskrives i et strukturert, menneskelesbart format som spesifiserer eksakte ligninger, variabler, enheter og kilder. En ingeniør kan enkelt kontrollere alt og spore det til en publisert standard. Det er disse kortene, og bare disse, som brukes i beregningene.
2. Deterministisk beregningsmotor
Formlene ligger ikke hardkodet i programvaren, men i metodekortene. Motoren leser kortene, sjekker enhetsbruk og hindrer at uverifisert kode kan kjøres. Samme input gir samme output, hver gang.
3. Model Context Protocol (MCP)
MCP er en åpen standard som gjør det mulig for KI å finne og bruke funksjoner i andre applikasjoner på en standardisert måte. Siden GeoMCP bruker MCP, kan en hvilken som helst KI-assistent, som ChatGPT, Claude eller Gemini, automatisk finne og bruke de verifiserte kalkulatorene uten spesialtilpasning.
4. Agentferdigheter (Agent Skills)
Strukturerte arbeidsflyter lærer KI-en å tenke som en ingeniør: forstå problemet, velge riktig metode før beregningene utføres, og kontrollere resultatene etterpå.
Bevis i praksis: Validering mot Eurokode 7
Metoden er testet mot de offisielle JRC-eksemplene for Eurokode 7 fra EU-kommisjonen. Vi undersøkte dimensjonering av stripefundamenter i alle tre «Design Approaches» som ligger i Eurokoden. Resultatene samsvarte med referanseverdiene med høy presisjon for bæreevnefaktorer, laster og motstander. Fullstendige tabeller og en komplett steg-for-steg-gjennomgang finnes i artikkelen.
Hvorfor bruke KI når ingeniører allerede har verktøyene de trenger?
Dagens ingeniører har regneark, spesialisert programvare og innarbeidede maler som fungerer godt. Så hva er nytten av KI og av systemer som GeoMCP?
Svaret ligger i arbeidsflyten: En geoteknisk prosess går fra grunnundersøkelser til beregninger, numeriske modeller og sluttføring av rapporter. Hvert steg bruker ulike verktøy, ulike dataformater og manuelle overføringer. KI har potensial til å koble dette sammen, så sant verktøyene er maskinlesbare og standardiserte.
Det er dette vi mener med at verktøyene må være KI-klare. Et regneark kan være helt riktig, men det er ikke søkbart, kjørbart eller mulig for en KI å tolke. GeoMCP erstatter ikke slike verktøy, det gjør dem til en integrerbar del av en fremtidig, automatiserbar arbeidsflyt i ingeniørarbeidet.
Det samme gjelder alle andre ledd: grunnmodeller, numeriske beregningsprogrammer, kontroll mot regelverk. Produktivitetsgevinsten av KI kommer ikke fra at ett enkelt verktøy blir «smart», men at hele økosystemet av verktøy kan virke sammen.
Har du tanker om hvordan språkmodeller kan inngå i tekniske arbeidsprosesser?
Vi i SINTEF vil gjerne høre fra deg!
Kilde: GeoMCP: A Trustworthy Framework for AI-Assisted Analytical Geotechnical Engineering
