Abstract
Et Bayesian Belief Network er en diagrammatisk måde at ræsonnere probabilistisk og forstå kausal inferens i komplekse systemer på. Vi foreslår at bruge Bayesian Belief Networks (BBN) i de tidlige faser af designprojekter for at fremhæve komponenter med høj risiko for fejl. Ved at identificere disse komponenter med høj risiko kan man finde ud af, hvordan ressourcerne bedst anvendes til dyre modelleringsopgaver. Desuden kan højrisikokomponenterne pålægge funktionelle modelleringskrav, hvilket igen vil informere om udformningen af fleksible systemer for kritiske områder. Denne tilgang har potentiale til at reducere risikoen betydeligt ved at fokusere og informere modelleringsindsatsen, hvilket igen øger chancen for projektets succes og sænker omkostningerne for alle involverede interessenter.
Ved hjælp af en prototype-softwareapplikation, der er udviklet til hurtigt at oprette BBN’er og beregne en endelig sandsynlighedsværdi for et bestemt resultat (“arbejdsproduktet”), tester vi forskellige projektscenarier, der er indsamlet gennem tre interviews med branchefolk. I hvert tilfælde identificerer vi et aspekt af projektet, der ændrede sig i løbet af projektet med vidtrækkende konsekvenser. Ved at justere værdierne og strukturen i disse netværk formulerer vi specifikke funktionelle krav til digitale modeller og i nogle tilfælde til de tilhørende byggesystemer. Vi finder, at disse krav ville have øget den samlede værdi af deres respektive projekter ved direkte at tage fat på de områder med stærk indflydelse og usikkerhed, der er identificeret i BBN.