Abstract
Bayesian Belief Network on kaavamainen tapa järkeillä probabilistisesti ja ymmärtää kausaalista päättelyä monimutkaisissa järjestelmissä. Ehdotamme Bayesin uskomusverkkojen (Bayesian Belief Networks, BBN) käyttöä suunnitteluprojektien alkuvaiheessa sellaisten komponenttien korostamiseksi, joilla on suuri riski epäonnistua. Näiden suuririskisten komponenttien tunnistaminen voi antaa tietoa siitä, miten resursseja tulisi parhaiten käyttää kalliisiin mallinnustehtäviin. Lisäksi korkean riskin komponentit voivat asettaa toiminnallisia mallinnusvaatimuksia, jotka puolestaan vaikuttavat kriittisten alueiden joustavien järjestelmien suunnitteluun. Tällä lähestymistavalla on mahdollista vähentää merkittävästi riskejä keskittämällä ja tiedottamalla mallintamistoimista, mikä puolestaan lisää hankkeen onnistumisen mahdollisuutta ja alentaa kaikkien asianomaisten sidosryhmien kustannuksia.
Käyttämällä prototyyppi-ohjelmistosovellusta, joka on kehitetty BBN:ien nopeaan luomiseen ja tietyn lopputuloksen lopullisen todennäköisyysarvon laskemiseen (”työtuote”), testaamme erilaisia hankeskenaarioita, jotka on kerätty kolmessa alan ammattilaisten haastattelussa. Kussakin tapauksessa tunnistamme projektin näkökohdan, joka muuttui projektin aikana ja jolla oli kauaskantoisia vaikutuksia. Säätämällä näiden verkostojen arvoja ja rakennetta muotoilemme erityisiä toiminnallisia vaatimuksia digitaalisille malleille ja joissakin tapauksissa niihin liittyville rakennusjärjestelmille. Havaitsemme, että nämä vaatimukset olisivat lisänneet vastaavien hankkeiden kokonaisarvoa käsittelemällä suoraan BBN:ssä tunnistettuja voimakkaan vaikutuksen ja epävarmuuden alueita.