AI i hændelsesanalyse

Når der opstår en hændelse i et transportsystem, er det sjældent selve hændelsen, der tager længst tid. Det er arbejdet bagefter: at forstå forløbet, forklare årsagerne, pege på berørte systemer – og finde ud af, hvad der skal tjekkes næste gang, før det udvikler sig til et gentagende mønster.

Her kan generativ AI være et stærkt analyseværktøj. Ikke fordi den “ved”, hvad der er sket – men fordi den kan hjælpe med at strukturere tænkningen og få et hurtigere overblik over komplekse hændelsesrapporter.

AI er bedst, når den tvinges til at tænke i trin

Sprogmodeller er gode til at skrive sammenhængende forklaringer. Det er både styrken og faldgruben. Hvis du bare beder modellen om “en årsag” til en forsinkelse eller en fejl, risikerer du et svar, der lyder plausibelt – men bygger på antagelser.

Det, der typisk virker bedre, er at bruge en trinvis analyse, der minder om den måde, man selv ville arbejde på i drift og efteranalyse. Det kaldes ofte chain-of-thought prompting – i praksis handler det om at få modellen til at arbejde sig gennem en fast “analyse-stige” i stedet for at hoppe direkte til konklusionen.

En enkel og effektiv struktur er:

Hvad skete → hvorfor → hvilke systemer → hvad bør tjekkes næste gang?

1 - Hvad skete: Lav et fælles billede af forløbet

Det første trin handler om at skabe en klar tidslinje og et fælles sprog for, hvad der faktisk skete – uden at tolke for tidligt.

AI er god til at:

• opsummere lange hændelsesrapporter til en kort kronologi
• fremhæve nøglepunkter (første symptom, eskalation, afhjælpning, normalisering)
• adskille observationer fra vurderinger

I praksis kan det spare tid, især når hændelsesmaterialet består af både fritekst, tekniske notater og uddrag fra log/alarmer.

2 - Hvorfor: Hypoteser – men med tydelige antagelser

Det næste trin er ofte det sværeste: hvorfor skete det?

Her bør AI ikke bruges til at give “svaret”, men til at foreslå hypoteser, som mennesker kan teste. En god model er ofte ret stærk til at:

• opstille 3–5 plausible forklaringer
• knytte dem til konkrete observationer i materialet
• pege på “hvilke data der mangler” for at afgøre det

Det vigtige er, at AI’en tvinges til at markere, hvad der er sikkert, og hvad der er gæt. I transport og infrastruktur er det en fejl at behandle et vellydende AI-svar som en konklusion.

3 - Hvilke systemer: Se sammenhænge på tværs

Forsinkelser og hændelser forplanter sig ofte: ét forhold udløser et andet, og pludselig står man med en kaskade af symptomer på tværs af systemer.

Her er AI nyttig som kortlægningsværktøj. Den kan hjælpe med at:

• identificere hvilke delsystemer der er involveret
• koble hændelser i drift sammen med kendte afhængigheder
• pege på typiske “kædereaktioner” (fx signal → kapacitet → plan → bemanding → informationsflow)

Det gælder både i togdrift, vejtrafikstyring, terminaldrift, havneoperationer og luftfart – hvor én forstyrrelse sjældent forbliver lokalt afgrænset.

4 - Hvad bør tjekkes næste gang: Fra rapport til handling

Det sidste trin er ofte det mest værdifulde: at omsætte erfaring til noget, der kan bruges næste gang – fx checklister, monitoreringspunkter eller ændringer i procedurer.

AI kan hjælpe med at foreslå:

• hvilke målepunkter der burde overvåges tættere
• hvilke alarmer der bør grupperes eller justeres
• hvilke kontrolspørgsmål drift bør stille tidligt i forløbet
• hvilke “første checks” der giver mest værdi ved lignende hændelser

Her kan AI fungere som en slags redaktør og strukturpartner: den hjælper med at gøre efteranalysen handlingsorienteret.