Spar3D:n sivuilla kolumnisti kirjoittaa juuri samasta aihepiiristä, kuin edellisen kirjoituksemme kohta 3. Isojen datamäärien prosessointiin kehitetään eri aloilla huimaa vauhtia tehokkaampia tekniikoita, mutta niiden soveltaminen omaan työkohteeseen vaatii perehtymistä ja laatuvaatimusten tarkistamista.

”As we embrace autonomous techniques for processing our data, and even borrow these techniques from the utility space or autonomous vehicle space, we need to think about what the use-case requires of the data that we are processing. ”

Esimerkkeinä hän käyttää robottiautokehittämisen myötä syntynyttä kartoitusbuumia sekä infran kunnon tarkastamiseen liittyvää toimintaa. Molemmissa mittaustarkkuudet ovat tyypillisesti heikommat kuin esimerkiksi rakentamisessa tarvitaan. Esimerkiksi autojen puolella ykkösvaatimus on nopeus. Kaiken infran kunnon tarkistamisessa sijaintitarkkuusvaatimuus on myös vaatimaton. Näin ollen perinteinen tarkkuutta vaativa geodeettinen mittaussektori on volyymeiltaan huomattavasti pienempi ala kuin monet muut alat ja tiukemmat laatukriteerit tekevät työstä edelleenkin volyymialoja kalliimpaa.

Laatukriteerit ovat puolestaan tiukempia siksi, että sekä suunnitteluvaiheen että toteuttamisvaiheen kustannukset kasvavat dramaattisesti lähtötiedon ollessa heikkoa. Suunnitelmia joudutaan tällöin uusimaan paljon edemmän ja rakentamisvaiheessa vielä enemmän, kun todellisuus paikan päällä ei vastaakaan lähtötietoja. Vanha nyrkkisääntö tienrakentamisesta kertoo seuraavaa: säästä 10 000 rahaa mittauksessa, jolloin suunnittelu maksaa 100 000 rahaa enemmän ja rakentaminen maksaa puolestaan 1 000 000 rahaa enemmän.