KI in der Bauausführungsplanung

... erste Schritte zur Analyse der Inhalte mithilfe von KI.

Unsere Anwendungsfäll in der Bauausführungsplanung

In der Bauausführungsplanung beschäftigen wir uns mit folgenden drei Anwendungsfällen: 

1. Der Überprüfung von Leistungsverzeichnissen: In diesem Anwendungsfall soll für den Auftraggeber das aktuelle Leistungsverzeichnis auf Vollständigkeit überprüft werden, um so eventuelle Nachträge vorherzusagen. Das Ziel ist die Kostenstabilität zu unterstützen und lästige Prüfarbeiten zu reduzieren. 

2. Der Vorhersage von Terminen: Hier sollen auf Basis identifizierter Prozessreihenfolgen und deren Dauern Optionen für Terminpläne erstellt werden. Ziel ist eine einfache Erstellung des Terminplans, der auf Erfahrungswerten aufbaut und damit eine Zeitstabilität gewährleistet. 

3. Der Vorhersage von Mängeln: Dieser Anwendungsfall beinhaltet die Vorhersage von Mängeln vor Start der Bauausführung. Ziel ist damit die Erreichung einer frühen Qualitätsstabilität.

In allen drei Anwendungsfällen dokumentiert jede Baustelle – sogar jeder Projektebetiligter – über Freitexte Informationen unterscheidlich. Beispielsweise werden bei der Aufnahme von Mängeln üblicherweise ein Mangeltitel und eine Mangelbeschreibung dokumentiert. Eine direkte vergleichbarkeit der Inhalte ist damit nicht möglich. Und eine Aufbereitung der Daten mit intelligenten Methoden wird benötigt.

Künstliche Intelligenz zur Textaufbereitung

Am Beispiel der Mängelprädiktion wird ein mögliches Vorgehen zur Aufbereitung der Informationen im Folgenden erklärt:

Da es keine standardisierte Formulierung für Mängel gibt, benennen beispielsweise verschiedene Bauleiter denselben Mangel unterschiedlich. Eine Auswertung ist somit unmöglich.  

Hier kommen Word Embeddings ins Spiel. Wörter werden bei diesen Verfahren über Vektoren dargestellt. Eine der bekanntesten Methoden ist word2vec. Durch die Vektorrepräsentation können mathematische Operationen mit Wörtern durchgeführt werden. So können Abstände berechnet werden und ähnliche Formulierungen erkannt werden. Mit diesen Embeddings können bei Natural Language Processing (NLP) Aufgaben, wie z.B. Syntactic Parsing oder Sentiment Analysis, sehr gute Leistungen erzielt werden.  

Mit dieser Methode erreichen wir den ersten wichtigen Meilenstein bei der Freitext-Analyse. Einzelne Wörter werden klassifiziert und Ähnlichkeiten werden gefunden. Eine Auswertung der Mangeldaten wird somit möglich gemacht.  

Die Anwendung von word2vec auf einen Datensatz zur Mängelprädiktion

Doch nicht nur bei diesem Anwendungsfall helfen uns Word Embeddings: Auch bei Terminplänen und Nachträgen finden sich fast ausnahmslos Freitextfelder. Mit unseren bauspezifischen Wortvektoren können auch diese von der Maschine verstanden werden.

Hier findet Ihr die drei Anwendungsfälle nochmal zusammengefasst: