Artikel
Die zunehmende Bedeutung von KI und maschinellem Lernen im Bauwesen

Das Bauwesen kann besonders gut von maschinellem Lernen und Künstlicher Intelligenz (KI) profitieren. Durch meine Mitarbeit im IQ-Team des BIM 360-Projekts bei Autodesk hatte ich Gelegenheit, bei einem Autodesk-Projekt für maschinelles Lernen im Bauwesen mitzuwirken.

In diesem Artikel werden die Entwicklungen in diesem Bereich zusammengefasst und es werden einige Möglichkeiten der Vorbereitung zur maximalen Nutzung dieser Technologie behandelt. Unter anderem werden einige der im Bauwesen genutzten Anwendungen von KI und maschinellem Lernen und die potenziellen Auswirkungen dieser Technologie vorgestellt. Diese Prozesse beeinflussen viele Bereiche, darunter das Risikomanagement, die Zeitplanung, die Verwaltung von Subunternehmern, die Überwachung der Baustellenumgebung und die Sicherheit, um nur einige wenige zu nennen.

KI und maschinelles Lernen im Bauwesen

Was verstehen wir unter KI?

In der öffentlichen Wahrnehmung liegen die Vorstellungen von Künstlicher Intelligenz in der Regel zwischen zwei Extremen: Die einen meinen, dass KI irgendwann die Welt beherrschen wird, andere tun es als Phantasterei ab, über die zu sprechen sich nicht lohnt. Tatsächlich liegt die Wahrheit irgendwo in der Mitte: KI ist zwar weit von einer Superintelligenz entfernt, doch es handelt sich um ein Studiengebiet, das enorme Anwendungsmöglichkeiten bietet und eine wichtige Grundlage moderner Technologien darstellt.

KI zu definieren war schon immer schwierig. „Künstlich“ ist der leichtere Teil der Definition und kann ganz einfach als „nicht in der Natur vorkommend“ verstanden werden. „Intelligenz“ hingegen bereitet den Forschern Kopfzerbrechen. Allgemein bezieht sich KI auf ein breites wissenschaftliches Gebiet, das eine ganze Reihe von Themen umfasst: von der Computerwissenschaft und Psychologie bis hin zur Philosophie und Linguistik. Dabei geht es hauptsächlich darum, Computer dazu zu bringen, die Aufgaben zu erledigen, für die normalerweise menschliche Intelligenz nötig wäre. Diese Artikelreihe geht genauer auf das Verständnis der Definition und auf die Geschichte der Künstlichen Intelligenz ein.

Das Gebiet der KI umfasst heute zahlreiche Arbeitsgebiete, doch ich möchte zwei besonders beliebte Bereiche hervorheben: maschinelles Lernen und Deep Learning. Maschinelles Lernen ist ein Teilgebiet der KI, bei dem es um das Schreiben von Algorithmen geht, mit denen Computer ohne explizite Programmierung auf der Grundlage von Daten lernen können. Nehmen wir einmal an, Sie möchten einen Algorithmus schreiben, um Spam in E-Mails zu erkennen. Dann müssen Sie den Algorithmus trainieren, indem Sie ihn einer großen Zahl von E-Mails aussetzen, die manuell entweder als Spam oder als Nicht-Spam gekennzeichnet wurden. Der Algorithmus „lernt“, Muster zu erkennen, wie zum Beispiel das Vorkommen bestimmter Wörter oder die Kombinationen von Wörtern, die Aufschluss darüber geben, mit welcher Wahrscheinlichkeit es sich bei einer E-Mail um Spam handelt.

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das eine Reihe spezialisierter Verfahren umfasst. Dieses Gebiet hat sich erst in jüngster Zeit zu entwickeln begonnen. Die Verfahren des Deep Learning basieren auf neuronalen Netzwerken, einer Art von Algorithmus des maschinellen Lernens, der die Nervenzellen (Neuronen) im menschlichen Gehirn simuliert. Dank Deep Learning konnten auf dem Gebiet der Bild- und der Sprachverarbeitung bahnbrechende Innovationen erzielt werden, die moderne Anwendungen wie Heim-Assistenten und selbstfahrende Autos möglich machen.

Beitragende Faktoren

Als akademisches Forschungsgebiet gibt es KI schon recht lange: Die erste Konferenz zum Thema fand 1956 statt. Doch erst in den letzten zehn Jahren erfährt KI zunehmende Beachtung. Das ist auf diverse Faktoren zurückzuführen, die sich in jüngerer Zeit erheblich verbessert haben. Jede Art von KI erfordert große Datenmengen, auf deren Grundlage dann Erkenntnisse gewonnen werden. In den letzten Jahren hat die Menge an generierten Daten enorm zugenommen. In einem IBM-Blog hieß es vor einigen Jahren, 90 Prozent der Daten seien in den vergangenen zwei Jahren erstellt worden. Ich schätze, dass diese Zahl heute bei 95 Prozent liegt. Doch nicht nur die Datenmengen haben zugenommen. Auch die für die Analyse dieser Daten verfügbare Rechenleistung ist jährlich exponentiell gestiegen. Zugleich sind die Kosten für die Rechenleistung gesunken. Heute befinden sich fast alle diese Daten in der Cloud. Angesichts der Verfügbarkeit von Ressourcen für die Verarbeitung dieser Daten sind Anwendungen wie Pilze aus dem Boden geschossen, die dazu dienen, bessere Entscheidungen auf der Grundlage von analysegestützten Erkenntnissen zu treffen.

Anwendungsmöglichkeiten der KI

Um uns ein Bild von der Breite des Anwendungsbereichs der KI zu machen, brauchen wir uns nur anzusehen, wie allgegenwärtig sie mittlerweile ist. Wir erhalten täglich mehrere E-Mails und die meisten von uns bringen damit mehr Zeit zu, als uns lieb ist. Aber ist Ihnen schon aufgefallen, wie gering die Anzahl nerviger Spam-E-Mails geworden ist? Vor fünf Jahren hätten Sie mindestens einmal pro Woche eine E-Mail mit der Behauptung erhalten, Sie hätten in der Lotterie gewonnen. Die Spam-Erkennung ist eine der älteren und bekannteren Anwendungen von maschinellem Lernen. Durch die Analyse von tausenden E-Mails konnten Computerprogramme „lernen“, wie Spam-E-Mails normalerweise aussehen. Sie können erkennen, dass der Absender jemand ist, der Ihnen wahrscheinlich keine E-Mails zusendet. Oder anhand des Texts der E-Mail können sie feststellen, dass der Inhalt höchstwahrscheinlich betrügerisch ist. Dies ist nur ein Beispiel für die Verarbeitung von Texten.

Bildanalyse

Ein weiterer Anwendungsbereich ist die Analyse von Bildern. In diesem Bereich geht es im Wesentlichen um zwei Aufgaben: zu erkennen, was das Bild darstellt, und dann zu erkennen, wo genau sich ein Objekt in einem Bild befindet. Zum Beispiel könnte ein Foto daraufhin analysiert werden, ob es eine Katze enthält. Die zweite Fragestellung würde sich dann darauf beziehen, wo genau sich die Katze auf dem Bild befindet.

Durch die Entwicklung von Deep Learning wurden in diesem Bereich bahnbrechende Erfolge erzielt. So ist bei den neuen iPhones zum Beispiel eine Sperrfunktion enthalten, die auf der Gesichtserkennung basiert. Die Algorithmen sind in der Lage, die feineren Details eines Fotos zu unterscheiden, und das geschieht so schnell, dass sich auf dieser Grundlage Echtzeitentscheidungen treffen lassen. Früher erkannten die Algorithmen, ob sich auf einem Foto eine Katze befand. Heute hingegen können sie Ihnen außerdem verraten, ob es sich auf jedem Foto jeweils um dieselbe Katze handelt.

Wenn diese Bilderkennungsalgorithmen mit anderen Formen von KI kombiniert werden, erhalten Sie so faszinierende Anwendungen wie selbstfahrende Autos. Diese können ihre Umgebung durch Sensoren erfassen und anhand dieser Informationen durch die Umgebung steuern. Dabei handelt es sich um eine komplexe Aufgabe, bei der verschiedene Objekte in der Umgebung erfasst werden müssen, sowie die Unterschiede in ihrem Verhalten oder ihrer Funktionsweise und die Regeln, die sie in der Umgebung implizieren. Die nachfolgende Abbildung zeigt ein Beispiel für eine Ansicht, die ein selbstfahrendes Auto zum Navigieren verwenden würde. Das System ist in der Lage, zwischen Menschen, Autos und unbeweglichen Objekten zu unterscheiden. Es muss die Bedeutung einer roten Ampel und eines Einbahnstraßenschildes verstehen. Es ist in der Lage, die Entfernung zwischen den Objekten einzuschätzen und auf dieser Grundlage Entscheidungen zu treffen. In diesem Artikel wird näher und in interaktiver Weise betrachtet, wie sie hergestellt werden und welche Technologie dahintersteckt.

verschiedene Datenpunkte

Das menschliche Gehirn kann beim Treffen einer Entscheidung etwa drei bis vier Datenpunkte verarbeiten. Dies ist ein weiterer Bereich, in dem Künstliche Intelligenz Fortschritte gemacht hat. Während das menschliche Gehirn nur drei bis vier Dimensionen verarbeiten kann, sind KI-Algorithmen keine Grenzen gesetzt. Wenn Sie einen Film ansehen, den Netflix Ihnen empfohlen hat, hat die Empfehlungsengine vermutlich zahlreiche verschiedene Faktoren berücksichtigt: Ihr Alter, Ihr Geschlecht, was andere Personen mit diesem Profil gern ansehen, welche Filme Sie bisher angesehen haben, Rezensionen zum Film, die Interaktion anderer Anwender mit diesem Film und viele weitere Attribute.

Für all diese Beispiele gilt, dass diese Algorithmen jeweils große Datenmengen benötigen, anhand deren sie lernen können. KI bietet eine Empfehlung oder eine Lösung auf der Grundlage der ihr zur Verfügung stehenden Daten an. Darum steht und fällt ihre Qualität mit der Qualität der Daten. Um die Möglichkeiten dieser Technologie optimal auszuschöpfen, müssen wir uns bei jedem Produkt gut überlegen, welche Daten wir erfassen, wie wir sie strukturieren und verwalten. In KI-Kreisen kursiert dieser Spruch: „Wo Müll hereinkommt, kommt auch Müll heraus.“

Welche Veränderungen bewirkt KI für das Bauwesen?

In den letzten Jahren sind große Investitionen in die Technologie für das Bauwesen geflossen. Ein riesiger Anteil dieser Investitionen wurde für die Digitalisierung unterschiedlicher Teile der Arbeitsabläufe verwendet. BIM-Modelle haben die Art und Weise verändert, wie Gebäude geplant werden; das Projektmanagement und die Problembearbeitungsprozesse haben sich in die Cloud verlagert; das Prozessmanagement wird ebenfalls zunehmend von Sensoren unterstützt und automatisiert. Dank der Verfügbarkeit von Daten sind KI-basierte Anwendungen für das Bauwesen heute von höherem Nutzen.

Generatives Design

Beim generativen Design handelt es sich um einen Formfindungsprozess, der die evolutionären Designansätze der Natur nachahmt. Computerwissenschaftler haben Möglichkeiten gefunden, um den Gebäudeplanungsprozess zu unterstützen. Dabei werden am Anfang für gewöhnlich die Designziele festgelegt und dann unzählige Lösungsvarianten durchgespielt, um die beste Option zu finden. Das lässt sich an einem Beispiel verdeutlichen.

Ein Autodesk-Team in Toronto ist in ein neues Gebäude umgezogen, das mit einem neuen Planungsprozess entworfen und realisiert wurde. Das ist eine interessante Geschichte. Forscher suchten mithilfe von generativem Design das ideale Design für das Gebäude, das ihren gesamten Anforderungen gerecht werden sollte. Zu Beginn des Prozesses wurden alle Parameter erhoben, die für die Nutzer des Bürogebäudes wichtig waren: bevorzugte Nachbarschaft, bevorzugter Arbeitsstil, Geräuschpegel, Produktivität, Tageslicht und der Blick nach draußen.

Von links nach rechts wird jeder Plan mit einer Simulation der folgenden Parameter überlagert: bevorzugte Nachbarschaft, bevorzugter Arbeitsstil, Geräuschpegel, Produktivität, Tageslicht und der Blick nach draußen.
From left to right, each plan is overlaid with a simulation of the following parameters: adjacency preference, work style preference, buzz, productivity, daylight, and views to outside.

Dieser Input wurde dann in ein Computersystem eingespeist, das diese Planungsparameter zusammen mit den Anforderungen des physischen Standorts analysierte. Der Algorithmus erzeugte daraufhin verschiedene Pläne, die allen diesen Anforderungen gerecht wurden. Der Architekt konnte dann anhand ästhetischer und sonstiger Erwägungen einen Plan auswählen. Dieser Prozess ging sehr schnell. Daher war es einfach, mit den Entwürfen iterativ zu verfahren und den endgültigen Plan aufgrund zahlreicher Gespräche immer wieder zu verändern und zu bearbeiten. Wie dieser Artikel genauer erläutert, wurden nicht nur praktische Probleme gelöst, sondern durch das generative Design wurde der gesamte Entwicklungsprozess auch effizienter und kostengünstiger, da Pläne generiert wurden, welche die Zeitplanung und Koordinierung zwischen zahlreichen Beteiligten optimierten.

Risikominderung

Auf einer Baustelle müssen Risiken tagtäglich bewertet und reduziert werden. Hunderte Subunternehmer arbeiten gleichzeitig in verschiedenen Gewerken. Tausende Probleme entstehen und müssen gelöst werden, und alles in ständigem Fluss. Im BIM 360 IQ-Projekt ging es hauptsächlich darum, zu erheben, welche Herausforderungen Bauleiter, Projektmanager und Bauaufseher tagtäglich zu bewältigen haben, und welche Möglichkeiten es gibt, um diesen Prozess mithilfe von KI zu optimieren. Nach Gesprächen mit verschiedenen Bauaufsehern, Besuchen auf ihren Baustellen und einer Analyse der von ihnen generierten Daten stellten wir fest, dass die Priorisierung der Probleme nach Risiko eine realistische Möglichkeit bot, die Effizienz zu verbessern.

Mithilfe von KI, insbesondere der Analyse der Bauwesensprache, ist es möglich, Problemen automatisch Prioritäten zuzuweisen. Die Algorithmen sind in der Lage, komplexe Sachverhalte zu verstehen und zu prognostizieren, zum Beispiel, ob ein Problem dazu führen kann, dass Wasser eindringt, wenn das Problem nicht gelöst wird. Das System verwendet die Beschreibungen, die viele Qualitätsmanager bei verschiedenen Projekten beobachtet haben, als sie ihre Projekte überwacht haben.

Beobachtet ein Qualitätsmanager beispielsweise, dass eine Abdeckung am Fenster unvollständig ist, und erfasst er diese Information in BIM 360 Field, wie es gängige Praxis ist, so durchläuft der KI-Algorithmus diese Daten und kennzeichnet dies automatisch als potenzielles Wasserproblem. Anschließend kann der Bauaufseher auf dem Dashboard bei seiner Überprüfung darauf aufmerksam gemacht werden. Dieses System ist derzeit als Pilot verfügbar, und zwar für alle Anwender von BIM 360-Produkten.

Das System geht noch einen Schritt weiter, indem es alle Risiken aus den Problemen bei den Subunternehmern einschließt, die dafür verantwortlich sind. Es berücksichtigt diverse Faktoren, die die Subunternehmer betreffen, wie zum Beispiel ihr früheres Verhalten beim Problemmanagement, ihre aktuelle Arbeitslast oder die Bedeutung der Probleme, für die sie verantwortlich sind. Der Algorithmus kann daraufhin jedem Subunternehmer im Projekt einen „Risiko-Score“ zuweisen. Dabei handelt es sich um eine Kennzahl, die angibt, wie hoch das Risiko ist, dem sie das Projekt jeweils aussetzen. Dadurch können die Bauleiter ihre Zeit nach Prioritäten einteilen, um mit den betreffenden Teams enger zusammenzuarbeiten.

Sicherheit

Sicherheit genießt auf allen Baustellen höchste Priorität. Mit dem BIM 360 IQ-Projekt sollten das Verhalten und der Kontext bei Sicherheitsproblemen untersucht werden, um die Sicherheitsmanager dann darauf aufmerksam zu machen. Die IQ-Anwendung scannt automatisch alle Sicherheitsprobleme auf einer Baustelle und taggt diese, um darauf hinzuweisen, ob diese potenziell tödliche Folgen haben könnten. OSHA zeigt, dass rund 67 % aller baustellenbezogenen Todesfälle im Jahr 2015 auf Probleme im Zusammenhang mit den „tödlichen Vier“ zurückzuführen waren: Sturz, Schlag, Einklemmung und Stromschlag. Die IQ-Algorithmen klassifizieren Sicherheitsprobleme, welche diese vier Haupttodesursachen begünstigen.

Die IQ-Anwendung zeigt eine Liste der Subunternehmer bei einem Projekt und eine Aufschlüsselung ihrer Sicherheitsprobleme in vier Kategorien, die den vier Haupttodesursachen entsprechen.
The IQ application shows a list of subcontractors on a project and a breakdown of their safety issues by the “fatal four” categories.

Die Anwendung bietet außerdem Einblicke dazu, welche Gefahr tatsächlich den potenziellen Unfall verursacht hat, und zeigt eine Verteilung auf 39 verschiedene Gefahren.

Hierbei handelt es sich um eine Teilmenge der Gefahren, welche die IQ-Anwendung in einem Sicherheitsproblem erkennen kann.
A subset of the hazards that the IQ application can detect in a safety issue.

Dadurch können Sicherheitsmanager nachvollziehen, wo genau sie ihre Planungs- und Schulungsbemühungen konzentrieren sollten und auf welche spezifischen Probleme sie bei ihrem Sicherheitsbegehung besonders achten sollten.

Heute werden auf Baustellen täglich zahlreiche Fotos und Videos aufgenommen. Jeder Bauarbeiter hat ein Smartphone mit Kamera, und es ist mittlerweile gängige Praxis, dass bei jedem auftretenden Problem ein Foto gemacht wird. Drohnen werden mittlerweile ebenfalls häufig eingesetzt: für Luftaufnahmen und für speziellere Aktivitäten wie die Fortschrittsermittlung. GoPro-Camcorder und intelligente Helme werden ebenfalls zunehmend eingesetzt. Angesichts der Fülle an Fotos sind die meisten Technologieanwendungen überfordert, und bislang gab es keine gute Lösung für die Verwaltung der Fotos oder für ihre Nutzung zur besseren Gewinnung von Erkenntnissen.

Smartvid.io ist ein Technologie-Start-up, das genau solch eine Lösung entwickelt. Das Unternehmen bietet eine Plattform, die sich mit verschiedenen anderen Technologieanbietern integrieren lässt, um alle Ihre Bilder an einem zentralen Ort zu verwalten. Allerdings geht das Unternehmen noch einen Schritt weiter: Es nutzt KI, um den Inhalt der Bilder zu analysieren. Wie wir vorhin bei dem Beispiel der selbstfahrenden Autos gesehen haben, ist es möglich, die verschiedenen Objekte in einem Bild zu isolieren und zu verstehen. Smartvid.co bezeichnet dies als „Smart Tags“. Diese intelligenten Tags ermöglichen ein besseres System zum Kategorisieren und Durchsuchen von Fotos.

Auf diesem Bild von einem Bauarbeiter, der von einer Leiter heruntersteigt, kann Smartvid.io automatisch die Tags hinzufügen, die links vom Bild zu sehen sind.
In this image of a construction worker stepping off a ladder, Smartvid.io can automatically add the tags shown on the left to the image.

Da Smartvid.io die allgemeineren Begriffe des Bauwesens versteht, ermöglicht es intelligentere Suchfunktionen. In der Abbildung oben sind alle Bilder in einem Projekt für die Suchabfrage „oberhalb der Decke“ dargestellt.
Since Smartvid.io understands higher level concepts in construction, it provides for smarter searches. The above image shows all the images in a project for the query ‘above ceiling.’

Was hat Autodesk künftig für KI in Architektur und Bauingenieurwesen vor?

Aus dem BIM 360 IQ-Projekt ergab sich das erste qualitätsbezogene KI-Produkt für das Bauwesen. Seitdem haben wir versucht, jedes Jahr weitere Fortschritte zu machen. Wir haben Anwendungen entwickelt, die sich auf die Qualitäts- und Sicherheitsherausforderungen im Bauwesen konzentrieren. Als Nächstes möchten wir einen ähnlichen Ansatz für das Projektmanagement verfolgen und KI für die Prozessoptimierung nutzen.

Datenplattform

In der gesamten Baubranche gibt es eine Reihe von Technologieanbietern, die Lösungen für die Datenverwaltung anbieten. Diese Lösungen sind untereinander jedoch oft nicht kompatibel. Das Potenzial von KI-basierten Lösungen lässt sich am besten nutzen, wenn sich alle Datenquellen miteinander vernetzen lassen. Um dieser Anforderung gerecht zu werden, arbeitet Autodesk auch am Aufbau einer Datenplattform, welche die Integration von Drittanbietersoftware ermöglichen soll. Dadurch würde es möglich, dass verschiedene Bauunternehmen alle ihre Daten auf eine zentrale Plattform hochladen, die zusätzlich die Funktionen einer gemeinsamen Analyseebene bieten würde. Autodesk integriert weitere Datenquellen in diese Plattform, zum Beispiel ERP-Daten und Projektmanagementdaten. Außerdem arbeitet Autodesk mit anderen Datenunternehmen im Bauwesen wie Smartvid.io, Triax Technologies, SmartBid und anderen im Rahmen von Partnerschaften zusammen.

Architekturkonzept der neuen BIM 360-Datenplattform.
Conceptual architecture of the new BIM 360 data platform.

Anand Rajagopal ist Datenwissenschaftler bei Autodesk, wo er im Produktteam für BIM 360 tätig ist. In seiner gegenwärtigen Funktion arbeitet er eng mit Kunden zusammen, um bauwesenspezifische Modelle für maschinelles Lernen zu erstellen, zu testen und bereitzustellen.

Begleitkurs

The field of construction is well placed to benefit from the advent of machine learning and artificial intelligence. As part of the BIM 360 Project IQ Team at Autodesk, I've had the privilege of being a part of Autodesk's foray into machine learning for construction. This talk will focus on summarizing the developments in this space, and we'll cover some ways in which one can prepare to maximize value from this technology. The class has 2 sections. The first part provides a broad survey of some...

Artikel teilen

Kommentare