Ausgangssituation/Motivation

Das Projekt FacilityQ adressiert die Probleme bei der Übergabe von Bauwerksdaten aus Planung/Ausführung in den Betrieb. Im Zentrum steht ein KI-gestützter Workflow, der strukturierte Informationen aus BIM-Modellen mit Betriebsdokumenten und technischen Metadaten zusammenführt.

Methodische Vorgehensweise

Die methodische Umsetzung gliedert sich in drei zentrale Entwicklungsbereiche.

Es wird ein phasen- und rollenbasiertes Datenmodell entwickelt, das sich an etablierten Standards wie der ÖNORM A 6241-2 und dem Level of Information Need (LOIN) orientiert. Dieses Modell beschreibt alle betriebsrelevanten Informationen und Verknüpfungen zu Dokumenten und ermöglicht eine automatisierte Zuordnung zu Betriebsklassen und Kostengruppen über einen AKS-Generator auf Basis der ÖNORM B 1801-6.

Zweitens setzt FacilityQ auf KI-gestützte Datenanreicherung: Mit Hilfe transformerbasierter Natural Language Processing (NLP)-Modelle werden technische Dokumente automatisch klassifiziert und normgerecht zugeordnet – unabhängig von Format oder Bezeichnung. Ergänzend kommen regelbasierte Heuristiken zum Einsatz, etwa zur robusten Zuweisung von Textinhalten zu Kostengruppen oder zur Erkennung von Verfahrenshinweisen.

Weitere KI-Module analysieren Bildmaterial, etwa Typenschilder von HLK-Komponenten, um relevante Betriebsparameter zu extrahieren. Die Verknüpfung dieser heterogenen Daten erfolgt über semantische Wissensgraphen, die Beziehungen zwischen BIM-Objekten, Dokumenten und Eigenschaften modellieren und als Grundlage für automatisierte Datenübergaben dienen.

Es wird eine offene, plugin-freie Microservice-Architektur entwickelt, die es ermöglicht, alle Funktionen in ein Common Data Environment (CDE) zu integrieren. Die Übergabe an CAFM-Systeme erfolgt über standardisierte Schnittstellen wie IFC, BCF und IDS. Zur Qualitätssicherung und Nachvollziehbarkeit wird Explainable AI eingesetzt, etwa über Visualisierungen von Entscheidungseinflüssen (z. B. mittels SHAP oder LIME), Confidence Scores oder Quellenverweise auf Normen und Trainingsdaten.

Erwartete Ergebnisse

Das Forschungsdesign ist iterativ aufgebaut: Die entwickelten Module werden fortlaufend anhand realer Projektdaten validiert. Eine umfangreiche Datenbasis aus über 30 Mio. m² Gebäudefläche steht für das Training der KI-Modelle bereit.

Ziel ist es, die Dauer und Kosten der Datenübergabe von Bau zu Betrieb um mindestens 50 % zu reduzieren und gleichzeitig die Datenqualität und Interoperabilität signifikant zu steigern.

Project management

AIT Austrian Institute of Technology GmbH

Project or cooperation partners

• Digital Findet Stadt GmbH
• FCP Fritsch, Chiari & Partner ZT GmbH
• immOH! Energie und Gebäudemanagement GmbH
• ISH-Solutions GmbH
• M.O.O.CON GmbH
• TendX GmbH

Gerhard Zucker
Giefinggasse 2
A-1210 Wien
Tel.: +43 (664) 235 19 21
E-Mail: gerhard.zucker@ait.ac.at
Web: www.ait.ac.at