Das könnte Sie auch interessieren.
-
Einsatz von Augmented Reality im Straßenbau
-
Digitalisierung, Prozesse, Innovationen
Es geht immer besser, digitaler, innovativer.Entdecke unsere Projekte
Auf der Suche nach dem richtigen Algorithmus
Wie STRABAG mit Künstlicher Intelligenz finanzielle Risiken bewertet
STRABAG setzt bei der Bewertung von Bauprojekten auf Daten und Künstliche Intelligenz (KI). Denn mit Hilfe einer breiten Datenbasis und Algorithmen lassen sich finanzielle Risiken prognostizieren und gegebenenfalls reduzieren. DARIA, die datengetriebene Risikoanalyse, bewertet die finanziellen Risiken von laufenden Straßenbauprojekten während der Ausführungsphase. Controller:innen und Manager:innen haben so zusätzliche KI-generierte Warnindikatoren zur Hand, um frühzeitig und objektiv Entscheidungen für den weiteren Projektverlauf treffen zu können.
Was sind die Vorteile vom KI-Einsatz im Bauwesen?
Die datengetriebene Risikoanalyse, DARIA, unterstützt Nutzer:innen bei der Bewertung der Projektfortschritte. Diese ist aufgrund der großen Datenmenge und Komplexität für Controller:innen eine zunehmende Herausforderung. Die Rechenpower der STRABAG KI wertet die kaufmännischen Daten monatlich aus und prognostiziert den Projektabschluss nach konzernintern definierten Kategorien. So haben die Nutzer:innen mit Hilfe der KI-basierten Indikatoren vor allem potenziell kritische Projektverläufe besser im Blick.
STRABAG nutzt dafür eine breite Datengrundlage, das Know-how des eigenen Data Science Bereichs sowie die Expertise der Anwender:innen. Das Ziel: Frühzeitig potenziell kritische Projekte erkennen und Risiken minimieren.
Die Zahlen auf einen Blick:
- 11.000 Trainingsprojekte
- > 1.000 monatliche Prognosen
- 12 Länder als Lernbasis
- 2,5 Jahre bis Roll-out
- ca. 70 % Flop-Erkennungen
Beispielhafte Darstellung des DARIA-Modells.
Wie unterstützt das KI-basierte Bewertungsmodell Nutzer:innen?
DARIA ist in die digitale Arbeitsumgebung der Controller:innen integriert. Potenziell kritische Projekte werden sichtbar gekennzeichnet und somit in den Fokus der zuständigen Controller:innen gerückt. Ihre Aufmerksamkeit wird auf den potenziell kritischsten Ausgang fokussiert. DARIA erläutert nicht, welches spezifische Risiko der KI-basierten Bewertung zu Grunde liegt. Es wird aber eine Interpretationshilfe für Anwender:innen angeboten. Zum Beispiel: Wenn ein Projekt als Flop vorhergesagt wird, wird sein Verlauf visuell mit den Verläufen aller Flop-Projekte aus den Trainingsdaten verglichen. So sind die Prognosen für Nutzer:innen nachvollziehbar.
Der richtige Algorithmus für das Bewertungsmodell
DARIA soll erklärbare und stabile Aussagen liefern, also immer wieder zu gleichen Ergebnissen kommen. Aus diesem Grund ist der KI-basierte Ansatz bei DARIA XGBoost (eXtreme Gradient Boosting).
Dieses Modell basiert auf Entscheidungsbäumen. Bei diesen werden Daten durch „Wenn-Dann“-Fragen klassifiziert, bis das Modell keinen Informationszuwachs mehr feststellt. Um möglichst präzise zu sein, kombiniert XGBoost mehrere Entscheidungsbäume, die aufeinander aufbauen. Jeder neue Baum versucht, die Fehler des vorherigen Baums zu korrigieren – Boosting genannt. Dabei wird auch angegeben wie stark und in welche Richtung die Vorhersagen angepasst werden müssen – Gradient Boosting. Durch sequenzielles Lernen entsteht aus vielen schwachen Modellen ein sehr starkes Modell. Das spiegelt auch die Erkennungsrate für potenzielle Flop-Projekte, die aktuell nach drei Monaten Bauausführung bei knapp 70 Prozent liegt.
Ein KI-Modell für alle Sparten?
Der Mehrwert einer Früherkennung von Projektverläufen wird von Anwender:innen auch in anderen Sparten gesehen. Deswegen werden derzeit geeignete Bewertungsmodelle für Hoch- und Ingenieurbauprojekte in der Ausführungsphase entwickelt und evaluiert. Und nicht nur das – das DARIA Team arbeitet auch schon an der vielleicht größten Herausforderung: einem Modell, das bereits in der Angebotsphase das projektbezogene Risikomanagement unterstützt.
Vier Schritte zu einem KI-Bewertungsmodell:
- Projektvorbereitung - welche Algorithmus-Art passt zu dem Problem?
- Datenanalyse und -aufbereitung - welche Muster lassen sich aus den Daten erkennen und wie können die Daten genutzt werden?
- Tainieren und Testen des Modells - wie gut arbeitet das Modell?
- Bereitstellung und Einsatz - wie gelangt das Modell an die Endnutzer:innen?