RUB » Bibliotheksportal

Simon Höng, Friedrich Eder

• Für die erfolgreiche Implementierung von KI-Systemen ist eine große Menge an relevanten (und gelabelten) Trainingsdaten nötig. Die Datenqualität, Format, Struktur und nicht zuletzt urheberrechtliche Belange schränken die unmittelbare Nutzung vorhandener Daten ein und hindern die gewinnbringende Nutzung dieser Technologien in der Praxis. In diesem Beitrag wird ein Ansatz vorgestellt, der auf Basis einer parametrischen bzw. regelbasierten Erstellung von BIM-Modellen synthetische, gelabelte Trainingsdaten für die nachgelagerte Nutzung in diversen KI-Workflows generiert. Die Modelle werden mithilfe einer C#-Anwendung über die API von Autodesk Revit erzeugt und können durch automatisiertes Postprocessing mittels Python zu annotierten Daten in gängigen Austauschformaten aufbereitet werden. Die synthetischen Bauwerksmodelle ermöglichen die Ableitung multimodaler Trainings-Datensätze. Das heißt, sie können in unterschiedlichen Dateiformaten vorgehalten werden. Dadurch lassen sich Datensätze erzeugen, die auf den jeweiligen Anwendungsfall zugeschnitten sind (z. B.: Rastergrafiken, Punktwolken, CAD- oder BIM-Formate). Die Daten lassen sich somit in entsprechende KI-Systeme integrieren. Dieser Lösungsansatz wird am Anwendungsbeispiel einer KI-gestützten Objektklassifizierung in 2D-Plänen auf Basis synthetischer Datensätze im COCO-Format durchgeführt. Die künstlich erzeugten Plandaten in Anlehnung an Positionspläne von rasterförmig aufgebauten Skelettbauwerken konnten erfolgreich einem KI-System als Trainingsdaten zugeführt werden. Damit wird die nahtlose Verkettung der einzelnen Prozessschritte (Modellierung, Annotation, Integration) validiert. Die Ergebnisse werden abschließend evaluiert und Optimierungsansätze diskutiert.