WO2023066629A1 - Computerimplementiertes verfahren zu einer unterstützung einer planung und einer organisation eines bauprojekts, vorrichtung zur datenverarbeitung im rahmen eines solchen verfahrens und computerprogramm zur implementierung eines solchen verfahrens - Google Patents

Computerimplementiertes verfahren zu einer unterstützung einer planung und einer organisation eines bauprojekts, vorrichtung zur datenverarbeitung im rahmen eines solchen verfahrens und computerprogramm zur implementierung eines solchen verfahrens Download PDF

Info

Publication number
WO2023066629A1
WO2023066629A1 PCT/EP2022/076990 EP2022076990W WO2023066629A1 WO 2023066629 A1 WO2023066629 A1 WO 2023066629A1 EP 2022076990 W EP2022076990 W EP 2022076990W WO 2023066629 A1 WO2023066629 A1 WO 2023066629A1
Authority
WO
WIPO (PCT)
Prior art keywords
document
construction
learning
artificial neural
neural network
Prior art date
Application number
PCT/EP2022/076990
Other languages
English (en)
French (fr)
Inventor
Heinz Hertlein
Jinquan ZHENG
Cesar Manuel Goncalves Fernandes
Christian Haase-Schuetz
Werner Jochum
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to EP22797065.4A priority Critical patent/EP4420058A1/de
Publication of WO2023066629A1 publication Critical patent/WO2023066629A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Definitions

  • GUI general contractor
  • SU subcontractors
  • a computer-implemented method for supporting planning and organization of a construction project by extracting information from at least one construction document relating to the construction project comprises the following method steps:
  • the method is intended in particular to evaluate a large number of construction documents, in particular from different sources, in order to create the analysis of the construction project.
  • the at least one construction document include in particular an invoice, a delivery note, an official letter, an expert opinion, a construction plan, documentation of construction progress, a presentation, a certification certificate, a holiday and/or shift plan, a technical data sheet, a floor plan, a schedule, resource list or other documents that arise in connection with the planning and/or execution of the construction project.
  • the at least one construction document is in particular a digital or physical document and/or a digital or physical drawing.
  • the at least one construction document can also be in the form of a photo, video recording, voice recording or the like.
  • Sources for the at least one construction document include, for example, a general contractor for the construction project, a subcontractor involved in the construction project, a supplier for the construction project, an authority, an external appraiser, a bank, a lawyer, a client of the construction project, a resident, a buyer or something.
  • the legacy project is in particular a construction project that is different from the construction project.
  • the old project is preferably a project in the past in relation to the construction project.
  • the legacy project may have been successfully completed, in particular within a timeframe and/or within a budget of the legacy project, completed at increased cost and/or time, or, particularly at any stage of construction, abandoned.
  • the at least one learning document of the old project is a document that is analogous to the at least one construction document of the construction project to be analyzed and that arose as part of the old project.
  • the above examples of the at least one construction document are also examples play for at least one learning document.
  • a final report of the old project is provided as a learning document, in particular recorded.
  • learning documents from a number of old projects are particularly preferably provided, in particular recorded.
  • the method is preferably carried out by a data processing device which in particular comprises at least one processor unit, at least one memory unit, at least one input unit and at least one output unit.
  • a data processing device which in particular comprises at least one processor unit, at least one memory unit, at least one input unit and at least one output unit.
  • the at least one construction document and/or the at least one learning document is provided, the at least one construction document and/or the at least one learning document is stored in particular in the storage unit.
  • the at least one construction document and/or the at least one learning document can be provided by an operator of the data processing device using the input unit, in particular by transferring the at least one construction document and/or the at least one learning document from an external storage medium and/or an external data network.
  • the processor unit retrieves the at least one construction document and/or the at least one learning document automatically, for example from an e-mail program of the data processing device, from an external data network, from a cloud service or the like.
  • An operator can optionally create the at least one learning document and/or the at least one construction document using the data processing device.
  • the at least one construction document and/or the at least one training document is on a non-electronic storage medium, in particular on paper, photographic paper, writing film or the like, the at least one training document and/or the at least one construction document is preferably digitized, for example using a Scanner, a digital camera, a fax machine or the like and transmitted to the data processing device manually or automatically.
  • the learning documents and/or building documents can each be stored as an independent file or can be stored together in one file.
  • the term "document” refers to a substantive unit of meaning, particularly in contrast to a "file”, which may be an entity used by the computing device to store a portion of a document, the entire document, or multiple documents.
  • the processor unit preferably uses pattern recognition routines in order to record the content of the at least one learning document and/or the at least one construction document, which is stored in particular in the memory unit.
  • the pattern recognition routines include, in particular, text recognition, image recognition and/or speech recognition, which are implemented in particular using methods known from the prior art.
  • Text recognition can in particular include recognition of machine-made text and/or handwritten text.
  • Image recognition can in particular include simple geometric figures such as lines, circles, rectangles, arrows or the like, composite figures such as company logos and/or signatures and/or complex figures, in particular objects within a photo or the like.
  • the processor unit captures content objects that make up the content of the at least one construction document and/or the at least one learning document, such as a block of text, a date, a diagram, a table, an image, a sketch, a handwritten note or the like.
  • the processor unit preferably also records at least one property of the recorded content object, for example a size, a font, a highlight, a color, an orientation and/or position within the at least one construction document and/or the at least one learning document, a position relative to another content object or the like.
  • the processor unit preferably checks whether the content of the at least one construction document stored in the memory unit and/or the at least one learning document can be read out directly.
  • the content of the at least one construction document and/or the at least one training document can be read out directly, for example, if the at least one construction document and/or the at least one training document is in a data format of a word processing program, a graphics program, a spreadsheet program or a specific planning program known to the processor unit and creation of floor plans, building installations, circuit diagrams or the same.
  • the processor unit preferably skips an application of the pattern recognition routines if the content of the construction document and/or the at least one learning document can be read out directly.
  • the processor unit uses the read out and/or recognized content, in particular the content objects and optionally their properties, of the at least one learning document as input data for the machine learning.
  • the processor unit uses the read and/or recognized content, in particular the content objects and optionally their properties, of the at least one construction document as input data for evaluating the construction project.
  • the machine learning and the assessment of the construction project is preferably carried out using at least one, in particular multi-layer, artificial neural network, which is implemented on the data processing device.
  • the artificial neural network can be designed, for example, as a convolutional neural network (CNN), as a recurrent neural network (RNN) or as a neural network with transformer architecture.
  • the processor unit feeds the content, in particular the content objects and optionally their properties, of the at least one learning document and/or the at least one construction document to an input layer of the artificial neural network.
  • the artificial neural network preferably learns at least one meaning element of the at least one learning document through machine learning. In particular, when evaluating the construction project, the artificial neural network attempts to recognize the at least one learned meaning element in the at least one construction document.
  • the meaning element can in particular be a header element which the artificial neural network tries to recognize in every available construction document, or a specific meaning element which depends in particular on a document type of the construction document.
  • the above examples of the at least one construction document are in particular examples of different document types.
  • Header elements include, for example, the document type of the construction document, the source of the construction document, a recipient of the construction document, a date, in particular a creation date and/or a receipt date, of the construction document or other significant elements.
  • Specific meaning elements include, for example, for an invoice as a construction document, a service date, an invoice item with an amount, a total amount or the same.
  • the artificial neural network outputs the at least one recognized meaning element in particular to an output layer or an intermediate layer of the artificial neural network.
  • the processor unit preferably feeds the at least one recognized meaning element, in particular a large number of recognized meaning elements, of the construction document, in particular from a large number of construction documents, to an input layer of a further artificial neural network of the data processing device or to a further input layer of the artificial neural network in order to analyze the construction project to create.
  • the artificial neural network or the further artificial neural network is provided to identify at least one connection between two different construction documents in order to create the analysis.
  • the analysis of the construction project can in particular include an assessment of the status of the construction project at the time the method is carried out, in particular at a time of the construction document that has the most recent date, and/or a prognosis of a status of the construction project.
  • the analysis includes a target parameter that evaluates the construction project.
  • the target parameter is, for example, a required amount of material, a required amount of money, additional costs compared to the originally estimated costs, construction progress, a deviation from an originally estimated schedule or the like.
  • the target parameter is preferably output when the construction project is evaluated by the artificial neural network at a further output layer of the artificial neural network or by the further artificial neural network at an output layer of the further artificial neural network.
  • the artificial neural network and/or the further artificial neural network is trained in machine learning to determine the target parameter from the at least one meaning element.
  • the target parameter is preferably specified by a user of the method who is monitoring the machine learning.
  • the user assigns the at least one learning document to the at least one target parameter, for example by preparing the at least one learning document, in particular by attaching a note to the at least one learning document in physical and/or digital form and/or by creating a heit stored list in which a value of the target parameter is assigned to each learning document.
  • the analysis, in particular the at least one target parameter is preferably output using the output unit and/or stored in the storage unit.
  • the effort involved in organizing a large number of construction documents can advantageously be kept low, and in particular costs can advantageously be saved.
  • information from different sources can advantageously be easily exchanged using an advantageously standardized and digital method.
  • information obtained from the construction documents can advantageously be processed and stored in a structured and networked manner.
  • a coordination of stakeholders involved in the construction project in particular a coordination of subcontractors, can advantageously be easily organized before and during the construction project.
  • construction documents can be digitized into a machine-understandable and advantageously standardized form.
  • a largely complete management of the construction project can advantageously be achieved easily.
  • possible errors in the planning and/or execution of the construction project can advantageously be identified early.
  • the method includes at least one standardization step, in which the contents of different learning documents or different construction documents are mapped to uniform processing parameters by applying abstraction rules, which are further processed for learning the meaning or evaluating the construction project.
  • one of the abstraction rules maps at least one of the content objects of the content of the construction document or of the learning document and optionally the recorded properties of the content object to one of the processing parameters.
  • at least one of the abstraction rules combines a number of content objects and optionally the properties of these content objects with a further one of the processing parameters.
  • the abstraction rules particularly preferably map all content objects of the content of the learning document or the construction document to the processing parameters.
  • the processor unit uses the processing parameters, in particular instead of the original content objects, as input data for the machine learning and/or Evaluate.
  • the abstraction rules combine the content objects "text box 1", “arrow” and “text box 2" and their properties “relative position” and “orientation” into the processing parameter "text box 1 points to text box 2".
  • the abstraction rules are stored in the memory unit in particular in advance of the method.
  • at least two abstraction rules map the same type of processing parameter to two different content objects.
  • the abstraction rules standardize the content objects.
  • the abstraction rules reduce a number of different types of content objects across all document types to a predetermined number of different types of processing parameters.
  • the processor unit assigns the same type of processing parameters to different document types using the abstraction rules.
  • the abstraction rules encode the content of the construction document and/or the learning document, in particular by converting the content objects formatted by the source of the construction document and/or the learning document into the uniform evaluation parameters.
  • the artificial neural network which uses the evaluation parameters as input data, can advantageously be quickly trained with advantageously few training documents as a result of the configuration according to the invention.
  • new types of file formats for construction documents can advantageously be integrated into the method quickly and easily, in particular without having to relearn the artificial neural network.
  • the method includes an individual document step in which the meaning of the content of the training document or the construction document is learned independently of a meaning of the content of a further training document or is evaluated independently of a meaning of the content of a further construction document.
  • the processor unit processes each learning document and/or each construction document separately in the individual document step.
  • the method includes a construction project step that follows the individual document step, in which the meaning of a plurality of learning documents and/or construction documents are linked to one another in order to determine the target parameter.
  • the single document step is performed by means of the artificial neural network.
  • the construction project step is carried out in particular by means of the artificial neural network and/or by means of the ter artificial neural network.
  • the artificial neural network in the individual document converts the content objects of an individual learning document and/or an individual construction document into corresponding meaning elements.
  • the meaning elements which are assigned to an individual construction document and/or learning document by the artificial neural network are preferably stored in the memory unit. Due to the configuration according to the invention, the meaning, the meaning elements, of a construction document and/or learning document can be reused for an advantageously large number of different analyses. In particular, if the construction document and/or the learning document is misinterpreted or if a construction document that does not belong to the construction project is input, error correction can advantageously be carried out easily.
  • the content of the learning document and/or the construction document is assigned a time stamp, which is evaluated to evaluate the construction project.
  • the at least one learning document and/or the at least one construction document can have a creation date, a service period or the like as part of the original content as time information or can be subsequently provided with a physical or digital entry stamp.
  • the processor unit records the time information as a content object and recognizes its meaning using the artificial neural network.
  • the processor unit assigns a time stamp to the at least one training document and/or the at least one construction document, which time stamp corresponds to the time specification within the training document or the construction document.
  • the processor unit preferably assigns a standard time stamp to the construction document or the training document as a time stamp.
  • the standard time stamp is, for example, a creation time of a file in which the construction document or the learning document is stored.
  • the data processing device preferably informs a user that a standard time stamp has been assigned and/or asks a user for a specific time stamp that is to be assigned to the construction document or the learning document instead of the standard time stamp.
  • the construction project can advantageously be evaluated in a time-resolved manner.
  • the target parameter can advantageously be evaluated at any point in time.
  • a point in time is queried from an external source, with the evaluation of the construction project evaluating a predicted state of the construction project in which the construction project is at the queried point in time.
  • the predicted state is preferably created by an additional artificial neural network of the data processing device.
  • the processor unit transfers the meaning elements that the artificial neural network has determined, together with the queried point in time, to an input layer of the additional neural network.
  • the additional neural network outputs a predicted value of the target parameter, which the target parameter assumes at the queried point in time, to an output layer of the additional neural network.
  • the external source can in particular be a user of the method and/or an external program, for example for an automated graphic processing of the analysis or the like.
  • the contents of learning documents for different construction projects be evaluated in at least one method step of the method in order to create the analysis of the construction project.
  • a further construction project is evaluated in at least one method step in order to create the analysis of the construction project.
  • the further construction project can be completed, under construction or in a planning phase.
  • target parameters which can be obtained in particular from an evaluation of several construction projects, include an overall financial situation, in particular liquidity, of a general contractor, reliability of a subcontractor, availability or supply bottlenecks of raw materials and/or prefabricated parts or the like.
  • the configuration according to the invention advantageously makes it possible to obtain a great deal of information that is relevant to the construction project. In particular, information can be obtained which, viewed alone, cannot be directly derived from the construction documents for the construction project.
  • At least one of the method steps of the method be carried out by an artificial neural network, in particular by at least one of the artificial neural networks already mentioned, and at least one further of the method steps of the method by another artificial neural network, in particular by at least one of the already mentioned artificial neural networks, which is designed at least partially, in particular completely, independently of the artificial neural network.
  • the single document step is performed by the artificial neural network.
  • the assessment of a state of the construction project at a point in time when the method is being carried out is preferably carried out by the further artificial neural network.
  • the creation of a prognosis about a state of the construction project is preferably carried out by the additional artificial neural network after a point in time of the method.
  • the capturing of the content objects is performed by a content capturing artificial neural network.
  • At least the additional artificial neural network and the additional artificial neural network are preferably configured separately from one another.
  • the artificial neural network and the artificial neural content acquisition network can be designed separately from one another or integrated into one another.
  • the artificial neural network and the further artificial neural network can be designed separately from one another or integrated into one another.
  • the artificial neural network and the additional artificial neural network can be designed separately from one another or integrated into one another.
  • Two artificial neural networks are integrated into one another, in particular, if the output layer of one artificial neural network is the same as the input layer of the other artificial neural network and this input layer and this output layer form an intermediate layer of the artificial neural networks integrated into one another.
  • the integrated artificial neural Networks are taught by shared machine learning, in which data streams in particular are not explicitly monitored at the intermediate layer formed by the input layer of one artificial neural network and the output layer of the other neural network.
  • the artificial neural networks of two artificial neural networks that are integrated into one another can each have a different architecture or have the same architecture.
  • the further artificial neural network and the additional artificial neural network have a common input layer and separate output layers.
  • Two separately designed artificial neural networks each have, in particular, an output layer and an input layer that is independent of the output layer and the input layer of the other artificial neural network in each case.
  • data at the output layers of separately formed artificial neural networks are present in an explicit form and can be stored in the memory unit.
  • separately formed artificial neural networks are independently trained, preferably with data streams being monitored at each of the output layers of the separately formed artificial neural networks.
  • the configuration according to the invention allows a modular sequence of the method to be achieved.
  • the method can advantageously be modified simply by replacing only one of the artificial neural networks.
  • intermediate results of the method for example the recorded content objects and/or the determined meaning elements, can advantageously be documented.
  • artificial neural networks with a more specific task can be trained with advantageously few training documents.
  • each individual artificial neural network can advantageously be kept small.
  • the artificial neural network is designed to be stateless, for example as a convolutional neural network (CNN), in particular as a one-dimensional CNN.
  • CNN convolutional neural network
  • the artificial neural network processes a training document or a construction document as a whole.
  • the processor purity an overall unit of the content objects of the at least one construction document or the at least one learning document to an input layer of the artificial neural network.
  • the artificial neural network outputs a representation of the construction document or the training document which is composed of elements of meaning which the artificial neural network has recognized in the content objects of this construction document or this training document.
  • the artificial neural network constructs the representation of the build document using a feed-forward traversal.
  • the artificial neural network is designed to be state-dependent.
  • the artificial neural network has a transformer architecture.
  • the artificial neural network is designed as a combination of a CNN with a recurrent neural network (RNN).
  • RNN recurrent neural network
  • the artificial neural content detection network is designed as a stateless artificial neural network, for example as a CNN, in particular as a two-dimensional CNN.
  • the artificial neural content acquisition network preferably acquires, in particular graphical and/or textual, content objects of the at least one learning document or of the at least one construction document, which are present in an image format.
  • the content objects of the at least one learning document or the at least one construction document are recorded using optical character recognition (OCR).
  • OCR optical character recognition
  • the artificial neural network is embodied as a stateful artificial neural network, in particular as an RNN.
  • An RNN for the method, in particular the artificial neural network can be realized, for example, as a long short-term memory (LSTM) or as a gated recurrent unit (GRU). be ted.
  • An RNN for the method, in particular the artificial neural network is optionally implemented as a bi-directional RNN.
  • the processor unit transfers the at least one construction document or the at least one training document to the artificial neural network as a sequence of content objects of the construction document or of the training document.
  • the sequence of content objects for each magazine preferably includes a variable number of content objects, for example exactly one content object, in particular so that the artificial neural network generates exactly one meaning element at the output layer of the artificial neural network.
  • the further artificial neural network and/or the additional neural network is/are preferably in the form of a state, in particular in the form of an RNN.
  • a head, in particular the output layer and at least one further layer, of the further artificial neural network and/or a head, in particular the output layer and at least one further layer, of the additional neural network is fully meshed.
  • the processor unit feeds a total of available construction documents or learning documents as a sequence of individual documents to the input layer of the further artificial neural network and/or the additional neural network.
  • the further artificial neural network and/or the additional neural network is designed as a stateless artificial neural network, in particular as a one-dimensional CNN, or has a transformer architecture.
  • the documents can advantageously be processed at different times.
  • a quasi-simultaneous transfer of all documents to the further artificial neural network or the additional artificial neural network can be dispensed with.
  • the method can be carried out using a data processing device with an advantageously small (working) memory capacity and/or an advantageously low processor performance.
  • a data processing device which comprises a processor which is configured in such a way that it executes the method steps of the method according to the invention.
  • the processor is in particular part of the processor unit.
  • the processor unit has in particular a Neumann architecture and/or Harvard architecture, a vector processor, multiple parallel processors, or neuromorphic electronics to perform the method steps of the method.
  • the data processing unit includes in particular the memory unit.
  • the data processing unit includes in particular the input unit.
  • the input unit includes, for example, a keyboard, a mouse, a touchscreen, a card reader and/or a data interface for an external digitizing device, for example a scanner, a fax machine, a digital camera or the like.
  • the input unit is intended in particular to provide the at least one learning document, the at least one construction document and/or supplementary information.
  • the data processing unit preferably comprises at least one output unit for outputting the analysis, in particular the at least one target parameter, and/or for outputting a (warning) information derived from the analysis.
  • the output unit includes, for example, a display, a loudspeaker and/or an interface for an external output device, for example a mobile phone, a tablet, a printer or the like.
  • a computer program which includes instructions which, when the program is executed by a computer, cause the latter to carry out the steps of the method.
  • the computer program causes the computer to capture the content objects of the at least one construction document and/or the at least one learning document.
  • the computer program causes the computer to map the content objects to the meaning elements.
  • the computer program prompts the computer to determine the target parameter of the analysis as a function of the elements of meaning, in particular a number of construction documents.
  • the computer program preferably prompts the computer to output the target parameter, in particular as a function of a point in time requested by an operator of the computer.
  • the configuration according to the invention makes it possible to provide a computer program with the aid of which construction projects can be planned and carried out efficiently, cost-effectively and with few errors.
  • the method according to the invention, the device for data processing according to the invention and/or the computer program according to the invention should/should not be limited to the application and embodiment described above.
  • the method according to the invention, the device for data processing according to the invention and/or the computer program according to the invention can have a number of individual elements, components and units as well as method steps that differs from the number specified herein to fulfill a function described herein.
  • values lying within the specified limits should also be considered disclosed and can be used as desired.
  • FIG. 1 shows a schematic representation of a data processing device according to the invention
  • FIG. 3 shows a schematic flowchart for providing content of a construction document and/or a learning document in the course of the method according to the invention
  • FIG. 4 shows a schematic flowchart for creating meaning elements from the content of the construction document and/or the learning document in the course of the method according to the invention
  • FIG. 5 shows a schematic flow chart for machine learning of a meaning of the content of the construction document and/or the learning document in the course of the method according to the invention
  • FIG. 6 shows a schematic flow chart for determining a target parameter as a function of the meaning elements in the course of the method according to the invention
  • FIG. 8 shows a schematic flow diagram of an analysis step of the method according to the invention.
  • FIG. 9 shows a schematic flow diagram of a data flow for a forecast of the target parameter at a specified point in time
  • FIG. 11 shows a schematic flow chart of a further alternative method.
  • FIG. 1 shows a data processing device 46a, for example a computer.
  • the data processing device 46a includes a processor unit 48a with at least one processor.
  • the processor is configured to perform steps of a method 10a that is described in more detail in Figures 2-11.
  • the method 10a is intended to support planning and organization of a construction project by extracting information from at least one construction document 12a, 14a (cf. FIG. 2) relating to the construction project.
  • the data processing device 46a preferably comprises a memory unit 50a.
  • a computer program is stored in the memory unit 50a.
  • the computer program includes instructions which, when the computer program is executed by the data processing device 46a, cause them to perform the steps of method 10a.
  • the data processing device 46a comprises in particular an input unit 54a for storing the construction documents 12a, 14a in the storage unit 50a and/or for manually entering data in the course of the method 10a.
  • the data processing device 46a includes, in particular, an output unit 52a for outputting an analysis 24a, 26a of the construction project (cf. FIG. 2).
  • the data processing device 46a preferably comprises at least one artificial neural network 40a.
  • the data processing device 46a preferably comprises at least one further artificial neural network 42a.
  • the data processing device 46a preferably comprises at least one additional artificial neural network 44a.
  • the data processing device 46a optionally comprises an artificial neural content acquisition network 38a.
  • the artificial neural networks 38a, 40a, 42a, 44a are provided in the course of the method 10a, in particular for creating the analysis 24a, 26a of the construction project as a function of the construction documents 12a, 14a.
  • FIG. 2 shows a flow chart of the method 10a.
  • the method 10a includes in particular a learning phase and an execution phase.
  • the artificial neural networks 38a, 40a, 42a, 44a are preferably trained using learning documents 18a, 20a.
  • the construction documents 12a, 14a are preferably analyzed by the trained artificial neural networks 40a, 42a, 44a.
  • the method 10a includes in particular a pre-processing step 56a.
  • content of the construction document 12a, 14a is provided, in particular recorded.
  • the pre-processing step 56a is performed, for example, by the artificial neural content detection network 38a or by pattern recognition software.
  • the artificial neural content detection network 38a or the pattern recognition software detects in particular content objects 62a from which a content of the construction documents 12a, 14a is composed.
  • the method 10a includes a single document step 32a.
  • a meaning of the content of the building document 12a is evaluated independently of a meaning of the content of the further building document 14a.
  • the single document step 32a is which are executed by the artificial neural network 40a.
  • the artificial neural network 40a processes in particular the content objects 62a detected in the pre-processing step 56a.
  • the artificial neural network 40a creates at least one meaning element 64a of the construction document 12a or of the further construction document 14a depending on the recorded content objects 62a of the corresponding construction document 12a, 14a.
  • the method 10a includes in particular an analysis step 58a.
  • the construction project is evaluated by applying the learned meaning to the content of the construction document 12a, 14a.
  • the analysis 24a of the construction project created in the course of the evaluation is output.
  • the analysis step 58a is carried out in particular by the further artificial neural network 42a.
  • the further artificial neural network 42a evaluates in particular the meaning element 64a created in the individual document step 32a, in particular the meaning elements 64a created for a multiplicity of construction documents 12a, 14a.
  • the further artificial neural network 42a determines at least one value of a target parameter of the analysis 24a of the construction project as a function of the significance element 64a created.
  • the target parameter indicates, for example, construction progress of the construction project, in particular a deviation from a schedule.
  • the target parameter indicates, for example, construction costs of the construction project, in particular a deviation from costs estimated in advance.
  • the target parameter indicates, for example, an incorrect planning, for example a collision of schedules.
  • the target parameter indicates, for example, a risk, for example a probability of default of a subcontractor.
  • the method 10a includes, in particular, a prognosis step 60a.
  • the prediction step 60a the construction project is evaluated by applying the learned meaning to the content of the construction document 12a, 14a.
  • a further analysis 26a of the construction project, created in the course of the evaluation is output.
  • the prediction step 60a is preferably performed by the additional artificial neural network 44a.
  • the prediction step 60a evaluates the additional artificial neural Network 44a in particular the meaning element 64a created in the individual document step 32a, in particular the created meaning elements 64a of a large number of construction documents 12a, 14a.
  • the additional artificial neural network 44a predicts at least one value of a target parameter of the further analysis 26a of the construction project as a function of the significance element 64a created. For example, the additional artificial neural network 44a predicts a material requirement and/or a remaining inventory at a specified point in time 36a (see FIG. 9), costs incurred and/or remaining funds at the specified point in time 36a, construction progress at the specified point in time 36a or similar.
  • the data processing device 46a preferably processes the learning documents 18a, 20a.
  • the learning phase includes the preprocessing step 56a, the individual document step 32a, the analysis step 58a and/or the prognosis step 60a.
  • content of the learning documents 18a, 20a is provided, in particular recorded.
  • the acquisition of content objects 62a by the artificial neural content acquisition network 38a is learned during the learning phase.
  • the individual document step 32a, the analysis step 58a and/or the prognosis step 60a the meaning of the content of the learning documents 18a, 20a is learned from the artificial neural networks 40a, 42a, 44a by means of machine learning 22a.
  • FIG. 3 shows a flow chart of the pre-processing step 56a.
  • the pre-processing step 56a is preferably carried out individually for each document to be processed. If the processor unit 48a includes a number of processors, a number of pre-processing steps 56a can be carried out in parallel.
  • the document to be processed can be the construction document 12a, 14a or the training document 18a, 20a.
  • the documents to be processed are preferably stored in the storage unit 50a.
  • the documents to be processed can be deposited by a user, in particular by copying from an external storage medium, and/or can be carried out automatically by the processor unit 48a, with for example by retrieval from databases, e-mail programs, data networks or the like.
  • Physically present documents are preferably digitized in the pre-processing step 56a, in particular by means of a scanner, a digital camera or the like.
  • the pre-processing step 56a is provided in particular for detecting the content of the documents to be processed.
  • the data processing device 46a particularly preferably creates a representation of the document to be processed, which consists of content objects 62a.
  • the content object 62a of the document to be processed is, for example, a text element 66a and/or a graphic element 68a, such as a photo, a line, a circle, an arrow or the like.
  • the processor unit 48a preferably reads these objects as content objects 62a. For example, word processors, vector graphics programs, spreadsheet programs, architecture programs, or the like organize the content of the documents they create into objects. If the document to be processed, for example the additional construction document 14a or the additional learning document 20a, is in an image file format, the processor unit 48a captures the content of the document to be processed, preferably by means of at least one pattern recognition routine 70a.
  • the pattern recognition routine 70a may be implemented by the content detection artificial neural network 38a or by any other method known in the art.
  • text elements 66a of the document to be processed are detected by means of optical character recognition 72a.
  • At least one property 74a of the content object 62a is particularly preferably recorded in addition to the content object 62a.
  • Examples of the property 74a of the content object 62a include a position within the document to be processed, a size, a color, an orientation, a font, a relationship to another content object, such as specifically "is within", “points to", or the like.
  • the method includes a unification step 28a.
  • the contents of different learning documents 18a, 20a or different construction documents 12a, 14a each mapped to uniform processing parameters 30a by applying abstraction rules.
  • the uniform processing parameters 30a are further processed for learning the meaning or evaluating the construction project, in particular in place of the content objects 62a in an originally recorded file format.
  • the abstraction rules map the content objects 62a, in particular the text elements 66a, the graphic elements 68a and/or the properties 74a, to the uniform processing parameters 30a, in particular to uniform text elements 66a', uniform graphic elements 68a' and/or uniform properties 74a'.
  • At least one abstraction rule maps multiple content objects 62a of a document to be processed to a single, uniform processing parameter 30a.
  • the data processing device 46a normalizes the documents to be processed, which are present in particular in different file formats, to a format which is defined by the uniform processing parameters 30a.
  • FIG. 4 shows a flow chart of the individual document step 32a in the execution phase.
  • the artificial neural network 40a processes the content objects 62a, in particular the uniform processing parameters 30a, of an individual document to be processed in order to assign at least one meaning element 64a to this document.
  • a representation of the document to be processed is created, which is composed of one or more meaning elements 64a.
  • Meaning elements 64a include, for example, a creation date of the document to be processed, a document type of the document to be processed, for example an invoice, a floor plan, an inventory list or the like, an author of the document to be processed, an invoice amount, a delivery quantity, an inventory quantity or the like.
  • a stateless artificial neural network is used to determine the meaning element 64a.
  • the artificial neural network 40a is designed as a stateless artificial neural network.
  • the artificial neural network 40a is particularly preferably designed as a deep artificial neural network.
  • the single document step 32a preferably includes encoding 76a.
  • the content objects 62a, in particular the uniform processing parameters 30a, of one, in particular individual, documents to be processed are converted to a form that is compatible with an input layer of the artificial neural network 40a.
  • the processor unit 48a creates a list of the, in particular all, recorded content objects 62a, in particular the uniform processing parameters 30a, of one of the documents to be processed.
  • the properties 74a are preferably encoded by a number vector, with each vector element of the number vector representing in particular one of the properties 74a, in particular the standardized properties 74a′.
  • Properties 74a, 74a' which represent a numerical value, are preferably normalized.
  • Properties 74a, 74a' of the enumeration type, such as for defining the type of graphic element 68a, 68a', are assigned, for example, a numerical value specified during the learning phase.
  • the text elements 66a, 66a' are preferably coded word for word into a vector by means of a dictionary.
  • each word within a document to be processed is listed as its own content object 62a, in particular as its own uniform processing parameter 30a, on the list of content objects 62a.
  • the graphic elements 68a, 68a' are preferably encoded as a vector.
  • the list of content objects 62a, in particular the uniform processing parameters 30a is encoded in the encoding 76a in particular in a matrix, which is transferred from the processor unit 48a to an input layer of the artificial neural network 40a.
  • the individual document step 32a includes in particular a meaning recognition 80a, in which the content objects 62a, in particular the uniform processing parameters 30a, are processed by the artificial neural network 40a.
  • the single document step 32a includes a decoding 78a, in which the processor unit 48a assigns at least one meaning element 64a to an output of the artificial neural network 40a.
  • FIG. 5 shows a flowchart for generating a learning data record 33a for machine learning 22a of the individual document step 32a.
  • the content objects 62a of the learning documents 18a, 20a are recorded by the pre-processing step 56a and are preferably mapped to the standardized processing parameters 30a.
  • the learning documents 18a, 20a are preferably edited by a user of the method 10a.
  • a preparation 82a of the learning documents 18a, 20a includes in particular adding or marking the meaning element 64a to be learned on the learning documents 18a, 20a in physical or digital form, in particular before, during or after the pre-processing step 56a.
  • the meaning element 64a to be learned is encoded by the processor unit 48a, in particular analogously to the content objects 62a, and is used during the machine learning 22a as a target value for the output of the artificial neural network 40a.
  • FIG. 6 shows a flowchart for creating the analysis 24a using the analysis step 58a.
  • a plurality of construction documents 12a, 14a are preferably provided and processed in particular in each case in the pre-processing step 56a and the individual document step 32a to form a representation of the corresponding construction document 12a, 14a by meaning elements 64a.
  • the processor unit 48a supplies the meaning elements 64a to an input layer of the further artificial neural network 42a.
  • the further artificial neural network 42a outputs in particular the target parameter of the analysis 24a.
  • the content of the construction documents 12a, 14a is assigned a time stamp 34a, which is evaluated to evaluate the construction project.
  • the timestamp 34a is preferably processed as one of the meaning elements 64a.
  • the analysis step 58a the contents of learning documents 18a, 20a for different construction projects can be evaluated in order to create the analysis 24a of the construction project.
  • FIG. 7 shows a flowchart for learning the target parameter of the analysis 24a.
  • a plurality of learning documents 18a, 20a are preferably provided and in particular processed in each case in the pre-processing step 56a and the individual document step 32a to form a representation of the corresponding learning document 18a, 20a by meaning elements 64a.
  • a time stamp 34a is assigned to the content of the learning documents 18a, 20a.
  • Learning documents 18a, 20a are preferably provided and processed by different old projects, with the documents being processed in particular grouped by old project.
  • the learning documents 18a, 20a are prepared in particular in a target parameter specification 84a by a user of the method 10a.
  • the target parameter specification 84a of the learning documents 18a, 20a includes in particular adding or marking the target parameter to be learned on the learning documents 18a, 20a in physical or digital form, in particular before, during or after the pre-processing step 56a and/or the individual document step 32a.
  • the target parameter of the analysis 24a to be learned is encoded by the processor unit 48a, in particular analogously to the content objects 62a, and used during the machine learning 22a as a target value for the output of the further artificial neural network 42a.
  • a chronological sequence of the target parameter, in particular for each old project is learned using the time stamp 34a of different learning documents 18a, 20a.
  • FIG. 8 shows a flow chart of the analysis step 58a.
  • the further artificial neural network 42a preferably evaluates the meaning elements 64a of the construction documents 12a, 14a as a sequence.
  • the further artificial neural network 42a optionally evaluates the semantic elements 64a′ of the construction documents 12a, 14a as a further sequence, which in particular has an inverse order of the semantic elements 64a and/or the construction documents 12a, 14a relative to the sequence.
  • the further artificial neural network 42a is in the form of a state-based artificial neural network.
  • the analysis step 58a includes, in particular, a meaning coding 86a, in which the meaning elements 64a of the construction documents 12a, 14a are coded by the processor unit 48a in a manner analogous to the content objects 62a during the coding 76a and are transferred to an input layer of the further artificial neural network 42a.
  • the analysis step 58a includes a project meaning recognition 88a, in which the further artificial neural network 42a maps the meaning elements 64a to the target parameter of the analysis 24a.
  • FIG. 9 shows a flow chart for creating the further analysis 26a by means of the prognosis step 60a.
  • a plurality of construction documents 12a, 14a are preferably provided and processed in particular in each case in the pre-processing step 56a and the individual document step 32a to form a representation of the corresponding construction document 12a, 14a by meaning elements 64a.
  • the point in time 36a is queried from an external source, for example a user.
  • the processor unit 48a supplies the meaning elements 64a plus the point in time 36a to an input layer of the additional artificial neural network 44a.
  • the additional artificial neural network 44a outputs, in particular, a value of the target parameter of the analysis 24a, as it is expected to result at the queried point in time 36a.
  • the additional artificial neural network 44a is preferably designed as a stateful artificial neural network.
  • the additional artificial neural network 44a is formed at least partially, in particular completely, independently of the further artificial neural network 42a.
  • FIGS. 10 to 11 Two further exemplary embodiments of the invention are shown in FIGS.
  • the following descriptions and the drawings are essentially limited to the differences between the exemplary embodiments, whereby with regard to components with the same designation, in particular with regard to components with the same reference numbers, the drawings and/or the description of the other exemplary embodiments, in particular Figures 1 to 9, can be referred.
  • the letter a follows the reference number of the exemplary embodiment in FIGS.
  • the letter a has been replaced by the letters b to c.
  • FIG. 10 shows a computer-implemented method 10b for supporting planning and organization of a construction project by extracting information from at least one construction document relating to the construction project.
  • the method 10b comprises the method steps: providing, in particular detecting, the content of at least one learning document which documents at least one completed old project; learning a meaning of the content of the learning document using machine learning; Providing, in particular recording, content of the construction document; Evaluate the construction project by applying the learned meaning to the content of the construction document and outputting an analysis 24b of the construction project generated during the evaluation.
  • the method 10b includes, in particular, a meaning recognition 80b and a project meaning recognition 88b, which are generated by a single artificial new ronal network.
  • the artificial neural network is designed in particular as a recurrent neural network.
  • a direct connection between content objects 62b of the learning documents and a target parameter of the analysis 24b is learned, in particular without explicit learning of meaning elements of the individual learning documents.
  • the artificial neural network preferably evaluates the content objects 62b of the construction documents as a sequence.
  • the artificial neural network optionally evaluates the content objects 62b′ of the construction documents as a further sequence, which in particular has an inverse order of the content objects 62b and/or the construction documents relative to the sequence.
  • the method 10b with the artificial neural network combines a single document step and an analysis step of the method 10b.
  • FIGS. 1 to 9 With regard to further features of the method 10b, reference is made to FIGS. 1 to 9 and their description.
  • FIG. 11 shows a computer-implemented method 10c to support planning and organization of a construction project by extracting information from at least one construction document relating to the construction project.
  • the method 10c comprises the method steps: providing, in particular detecting, the content of at least one learning document which documents at least one completed old project; learning a meaning of the content of the learning document using machine learning; Providing, in particular recording, content of the construction document; Assess the construction project by applying the learned meaning to the content of the construction document and outputting an analysis of the construction project generated during the assessment.
  • the method 10c includes, in particular, at least two method steps, which are carried out by a multi-stage artificial neural network.
  • the artificial neural network comprises a first stage and a second stage, with an input layer of the second stage being identical to an output layer of the first stage.
  • the first stage is designed, for example, as a convolutional neural network.
  • the second stage is designed as a recurrent neural network, for example.
  • the first stage is provided in particular for carrying out a meaning recognition 80c of the method 10c.
  • the second stage is provided in particular for carrying out a project significance recognition 88c of the method 10c, in particular for creating an analysis or a prognosis.
  • the second stage includes a fully meshed output layer 90c.
  • the method 10c with the multi-stage artificial neural network combines a single document step and an analysis step or the single document step with a prognosis step of the method 10c.
  • FIGS. 1 to 10 With regard to further features of the method 10c, reference is made to FIGS. 1 to 10 and their description.

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Es wird ein computerimplementiertes Verfahren zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts durch Informationsextraktion aus zumindest einem das Bauprojekt betreffenden Baudokument (12a, 14a) vor¬ geschlagen, umfassend die Verfahrensschritte: • Bereitstellen, insbesondere Erfassen, eines Inhalts zumindest eines Lerndokuments (18a, 20a), welches zumindest ein abgeschlossenes Altprojekt dokumentiert, • Erlernen einer Bedeutung des Inhalts des Lerndokuments (18a, 20a) mittels maschinellen Lernens (22a), • Bereitstellen, insbesondere Erfassen, eines Inhalts des Baudokuments (12a, 14a), • Bewerten des Bauprojekts durch Anwendung der erlernten Bedeutung auf den Inhalt des Baudokuments (12a, 14a) und • Ausgabe einer im Zuge des Bewertens erstellten Analyse (24a, 26a) des Bauprojekts.

Description

Beschreibung
Computerimplementiertes Verfahren zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts, Vorrichtung zur Datenverarbeitung im Rahmen eines solchen Verfahrens und Computerprogramm zur Implementierung eines solchen Verfahrens
Stand der Technik
Zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts werden im Baugewerbe meist von einem Generalunternehmer (GU) und dessen Subunternehmern (SU) unternehmenseigene digitale Verwaltungsverfahren genutzt. Ein Austausch von Daten erfolgt meist über Papierdaten oder über einzelne Dateiformate, die jeweils beim anderen Unternehmen wieder separat eingelesen werden, so dass ein Austausch von Daten aus verschiedenen Systemen erfolgt. Dies hat insbesondere zur Folge, dass ein hoher Aufwand notwendig werden kann, um gewünschte Informationen aus all diesen Daten zu extrahieren und in einer strukturierten Form vorliegen zu haben.
Offenbarung der Erfindung
Es wird ein computerimplementiertes Verfahren zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts durch Informationsextraktion aus zumindest einem das Bauprojekt betreffenden Baudokument vorgeschlagen, welches die folgenden Verfahrensschritte umfasst:
• Bereitstellen, insbesondere Erfassen, eines Inhalts zumindest eines Lerndokuments, welches zumindest ein abgeschlossenes Altprojekt dokumentiert; • Erlernen einer Bedeutung des Inhalts des Lerndokuments mittels maschinellen Lernens;
• Bereitstellen, insbesondere Erfassen, eines Inhalts des Baudokuments;
• Bewerten des Bauprojekts durch Anwendung der erlernten Bedeutung auf den Inhalt des Baudokuments und Ausgabe einer im Zuge des Bewertens erstellten Analyse des Bauprojekts.
Das Verfahren ist insbesondere dazu vorgesehen, eine Vielzahl an Baudokumenten aus insbesondere verschiedenen Quellen auszuwerten, um die Analyse des Bauprojekts zu erstellen. Beispiele für das zumindest eine Baudokument umfassen insbesondere eine Rechnung, einen Lieferschein, ein amtliches Schreiben, ein Gutachten, einen Bauplan, eine Dokumentation eines Baufortschritts, eine Präsentation, eine Zertifizierungsbescheinigung, einen Urlaubs- und/oder Schichtplan, ein technisches Datenblatt, einen Grundriss, einen Zeitplan, eine Ressourcenliste oder andere Dokumente, welche im Zusammenhang mit der Planung und/oder Ausführung des Bauprojekts anfallen. Das zumindest eine Baudokument ist insbesondere ein digitales oder physisches Schriftstück und/oder eine digitale oder physische Zeichnung. Das zumindest eine Baudokument kann auch als Foto, Videoaufnahme, Sprachaufnahme oder dergleichen ausgebildet sein. Quellen für das zumindest eine Baudokument umfassen beispielsweise einen Generalunternehmer des Bauprojekts, einen Subunternehmer, der an dem Bauprojekt beteiligt ist, einen Zulieferer für das Bauprojekt, eine Behörde, einen externen Gutachter, eine Bank, einen Anwalt, einen Auftraggeber des Bauprojekts, einen Anlieger, einen Käufer oder dergleichen.
Das Altprojekt ist insbesondere ein von dem Bauprojekt verschiedenes Bauprojekt. Vorzugsweise ist das Altprojekt ein zeitlich zum Bauprojekt in der Vergangenheit liegendes Projekt. Das Altprojekt kann erfolgreich, insbesondere innerhalb eines Zeitrahmens und/oder eines Kostenrahmens des Altprojekts, abgeschlossen worden sein, unter erhöhten Kosten und/oder Zeit fertiggestellt worden sein oder, insbesondere in einer beliebigen Bauphase, aufgegeben worden sein. Insbesondere ist das zumindest eine Lerndokument des Altprojekts ein zu dem zumindest einen Baudokument des zu analysierenden Bauprojekts analoges Dokument, welches im Rahmen des Altprojekts angefallen ist. Insbesondere sind die oben genannten Beispiele für das zumindest eine Baudokument auch Bei- spiele für das zumindest eine Lerndokument. Vorzugsweise wird zu dem Erlernen der Bedeutung des Inhalts des zumindest einen Lerndokuments, insbesondere zusätzlich, ein Abschlussbericht des Altprojekts als Lerndokument bereitgestellt, insbesondere erfasst. Besonders bevorzugt werden zum Erlernen der Bedeutung des Inhalts des zumindest einen Lerndokuments, Lerndokumente von mehreren Altprojekten bereitgestellt, insbesondere erfasst.
Das Verfahren wird vorzugsweise von einer Datenverarbeitungsvorrichtung ausgeführt, welche insbesondere zumindest eine Prozessoreinheit, zumindest eine Speichereinheit, zumindest eine Eingabeeinheit und zumindest eine Ausgabeeinheit umfasst. Bei dem Bereitstellen des zumindest einen Baudokuments und/oder des zumindest einen Lerndokuments, wird das zumindest eine Baudokument und/oder das zumindest eine Lerndokument insbesondere in der Speichereinheit abgelegt. Das zumindest eine Baudokument und/oder das zumindest eine Lerndokument können mittels der Eingabeeinheit ausgelöst von einem Bediener der Datenverarbeitungsvorrichtung bereitgestellt werden, insbesondere durch Übertragung des zumindest einen Baudokuments und/oder des zumindest einen Lerndokuments von einem externen Speichermedium und/oder einem externen Datennetzwerk. Zusätzlich oder alternativ ruft die Prozessoreinheit das zumindest eine Baudokument und/oder das zumindest eine Lerndokument automatisch ab, beispielsweise aus einem E-Mail-Programm der Datenverarbeitungsvorrichtung, von einem externen Datennetzwerk, aus einem Cloud-Dienst oder dergleichen. Optional kann ein Bediener das zumindest eine Lerndokument und/oder das zumindest eine Baudokument mittels der Datenverarbeitungsvorrichtung erstellen. Liegt das zumindest eine Baudokument und/oder das zumindest eine Lerndokument auf einem nicht-elektronischen Speichermedium vor, insbesondere auf Papier, auf Fotopapier, auf Schreibfolie oder dergleichen, wird das zumindest eine Lerndokument und/oder das zumindest eine Baudokument vorzugsweise digitalisiert, beispielsweise mittels eines Scanners, einer Digitalkamera, einem Faxgerät oder dergleichen und an die Datenverarbeitungsvorrichtung manuell oder automatisch übermittelt. Werden mehrere Lerndokumente und/oder mehrere Baudokumente in der Speichereinheit hinterlegt, können die Lerndokumente und/oder die Baudokumente jeweils als eigenständige Datei abgespeichert werden oder in einer Datei zusammengefasst abgespeichert werden. Insbesondere bezieht sich der Begriff „Dokument“ auf eine inhaltliche Sinneinheit, insbesondere im Gegensatz zu einer „Datei“, welche eine von der Datenverarbeitungsvorrichtung verwendete Einheit zum Speichern von einem Abschnitt eines Dokuments, des gesamten Dokuments oder mehrerer Dokumente verwendet werden kann.
Die Prozessoreinheit verwendet vorzugsweise Mustererkennungsroutinen, um den Inhalt des, insbesondere in der Speichereinheit hinterlegten, zumindest einen Lerndokuments und/oder des zumindest einen Baudokuments zu erfassen. Die Mustererkennungsroutinen umfassen insbesondere Texterkennung, Bilderkennung und/oder Spracherkennung, welche insbesondere mittels aus dem Stand der Technik bekannten Methoden realisiert sind. Texterkennung kann insbesondere eine Erkennung von maschinell hergestelltem Text und/oder von handschriftlichem Text umfassen. Eine Bilderkennung kann insbesondere einfache geometrische Figuren, wie beispielsweise Linien, Kreise, Rechtecke, Pfeile oder dergleichen, zusammengesetzte Figuren, wie beispielsweise Firmenlogos und/oder Unterschriften, und/oder komplexe Figuren, insbesondere Gegenstände innerhalb eines Fotos oder dergleichen, umfassen. Die Prozessoreinheit erfasst insbesondere Inhaltsobjekte, aus denen sich der Inhalt des zumindest einen Baudokuments und/oder des zumindest einen Lerndokuments zusammensetzt, wie beispielsweise ein Textblock, ein Datum, ein Diagramm, eine Tabelle, ein Bild, eine Skizze, eine handschriftliche Notiz oder dergleichen. Vorzugsweise erfasst die Prozessoreinheit zusätzlich zumindest eine Eigenschaft des erfassten Inhaltsobjekts, beispielsweise eine Größe, eine Schriftart, eine Hervorhebung, eine Farbe, eine Ausrichtung und/oder Position innerhalb des zumindest einen Baudokuments und/oder des zumindest einen Lerndokuments, eine relative Lage zu einem weiteren Inhaltsobjekt oder dergleichen. Vorzugsweise überprüft die Prozessoreinheit vor einer Anwendung der Mustererkennung, ob der Inhalt des in der Speichereinheit abgelegten zumindest einen Baudokuments und/oder des zumindest einen Lerndokuments direkt auslesbar ist. Der Inhalt des zumindest einen Baudokuments und/oder des zumindest einen Lerndokuments ist beispielweise direkt auslesbar, wenn das zumindest eine Baudokument und/oder das zumindest eine Lerndokument in einem der Prozessoreinheit bekannten Datenformat eines Textverarbeitungsprogramms, eines Graphikprogramms, eines Tabellenkalkulationsprogramms oder eines spezifischen Programms zur Planung und Erstellung von Grundrissen, Gebäudeinstallationen, Schaltplänen oder der- gleichen vorliegt. Vorzugsweise überspringt die Prozessoreinheit ein Anwenden der Mustererkennungsroutinen, wenn der Inhalt des Baudokuments und/oder des zumindest einen Lerndokuments direkt auslesbar ist. Die Prozessoreinheit verwendet den ausgelesenen und/oder erkannten Inhalt, insbesondere die Inhaltsobjekte und optional deren Eigenschaften, des zumindest einen Lerndokuments als Eingangsdaten für das maschinelle Lernen. Die Prozessoreinheit verwendet den ausgelesenen und/oder erkannten Inhalt, insbesondere die Inhaltsobjekte und optional deren Eigenschaften, des zumindest einen Baudokuments als Eingangsdaten für das Bewerten des Bauprojekts.
Das maschinelle Lernen und das Bewerten des Bauprojekts erfolgt vorzugsweise mittels zumindest eines, insbesondere mehrschichtigen, künstlichen neuronalen Netzwerks, welches auf der Datenverarbeitungsvorrichtung implementiert ist. Das künstliche neuronale Netzwerk kann beispielsweise als Convolutional Neural Network (CNN), als Rekurrentes neuronales Netz (RNN) oder als neuronales Netz mit Transformer-Architektur ausgebildet sein. Insbesondere führt die Prozessoreinheit den Inhalt, insbesondere die Inhaltsobjekte und optional deren Eigenschaften, des zumindest einen Lerndokuments und/oder des zumindest einen Baudokuments einer Eingabeschicht des künstlichen neuronalen Netzwerks zu. Vorzugsweise erlernt das künstliche neuronale Netzwerk durch das maschinelle Lernen zumindest ein Bedeutungselement des zumindest einen Lerndokuments. Insbesondere versucht das künstliche neuronale Netzwerk bei dem Bewerten des Bauprojekts das zumindest eine erlernte Bedeutungselement in dem zumindest einen Baudokument zu erkennen. Das Bedeutungselement kann insbesondere ein Kopfelement sein, welches das künstliche neuronale Netzwerk versucht in jedem zur Verfügung stehenden Baudokument zu erkennen, oder ein spezifisches Bedeutungselement, welches insbesondere von einem Dokumenttyp des Baudokuments abhängt. Die oben genannten Beispiele für das zumindest eine Baudokument sind insbesondere Beispiele für unterschiedliche Dokumenttypen. Kopfelemente umfassen beispielsweise den Dokumenttyp des Baudokuments, die Quelle des Baudokuments, einen Empfänger des Baudokuments, eine Datierung, insbesondere ein Erstellungsdatum und/oder ein Empfangsdatum, des Baudokuments oder andere Bedeutungselemente. Spezifische Bedeutungselemente umfassen beispielsweise für eine Rechnung als Baudokument ein Leistungsdatum, einen Rechnungsposten mit Betrag, einen Gesamtbetrag oder der- gleichen. Das künstliche neuronale Netzwerk gibt insbesondere an einer Ausgabeschicht oder einer Zwischenschicht des künstlichen neuronalen Netzwerks das zumindest eine erkannte Bedeutungselement aus.
Vorzugsweise führt die Prozessoreinheit das zumindest eine erkannte Bedeutungselement, insbesondere eine Vielzahl erkannter Bedeutungselemente, des Baudokuments, insbesondere von einer Vielzahl an Baudokumenten, einer Eingabeschicht eines weiteren künstlichen neuronalen Netzwerks der Datenverarbeitungsvorrichtung oder einer weiteren Eingabeschicht des künstlichen neuronalen Netzwerks zu, um die Analyse des Bauprojekts zu erstellen. Insbesondere ist das künstliche neuronale Netzwerk oder das weitere künstliche neuronale Netzwerk dazu vorgesehen, zumindest einen Zusammenhang zwischen zwei verschiedenen Baudokumenten zu erkennen, um die Analyse zu erstellen. Die Analyse des Bauprojekts kann insbesondere eine Zustandsbewertung des Bauprojekts zum Zeitpunkt der Durchführung des Verfahrens umfassen, insbesondere zu einem Zeitpunkt desjenigen Baudokuments, welches das jüngste Datum aufweist, und/oder eine Prognose über einen Zustand des Bauprojekts umfassen. Die Analyse umfasst insbesondere einen Zielparameter, welcher das Bauprojekt bewertet. Der Zielparameter ist beispielsweise eine benötigte Materialmenge, eine benötigte Geldmenge, Mehrkosten gegenüber ursprünglich veranschlagten Kosten, ein Baufortschritt, eine Abweichung von einem ursprünglich veranschlagten Zeitplan oder dergleichen. Der Zielparameter wird vorzugsweise beim Bewerten des Bauprojekts von dem künstlichen neuronalen Netzwerk an einer weiteren Ausgabeschicht des künstlichen neuronalen Netzwerks oder von dem weiteren künstlichen neuronalen Netzwerk an einer Ausgabeschicht des weiteren künstlichen neuronalen Netzwerks ausgegeben. Insbesondere wird das künstliche neuronale Netzwerk und/oder das weitere künstliche neuronale Netzwerk beim maschinellen Lernen dazu angelernt, den Zielparameter aus dem zumindest einen Bedeutungselement zu ermitteln. Während des maschinellen Lernens wird der Zielparameter vorzugsweise von einem Anwender des Verfahrens, welcher das maschinelle Lernen überwacht, vorgegeben. Insbesondere ordnet der Anwender dem zumindest einen Lerndokument den zumindest einen Zielparameter zu, beispielsweise durch Aufbereitung des zumindest einen Lerndokuments, insbesondere durch Anbringen einer Notiz an das zumindest eine Lerndokument in physischer und/oder digitaler Form und/oder durch Erstellen einer in der Speicherein- heit hinterlegten Liste, in welche jedem Lerndokument ein Wert des Zielparameters zugeordnet ist. Die Analyse, insbesondere der zumindest eine Zielparameter, wird vorzugsweise mittels der Ausgabeeinheit ausgegeben und/oder in der Speichereinheit hinterlegt.
Durch die erfindungsgemäße Ausgestaltung kann ein Aufwand zu einer Organisation einer Vielzahl von Baudokumenten vorteilhaft gering gehalten werden, insbesondere können vorteilhaft Kosten gespart werden. Insbesondere können durch ein vorteilhaft standardisiertes und digitales Verfahren Informationen aus unterschiedlichen Quellen vorteilhaft einfach ausgetauscht werden. Insbesondere können aus den Baudokumenten gewonnene Informationen vorteilhaft strukturiert und vernetzt bearbeitet und abgespeichert werden. Insbesondere kann eine Koordinierung von an dem Bauprojekt beteiligten Stakeholdern, insbesondere eine Koordinierung von Subunternehmen, vor und während des Bauprojekts vorteilhaft einfach organisiert werden. Darüber hinaus können Baudokumente in eine maschinell verstehbare und vorteilhaft standardisierte Form digitalisiert werden. Ferner kann ein weitestgehend lückenloses Management des Bauprojekts vorteilhaft einfach erreicht werden. Insbesondere können mögliche Fehler in der Planung und/oder Ausführung des Bauprojekts vorteilhaft früh erkannt werden.
Ferner wird vorgeschlagen, dass das Verfahren zumindest einen Vereinheitlichungsschritt umfasst, in welchem Inhalte unterschiedlicher Lerndokumente oder unterschiedlicher Baudokumente jeweils durch Anwendung von Abstraktionsregeln auf einheitliche Verarbeitungsparameter abgebildet werden, welche für das Erlernen der Bedeutung oder das Bewerten des Bauprojekts weiterverarbeitet werden. Eine der Abstraktionsregeln bildet beispielsweise zumindest eines der Inhaltsobjekte des Inhalts des Baudokuments oder des Lerndokuments und optional die erfassten Eigenschaften des Inhaltsobjekts auf einen der Verarbeitungsparameter ab. Insbesondere fasst zumindest eine der Abstraktionsregeln mehrere Inhaltsobjekte und optional die Eigenschaften dieser Inhaltsobjekte auf einen weiteren der Verarbeitungsparameter ab. Besonders bevorzugt bilden die Abstraktionsregeln alle Inhaltsobjekte des Inhalts des Lerndokuments oder des Baudokuments auf die Verarbeitungsparameter ab. Insbesondere verwendet die Prozessoreinheit die Verarbeitungsparameter, insbesondere anstelle der ursprünglichen Inhaltsobjekte, als Eingangsdaten für das maschinelle Lernen und/oder Bewerten. Beispielsweise fassen die Abstraktionsregeln die Inhaltsobjekte „Textbox 1“, „Pfeil“ und „Textbox 2“ sowie deren Eigenschaften „relative Lage“ und „Ausrichtung“ zu dem Verarbeitungsparameter „Textbox 1 zeigt auf Textbox 2“ zusammen. Die Abstraktionsregeln werden insbesondere im Vorfeld des Verfahrens in der Speichereinheit hinterlegt. Insbesondere ordnen zumindest zwei Abstraktionsregeln dieselbe Art von Verarbeitungsparameter zwei unterschiedlichen Inhaltsobjekten zu. Vorzugsweise standardisieren die Abstraktionsregeln die Inhaltsobjekte. Insbesondere reduzieren die Abstraktionsregeln eine Anzahl an unterschiedlichen Arten von Inhaltsobjekten über alle Dokumenttypen hinweg auf eine im Voraus festgelegte Anzahl an unterschiedlichen Arten von Verarbeitungsparametern. Insbesondere ordnet die Prozessoreinheit unterschiedlichen Dokumenttypen mittels der Abstraktionsregeln dieselbe Art von Verarbeitungsparametern zu. Insbesondere codieren die Abstraktionsregeln den Inhalt des Baudokuments und/oder des Lerndokuments, insbesondere durch Überführen der von der Quelle des Baudokuments und/oder des Lerndokuments formatierten Inhaltsobjekte in die einheitlichen Auswerteparameter. Durch die erfindungsgemäße Ausgestaltung kann das künstliche neuronale Netzwerk, welches die Auswerteparameter als Eingangsdaten verwendet, mit vorteilhaft wenig Lerndokumenten vorteilhaft schnell antrainiert werden. Insbesondere können durch ein Aktualisieren der Abstraktionsregeln vorteilhaft einfach und schnell neuartige Dateiformate für Baudokumente in das Verfahren integriert werden, insbesondere ohne das künstliche neuronale Netzwerk erneut anlernen zu müssen.
Weiter wird vorgeschlagen, dass das Verfahren einen Einzeldokumentschritt umfasst, in welchem die Bedeutung des Inhalts des Lerndokuments oder des Baudokuments unabhängig von einer Bedeutung des Inhalts eines weiteren Lerndokuments erlernt oder unabhängig von einer Bedeutung des Inhalts eines weiteren Baudokuments bewertet wird. Insbesondere verarbeitet die Prozessoreinheit in dem Einzeldokumentschritt jedes Lerndokument und/oder jedes Baudokument für sich. Insbesondere umfasst das Verfahren einen dem Einzeldokumentschritt nachgelagerten Bauprojektschritt, in welchem die Bedeutung mehrerer Lerndokumente und/oder Baudokumente miteinander verknüpft werden, um den Zielparameter zu ermitteln. Der Einzeldokumentschritt wird insbesondere mittels des künstlichen neuronalen Netzwerks ausgeführt. Der Bauprojektschritt wird insbesondere mittels des künstlichen neuronalen Netzwerks und/oder mittels des wei- teren künstlichen neuronalen Netzwerks ausgeführt. Insbesondere führt das künstliche neuronale Netzwerk in dem Einzeldokument die Inhaltsobjekte eines einzelnen Lerndokuments und/oder eines einzelnen Baudokuments in entsprechende Bedeutungselemente über. Vorzugsweise werden die Bedeutungselemente, welche einem einzelnen Baudokument und/oder Lerndokument von dem künstlichen neuronalen Netzwerk zugeordnet werden, in der Speichereinheit hinterlegt. Durch die erfindungsgemäße Ausgestaltung kann die Bedeutung, die Bedeutungselemente, eines Baudokuments und/oder Lerndokuments für eine vorteilhaft große Anzahl an unterschiedlichen Analysen wiederverwendet werden. Insbesondere kann bei einer Fehlinterpretation des Baudokuments und/oder des Lerndokuments oder bei einer Eingabe eines nicht zu dem Bauprojekt gehörenden Baudokuments eine Fehlerkorrektur vorteilhaft einfach durchgeführt werden.
Weiterhin wird vorgeschlagen, dass in zumindest einem Verfahrensschritt des Verfahrens dem Inhalt des Lerndokuments und/oder des Baudokuments ein Zeitstempel zugeordnet wird, welcher zu dem Bewerten des Bauprojekts ausgewertet wird. Das zumindest eine Lerndokument und/oder das zumindest eine Baudokument können als Zeitangaben insbesondere ein Erstellungsdatum, einen Leistungszeitraum oder dergleichen als Teil eines ursprünglichen Inhalts aufweisen oder mit einem physischen oder digitalen Eingangsstempel nachträglich versehen sein. Insbesondere erfasst die Prozessoreinheit die Zeitangabe als Inhaltsobjekt und erkennt deren Bedeutung mittels des künstlichen neuronalen Netzes. Insbesondere weist die Prozessoreinheit dem zumindest einen Lerndokument und/oder dem zumindest einen Baudokument einen Zeitstempel zu, welcher der Zeitangabe innerhalb des Lerndokuments bzw. des Baudokuments entspricht. Weist das Baudokument bzw. das Lerndokument keine Zeitangabe auf oder wird eine Zeitangabe des Baudokuments bzw. des Lerndokuments von dem künstlichen neuronalen Netzwerk nicht erkannt, ordnet die Prozessoreinheit dem Baudokument bzw. dem Lerndokument als Zeitstempel vorzugsweise einen Standardzeitstempel zu. Der Standardzeitstempel ist beispielsweise eine Erstellungszeit einer Datei, in welcher das Baudokument bzw. das Lerndokument gespeichert ist. Vorzugsweise weist die Datenverarbeitungsvorrichtung einem Benutzer auf die Vergabe eines Standardzeitstempels hin und/oder fragt einen Benutzer nach einem spezifischen Zeitstempel, der dem Baudokument bzw. dem Lerndokument anstelle des Standardzeitstempels zugeordnet werden soll. Durch die erfindungsgemäße Ausgestaltung kann das Bauprojekt vorteilhaft zeitaufgelöst bewertet werden. Insbesondere kann der Zielparameter zu einem vorteilhaft beliebigen Zeitpunkt ausgewertet werden.
Des Weiteren wird vorgeschlagen, dass in zumindest einem Verfahrensschritt des Verfahrens von einer externen Quelle ein Zeitpunkt abgefragt wird, wobei bei dem Bewerten des Bauprojekts ein prognostizierter Zustand des Bauprojekts bewertet wird, in dem sich das Bauprojekt zu dem abgefragten Zeitpunkt befindet. Vorzugsweise wird der prognostizierte Zustand von einem zusätzlichen künstlichen neuronalen Netzwerk der Datenverarbeitungsvorrichtung erstellt. Insbesondere übergibt die Prozessoreinheit die Bedeutungselemente, welche das künstliche neuronale Netzwerk ermittelt hat, zusammen mit dem abgefragten Zeitpunkt an eine Eingangsschicht des zusätzlichen neuronalen Netzwerks. Insbesondere gibt das zusätzliche neuronale Netzwerk an einer Ausgabeschicht des zusätzlichen neuronalen Netzwerks einen prognostizierten Wert des Zielparameters aus, den der Zielparameter zu dem abgefragten Zeitpunkt annimmt. Die externe Quelle kann insbesondere ein Anwender des Verfahrens und/oder ein externes Programm sein, beispielsweise zu einer automatisierten graphischen Aufbereitung der Analyse oder dergleichen. Durch die erfindungsgemäße Ausgestaltung kann eine vorteilhaft frühzeitige Erkennung von Problemen ermöglicht werden. Insbesondere kann vorteilhaft frühzeitig eine Warnung ausgegeben werden. Insbesondere kann vorteilhaft frühzeitig auf einen Handlungsbedarf hingewiesen werden.
Darüber hinaus wird vorgeschlagen, dass in zumindest einem Verfahrensschritt des Verfahrens Inhalte von Lerndokumenten für unterschiedliche Bauprojekte bewertet werden, um die Analyse des Bauprojekts zu erstellen. Insbesondere wird in zumindest einem Verfahrensschritt ein weiteres Bauprojekt bewertet, um die Analyse des Bauprojekts zu erstellen. Insbesondere abhängig von dem auszugebenden Zielparameter der Analyse kann das weitere Bauprojekt abgeschlossen sein, sich im Bau befinden oder in einer Planungsphase befinden. Beispiele für Zielparameter, welche insbesondere aus einer Bewertung mehrerer Bauprojekte gewonnen werden können, umfassen eine finanzielle Gesamtsituation, insbesondere Liquidität, eines Generalunternehmers, eine Zuverlässigkeit eines Subunternehmers, Verfügbarkeit bzw. Lieferengpässe von Rohstoffen und/oder vorgefertigten Teilen oder dergleichen. Durch die erfindungsgemäße Ausgestaltung können vorteilhaft viele Informationen erlangt werden, die für das Bauprojekt relevant sind. Insbesondere können Informationen erlangt werden, welche den Baudokumenten zu dem Bauprojekt alleine betrachtet nicht unmittelbar entnehmbar sind.
Ferner wird vorgeschlagen, dass zumindest einer der Verfahrensschritte des Verfahrens von einem künstlichen neuronalen Netzwerk, insbesondere von zumindest einem der bereits genannten künstlichen neuronalen Netzwerke, ausgeführt wird und zumindest ein weiterer der Verfahrensschritte des Verfahrens von einem weiteren künstlichen neuronalen Netzwerk, insbesondere von zumindest einem der bereits genannten künstlichen neuronalen Netzwerke, ausgeführt wird, das zumindest teilweise, insbesondere vollständig, unabhängig von dem künstlichen neuronalen Netzwerk ausgebildet ist. Insbesondere wird der Einzeldokumentschritt von dem künstlichen neuronalen Netzwerk ausgeführt. Vorzugsweise wird das Bewerten eines Zustands des Bauprojekts zu einem Zeitpunkt der Ausführung des Verfahrens von dem weiteren künstlichen neuronalen Netzwerk ausgeführt. Bevorzugt wird das Erstellen einer Prognose über einen Zustand des Bauprojekts nach einem Zeitpunkt des Verfahrens von dem zusätzlichen künstlichen neuronalen Netzwerk ausgeführt. Optional wird das Erfassen der Inhaltsobjekte von einem künstlichen neuronalen Inhaltserfassungsnetzwerk ausgeführt. Vorzugsweise sind zumindest das weitere künstliche neuronale Netzwerk und das zusätzliche künstliche neuronale Netzwerk getrennt voneinander ausgebildet. Das künstliche neuronale Netzwerk und das künstliche neuronale Inhaltserfassungsnetzwerk können getrennt voneinander oder ineinander integriert ausgebildet sein. Das künstliche neuronale Netzwerk und das weitere künstliche neuronale Netzwerk können getrennt voneinander oder ineinander integriert ausgebildet sein. Das künstliche neuronale Netzwerk und das zusätzliche künstliche neuronale Netzwerk können getrennt voneinander oder ineinander integriert ausgebildet sein. Zwei künstliche neuronale Netzwerke sind insbesondere ineinander integriert ausgebildet, wenn die Ausgabeschicht des einen künstlichen neuronalen Netzwerks gleich der Eingabeschicht des anderen künstlichen neuronalen Netzwerks ist und diese Eingabeschicht und diese Ausgabeschicht eine Zwischenschicht der ineinander integrierten künstlichen neuronalen Netzwerke bilden. Insbesondere werden die ineinander integrierten künstlichen neuronalen Netzwerke durch ein gemeinsames maschinelles Lernen angelernt, bei welchem insbesondere Datenströme an der durch die Eingabeschicht des einen künstlichen neuronalen Netzwerks und der Ausgabeschicht des anderen neuronalen Netzwerks gebildeten Zwischenschicht nicht explizit überwacht werden. Die künstlichen neuronalen Netzwerke zweier ineinander integrierten künstlichen neuronalen Netzwerke können jeweils eine unterschiedliche Architektur aufweisen oder die gleiche Architektur aufweisen. Optional weisen das weitere künstliche neuronale Netzwerk und das zusätzliche künstliche neuronale Netzwerk eine gemeinsame Eingangsschicht und getrennte Ausgabeschichten auf.
Zwei getrennt ausgebildete künstliche neuronale Netzwerke weisen insbesondere jeweils eine Ausgabeschicht und eine Eingabeschicht auf, die unabhängig von der Ausgabeschicht und der Eingabeschicht des jeweils anderen künstlichen neuronalen Netzwerks ist. Insbesondere liegen Daten an den Ausgabeschichten getrennt ausgebildeter künstlicher neuronaler Netzwerke in expliziter Form vor und können in der Speichereinheit hinterlegt werden. Insbesondere werden getrennt ausgebildete künstliche neuronale Netzwerke unabhängig voneinander angelernt, wobei vorzugsweise Datenströme an jeder der Ausgabeschichten der getrennt ausgebildeten künstlichen neuronalen Netzwerke überwacht werden. Durch die erfindungsgemäße Ausgestaltung kann ein modularer Ablauf des Verfahrens erreicht werden. Insbesondere kann das Verfahren vorteilhaft einfach durch Austausch nur eines der künstlichen neuronalen Netzwerke modifiziert werden. Insbesondere sind Zwischenergebnisse, beispielsweise die erfassten Inhaltsobjekte und/oder die ermittelten Bedeutungselemente, des Verfahrens vorteilhaft dokumentierbar. Insbesondere können künstliche neuronale Netzwerke mit einer spezifischeren Aufgabe mit vorteilhaft wenigen Lerndokumenten angelernt werden. Insbesondere kann jedes einzelne der künstlichen neuronalen Netzwerke vorteilhaft klein gehalten werden.
Darüber hinaus wird vorgeschlagen, dass zur Bewertung des Bauprojekts zumindest ein zustandsloses künstliches neuronales Netz verwendet wird. Insbesondere ist das künstliche neuronale Netzwerk zustandslos ausgebildet, beispielsweise als Convolutional Neural Network (CNN), insbesondere als eindimensionales CNN. Vorzugsweise verarbeitet das künstliche neuronale Netzwerk ein Lerndokument oder ein Baudokument als Ganzes. Insbesondere übergibt die Prozesso- reinheit eine Gesamteinheit der Inhaltsobjekte des zumindest einen Baudokuments oder des zumindest einen Lerndokuments an eine Eingabeschicht des künstlichen neuronalen Netzwerks. Insbesondere gibt das künstliche neuronale Netzwerk eine Repräsentation des Baudokuments oder des Lerndokuments aus, welche sich aus Bedeutungselementen zusammensetzt, welche das künstliche neuronale Netzwerk in den Inhaltsobjekten dieses Baudokuments oder dieses Lerndokuments erkannt hat. Insbesondere erstellt das künstliche neuronale Netzwerk die Repräsentation des Baudokuments mittels eines Feed-Forward Durchlaufs. Alternativ ist das künstliche neuronale Netzwerk zustandsbehaftet ausgebildet. Alternativ weist das künstliche neuronale Netzwerk eine Transformer-Architektur auf. Alternativ ist das künstliche neuronale Netzwerk als Kombination eines CNN mit einem rekurrenten neuronalen Netzwerk (RNN) ausgebildet.
Beispielsweise ist das künstliche neuronale Inhaltserfassungsnetzwerk als zustandsloses künstliches neuronales Netz ausgebildet, beispielsweise als CNN, insbesondere als zweidimensionale CNN. Vorzugsweise erfasst das künstliche neuronale Inhalterfassungsnetzwerk, insbesondere graphische und/oder textuel- le, Inhaltsobjekte des zumindest einen Lerndokuments oder des zumindest einen Baudokuments, welche in einem Bildformat vorliegen. Alternativ werden die Inhaltsobjekte des zumindest einen Lerndokuments oder des zumindest einen Baudokuments mittels optical character recognition (OCR) erfasst. Durch die erfindungsgemäße Ausgestaltung ist eine Ausgabe des künstlichen neuronalen Netzwerks ausschließlich von den aktuellen Eingabedaten abhängig und insbesondere nicht von einer vorausgehenden Erfassung oder Bewertung anderer Dokumente. Insbesondere kann eine Fortsetzung eines Fehlers bei der Erfassung oder Bewertung eines Dokuments auf ein anderes Dokument vorteilhaft vermieden werden.
Ferner wird vorgeschlagen, dass zur Bewertung des Bauprojekts zumindest ein zustandsbehaftetes künstliches neuronales Netzwerk verwendet wird. Beispielsweise ist das künstliche neuronale Netzwerk als zustandsbehaftetes künstliches neuronales Netzwerk ausgebildet, insbesondere als RNN. Ein RNN für das Verfahren, insbesondere das künstliche neuronale Netzwerk, kann beispielsweise als Long short-term memory (LSTM) oder als gated recurrent unit (GRU) reali- siert werden. Optional wird ein RNN für das Verfahren, insbesondere das künstliche neuronale Netzwerk, als bi-direktionales RNN implementiert. Insbesondere übergibt die Prozessoreinheit das zumindest eine Baudokument oder das zumindest eine Lerndokument als Sequenz von Inhaltsobjekten des Baudokuments oder des Lerndokuments an das künstliche neuronale Netzwerk. Vorzugsweise umfasst die Sequenz von Inhaltsobjekten zu jedem Zeitschrift eine variable Anzahl an Inhaltsobjekten, beispielsweise genau ein Inhaltsobjekt, insbesondere sodass das künstliche neuronale Netzwerk an der Ausgabeschicht des künstlichen neuronalen Netzwerks genau ein Bedeutungselement erzeugt.
Vorzugsweise ist das weitere künstliche neuronale Netzwerk und/oder das zusätzliche neuronale Netzwerk zustandsbehaftet, insbesondere als RNN, ausgebildet. Vorzugsweise ist ein Head, insbesondere die Ausgabeschicht und zumindest eine weitere Schicht, des weiteren künstlichen neuronalen Netzwerks und/oder ein Head, insbesondere die Ausgabeschicht und zumindest eine weitere Schicht, des zusätzlichen neuronalen Netzwerks vollvermascht ausgebildet. Insbesondere führt die Prozessoreinheit eine Gesamtheit von zur Verfügung stehenden Baudokumenten oder Lerndokumenten als Sequenz von Einzeldokumenten der Eingabeschicht des weiteren künstlichen neuronalen Netzwerks und/oder des zusätzlichen neuronalen Netzwerks zu. Alternativ ist das weitere künstliche neuronale Netzwerk und/oder das zusätzliche neuronale Netzwerk als zustandsloses künstliches neuronales Netzwerk, insbesondere als eindimensionales CNN ausgebildet, oder weist eine Transformator-Architektur auf. Durch die erfindungsgemäße Ausgestaltung kann eine Verarbeitung der Dokumente vorteilhaft zeitlich versetzt durchgeführt werden. Insbesondere kann auf eine quasi gleichzeitige Übergabe aller Dokumente an das weitere künstliche neuronale Netzwerk oder das zusätzliche künstliche neuronale Netzwerk verzichtet werden. Insbesondere kann das Verfahren mit einer Datenverarbeitungsvorrichtung mit einer vorteilhaft kleinen (Arbeits-)Speicherkapazität und/oder einer vorteilhaft geringen Prozessorleistung durchgeführt werden.
Des Weiteren wird eine Datenverarbeitungsvorrichtung vorgeschlagen, welche einen Prozessor umfasst, der so konfiguriert ist, dass er die Verfahrensschritte des erfindungsgemäßen Verfahrens ausführt. Der Prozessor ist insbesondere Teil der Prozessoreinheit. Die Prozessoreinheit weist insbesondere eine Von- Neumann-Architektur und/oder Harvard-Architektur, einen Vektorprozessor, mehrere parallele Prozessoren oder eine neuromorphe Elektronik auf, um die Verfahrensschritte des Verfahrens auszuführen. Die Datenverarbeitungseinheit umfasst insbesondere die Speichereinheit. Die Datenverarbeitungseinheit umfasst insbesondere die Eingabeeinheit. Die Eingabeeinheit umfasst beispielsweise eine Tastatur, eine Maus, einen Touchscreen, ein Karten lesegerät und/oder eine Datenschnittstelle für ein externes Digitalisierungsgerät, beispielsweise einen Scanner, ein Faxgerät, eine Digitalkamera oder dergleichen. Die Eingabeeinheit ist insbesondere zu einer Bereitstellung des zumindest einen Lerndokuments, des zumindest einen Baudokuments und/oder ergänzender Information vorgesehen. Vorzugsweise umfasst die Datenverarbeitungseinheit zumindest eine Ausgabeeinheit, zu einer Ausgabe der Analyse, insbesondere des zumindest einen Zielparameters, und/oder zu einer Ausgabe eines aus der Analyse abgeleiteten (Warn- ) Hinweises. Die Ausgabeeinheit umfasst beispielsweise ein Display, einen Lautsprecher und/oder eine Schnittstelle für ein externes Ausgabegerät, beispielsweise ein Handy, ein Tablet, einen Drucker oder dergleichen. Durch die erfindungsgemäße Ausgestaltung kann eine Datenverarbeitungsvorrichtung zur Verfügung gestellt werden, mit deren Hilfe Bauprojekte vorteilhaft effizient, kostengünstig und fehlerarm geplant und durchgeführt werden können.
Darüber hinaus wird ein Computerprogramm vorgeschlagen, welches Befehle umfasst, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, die Schritte des Verfahrens auszuführen. Insbesondere veranlasst das Computerprogramm den Computer, die Inhaltsobjekte des zumindest einen Baudokuments und/oder des zumindest einen Lerndokuments zu erfassen. Vorzugsweise veranlasst das Computerprogramm den Computer, die Inhaltsobjekte auf die Bedeutungselemente abzubilden. Insbesondere veranlasst das Computerprogramm den Computer in Abhängigkeit von den Bedeutungselementen, insbesondere mehrerer Baudokumente, den Zielparameter der Analyse zu ermitteln. Vorzugsweise veranlasst das Computerprogramm den Computer dazu den Zielparameter auszugeben, insbesondere in Abhängigkeit von einem von einem Bediener des Computers abgefragten Zeitpunkt. Durch die erfindungsgemäße Ausgestaltung kann ein Computerprogramm zur Verfügung gestellt werden, mit dessen Hilfe Bauprojekte vorteilhaft effizient, kostengünstig und fehlerarm geplant und durchgeführt werden können. Das erfindungsgemäße Verfahren, die erfindungsgemäße Vorrichtung zur Datenverarbeitung und/oder das erfindungsgemäße Computerprogramm sollen/soll hierbei nicht auf die oben beschriebene Anwendung und Ausführungsform beschränkt sein. Insbesondere kann das erfindungsgemäße Verfahren, die erfindungsgemäße Vorrichtung zur Datenverarbeitung und/oder das erfindungsgemäße Computerprogramm zu einer Erfüllung einer hierin beschriebenen Funktionsweise eine von einer hierin genannten Anzahl von einzelnen Elementen, Bauteilen und Einheiten sowie Verfahrensschritten abweichende Anzahl aufweisen. Zudem sollen bei den in dieser Offenbarung angegebenen Wertebereichen auch innerhalb der genannten Grenzen liegende Werte als offenbart und als beliebig einsetzbar gelten.
Zeichnungen
Weitere Vorteile ergeben sich aus der folgenden Zeichnungsbeschreibung. In den Zeichnungen sind drei Ausführungsbeispiele der Erfindung dargestellt. Die Zeichnungen, die Beschreibung und die Ansprüche enthalten zahlreiche Merkmale in Kombination. Der Fachmann wird die Merkmale zweckmäßigerweise auch einzeln betrachten und zu sinnvollen weiteren Kombinationen zusammenfassen.
Es zeigen:
Fig. 1 eine schematische Darstellung einer erfindungsgemäßen Datenverarbeitungsvorrichtung,
Fig. 2 ein schematisches Flussdiagramm eines erfindungsgemäßen Verfahrens,
Fig. 3 ein schematisches Flussdiagramm zur Bereitstellung eines Inhalts eines Baudokuments und/oder eines Lerndokuments im Zuge des erfindungsgemäßen Verfahrens,
Fig. 4 ein schematisches Flussdiagramm zur Erstellung von Bedeutungselementen aus dem Inhalt des Baudokuments und/oder des Lerndokuments im Zuge des erfindungsgemäßen Verfahrens,
Fig. 5 ein schematisches Flussdiagramm zum maschinellen Lernen einer Bedeutung des Inhalts des Baudokuments und/oder des Lerndokuments im Zuge des erfindungsgemäßen Verfahrens,
Fig. 6 ein schematisches Flussdiagramm zur Ermittlung eines Zielparameters in Abhängigkeit von den Bedeutungselementen im Zuge des erfindungsgemäßen Verfahrens,
Fig. 7 ein schematisches Flussdiagramm zum maschinellen Lernen einer Abhängigkeit des Zielparameters von den Bedeutungselementen im Zuge des erfindungsgemäßen Verfahrens,
Fig. 8 ein schematisches Flussdiagramm eines Analyseschritts des erfindungsgemäßen Verfahrens.
Fig. 9 ein schematisches Flussdiagramm eines Datenflusses zu einer Prognose des Zielparameters zu einem vorgegebenen Zeitpunkt,
Fig. 10 ein schematisches Flussdiagramm eines alternativen erfindungsgemäßen Verfahrens und
Fig. 11 ein schematisches Flussdiagramm eines weiteren alternativen Verfahrens.
Beschreibung der Ausführungsbeispiele
Figur 1 zeigt eine Datenverarbeitungsvorrichtung 46a, beispielsweise einen Computer. Die Datenverarbeitungsvorrichtung 46a umfasst eine Prozessoreinheit 48a mit zumindest einem Prozessor. Der Prozessor ist so konfiguriert, dass er Schritte eines Verfahrens 10a ausführt, dass in den Figuren 2 bis 11 näher beschrieben ist. Das Verfahren 10a ist zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts durch Informationsextraktion aus zumindest einem das Bauprojekt betreffenden Baudokument 12a, 14a (Vgl. Fig. 2) vorgesehen. Die Datenverarbeitungsvorrichtung 46a umfasst vorzugsweise eine Speichereinheit 50a. Insbesondere ist in der Speichereinheit 50a ein Computerprogramm hinterlegt. Das Computerprogramm umfasst Befehle, die bei der Ausführung des Computerprogramms durch die Datenverarbeitungsvorrichtung 46a, diese veranlassen, die Schritte des Verfahrens 10a auszuführen. Die Datenverarbeitungsvorrichtung 46a umfasst insbesondere eine Eingabeeinheit 54a zu einem Hinterlegen der Baudokumente 12a, 14a in der Speichereinheit 50a und/oder zu einer manuellen Eingabe von Daten im Zuge des Verfahrens 10a. Die Datenverarbeitungsvorrichtung 46a umfasst insbesondere eine Ausgabeeinheit 52a zu einer Ausgabe einer Analyse 24a, 26a des Bauprojekts (vgl. Fig. 2). Die Datenverarbeitungsvorrichtung 46a umfasst vorzugsweise zumindest ein künstliches neuronales Netzwerk 40a. Die Datenverarbeitungsvorrichtung 46a umfasst vorzugsweise zumindest ein weiteres künstliches neuronales Netzwerk 42a. Die Datenverarbeitungsvorrichtung 46a umfasst vorzugsweise zumindest ein zusätzliches künstliches neuronales Netzwerk 44a. Die Datenverarbeitungsvorrichtung 46a umfasst optional ein künstliches neuronales Inhaltserfassungsnetzwerk 38a. Die künstlichen neuronalen Netzwerke 38a, 40a, 42a, 44a sind im Zuge des Verfahrens 10a insbesondere zu einer Erstellung der Analyse 24a, 26a des Bauprojekts in Abhängigkeit von den Baudokumenten 12a, 14a vorgesehen.
Figur 2 zeigt ein Flussdiagramm des Verfahrens 10a. Das Verfahren 10a umfasst insbesondere eine Lernphase und eine Ausführungsphase. In der Lernphase werden vorzugsweise die künstlichen neuronalen Netzwerke 38a, 40a, 42a, 44a mittels Lerndokumenten 18a, 20a angelernt. In der Ausführungsphase werden die Baudokumente 12a, 14a vorzugsweise durch die angelernten künstlichen neuronalen Netzwerke 40a, 42a, 44a analysiert. In der Ausführungsphase umfasst das Verfahren 10a insbesondere einen Vorverarbeitungsschritt 56a. In dem Vorverarbeitungsschritt 56a wird ein Inhalt des Baudokuments 12a, 14a bereitgestellt, insbesondere erfasst. Der Vorverarbeitungsschritt 56a wird beispielsweise von dem künstlichen neuronalen Inhaltserfassungsnetzwerk 38a oder einer Mustererkennungssoftware ausgeführt. In dem Vorverarbeitungsschritt 56a erfasst das künstliche neuronale Inhaltserfassungsnetzwerk 38a oder die Mustererkennungssoftware insbesondere Inhaltsobjekte 62a, aus welchen sich ein Inhalt der Baudokumente 12a, 14a zusammensetzt.
In der Ausführungsphase umfasst das Verfahren 10a einen Einzeldokumentschritt 32a. In dem Einzeldokumentschritt 32a wird eine Bedeutung des Inhalts des Baudokuments 12a unabhängig von einer Bedeutung des Inhalts des weiteren Baudokuments 14a bewertet. Der Einzeldokumentschritt 32a wird insbeson- dere von dem künstlichen neuronalen Netzwerk 40a ausgeführt. In dem Einzeldokumentschritt 32a verarbeitet das künstliche neuronale Netzwerk 40a insbesondere die in dem Vorverarbeitungsschritt 56a erfassten Inhaltsobjekte 62a. Insbesondere erstellt das künstliche neuronale Netzwerk 40a zumindest ein Bedeutungselement 64a des Baudokuments 12a oder des weiteren Baudokuments 14a in Abhängigkeit der erfassten Inhaltsobjekte 62a des entsprechenden Baudokuments 12a, 14a.
In der Ausführungsphase umfasst das Verfahren 10a insbesondere einen Analyseschritt 58a. In dem Analyseschritt 58a wird das Bauprojekt durch Anwendung der erlernten Bedeutung auf den Inhalt des Baudokuments 12a, 14a bewertet. In dem Analyseschritt 58a wird die im Zuge des Bewertens erstellten Analyse 24a des Bauprojekts ausgegeben. Der Analyseschritt 58a wird insbesondere von dem weiteren künstlichen neuronalen Netzwerk 42a ausgeführt. In dem Analyseschritt 58a wertet das weitere künstliche neuronale Netzwerk 42a insbesondere das in dem Einzeldokumentschritt 32a erstellte Bedeutungselement 64a, insbesondere die erstellten Bedeutungselemente 64a einer Vielzahl von Baudokumenten 12a, 14a, aus. Insbesondere ermittelt das weitere künstliche neuronale Netzwerk 42a zumindest einen Wert eines Zielparameters der Analyse 24a des Bauprojekts in Abhängigkeit des erstellten Bedeutungselements 64a. Der Zielparameter gibt beispielsweise einen Baufortschritt des Bauprojekts an, insbesondere eine Abweichung zu einem Zeitplan. Der Zielparameter gibt beispielsweise Baukosten des Bauprojekts an, insbesondere eine Abweichung von im Voraus veranschlagten Kosten. Der Zielparameter gibt beispielsweise eine Fehlplanung, beispielsweise eine Kollision von Zeitplänen, an. Der Zielparameter gibt beispielsweise ein Risiko, beispielsweise eine Ausfallwahrscheinlichkeit eines Subunternehmers, an.
In der Ausführungsphase umfasst das Verfahren 10a insbesondere einen Prognoseschritt 60a. In dem Prognoseschritt 60a wird das Bauprojekt durch Anwendung der erlernten Bedeutung auf den Inhalt des Baudokuments 12a, 14a bewertet. In dem Prognoseschritt 60a wird eine im Zuge des Bewertens erstellte weitere Analyse 26a des Bauprojekts ausgegeben. Der Prognoseschritt 60a wird vorzugsweise von dem zusätzlichen künstlichen neuronalen Netzwerk 44a ausgeführt. In dem Prognoseschritt 60a wertet das zusätzliche künstliche neuronale Netzwerk 44a insbesondere das in dem Einzeldokumentschritt 32a erstellte Bedeutungselement 64a, insbesondere die erstellten Bedeutungselemente 64a einer Vielzahl von Baudokumenten 12a, 14a, aus. Insbesondere prognostiziert das zusätzliche künstliche neuronale Netzwerk 44a zumindest einen Wert eines Zielparameters der weiteren Analyse 26a des Bauprojekts in Abhängigkeit des erstellten Bedeutungselements 64a. Beispielsweise prognostiziert das zusätzliche künstliche neuronale Netzwerk 44a, einen Materialbedarf und/oder einen verbleibenden Bestand zu einem vorgegeben Zeitpunkt 36a (vgl. Fig. 9), anfallende Kosten und/oder verbleibende Geldmittel zu dem vorgegeben Zeitpunkt 36a, einen Baufortschritt zu dem vorgegeben Zeitpunkt 36a oder dergleichen.
In der Lernphase verarbeitet die Datenverarbeitungsvorrichtung 46a vorzugsweise die Lerndokumente 18a, 20a. Die Lerndokumente 18a, 20a dokumentieren ein abgeschlossenes Altprojekt. Abhängig davon, welches der künstlichen neuronalen Netzwerke 38a, 40a, 42a, 44a angelernt wird, umfasst die Lernphase den Vorverarbeitungsschritt 56a, den Einzeldokumentschritt 32a, den Analyseschritt 58a und/oder den Prognoseschritt 60a. In dem Vorverarbeitungsschritt 56a wird ein Inhalt der Lerndokumente 18a, 20a bereitgestellt, insbesondere erfasst. Optional wird in dem Vorverarbeitungsschritt 56a während der Lernphase das Erfassen von Inhaltsobjekten 62a von dem künstlichen neuronalen Inhaltserfassungsnetzwerk 38a erlernt. In dem Einzeldokumentschritt 32a, dem Analyseschritt 58a und/oder dem Prognoseschritt 60a wird die Bedeutung des Inhalts der Lerndokumente 18a, 20a mittels maschinellen Lernens 22a von den künstlichen neuronalen Netzwerken 40a, 42a, 44a erlernt.
Figur 3 zeigt ein Flussdiagramm des Vorverarbeitungsschritts 56a. Der Vorverarbeitungsschritt 56a wird vorzugsweise für jedes zu verarbeitende Dokument einzeln durchgeführt. Umfasst die Prozessoreinheit 48a mehrere Prozessoren, können mehrere Vorverarbeitungsschritte 56a parallel ausgeführt werden. Das zu verarbeitende Dokument kann das Baudokument 12a, 14a oder das Lerndokument 18a, 20a sein. In dem Vorverarbeitungsschritt 56a werden die zu verarbeitenden Dokumente vorzugsweise in der Speichereinheit 50a hinterlegt. Ein Hinterlegen der zu verarbeitenden Dokumente kann von einem Benutzer veranlasst werden, insbesondere durch Kopieren von einem externen Speichermedium, und/oder von der Prozessoreinheit 48a automatisiert durchgeführt werden, bei- spielsweise durch Abruf aus Datenbanken, E-Mail-Programmen, Datennetzwerken oder dergleichen. Vorzugsweise werden physisch vorliegende Dokumente, beispielsweise das weitere Baudokument 14a oder das weitere Lerndokument 20a, in dem Vorverarbeitungsschritt 56a digitalisiert, insbesondere mittels eines Scanners, einer Digitalkamera oder dergleichen. Der Vorverarbeitungsschritt 56a ist insbesondere dazu vorgesehen, den Inhalt der zu verarbeitenden Dokumente zu erfassen. Besonders bevorzugt erstellt die Datenverarbeitungsvorrichtung 46a in dem Vorverarbeitungsschritt 56a eine Repräsentation des zu verarbeitenden Dokuments, welches aus Inhaltsobjekten 62a besteht. Das Inhaltsobjekt 62a des zu verarbeitenden Dokuments ist beispielsweise ein Textelement 66a und/oder ein Graphikelement 68a, wie beispielsweise ein Foto, eine Linie, ein Kreis, ein Pfeil oder dergleichen. Liegt das zu verarbeitende Dokument, beispielsweise das Baudokument 12a oder das Lerndokument 18a, bereits in einem Dateiformat vor, welches den Inhalt des Dokuments in Objekte organisiert, liest die Prozessoreinheit 48a diese Objekte vorzugsweise als Inhaltsobjekte 62a aus. Beispiele organisieren Textverarbeitungsprogramme, Vektorgraphikprogramme, Tabellenkalkulationsprogramme, Architekturprogramme oder dergleichen den Inhalt der von ihnen erstellten Dokumente in Objekte. Liegt das zu verarbeitende Dokument, beispielsweise das weitere Baudokument 14a oder das weitere Lerndokument 20a, in einem Bilddateiformat vor, erfasst die Prozessoreinheit 48a den Inhalt des zu verarbeitenden Dokuments vorzugsweise mittels zumindest einer Mustererkennungsroutine 70a. Die Mustererkennungsroutine 70a kann durch das künstliche neuronale Inhaltserfassungsnetzwerk 38a realisiert werden oder mittels eines anderen aus dem Stand der Technik bekannt Verfahrens. Insbesondere werden in einer vorteilhaft einfachen Ausgestaltung des Verfahrens 10a Textelemente 66a des zu verarbeitenden Dokuments mittels Optical Character Recognition 72a erfasst. Besonders bevorzugt wird zusätzlich zu dem Inhaltsobjekt 62a zumindest eine Eigenschaft 74a des Inhaltsobjekts 62a erfasst. Beispiele der Eigenschaft 74a des Inhaltsobjekts 62a umfassen eine Position innerhalb des zu verarbeitenden Dokuments, eine Größe, eine Farbe, eine Ausrichtung, eine Schriftart, ein Verhältnis zu einem anderen Inhaltsobjekt, wie insbesondere „befindet sich innerhalb von“, „zeigt auf“, oder dergleichen.
Das Verfahren umfasst einen Vereinheitlichungsschritt 28a. In dem Vereinheitlichungsschritt 28a werden Inhalte unterschiedlicher Lerndokumente 18a, 20a oder unterschiedlicher Baudokumente 12a, 14a jeweils durch Anwendung von Abstraktionsregeln auf einheitliche Verarbeitungsparameter 30a abgebildet. Die einheitlichen Verarbeitungsparameter 30a werden für das Erlernen der Bedeutung oder das Bewerten des Bauprojekts weiterverarbeitet, insbesondere anstelle der Inhaltsobjekte 62a in einem ursprünglich erfassten Dateiformat. Insbesondere bilden die Abstraktionsregeln die Inhaltsobjekte 62a, insbesondere die Textelemente 66a, die Graphikelemente 68a und/oder die Eigenschaften 74a, auf die einheitlichen Verarbeitungsparameter 30a, insbesondere auf einheitliche Textelemente 66a’, einheitliche Graphikelemente 68a’ und/oder einheitliche Eigenschaften 74a’, ab. Vorzugsweise bildet zumindest eine Abstraktionsregel mehrere Inhaltsobjekte 62a eines zu verarbeitenden Dokuments auf einen einzelnen einheitlichen Verarbeitungsparameter 30a ab. Insbesondere normiert die Datenverarbeitungsvorrichtung 46a in dem Vorverarbeitungsschritt 56a die zu verarbeitenden Dokumente, welche insbesondere in unterschiedlichen Dateiformaten vorliegen, auf ein Format, welches durch die einheitlichen Verarbeitungsparameter 30a definiert ist.
Figur 4 zeigt ein Flussdiagramm des Einzeldokumentschritts 32a in der Ausführungsphase. In dem Einzeldokumentschritt 32a verarbeitet das künstliche neuronale Netzwerk 40a die Inhaltsobjekte 62a, insbesondere die einheitlichen Verarbeitungsparameter 30a, eines einzelnen zu verarbeitenden Dokuments, um diesem Dokument zumindest ein Bedeutungselement 64a zuzuordnen. Insbesondere wird in dem Einzeldokumentschritt 32a eine Repräsentation des zu verarbeitenden Dokuments erstellt, welch sich aus einem oder mehreren Bedeutungselementen 64a zusammensetzt. Bedeutungselemente 64a umfassen beispielsweise ein Erstellungsdatum des zu verarbeitenden Dokuments, einen Dokumenttyp des zu verarbeitenden Dokuments, beispielsweise eine Rechnung, einen Grundriss, eine Bestandsliste oder dergleichen, einen Verfasser des zu verarbeitenden Dokuments, einen Rechnungsbetrag, eine Liefermenge, eine Bestandsmenge oder dergleichen. Zur Ermittlung des Bedeutungselements 64a wird ein zustandsloses künstliches neuronales Netzwerk verwendet. Insbesondere ist das künstliche neuronale Netzwerk 40a als zustandsloses künstliches neuronales Netzwerk ausgebildet. Besonders bevorzugt ist das künstliche neuronale Netzwerk 40a als tiefes künstliches neuronales Netzwerk ausgebildet. Der Einzeldokumentschritt 32a umfasst vorzugsweise ein Kodieren 76a. Bei dem Kodieren 76a werden die Inhaltsobjekte 62a, insbesondere die einheitlichen Verarbeitungsparameter 30a, eines, insbesondere einzelnen, der zu verarbeitenden Dokumente auf eine mit einer Eingangsschicht des künstlichen neuronalen Netzwerks 40a kompatible Form umgewandelt. Insbesondere erstellt die Prozessoreinheit 48a eine Liste der, insbesondere aller, erfassten Inhaltsobjekte 62a, insbesondere der einheitlichen Verarbeitungsparameter 30a, eines der zu verarbeitenden Dokumente. Die Eigenschaften 74a, insbesondere die vereinheitlichten Eigenschaften 74a’, werden vorzugsweise durch einen Zahlenvektor kodiert, wobei insbesondere jedes Vektorelement des Zahlenvektors insbesondere eine der Eigenschaften 74a, insbesondere der vereinheitlichten Eigenschaften 74a’, repräsentiert. Eigenschaften 74a, 74a’, welche einen Zahlenwert darstellen, werden vorzugsweise normiert. Eigenschaften 74a, 74a’ vom Aufzählungstyp, wie beispielsweise zur Definition der Art des Graphikelements 68a, 68a’, wird beispielsweise ein während der Lernphase festgelegter Zahlenwert zugeordnet. Die Textelemente 66a, 66a’ werden vorzugsweise mittels eines Wörterbuchs Wort für Wort in einen Vektor kodiert. Optional wird jedes Wort innerhalb eines zu verarbeitenden Dokuments als eigenes Inhaltsobjekt 62a, insbesondere als eigener einheitlicher Verarbeitungsparameter 30a, auf der Liste der Inhaltsobjekte 62a geführt. Die Graphikelemente 68a, 68a’ werden vorzugsweise als Vektor codiert. Die Liste der Inhaltsobjekte 62a, insbesondere der einheitlichen Verarbeitungsparameter 30a, wird bei dem Kodieren 76a insbesondere in eine Matrix codiert, welcher einer Eingabeschicht des künstlichen neuronalen Netzwerks 40a von der Prozessoreinheit 48a übergegeben wird. Der Einzeldokumentschritt 32a umfasst insbesondere eine Bedeutungserkennung 80a, in welcher die Inhaltsobjekte 62a, insbesondere die einheitlichen Verarbeitungsparameter 30a, durch das künstliche neuronale Netzwerk 40a verarbeitet werden. Insbesondere umfasst der Einzeldokumentschritt 32a ein Dekodieren 78a, in welchem die Prozessoreinheit 48a einer Ausgabe des künstlichen neuronalen Netzwerks 40a zumindest ein Bedeutungselement 64a zuordnet.
Figur 5 zeigt ein Flussdiagramm zur Erzeugung eines Lerndatensatzes 33a zu des maschinellen Erlernen 22a des Einzeldokumentschritts 32a. Insbesondere werden in der Lernphase die Inhaltsobjekte 62a der Lerndokumente 18a, 20a durch den Vorverarbeitungsschritt 56a erfasst und vorzugsweise auf die vereinheitlichten Verarbeitungsparameter 30a abgebildet. Die Lerndokumente 18a, 20a werden vorzugsweise von einem Anwender des Verfahrens 10a aufbereitet. Eine Aufbereitung 82a der Lerndokumente 18a, 20a umfasst insbesondere das Hinzufügen oder Markieren des zu erlernenden Bedeutungselements 64a auf den Lerndokumenten 18a, 20a in physischer oder digitaler Form, insbesondere vor, während oder nach dem Vorverarbeitungsschritt 56a. Das zu erlernende Bedeutungselement 64a wird von der Prozessoreinheit 48a insbesondere analog zu den Inhaltsobjekten 62a kodiert und während des maschinellen Lernens 22a als Sollwert für die Ausgabe des künstlichen neuronalen Netzwerks 40a verwendet.
Figur 6 zeigt ein Flussdiagramm zur Erstellung der Analyse 24a mittels des Analyseschritts 58a. Vorzugsweise werden mehrere Baudokumente 12a, 14a bereitgestellt und insbesondere jeweils in dem Vorverarbeitungsschritt 56a und dem Einzeldokumentschritt 32a zu einer Repräsentation des entsprechenden Baudokuments 12a, 14a durch Bedeutungselemente 64a verarbeitet. Insbesondere führt die Prozessoreinheit 48a die Bedeutungselemente 64a einer Eingangsschicht des weiteren künstlichen neuronalen Netzwerks 42a zu. Das weitere künstliche neuronale Netzwerk 42a gibt insbesondere den Zielparameter der Analyse 24a aus. In zumindest einem Verfahrensschritt wird dem Inhalt der Baudokumente 12a, 14a jeweils ein Zeitstempel 34a zugeordnet, welcher zu dem Bewerten des Bauprojekts ausgewertet wird. Der Zeitstempel 34a wird vorzugsweise als eines der Bedeutungselemente 64a verarbeitet. In dem Analyseschritt 58a können Inhalte von Lerndokumenten 18a, 20a für unterschiedliche Bauprojekte bewertet werden, um die Analyse 24a des Bauprojekts zu erstellen.
Figur 7 zeigt ein Flussdiagramm zum Erlernen des Zielparameters der Analyse 24a. Vorzugsweise werden mehrere Lerndokumente 18a, 20a bereitgestellt und insbesondere jeweils in dem Vorverarbeitungsschritt 56a und dem Einzeldokumentschritt 32a zu einer Repräsentation des entsprechenden Lerndokuments 18a, 20a durch Bedeutungselemente 64a verarbeitet. In zumindest einem Verfahrensschritt wird dem Inhalt der Lerndokumente 18a, 20a jeweils ein Zeitstempel 34a zugeordnet. Vorzugsweise werden Lerndokumente 18a, 20a von verschiedenen Altprojekten bereitgestellt und verarbeitet, wobei die Dokumente insbesondere nach Altprojekt gruppiert verarbeitet werden. Die Lerndokumente 18a, 20a werden insbesondere in einer Zielparametervorgabe 84a durch einen Anwender des Verfahrens 10a aufbereitet. Die Zielparametervorgabe 84a der Lern- dokumente 18a, 20a umfasst insbesondere das Hinzufügen oder Markieren des zu erlernenden Zielparameters auf den Lerndokumenten 18a, 20a in physischer oder digitaler Form, insbesondere vor, während oder nach dem Vorverarbeitungsschritt 56a und/oder dem Einzeldokumentschritt 32a. Der zu erlernende Zielparameter der Analyse 24a wird von der Prozessoreinheit 48a insbesondere analog zu den Inhaltsobjekten 62a kodiert und während des maschinellen Lernens 22a als Sollwert für die Ausgabe des weiteren künstlichen neuronalen Netzwerks 42a verwendet. Insbesondere werden bei dem maschinellen Lernen 22a eine zeitliche Abfolge des Zielparameters, insbesondere pro Altprojekt, anhand der Zeitstempel 34a unterschiedlicher Lerndokumente 18a, 20a erlernt.
Figur 8 zeigt ein Flussdiagramm des Analyseschritts 58a. Vorzugsweise wertet das weitere künstliche neuronale Netzwerk 42a die Bedeutungselemente 64a der Baudokumente 12a, 14a als Sequenz aus. Optional wertet das weitere künstliche neuronale Netzwerk 42a die Bedeutungselemente 64a’ der Baudokumente 12a, 14a als weitere Sequenz aus, welche insbesondere eine zu der Sequenz inverse Reihenfolge der Bedeutungselemente 64a und/oder der Baudokumente 12a, 14a aufweist. Das weitere künstliche neuronale Netzwerk 42a ist als zustandsbehaftetes künstliches neuronales Netzwerk ausgebildet. Der Analyseschritt 58a umfasst insbesondere ein Bedeutungskodieren 86a, in welchem die Bedeutungselemente 64a der Baudokumente 12a, 14a von der Prozessoreinheit 48a in analoger Weise zu den Inhaltsobjekten 62a während des Kodierens 76a kodiert werden und an einer Eingabeschicht des weiteren künstlichen neuronalen Netzwerks 42a übergeben werden. Insbesondere umfasst der Analyseschritt 58a eine Projektbedeutungserkennung 88a, in welcher das weitere künstliche neuronale Netzwerk 42a die Bedeutungselemente 64a auf den Zielparameter der Analyse 24a abbildet.
Figur 9 zeigt ein Flussdiagramm zur Erstellung der weiteren Analyse 26a mittels des Prognoseschritts 60a. Vorzugsweise werden mehrere Baudokumente 12a, 14a bereitgestellt und insbesondere jeweils in dem Vorverarbeitungsschritt 56a und dem Einzeldokumentschritt 32a zu einer Repräsentation des entsprechenden Baudokuments 12a, 14a durch Bedeutungselemente 64a verarbeitet. In zumindest einem Verfahrensschritt wird von einer externen Quelle, beispielsweise einem Benutzer, der Zeitpunkt 36a abgefragt. Beim Bewerten des Bauprojekts wird ein prognostizierter Zustand des Bauprojekts bewertet, in dem sich das Bauprojekt zu dem abgefragten Zeitpunkt 36a befindet. Insbesondere führt die Prozessoreinheit 48a die Bedeutungselemente 64a zuzüglich des Zeitpunkts 36a einer Eingangsschicht des zusätzlichen künstlichen neuronalen Netzwerks 44a zu. Das zusätzliche künstliche neuronale Netzwerk 44a gibt insbesondere einen Wert des Zielparameters der Analyse 24a aus, wie er sich voraussichtlich zu dem abgefragten Zeitpunkt 36a ergibt. Das zusätzliche künstliche neuronale Netzwerk 44a ist vorzugsweise als zustandsbehaftetes künstliches neuronales Netzwerk ausgebildet. Das zusätzliche künstliche neuronale Netzwerk 44a ist zumindest teilweise, insbesondere vollständig, unabhängig von dem weiteren künstlichen neuronalen Netzwerk 42a ausgebildet.
In den Figuren 10 und 11 sind zwei weitere Ausführungsbeispiele der Erfindung gezeigt. Die nachfolgenden Beschreibungen und die Zeichnungen beschränken sich im Wesentlichen auf die Unterschiede zwischen den Ausführungsbeispielen, wobei bezüglich gleich bezeichneter Bauteile, insbesondere in Bezug auf Bauteile mit gleichen Bezugszeichen, grundsätzlich auch auf die Zeichnungen und/oder die Beschreibung der anderen Ausführungsbeispiele, insbesondere der Figuren 1 bis 9, verwiesen werden kann. Zur Unterscheidung der Ausführungsbeispiele ist der Buchstabe a den Bezugszeichen des Ausführungsbeispiels in den Figuren 1 bis 9 nachgestellt. In den Ausführungsbeispielen der Figuren 10 bis 11 ist der Buchstabe a durch die Buchstaben b bis c ersetzt.
Figur 10 zeigt ein computerimplementiertes Verfahren 10b zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts durch Informationsextraktion aus zumindest einem das Bauprojekt betreffenden Baudokument. Das Verfahren 10b umfasst die Verfahrensschritte: Bereitstellen, insbesondere Erfassen, eines Inhalts zumindest eines Lerndokuments, welches zumindest ein abgeschlossenes Altprojekt dokumentiert; Erlernen einer Bedeutung des Inhalts des Lerndokuments mittels maschinellen Lernens; Bereitstellen, insbesondere Erfassen, eines Inhalts des Baudokuments; Bewerten des Bauprojekts durch Anwendung der erlernten Bedeutung auf den Inhalt des Baudokuments und Ausgabe einer im Zuge des Bewertens erstellten Analyse 24b des Bauprojekts. Das Verfahren 10b umfasst insbesondere eine Bedeutungserkennung 80b und eine Projektbedeutungserkennung 88b, welche von einem einzelnen künstlichen neu- ronalen Netzwerk ausgeführt werden. Das künstliche neuronale Netzwerk ist insbesondere als rekurrentes neuronales Netzwerk ausgebildet. Insbesondere wird in einer Lernphase des Verfahrens 10b ein direkter Zusammenhang zwischen Inhaltsobjekten 62b der Lerndokumente mit einem Zielparameter der Analyse 24b erlernt, insbesondere ohne explizites Erlernen von Bedeutungselementen der einzelnen Lerndokumente. Vorzugsweise wertet das künstliche neuronale Netzwerk in einer Ausführungsphase des Verfahrens 10b die Inhaltsobjekte 62b der Baudokumente als Sequenz aus. Optional wertet das künstliche neuronale Netzwerk die Inhaltsobjekte 62b’ der Baudokumente als weitere Sequenz aus, welche insbesondere eine zu der Sequenz inverse Reihenfolge der Inhaltsobjekte 62b und/oder der Baudokumente aufweist. Insbesondere fasst das Verfahren 10b mit dem künstlichen neuronalen Netzwerk einen Einzeldokumentschritt und einen Analyseschritt des Verfahrens 10b zusammen.
Bezüglich weiterer Merkmale des Verfahrens 10b sei auf die Figuren 1 bis 9 und deren Beschreibung verwiesen.
Figur 11 zeigt ein computerimplementiertes Verfahren 10c zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts durch Informationsextraktion aus zumindest einem das Bauprojekt betreffenden Baudokument. Das Verfahren 10c umfasst die Verfahrensschritte: Bereitstellen, insbesondere Erfassen, eines Inhalts zumindest eines Lerndokuments, welches zumindest ein abgeschlossenes Altprojekt dokumentiert; Erlernen einer Bedeutung des Inhalts des Lerndokuments mittels maschinellen Lernens; Bereitstellen, insbesondere Erfassen, eines Inhalts des Baudokuments; Bewerten des Bauprojekts durch Anwendung der erlernten Bedeutung auf den Inhalt des Baudokuments und Ausgabe einer im Zuge des Bewertens erstellten Analyse des Bauprojekts.
Das Verfahren 10c umfasst insbesondere zumindest zwei Verfahrensschritte, welche von einem mehrstufigen künstlichen neuronalen Netzwerk ausgeführt werden. Insbesondere umfasst das künstliche neuronale Netzwerk eine erste Stufe und eine zweite Stufe, wobei eine Eingabeschicht der zweiten Stufe identisch ist mit einer Ausgabeschicht der ersten Stufe. Die erste Stufe ist beispielsweise als Convolutional Neural Network ausgebildet. Die zweite Stufe ist beispielsweise als rekurrentes neuronales Netzwerk ausgebildet. Die erste Stufe ist insbesondere zu einer Durchführung einer Bedeutungserkennung 80c des Verfahrens 10c vorgesehen. Die zweite Stufe ist insbesondere zu einer Durchführung einer Projektbedeutungserkennung 88c des Verfahrens 10c vorgesehen, insbesondere zur Erstellung einer Analyse oder einer Prognose. Insbesondere wird in einer Lernphase des Verfahrens 10c ein direkter Zusammenhang zwischen Inhaltsobjekten 62c der Lerndokumente mit einem Zielparameter der Analyse oder der Prognose erlernt, insbesondere ohne explizites Erlernen von Bedeutungselementen der einzelnen Lerndokumente. Optional umfasst die zweite Stufe eine vollvermaschte Ausgabeschicht 90c. Insbesondere fasst das Verfah- ren 10c mit dem mehrstufigen künstlichen neuronalen Netzwerk einen Einzeldokumentschritt und einen Analyseschritt oder den Einzeldokumentschritt mit einem Prognoseschritt des Verfahrens 10c zusammen.
Bezüglich weiterer Merkmale des Verfahrens 10c sei auf die Figuren 1 bis 10 sowie deren Beschreibung verwiesen.

Claims

- 29 - Ansprüche
1. Computerimplementiertes Verfahren zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts durch Informationsextraktion aus zumindest einem das Bauprojekt betreffenden Baudokument (12a, 14a), umfassend die Verfahrensschritte:
• Bereitstellen, insbesondere Erfassen, eines Inhalts zumindest eines Lerndokuments (18a, 20a), welches zumindest ein abgeschlossenes Altprojekt dokumentiert,
• Erlernen einer Bedeutung des Inhalts des Lerndokuments (18a, 20a) mittels maschinellen Lernens (22a),
• Bereitstellen, insbesondere Erfassen, eines Inhalts des Baudokuments (12a, 14a),
• Bewerten des Bauprojekts durch Anwendung der erlernten Bedeutung auf den Inhalt des Baudokuments (12a, 14a) und
• Ausgabe einer im Zuge des Bewertens erstellten Analyse (24a, 26a) des Bauprojekts.
2. Computerimplementiertes Verfahren nach Anspruch 1, gekennzeichnet durch zumindest einen Vereinheitlichungsschritt (28a), in welchem Inhalte unterschiedlicher Lerndokumente (18a, 20a) oder unterschiedlicher Baudokumente (12a, 14a) jeweils durch Anwendung von Abstraktionsregeln, welche insbesondere mehreren Objekten, aus denen sich der jeweilige Inhalt zusammensetzt, ein einzelnes neues Objekt zuordnet, auf einheitliche Verarbeitungsparameter (30a) abgebildet werden, welche für das Erlernen der Bedeutung oder das Bewerten des Bauprojekts weiterverarbeitet werden. - 30 - Computerimplementiertes Verfahren nach Anspruch 1 oder 2, gekennzeichnet durch einen Einzeldokumentschritt (32a), in welchem die Bedeutung des Inhalts des Lerndokuments (18a) oder des Baudokuments (12a) unabhängig von einer Bedeutung des Inhalts eines weiteren Lerndokuments (20a) erlernt oder eines weiteren Baudokuments (14a) bewertet wird. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in zumindest einem Verfahrensschritt dem Inhalt des Lerndokuments (18a, 20a) und/oder des Baudokuments (12a, 14a) ein Zeitstempel (34a) zugeordnet wird, welcher zu dem Bewerten des Bauprojekts ausgewertet wird. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in zumindest einem Verfahrensschritt von einer externen Quelle ein Zeitpunkt (36a) abgefragt wird, wobei bei dem Bewerten des Bauprojekts ein prognostizierter Zustand des Bauprojekts bewertet wird, in dem sich das Bauprojekt zu dem abgefragten Zeitpunkt (36a) befindet. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in zumindest einem Verfahrensschritt Inhalte von Lerndokumenten (18a, 20a) für unterschiedliche Bauprojekte bewertet werden, um die Analyse (24a, 26a) des Bauprojekts zu erstellen. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zumindest einer der Verfahrensschritte von einem künstlichen neuronalen Netzwerk (40a) ausgeführt wird und zumindest ein weiterer der Verfahrensschritte von einem weiteren künstlichen neuronalen Netzwerk (38a, 42a, 44a) ausgeführt wird, das zumindest teilweise, insbesondere vollständig, unabhängig von dem künstlichen neuronalen Netzwerk (40a) ausgebildet ist. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Bewertung des Bauprojekts zumindest ein zustandsloses künstliches neuronales Netzwerk verwendet wird. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Bewertung des Bauprojekts zumindest ein zustandsbehaftetes künstliches neuronales Netzwerk verwendet wird. Datenverarbeitungsvorrichtung, umfassend einen Prozessor, der so konfiguriert ist, dass er die Schritte des Verfahrens nach einem der Ansprüche 1 bis 9 ausführt. Computerprogramm, umfassend Befehle, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 9 auszuführen.
PCT/EP2022/076990 2021-10-20 2022-09-28 Computerimplementiertes verfahren zu einer unterstützung einer planung und einer organisation eines bauprojekts, vorrichtung zur datenverarbeitung im rahmen eines solchen verfahrens und computerprogramm zur implementierung eines solchen verfahrens WO2023066629A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP22797065.4A EP4420058A1 (de) 2021-10-20 2022-09-28 Computerimplementiertes verfahren zu einer unterstützung einer planung und einer organisation eines bauprojekts, vorrichtung zur datenverarbeitung im rahmen eines solchen verfahrens und computerprogramm zur implementierung eines solchen verfahrens

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021211828.3 2021-10-20
DE102021211828.3A DE102021211828A1 (de) 2021-10-20 2021-10-20 Computerimplementiertes Verfahren zu einer Unterstützung einer Planung und einer Organisation eines Bauprojekts, Vorrichtung zur Datenverarbeitung im Rahmen eines solchen Verfahrens und Computerprogramm zur Implementierung eines solchen Verfahrens

Publications (1)

Publication Number Publication Date
WO2023066629A1 true WO2023066629A1 (de) 2023-04-27

Family

ID=83897951

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/076990 WO2023066629A1 (de) 2021-10-20 2022-09-28 Computerimplementiertes verfahren zu einer unterstützung einer planung und einer organisation eines bauprojekts, vorrichtung zur datenverarbeitung im rahmen eines solchen verfahrens und computerprogramm zur implementierung eines solchen verfahrens

Country Status (3)

Country Link
EP (1) EP4420058A1 (de)
DE (1) DE102021211828A1 (de)
WO (1) WO2023066629A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200111023A1 (en) * 2018-10-04 2020-04-09 Accenture Global Solutions Limited Artificial intelligence (ai)-based regulatory data processing system
WO2020163891A1 (en) * 2019-02-14 2020-08-20 Senterprisys Limited Automated building construction project management system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200111023A1 (en) * 2018-10-04 2020-04-09 Accenture Global Solutions Limited Artificial intelligence (ai)-based regulatory data processing system
WO2020163891A1 (en) * 2019-02-14 2020-08-20 Senterprisys Limited Automated building construction project management system

Also Published As

Publication number Publication date
DE102021211828A1 (de) 2023-04-20
EP4420058A1 (de) 2024-08-28

Similar Documents

Publication Publication Date Title
DE102018007936A1 (de) Beantworten von Fragen für Datenvisualisierungen
DE112009002000B4 (de) Adaptives Verfahren und Vorrichtung zur Umwandlung von Nachrichten zwischen unterschiedlichen Datenformaten
DE10300545B4 (de) Vorrichtung, Verfahren, Speichermedium und Datenstruktur zur Kennzeichnung und Speicherung von Daten
DE19705955A1 (de) Verfahren zum Generieren einer Implementierung eines Workflow-Prozessmodells in einer Objektumgebung
DE112017005651T5 (de) Vorrichtung zur Klassifizierung von Daten
DE10308014A1 (de) System und Verfahren zum Lokalisieren eines nichttextlichen Bereichs eines elektronischen Dokumentes oder Bildes, der mit einer benutzerdefinierten Beschreibung des Bereichs übereinstimmt
EP2323083A1 (de) Technisches Klassifikationssystem
DE19706419A1 (de) Verfahren und Vorrichtung zur Steuerung von Prozessen unter Verwendung einer Technologie zur maschinellen Sprachverarbeitung
EP3719811A1 (de) Konsistenz von datenkennzeichnungen bei der medizinischen bildverarbeitung zur zellklassifizierung
DE202022002902U1 (de) Iteratives Training für einen Text-Bild-Layout-Transformer
CN115063119A (zh) 基于招聘行为数据的自适应性的招聘决策系统及方法
DE112020000172T5 (de) Beantworten von kognitiven abfragen von sensoreingabesignalen
DE102019211672A1 (de) Trainingsverfahren für ein künstliches neuronales Netzwerk
DE102020215589A1 (de) Steuern eines deep-sequence-modells mit prototypen
DE102017208626A1 (de) Liquide Belegschafts-Plattform
DE102012025350A1 (de) Verarbeitungn eines elektronischen Dokuments
EP4420058A1 (de) Computerimplementiertes verfahren zu einer unterstützung einer planung und einer organisation eines bauprojekts, vorrichtung zur datenverarbeitung im rahmen eines solchen verfahrens und computerprogramm zur implementierung eines solchen verfahrens
EP1451745A1 (de) Verfahren und vorrichtung zur computerimplementierten auswertung von kunden-geschäftsprozessen
DE102023108157A1 (de) Verarbeitung natürlicher eingaben für maschinendiagnostik
Friedman et al. Using AI/Machine Learning to Extract Data from Japanese American Confinement Records
DE102022125815A1 (de) Datenempfehlungen unter verwendung der abstammung zur verbreitung von wertindikatoren
CN112199114B (zh) 一种基于自注意力机制的软件缺陷报告分配方法
WO2022043585A1 (de) System zur automatisierten harmonisierung strukturierter daten aus verschiedenen erfassungseinrichtungen
DE102021108675A1 (de) Schwach überwachte erkennung einer semantischen einheit unter verwendung von allgemeinwissen und zieldomänenkenntnis
EP1170678B1 (de) Verfahren und Vorrichtung zur automatischen Suche relevanter Bilddatensätze

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22797065

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2022797065

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022797065

Country of ref document: EP

Effective date: 20240521