Building Information Retrieval (BIR) – Planungswissen per KI-Suche  

Der Quick Check untersuchte, ob sich bewährte Detaillösungen im Büroarchiv eines Architekturbüros (PDF, DWG) per KI-Suche auffindbar machen lassen. Klassisches RAG erschließt Dokumente über Texterkennung und Text-Embeddings und verliert dabei die visuelle Information der Zeichnungen. Der erprobte Vision-First-Ansatz bettet Zeichnungen direkt als Bilder ein und vergleicht sie mit der Suchanfrage. Ein Prototyp wies die Machbarkeit an realen Projektdaten von sutter³ nach, ohne manuelles Tagging.

Problem- und Zielbeschreibung

Architekturbüros verfügen über gewachsene Projektarchive. Bei sutter³ sind das rund 50–200 Projekte aus zehn Jahren mit Schwerpunkt Holzbau, in heterogenen Formaten (PDF, DWG, ArchiCAD, IFC). Bewährte Detaillösungen liegen darin verstreut und sind nicht büroweit auffindbar. Die Detailsuche kostet heute 15–60 Minuten und bleibt häufig ergebnislos. Details werden neu gezeichnet statt wiederverwendet, und Wissen geht bei Personalwechsel verloren. Klassische Textsuche und OCR scheitern, weil technische Zeichnungen primär visuell codiert sind und nur ein kleiner Teil der Information textuell erfassbar ist.

Ziel des Quick Checks war der Machbarkeitsnachweis: Kann eine KI-Suche, die Zeichnungen direkt als Bilder versteht, Detaillösungen im Büroarchiv ohne manuelles Tagging auffindbar machen? Dazu wurden die Suchfälle des Büros erhoben, reale Archivdaten analysiert und ein Suchprototyp entwickelt und an echten Daten erprobt.

Detaillierter Projektablauf

Der Quick Check lief in drei Schritten. (1) Bedarfsanalyse: In Workshops mit sutter³ wurden die häufigsten Suchfälle erhoben und priorisiert, von Dach- über Fenster- und Fassadendetails bis zur büroweiten Detailbibliothek. (2) Datenanalyse: Drei anonymisierte Holzbau-Projekte aus dem Archiv (PDF und DWG) wurden auf Struktur, Textanteile und KI-Erschließbarkeit untersucht. (3) Proof of Concept: Entwickelt wurde eine dreischichtige Retrieval-Architektur aus Metadaten-Index, visuellem Retrieval mit multimodalen Bild-Embeddings und einem Vision-Language-Modell, das Treffer als Bauteilbeschreibung erklärt. Suchanfrage und Zeichnungsseiten werden in denselben Vektorraum eingebettet, die ähnlichsten Seiten bilden die Trefferliste.

Der Prototyp beantwortete natürlichsprachliche Suchanfragen auf den realen Testdaten korrekt und ohne vorheriges Tagging. Ergänzend wurden die Anbindung der Holzbau-Wissensbasis dataholz.eu konzipiert und Betriebsmodelle von EU-Cloud bis On-Premise bewertet.

Projektnutzen

• Machbarkeit nachgewiesen: KI-Suche findet Detailzeichnungen im Büroarchiv ohne manuelles Tagging, validiert an realen Projektdaten.
• Zeit- und Kostenersparnis: Die zeitaufwändige manuelle Detailsuche entfällt, Doppelarbeit durch Neuzeichnen wird vermieden.
• Wissenserhalt: Historisches Planungswissen bleibt dauerhaft verfügbar, auch bei Personalwechsel.
• Herstellerneutral und übertragbar: Der Ansatz arbeitet auf offenen Formaten (PDF, DWG, IFC) und ist auf andere Büros und CAD-Umgebungen übertragbar.
• Fundierte Entscheidungsgrundlage: Konzept, Datenanalyse und Prototyp liefern eine belastbare Basis für die produktionsnahe Weiterentwicklung.

Zitat

Der Quick Check hat bewiesen, dass sich unsere Zeichnungen KI-gestützt durchsuchen lassen, ganz ohne stundenlanges Suchen. So bleibt unser Planungswissen im Büro dauerhaft verfügbar.

Kim Haisch, sutter³ GmbH & Co. KG

Finanziert durch