{"id":9110,"date":"2026-10-05T12:25:42","date_gmt":"2026-10-05T10:25:42","guid":{"rendered":"https:\/\/s-tec.de\/?post_type=projects&p=9110"},"modified":"2026-10-05T12:25:47","modified_gmt":"2026-10-05T10:25:47","slug":"building-information-retrieval-bir-planungswissen-per-ki-suche","status":"publish","type":"projects","link":"https:\/\/s-tec.de\/en\/projects\/building-information-retrieval-bir-planungswissen-per-ki-suche\/","title":{"rendered":"Building Information Retrieval (BIR) \u2013 Planungswissen per KI-Suche \u00a0"},"content":{"rendered":"\n\n
\n
\n
\"\"
Methodenvergleich: klassisches Text-RAG mit OCR gegen\u00fcber Vision-First-Retrieval auf Zeichnungsbildern
Bildquelle: Patrick Wagner, Fraunhofer IPA<\/figcaption><\/figure>\n\n\n\n
\n
Bearbeitungszeitraum: 29.01.2026 \u2013 16.04.2026<\/strong><\/a><\/div>\n<\/div>\n\n\n\n

Der Quick Check untersuchte, ob sich bew\u00e4hrte Detaill\u00f6sungen im B\u00fcroarchiv eines Architekturb\u00fcros (PDF, DWG) per KI-Suche auffindbar machen lassen. Klassisches RAG erschlie\u00dft Dokumente \u00fcber 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 sutter\u00b3 nach, ohne manuelles Tagging.<\/p>\n\n\n\n

Problem- und Zielbeschreibung<\/h4>\n\n\n\n

Architekturb\u00fcros verf\u00fcgen \u00fcber gewachsene Projektarchive. Bei sutter\u00b3 sind das rund 50\u2013200 Projekte aus zehn Jahren mit Schwerpunkt Holzbau, in heterogenen Formaten (PDF, DWG, ArchiCAD, IFC). Bew\u00e4hrte Detaill\u00f6sungen liegen darin verstreut und sind nicht b\u00fcroweit auffindbar. Die Detailsuche kostet heute 15\u201360 Minuten und bleibt h\u00e4ufig ergebnislos. Details werden neu gezeichnet statt wiederverwendet, und Wissen geht bei Personalwechsel verloren. Klassische Textsuche und OCR scheitern, weil technische Zeichnungen prim\u00e4r visuell codiert sind und nur ein kleiner Teil der Information textuell erfassbar ist. <\/p>\n\n\n\n

Ziel des Quick Checks war der Machbarkeitsnachweis: Kann eine KI-Suche, die Zeichnungen direkt als Bilder versteht, Detaill\u00f6sungen im B\u00fcroarchiv ohne manuelles Tagging auffindbar machen? Dazu wurden die Suchf\u00e4lle des B\u00fcros erhoben, reale Archivdaten analysiert und ein Suchprototyp entwickelt und an echten Daten erprobt.<\/p>\n\n\n\n

Detaillierter Projektablauf<\/h4>\n\n\n\n

Der Quick Check lief in drei Schritten. (1) Bedarfsanalyse: In Workshops mit sutter\u00b3 wurden die h\u00e4ufigsten Suchf\u00e4lle erhoben und priorisiert, von Dach- \u00fcber Fenster- und Fassadendetails bis zur b\u00fcroweiten Detailbibliothek. (2) Datenanalyse: Drei anonymisierte Holzbau-Projekte aus dem Archiv (PDF und DWG) wurden auf Struktur, Textanteile und KI-Erschlie\u00dfbarkeit 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 erkl\u00e4rt. Suchanfrage und Zeichnungsseiten werden in denselben Vektorraum eingebettet, die \u00e4hnlichsten Seiten bilden die Trefferliste. <\/p>\n\n\n\n

\"\"
Retrieval-Ablauf: Suchanfrage und Zeichnungen im gemeinsamen Vektorraum, Top-k-Treffer mit KI-Erkl\u00e4rung
Bildquelle: Patrick Wagner, Fraunhofer IPA<\/figcaption><\/figure>\n\n\n\n

Der Prototyp beantwortete nat\u00fcrlichsprachliche Suchanfragen auf den realen Testdaten korrekt und ohne vorheriges Tagging. Erg\u00e4nzend wurden die Anbindung der Holzbau-Wissensbasis dataholz.eu konzipiert und Betriebsmodelle von EU-Cloud bis On-Premise bewertet.<\/p>\n\n\n\n

Projektnutzen<\/h4>\n\n\n\n