Hintergrund Neubaukosten
Wir beraten Sie gerne!
Anwendungsgebiet
Unser Anwendungsgebiet umfasst die Kostenplanung für Fachpersonen aus Architektur und Projektentwicklung und Bauherrschaften. Der momentane Fokus liegt auf der Kostenermittlung in frühen Planungsphasen: vom Kostenrahmen über die Kostenschätzung bis zur Kostenberechnung nach DIN 276.
Kostenschätzungen sind anspruchsvoll und spielen in den frühen Planungsphasen eines Bauprojekts eine entscheidende Rolle bei dessen qualitativer, zeitlicher und finanzieller Ausgestaltung. Sie dienen Bauherrschaften und Architekturfachleuten als wichtige Bezugsgröße zur optimalen Ausgestaltung dieser drei Projektdimensionen.
Beeinflussbarkeit der Baukosten
Für Kostenschätzungen bestehen i.d. Regel gegensätzliche Anforderungen: Der Aufwand soll möglichst gering, die Genauigkeit möglichst hoch sein. Genau in diesem Spannungsfeld, in dem mit wenigen Projektinformationen gute Ergebnisse erzielt werden sollen, liegt das Einsatzgebiet von keeValue.
Die Baukosten lassen sich in den verschiedenen Phasen unterschiedlich stark steuern. In frühen Planungsphasen ist ihr Beeinflussungspotenzial am größten. Der Kostenermittlung ist deshalb bereits in frühen Phasen hohe Priorität einzuräumen.
Im Sinne des Pareto-Prinzips lässt sich mit keeValue anhand weniger relevanter Objekteingaben und mit überschaubarem Aufwand die benötigte Schätzgenauigkeit erzielen. Aufwendige Mengenauszüge und umfassende Berechnungen sind nicht mehr erforderlich, damit Sie sich sicher in diesem Spannungsfeld bewegen und für sich und Ihre Kunden verlässliche Kostenschätzungen erstellen können.
Mit dem skizzierten Verfahren bietet keeValue derzeit eine einzigartige Lösung. Für das Verfahren wurden Patente angemeldet.
Schätzgenauigkeit der Gesamtbaukosten von Neubauten
Wie bei jeder Kostenschätzung durch einen Menschen hängt auch bei keeValue die maschinelle, KI-basierte Schätzung im Wesentlichen von zwei Dimensionen ab. Zum einen geht es um das vorhandene, relevante Wissen und zum anderen um die Intelligenz, dieses Wissen optimal auf die neue Schätzsituation anzuwenden. Es gilt: je größer das vorhandene, relevante Wissen und je höher die Intelligenz, desto genauer ist auch das Schätzergebnis.
Hinweis: Die Schätzgenauigkeit wird problemlos erreicht, wenn gemäß den in keeValue hinterlegten Sprachkonventionen, z.B. den von uns definierten Wertklassen und dazugehörigen Erklärungen, die Projektrealität adäquat deklariert wird. Mit anderen Worten: In der Regel ist etwas Übung erforderlich, um die relevanten Projektparameter korrekt zu deklarieren, sodass die Genauigkeitswerte auch bei neuen Nutzenden von keeValue erreicht werden. Die Erfahrung zeigt, dass dies schnell erlernbar ist.
Zusätzlich bietet keeValue die Möglichkeit, eine anwenderspezifische Referenzobjektdatenbank mit abgerechneten Projekten anzulegen. Die erfassten Referenzobjekte werden mit deklarierten Projektperimetern und spezifischen Kennwerten vergleichbar dokumentiert und dienen so als Vorlage für neu zu schätzende Objekte.
Funktionsweise
Kern unseres Systems ist eine automatisierte Schätzung, welche aufgrund Ihrer Objekteingaben die durchschnittlich zu erwartenden Kosten ermittelt. Fassen Sie dieses Ergebnis als maschinell konstruierte Meinung auf, die sich an realisierten Bauobjekten orientiert.
Im Prinzip funktioniert unser System wie ein Mensch, der landesweit für sehr viele Bauprojekte die Kosten geschätzt und bei Projektende die Kostenwahrheit auf Basis der Bauabrechnung analysiert hat. In der Zwischenzeit hat er kein einziges Detail wieder vergessen und kann das dabei entstandene Wissen sehr intelligent auf neue Schätzaufgaben anwenden.
Grundlage unseres Systems bildet unser Wissen bzw. unsere Datenbank mit landesweiten, abgerechneten Bauobjekten und einem breiten Spektrum wichtiger Eigenschaften von Quantitäts-, Komplexitäts- und Qualitätsmerkmalen. Dieses Wissen nutzen wir nun optimal, indem wir Algorithmen aus dem Bereich der Künstlichen Intelligenz, beziehungsweise des Maschinellen Lernens anwenden. Wir suchen dabei nach allgemeingültigen Mustern bzw. Regelmäßigkeiten im Datensatz, mit denen die Baukosten aus den Objekteigenschaften geschätzt werden können. Ein einfaches Muster ist z.B.: je größer die Brutto-Grundfläche (BGF), desto höher die Gesamtbaukosten und desto niedriger der Kennwert in EUR/m² BGF. Diese Muster werden durch ein Modell repräsentiert, wobei ein Modell beispielsweise ein künstliches neuronales Netzwerk oder Entscheidungsbäume enthalten kann. Die Parameter des Modells werden mithilfe von Optimierungsalgorithmen gefunden, mit dem Ziel, aus den Objekteigenschaften die Baukosten in der benötigen Genauigkeit ermitteln zu können.
Ziel eines Machine Learning Systems ist das Finden von Mustern bzw. Funktionen, die die Daten ausgeglichen bzw. "balanced" abbilden
Ziel des Systems ist das Finden eines Modells, das nicht etwa, wie bei anderen am Markt verfügbaren Angeboten, die hinterlegten Baukosten aus dem Datensatz wiedergibt, sondern relevante und allgemein gültige Muster erkennt, die auch auf unbekannte oder künftige Eingaben zutreffen. Das Modell soll also "generalisieren". Zur Prüfung der Generalisierung wenden wir ein statistisches Testverfahren an.
Als Testverfahren setzen wir eine wiederholte 10-fache stratifizierte Kreuzvalidierung (repeated 10-fold stratified cross-validation) ein. Der grundlegende Gedanke der Kreuzvalidierung ist, dass die Messung des Test-Fehlers ausschließlich mit Daten durchgeführt werden darf, die weder beim Training noch bei der Hyperparameter-Optimierung des Modells verwendet wurden.
Die nächsten Entwicklungsschritte
keeValue aktualisiert die Datengrundlage turnusmäßig und passt den Algorithmus, sofern erforderlich, an neue Erkenntnisse an.
- Ausgabe der Schätzergebnisse nach Kostengruppen der DIN 276
- Weiterentwicklung der KI
Haben Sie Wünsche oder Anregungen? Unser Business Developer Daniel Hunziker freut sich auf Ihre Kontaktaufnahme per E-Mail oder telefonisch unter +41 79 635 16 82.
