KI für die Bewältigung von Bürgerbeteiligung bei Bauprojekten

Einwände gegen ein Bauvorhaben können aus den verschiedensten Gründen vorgebracht werden, wobei verschiedene Experten zur Bearbeitung und rechtssicheren Beantwortung hinzugezogen werden müssen.

Kunde

Ein Eisen­bahn­ver­kehrs- und Infra­s­truk­tur­un­ter­neh­men

Branche

Dienstleistungen

Lösungen

Prototypentwicklung

Unsere Leistungen
  • Proof-of-Concept für auto­ma­ti­sierte Assis­tenz im Einwen­dungs­ma­na­ge­ment
  • Komplexe Daten­lage basie­rend auf Projekt­struk­tu­ren
  • Text­par­ti­tio­nie­rung und –klas­si­fi­zie­rung
  • Gene­rie­rung von Antwor­ten

Der Kunde

Der Kunde ist ein bundes­weit agie­ren­des Eisen­bahn­ver­kehrs- und Infra­s­truk­tur­un­ter­neh­men, das neben dem Perso­nen- und Güter­ver­kehr eben­falls im Schie­nen­netz­aus­bau tätig ist. Im Zuge des Netz­aus­baus spielt während der Planungs­phase die wach­sende Bürger­be­tei­li­gung eine wich­tige Rolle. Einwände gegen ein Bauvor­ha­ben können aus den verschie­dens­ten Grün­den vorge­bracht werden, wobei verschie­dene Exper­ten zur Bear­bei­tung und rechts­si­che­ren Beant­wor­tung hinzu­ge­zo­gen werden müssen. Um Zustän­dig­kei­ten für Einwände zu ermit­teln, müssen diese klas­si­fi­ziert und einzelne Argu­mente sepa­rat betrach­tet werden. Die Frage­stel­lung ist, ob es anhand histo­ri­scher Einwände und Beant­wor­tun­gen möglich ist, Einwände zu klas­si­fi­zie­ren und Text­bau­steine zuzu­wei­sen.

Einheitliche Klassifizierung

Die Heraus­for­de­rung bestand darin, dass es mehrere Baupro­jekte und in diesen keine einheit­li­che Klas­si­fi­zie­rung gab. Die Klas­si­fi­zie­run­gen zwischen den Projek­ten waren zusätz­lich abwei­chend und teils sehr spezi­fisch. Zudem waren die Doku­mente in vielen Fällen nur teil­weise oder gänz­lich schlecht einles­bar für OCR-Verfah­ren.

Machine-Learning erkennt Textdokumente

Die Umset­zung sah die Erstel­lung einer Proto­typ-Appli­ka­tion in drei Schrit­ten vor: (1) Initial wurde die Daten­lage begut­ach­tet und darauf basie­rend eine Machine-Lear­ning Pipe­line aus mehre­ren Verfah­ren konzi­piert. In dieser soll­ten die Doku­mente zunächst einge­le­sen, einzelne Argu­mente erkannt, Argu­mente klas­si­fi­ziert und diesen Text­bau­steine zuge­wie­sen werden. Das Einle­sen, Auftei­len und die Klas­si­fi­zie­rung, wurden in einem ersten Schritt bear­bei­tet. Die Zuwei­sung von Text­bau­stei­nen wurde basie­rend auf vorhe­ri­gen Erkennt­nis­sen vorge­nom­men. (2) In der zwei­ten Phase wurde die Pipe­line zusam­men­ge­führt und ein Fron­t­end konzi­piert, in dem Argu­mente, Klas­sen und Text­bau­steine manu­ell bear­bei­tet und in ein Excel-Doku­ment expor­tiert werden können. (3) Front- und Backend wurden in einer Azure-Umge­bung zusam­men­ge­führt und als Webser­vice zur Verfü­gung gestellt.

Prototyp ermöglicht höhere Genauigkeit

Basie­rend auf der komple­xen Daten­lage und dem nicht zentra­len Klas­si­fi­zie­rungs­an­satz konnte für die Projekte eine Genau­ig­keit zwischen  65% und 75% erreicht werden. Mithilfe des Proto­ty­pen konnte gezeigt werden, dass eine auto­ma­ti­sche Assis­tenz für die Bear­bei­tung von Einwen­dun­gen möglich ist. Auf diesen Erkennt­nis­sen können Umstruk­tu­rie­run­gen für das Projekt­vor­ge­hen und die Daten­er­fas­sung sowie darauf basie­rend eine voll­wer­tige Appli­ka­tion umge­setzt werden.

Die eingesetzten Methoden und Technologien (Auswahl)

  • Python
  • Google Tesseract (OCR)
  • Natu­ral Language Proces­sing (NLP)
  • Micro­soft Azure

Ihr Ansprechpartner

Tim Soller
Künstliche Intelligenz

0421 20750 370 E-Mail senden