Datenplattformen & KI-Infrastruktur

Eine Datenplattform führt Informationen aus unterschiedlichen Fachsystemen und Projektphasen zusammen oder macht sie über definierte Schnittstellen gemeinsam nutzbar. Dazu gehören beispielsweise:

• Grundstücks-, Markt- und Geodaten,
• CAD-, BIM- und GIS-Modelle,
• Projekt- und Vertragsdokumente,
• Kosten-, Mengen- und Termindaten,
• Bilder, Videos und Punktwolken,
• Maschinen- und Logistikdaten,
• Sensor-, Anlagen- und Betriebsdaten,
• Material-, Produkt- und Nachhaltigkeitsinformationen.

Die Daten müssen dabei nicht zwingend vollständig an einem zentralen Ort gespeichert werden. Auch föderierte Architekturen sind möglich, bei denen Informationen in ihren Ursprungssystemen verbleiben und über APIs, Datenräume oder andere Integrationsmechanismen kontrolliert bereitgestellt werden.

Entscheidend ist, dass Herkunft, Aktualität, Bedeutung und Zugriffsrechte nachvollziehbar bleiben. Eine rein technische Zusammenführung ohne fachlichen Kontext erzeugt zwar größere Datenmengen, aber noch keine belastbare Entscheidungsgrundlage.

KI-Anwendungen benötigen nicht nur viele, sondern vor allem geeignete Daten. Dazu gehören Vollständigkeit, Aktualität, Konsistenz, Genauigkeit und eine nachvollziehbare Herkunft. Fehlerhafte Zuordnungen, uneinheitliche Benennungen oder veraltete Informationsstände können dazu führen, dass auch technisch leistungsfähige Modelle unzuverlässige Ergebnisse erzeugen.

Besonders wichtig ist der semantische Kontext. Eine Information wird für KI erst dann belastbar nutzbar, wenn klar ist, worauf sie sich bezieht – beispielsweise auf:

• ein Bauwerk oder Grundstück,
• ein Bauteil oder technisches Asset,
• einen Raum oder Bauabschnitt,
• einen Termin oder Prozessschritt,
• eine Leistung oder Kostenposition,
• einen Zustand oder ein Risiko,
• ein Material oder einen Stoffstrom.

Metadaten, Klassifikationen, Stammdaten, eindeutige Identifikatoren und Wissensmodelle helfen dabei, diese Beziehungen abzubilden. Ontologien und Knowledge Graphs können zusätzlich sichtbar machen, wie Bauwerke, Prozesse, Technologien, Dokumente, Akteure und Ereignisse miteinander verbunden sind.

KI kann bei der Klassifikation, Bereinigung und Anreicherung von Daten unterstützen. Die Regeln, Qualitätsanforderungen und fachliche Bedeutung der Informationen müssen jedoch von den verantwortlichen Organisationen definiert werden.

Eine Common Data Environment, kurz CDE, organisiert Modelle, Dokumente, Prüfstände, Freigaben und Verantwortlichkeiten innerhalb eines Projekts. Sie schafft damit eine wichtige Grundlage für nachvollziehbare Zusammenarbeit und kontrollierte Informationsstände.

Eine umfassendere Datenplattform geht darüber hinaus. Sie kann Informationen aus mehreren Projekten, Unternehmen, Fachsystemen oder Lebenszyklusphasen verbinden und für Analysen, Portfolios, KI-Anwendungen oder neue digitale Services bereitstellen.

Datenräume ermöglichen wiederum einen kontrollierten Austausch über Organisationsgrenzen hinweg. Unternehmen können Daten für einen definierten Zweck bereitstellen, ohne die Kontrolle über Herkunft, Rechte und Nutzung vollständig abzugeben. Das ist besonders relevant, weil Bauprojekte regelmäßig von mehreren rechtlich selbstständigen Organisationen umgesetzt werden.

Für funktionierende Plattformökosysteme werden daher nicht nur technische Schnittstellen benötigt. Ebenso wichtig sind:

• gemeinsame Begriffe und Datenmodelle,
• eindeutig definierte Datenrechte,
• Rollen- und Berechtigungskonzepte,
• Nutzungs- und Freigaberegeln,
• Informationssicherheit,
• nachvollziehbare Verantwortlichkeiten,
• wirtschaftliche Anreize zur Datenbereitstellung.

Sensoren, Maschinen, Kameras, Gebäudeautomation und mobile Geräte erzeugen kontinuierlich neue Daten. IoT-Plattformen übernehmen deren Erfassung, Übertragung, Speicherung und Bereitstellung. Dadurch können Baustellen, Gebäude, Anlagen und Infrastrukturen nahezu in Echtzeit beobachtet werden.

Nicht jede Anwendung benötigt tatsächlich Echtzeitdaten. Für Wartungsberichte, Nachhaltigkeitsauswertungen oder Portfolioanalysen können tägliche, wöchentliche oder ereignisbezogene Aktualisierungen ausreichen. Bei Maschinensteuerung, Sicherheitsassistenz oder dynamischer Gebäudeautomation können dagegen sehr kurze Reaktionszeiten erforderlich sein.

In solchen Fällen wird ein Teil der Datenverarbeitung direkt am Gerät oder in Baustellennähe durchgeführt. Dieses sogenannte Edge Computing reduziert Übertragungszeiten und ermöglicht Funktionen auch bei eingeschränkter Netzverbindung. Cloud-, Edge- und lokale Systeme können dabei zu hybriden Architekturen kombiniert werden.

Für KI-Anwendungen müssen Sensordaten zusätzlich kalibriert, zeitlich synchronisiert, einem Asset oder Prozess zugeordnet und auf Fehler oder Ausfälle geprüft werden. Ein kontinuierlicher Datenstrom ist nur dann wertvoll, wenn seine Bedeutung und Qualität nachvollziehbar sind.

Ein Pilotmodell oder ein Chatbot lässt sich häufig mit begrenztem technischem Aufwand entwickeln. Für den wiederholbaren Einsatz in mehreren Projekten oder Geschäftsbereichen werden jedoch zusätzliche Strukturen benötigt. Dazu gehören unter anderem:

• kontrollierte Datenpipelines,
• versionierte Daten- und Modellstände,
• dokumentierte Trainings- und Referenzdaten,
• Rollen- und Rechteverwaltung,
• Schnittstellen zu operativen Systemen,
• Überwachung von Qualität und Modellverhalten,
• fachliche Prüf- und Freigabeprozesse,
• Informationssicherheit und Datenschutz,
• Verfahren für Aktualisierung und Fehlerbehandlung.

Bei wissensbasierten Assistenten können beispielsweise Dokumentenspeicher, semantische Suche, Vektordatenbanken und Retrieval-Augmented Generation eingesetzt werden. Bei Prognosemodellen werden historische Daten, wiederverwendbare Merkmale und Modellüberwachung benötigt. Bei Computer Vision kommen Bildspeicher, Annotationen und Verbindungen zu BIM- oder Terminplänen hinzu.

Der technische Betrieb solcher Komponenten wird häufig unter Begriffen wie DataOps, MLOps oder AI Operations zusammengefasst. Für die öffentliche Seite ist weniger der Fachbegriff entscheidend als das Grundprinzip: KI muss nach der Entwicklung kontrolliert betrieben, überwacht, aktualisiert und in bestehende Verantwortungsstrukturen eingebunden werden.