Wissensengineering mit LLMs für das Asset-Informationsmanagement in der gebauten Umgebung

Die Integration fortschrittlicher Technologien in das Asset-Informationsmanagement innerhalb der gebauten Umgebung adressiert Herausforderungen im Zusammenhang mit Wissensmanagement und unstrukturierten Daten. Aktuelle Forschungen betonen die Entwicklung von Ontologien und Wissensgraphen (KGs) im Bausektor sowie die synergistische Integration von KGs und großen Sprachmodellen (LLMs). Diese Studie schlägt eine Methodik zur Automatisierung der KG-Erstellung aus domänenspezifischen Dokumentenkorpora vor, die die Inferenzfähigkeiten von LLMs nutzt, um in Terse RDF Triple Language serialisierte Tripel zu generieren und extrahierte Entitäten sowie Beziehungen mit Domänenontologien auszurichten. Das Modell wird aufgefordert, Wissensengineering-Aufgaben anhand eines geführten Prompts auszuführen, basierend auf einer Few-Shot-Prompting-Strategie, die anwendungsfallrelevante Beispiele enthält. Die Übereinstimmung mit ontologischen Semantiken, wie durch das Prompting angewiesen, wird bewertet, ebenso wie die syntaktische Konsistenz extrahierter Entitäten und Beziehungen. Die Studie vergleicht die Leistung von drei Inferenzierungszenarien (Eingabe als Volltext, Absätze oder einzelne Sätze) und hebt Einschränkungen sowie mögliche zukünftige Verbesserungen des Systems hervor. Erste Anwendungen demonstrieren die Effektivität der Pipeline bei der Erstellung von KGs, die den Bedarf im Asset-Management abbilden, und unterstreichen das Potenzial von LLMs zur Erleichterung von Wissensengineering-Aufgaben, was den Weg für verbesserte Datenstrukturierung und Zugänglichkeit in der gebauten Umgebung ebnet.