Majestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143a

Kaum ein Thema versetzt die Immobilienbranche mehr in Aufregung als „Machine Learning“ bzw. „Künstliche Intelligenz“. Grund genug, die Begrifflichkeiten, Konzepte, Technologien und vor allem Potenziale etwas genauer unter die Lupe zu nehmen. Denn auch für Zukunftstechnologien gilt: Sie müssen sich bezahlt machen.

Begriffsklärung

Um auf einer gemeinsamen Basis zu diskutieren, sollten wir zunächst die beiden Begriffe Künstliche Intelligenz (KI) und Machine Learning voneinander abgrenzen. Künstliche Intelligenz (engl. Artificial Intelligence, AI) wird als Teilgebiet der Informatik verstanden. Das Konzept dahinter ist jedoch ein eher ideelles und vor allem nicht klar einzugrenzendes. Da „Intelligenz“ keiner eindeutigen Definition folgt, versteht man in der Regel darunter, die menschliche Intelligenz so gut wie möglich nachzubilden. Wie erfolgreich das ist, bestimmt beispielsweise der Turing-Test – ein Versuchsaufbau, bei dem ein Mensch und die Maschine (Computer) in einem verdeckten Aufbau versuchen, eine Testperson davon zu überzeugen, dass sie denkende Menschen sind.
Majestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143aMajestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143aMajestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143aMajestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143aMajestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143aMajestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143aMajestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143a Da man eher noch weit entfernt von einer „allgemeinen“ Intelligenz ist, fokussieren sich die Forschungsarbeiten zur Zeit auf eingegrenzte Wissensbereiche („Narrow AI)

In Abgrenzung dazu kann Machine Learning als Methode zur Erreichung von Künstlicher Intelligenz verstanden werden. Das Begriffspaar „Maschinelles Lernen“ beschreibt den Vorgang recht gut. Eine Maschine lernt. Das heißt, sie generiert Wissen aus Erfahrung. Dabei werden jedoch nicht nur Beispieldaten und Regeln auswendig gelernt (programmiert). Die Maschine soll vielmehr in die Lage versetzt werden, Muster und Gesetzmäßigkeiten selbständig zu erkennen, um im nächsten Schritt neue, unbekannte Daten zu beurteilen. Im Hintergrund arbeiten daran die sog. Algorithmen – systematische und logische Regeln, die die Basis der Berechnungen/Beurteilungen bilden.

Supervised vs. unsupervised learning

Majestic Majestic Majestic Mountain 3D Floor Mural Photo Flooring Wallpaper Home Print Decoration f6143a

Im Allgemeinen wird zwischen zwei Arten maschinellen Lernens unterschieden: überwachtes Lernen (Supervised Learning) und unüberwachtes Lernen (Unsupervised Learning).

Während es bei Supervised Learning konkret darum geht, gelerntes Wissen auf neue Daten anzuwenden (zu generalisieren), ist das Ziel bei Unsupervised Learning, versteckte Strukturen in umfangreichen und/oder unübersichtlichen Daten zu entdecken.

Beim Supervised Learning wird die Maschine mit bekannten Daten und Gesetzmäßigkeiten „gefüttert“, um ebenfalls bekannte, richtige Antworten zu finden. Klassische Anwendungsbeispiele sind die Handschrifterkennung („Sortiere neue Zeichen in die definierten Kategorien!“) oder Spam-Filter .

Artikelzustand:
Neu: Neuer, unbenutzter und unbeschädigter Artikel in nicht geöffneter Originalverpackung (soweit eine ... Mehr zum Thema Zustand
Brand: Sweet Home
Herstellernummer: MSZ-BJQ209 MPN: 15448859-fl
Marque: Sweet Home UPC: Does not apply
Numéro de pièce fabricant: MSZ-BJQ209 EAN: Does not apply
Marca: Sweethome Marke: SweetHome

Beim Unsupervised Learning handelt es sich um das allgemeine Verstehen der vorliegenden Daten („Erkenne die Strukturen!“). Das System selber bildet Kategorien und bietet Aussagen/Lösungen an. So werden in riesigen Datensätzen Strukturen erkannt und Gruppierungen gebildet, die dem menschlichen Auge aufgrund ihrer Komplexität eher verborgen geblieben wären.

Machine Learning im Dienst des Asset Managements

Welche Perspektiven eröffnen sich durch Machine Learning im Asset Management? Wo besteht für Unternehmen Handlungsbedarf? Wo genügt es, bestehende Lösungen zu verbessern – wo müssen neue Lösungen entwickelt werden? Welche Wertschöpfung kann mit welchem Aufwand erreicht werden? Kurz-, mittel- und langfristig? Diese Fragen bewegen die Entscheider der Branche.

Dokumentenklassifikation

Jeder Asset Manager ist mit einer Unmenge von Dokumenten konfrontiert, die sein tägliches Arbeiten bestimmen. Häufig genug sind diese Dokumentenmassen noch chaotisch abgelegt und durchsetzt mit Duplikaten und irrelevanten Dokumenten. Machine Learning hilft schon heute, Dokumente zu erkennen und zu klassifizieren. Der Mietvertrag wird als Mietvertrag erkannt, das Wartungsprotokoll als Wartungsprotokoll. Mit Methoden des Supervised Learning erzielen wir bei Architrave mittlerweile eine hohe Trefferquote von 90%.

Die erfolgreiche Klassifizierung zieht eine Menge weiterer Vorteile nach sich. Eine Maschine, die Dokumente automatisch erkennt und kategorisiert, kann diese Dokumente in weiteren automatischen Arbeitsschritten auch selbständig benamen, datieren, an die richtige Stelle in der Ablagestruktur sortieren und die Nutzer auf Lücken und Redundanzen hinweisen. Und das an sieben Tagen in der Woche rund um die Uhr – bei minimaler Fehlerquote.

Aus Dokumenten werden Daten

„Neben talentierten Programmierern mit immobilienwirtschaftlichem Know-how, gutem Change Management und Digitalisierungsexpertise, bedarf es vor allem Daten, Daten und nochmals Daten.“

Weitaus komplexer als die Klassifizierung von Dokumenten gestaltet sich die Inhaltsextraktion. Natürlich ist es äußerst reizvoll, die Fülle von Daten aus Dokumenten auch digital vorliegen zu haben und auswerten zu können. Systeme zu entwickeln, die dies fehlerfrei und schnell ermöglichen, ist sehr aufwändig. Hauptgrund hierfür ist die weitaus komplexere und damit zeitintensive Aufbereitung der Trainingsdaten. Ein Artikel von Victor Weber aus dem „Immobilienmanager“ bringt es auf den Punkt: „Heut sind gut ausgearbeitete Modelle der limitierende Faktor. […] Es mangelt an Transaktionstransparenz und standardisierten Datensets, die als Input für Supervised Learning Modelle genutzt werden können.“

Bis die Auslesung und Auswertung weiterer Dokumentenarten technisch zuverlässig und wirtschaftlich abbildbar ist, wird noch einige Forschungsarbeit notwendig sein. Eine eigene Entwicklungsabteilung bei Architrave widmet sich aber diesen Themen und treibt die Umsetzung intensiv voran. Wir halten Sie auf dem laufenden…