BIM-Modelle enthalten eine enorme Menge an strukturierten Informationen.
Aber: Diese Informationen sind nicht dafür gemacht, von Menschen oder Sprachmodellen direkt verstanden zu werden – zumindest nicht ohne Zwischenschritte.
Was auf den ersten Blick wie ein perfekter Use Case für generative KI aussieht, scheitert in der Praxis schnell an zwei Dingen:
1. Token-Limit
IFC-Dateien enthalten oft tausende Bauteile, Relationen und PropertySets.
Ein vollständiges Modell übersteigt selbst bei GPT-4 Turbo (128k Tokens) schnell die Grenzen.
→ Ganze Modelle „einfach mal durch ein Sprachmodell jagen“? Funktioniert nicht.
2. Semantik ≠ Kontext
Ein IfcWallStandardCase mit LoadBearing = TRUE ist für ein LLM zunächst nur ein Datensatz. Ob das eine tragende Brandschutzwand im 2. OG ist – das muss erst kontextualisiert werden, durch Umgebungsdaten, Relationen (Raum, Geschoss) und technische Bedeutung.
Die Lösung: RAG (Retrieval-Augmented Generation)
Retrieval-Augmented Generation (RAG) erlaubt genau das: Die KI bekommt nicht das gesamte Modell, sondern gezielt ausgewählte, vektorbasierte Chunks, die zu einer konkreten Anfrage passen.
Typischer Ablauf:
– Preprocessing & Chunking: IFC → strukturierte Text-Snippets mit Kontext (z. B. „tragende Wand OG 2, F90, Raum 203“)
– Vektorisierung & Speicherung: Embeddings (z. B. OpenAI) → Vektor-Datenbank (z. B. Azure Search)
– Query & Kontextzusammenstellung: Benutzerfrage → semantische Suche → relevante Chunks werden an GPT übergeben
– Antwort mit Kontextverständnis: GPT beantwortet auf Basis der abgefragten, komprimierten Semantik – nicht „blind“ auf rohe Daten
Fazit:
Ohne RAG ist GenAI im BIM-Umfeld nicht einsetzbar, mit RAG wird aus generativer Spielerei ein echtes Werkzeug für Planung, Analyse und Dokumentation.
Was denkt ihr? Habt ihr bereits RAG-Komponenten in technischen Modellen eingesetzt?
