Künstliche Intelligenz im Bau

Ausgangslage

Trotz der Covid-19-Pandemie sind die Investitionen in künstliche Intelligenz im letzten Jahr mehrheitlich konstant geblieben, gemäss der jährlichen Hype Cycle-Studie von Gartner. Fast ein Drittel der befragten Unternehmen wollen ihre Investitionen in künstliche Intelligenz sogar erhöhen, während lediglich 23% der Firmen ihre Investitionen entweder pausiert oder gesenkt haben. Dies ist kein Zufall: Gerade während der Pandemie konnte künstliche Intelligenz vermehrt in verschiedenen Bereichen eingesetzt werden. Auf Unternehmensebene halfen beispielsweise Chatbots bei der Beantwortung der Flut an Pandemie-bezogenen Anfragen. Auf Gesamtwirtschaftsebene war Machine Learning ein integraler Bestandteil bei der Modellierung der Effekte einer Wiederöffnung der Wirtschaft. Laut Gartner ist künstliche Intelligenz als Ganzes gerade im Begriff, die überhöhten Erwartungen abzustreifen und konkreten Mehrwert für Unternehmen anfangen zu generieren. Höchste Zeit also, dieses Thema im Zusammenhang mit dem Bauhauptgewerbe genauer anzuschauen.

Zum Aufbau dieses Berichts: Zuerst wird kurz erläutert, was unter dem Begriff künstliche Intelligenz verstanden wird. Danach werden die Grundlagen der künstlichen Intelligenz erklärt – von einer kurzen Historie über den aktuellen Stand, aktuelle Trends sowie die Morphologie. Im darauffolgenden Kapitel wird auf die aktuellen und zukünftigen Anwendungsgebiete von künstlicher Intelligenz im Bau eingegangen. Um direkt zum Bezug auf den Bau zu gelangen, scrollen Sie einfach runter.

 

Begriffserklärung

Obwohl das Gedankengut zu künstlicher Intelligenz bis zu den klassischen Philosophen – und deren Versuche, das menschliche Denken als System von Formeln und Zeichen zu beschreiben – zurückreicht, wurde der Begriff Artificial Intelligence zum ersten Mal 1956 von Stanford-Professor John McCarthy, MIT-Professor Marvin Lee Minsky und weiteren Wissenschaftlern für die erste AI-Konferenz verwendet (siehe auch das Kapitel zur Geschichte von AI). McCarthy definierte künstliche Intelligenz dabei als «die Wissenschaft und Technik der Herstellung intelligenter Maschinen». Für Minsky war sie «die Wissenschaft, Dinge von Maschinen erledigen zu lassen, die Intelligenz erfordern würden, falls sie von einem Menschen erledigt werden.» (stanford.edu, britannica.com)

Bild: John McCarthy, der «Vater der künstlichen Intelligenz», an der Stanford University (jmc.stanford.edu)

Diese Definitionen haben sich in dieser oder leicht abgeänderter Form weiterhin behauptet. Eine weitere Definition ist diejenige von Gartner: «Künstliche Intelligenz wendet fortgeschrittene Analyseverfahren und auf Logik basierende Techniken an, inklusive maschinelles Lernen, um Ereignisse zu interpretieren, Entscheidungen zu unterstützen und automatisieren und Mass-nahmen zu ergreifen.» (gartner.com). Im erweiterten Sinn beschreibt künstliche Intelligenz jegliche Maschine, die irgendeine Form von menschlicher Assoziation aufweist – beispielsweise die Fähigkeit, zu lernen, oder Probleme zu lösen.

In der Literatur wird künstliche Intelligenz auf zwei Arten in verschiedene Typen unterteilt, jeweils anhand ihrer Ähnlichkeit zum menschlichen Verstand: Einerseits anhand ihrer Fähigkeiten in schwache, allgemeine und starke künstliche Intelligenz. Andererseits anhand ihrer konkreten Funktionalitäten in reaktive Maschinen, begrenzter Speicher, Theorie des Geistes und Selbsterkenntnis (siehe auch das Kapitel Morphologie). Die heute existierende künstliche Intelligenz ist schwach – sie hat begrenzte Fähigkeiten und dient der Lösung von konkreten Anwendungsproblemen. Jegliche bis heute bekannten Formen von AI fallen darunter. Alle weiteren Formen sind zurzeit noch Zukunftsmusik. Die beiden Arten reaktive Maschinen und begrenzter Speicher entsprechen beide ebenfalls schwacher künstlicher Intelligenz.

Im Folgenden wird für die Abkürzung von künstlicher Intelligenz die englische Schreibweise AI (Artificial Intelligence) verwendet.

Grundlagen der Artificial Intelligence

Die Geschichte von AI

Die Geschichte der künstlichen Intelligenz ist geprägt von Fantasien, Möglichkeiten, Demonstrationen und Versprechungen. Philosophen haben schon zu Zeiten der griechischen Mythologie die mögliche Existenz von intelligenten Maschinen als Hilfestellung zur Frage, was es heisst, menschlich zu sein, in Betracht gezogen. Science-Fiction Autoren, allen voran Jules Verne (im 19. Jahrhundert) und Isaac Asimov (im 20. Jahrhundert), aber auch L. Frank Baum mit Wizard of Oz, haben mit dem Potenzial von intelligenten Maschinen die Fantasie der Menschen für non-humane Intelligenz angeregt. Der Ursprung von konkreter AI entstand 1950, als Alan Turing den berühmten Turing-Test vorschlug: Kann ein Computer durch Kommunikation einen Menschen davon überzeugen, dass der Computer auch menschlich ist? Im gleichen Jahr haben Princeton-Studenten aus 300 Elektronenröhren und einer tragbaren Piloteneinheit das erste künstliche neuronale Netz (Artificial Neural Network, ANN) gebaut. 1956 wurde der Begriff Artificial Intelligence durch John McCarthy und weitere Wissenschaftler am Dartmouth College für die erste wissenschaftliche Konferenz zu diesem Thema verwendet. Im gleichen Jahr haben Forscher in den USA das erste AI-Computerprogramm erstellt. Martin Lee Minsky gründete dann Ende der 50er Jahre das AI Laboratory am MIT in Cambridge.

In den 70er Jahren nahmen die Investitionen in AI, bisher hauptsächlich durch die US-Regierung, aufgrund fehlender konkreter Anwendungsfälle aber ab. In den 1980er-Jahren wurde unter anderem das erste autonome Fahrzeug entwickelt und 1997 besiegte das AI-Programm Deep Blue von IBM den Schachgrossmeister Gary Kasparov erstmal. Bis ins 21. Jahrhundert war AI aber aufgrund der überzogenen zuvor Erwartungen nicht mehr gross gefragt.

Erst im 21. Jahrhundert erlebte das Interesse an AI ein Revival. Aufgrund besserer Computer und mehr verfügbaren Datensätze sowie Fortschritten im Bereich Deep Learning nahm das Vertrauen in die Praktikabilität und damit Profitabilität von AI bei Investoren und Forschern wieder zu. Mittels verbesserter Algorithmen, die Muster in Bergen von Daten erkennen können, höheren Forschungsausgaben und leistungsfähigen Grafikprozessoren, die komplett neuartige mathematische Rechnungsleistungen erbringen können, haben die Fähigkeiten von AI seither massiv zugenommen.

Bild: Auswahl an Meilensteinen in der Geschichte von AI (eigene Darstellung – nicht abschliessend)

Stand heute

Auch heute nehmen die Investitionen in AI, insbesondere getrieben von den grossen Technologiefirmen wie Amazon, Apple, Baidu und Google, immer noch stark zu. 2016 betrugen die weltweiten Investitionen in AI noch zwischen rund 30 und 40 Milliarden USD. 2019 waren es schon über 70 Milliarden USD – der grösste Teil davon ging in die Forschung und Entwicklung von autonomen Fahrzeugen. Bei den PhD-Spezialisierungen Im Bereich Computerwissenschaften ist AI mittlerweile die populärste Disziplin. Mehr als jeder fünfte Abschluss in 2018 war dabei in AI oder Machine Learning spezialisiert. Obwohl AI mittlerweile mehr und mehr als Einnahmequelle dienen kann, nutzen nur wenige Firmen dieses Potenzial aus. Diese Pionierfirmen werden ihre Einnahmen aus der Nutzung in Anbetracht der Corona-Pandemie und der folgenden digitalen Welle voraussichtlich erhöhen, was zu einem starken Gefälle zwischen den AI-Leadern und der grossen Mehrheit der Firmen führen kann.

Aktuelle Trends

Gemäss der jährlichen Hype Cycle-Studie von Gartner, bei der die verschiedenen Phasen der öffentlichen Aufmerksamkeit einer neuen Technologie analysiert werden, befindet sich AI als Gesamtkonzept zurzeit gleich nach dem Gipfel der überzogenen Erwartungen und zu Beginn des «Tal der Enttäuschungen». Das bedeutet, dass die öffentliche Berichterstattung aufgrund Nicht-erfüllen der hohen und meist überzogenen Erwartungen der letzten Jahre stark abnehmen wird. Dennoch macht die Technologie weiter Fortschritte und wird sich Kinderkrankheiten entledigen. Auf lange Frist pendeln sich die Erwartungen bezüglich der Vorteile, aber auch der Grenzen von AI mit deren tatsächlichen Fähigkeiten ein. Zudem dominieren momentan zwei Megatrends die AI-Landschaft:

Megatrend 1: Demokratisierung von AI

Demokratisierung bedeutet, dass AI nicht mehr nur Sache von Fachexperten ist, sondern dass Unternehmen nun mittels AI den nächsten Schritt in ihrer Digitalisierungsstrategie erreichen wollen. Dazu gehört der verbreitete Einsatz von AI bei Kunden, Partnerfirmen sowie Mitarbeitenden für verschiedenste Aufgabengebiete.

Megatrend 2: Industrialisierung von AI-Plattformen

Die Industrialisierung von AI ermöglicht die Wiederverwertung, Skalierbarkeit und Sicherheit von AI – was wiederum dessen Akzeptanz und Wachstum erhöht. In den Fokus rücken hier z.B. die verantwortungsvolle AI sowie Kontrolle über AI. Dabei werden konkrete Prozesse etabliert, welche sich mit den Risiken von AI in Bezug auf Compliance und Datenschutz befassen.

Bild: Gartner Hype Cycle für AI, 2020 (www.gartner.com)

Morphologie

AI deckt eine breite Palette an Technologien und Applikationen ab, wobei einige davon lediglich Erweiterungen von früheren Techniken sind, während andere komplett neu entstehen. Zudem wird AI auf zwei Arten der Differenzierung in insgesamt sieben verschiedene Typen unterteilt:

Bild: Kategorisierung von AI (eigene Darstellung)

Einerseits wird anhand der Fähigkeiten der künstlichen Intelligenz in Relation zum Menschen unterschieden. Schwache AI oder Artificial Narrow Intelligence bezieht sich dabei auf Maschinen, die dem Menschen in punkto Intelligenz weit hinterher sind. Sie sind programmiert für die Lösung eines einzelnen spezifischen Problems mittels menschenähnlicher Fähigkeiten, können aber sonst nichts. Diese Technologien fallen unter die Kategorie Maschinelles Lernen, was nichts anderes bedeutet, als dass die Maschine auf Basis von Tausenden von Inputs lernt. Ein Beispiel ist Fotoerkennungs-AI: Wenn einem Computer Tausende oder gar Millionen von Bildern von Hunden gezeigt werden, wird er mit der Zeit lernen, wie ein Hund aussieht und diesen auch eigenhändig auf Bildern erkennen. Alle uns heute bekannten Anwendungen von AI sind schwache AI. Allgemeine AI oder Artificial General Intelligence beschreibt eine Maschine, die in allen Aspekten gleich intelligent ist wie ein Mensch. Sie lernt wie ein Mensch, nimmt Dinge gleich wahr, versteht und funktioniert wie ein Mensch. Diese Technologie, auch als Maschinelle Intelligenz beschrieben, ist noch Zukunftsmusik. Einzelne Wissenschaftler behaupten aber, dass bereits 2060 mit der Erreichung von Artificial General Intelligence zu rechnen ist. Starke AI oder Artificial Super Intelligence liegt noch weiter in der Zukunft und beschreibt eine hochintellektuelle Maschine, die den Menschen in beinahe allen Bereichen überlegen ist. Diese Technologie wird oft in Science-Fiction Filmen dargestellt, liegt aber noch weit ausserhalb des heute erreichbaren.

Bei der zweiten Differenzierung wird AI anhand ihrer Funktionalitäten und Ähnlichkeit zum Menschen unterschieden. Reaktive Maschinen stellen die älteste Form von AI-Systemen dar und weisen sehr beschränkte Fähigkeiten auf. Sie haben keine Speicher-basierte Funktionalität und können daher auch nicht aus vorherigen Erfahrungen lernen, sondern lediglich automatisch auf eine limitierte Kombination von Inputs reagieren. Ein Beispiel für eine reaktive AI-Maschine ist der Schachcomputer Deep Blue, der den Grossmeister Garry Kasparov 1997 besiegte.

Maschinen mit begrenztem Speicher haben zusätzlich zu diesen Funktionalitäten noch die Fähigkeit, aus historischen Daten zu lernen und somit ihre Entscheidungen über die Zeit anzupassen. Diese Systeme werden mit grossen Datenmengen gefüttert, die in ihrem Speicher zu einem Referenzmodell für Problemlösungen kombiniert werden. Beinahe alle heutigen AI-Applikationen, von Chatbots über virtuelle Assistenten zu autonomen Fahrzeugen, sind durch AI mit begrenztem Speicher betrieben.

Theorie des Geistes stellt die nächste Evolutionsstufe dar und existierte heute lediglich als Konzept. Dabei werden neben den erwähnten Fähigkeiten auch Emotionen, Bedürfnisse, Glauben und Gedankengänge in den Maschinen entstehen. Diese Maschinen sollen den Menschen «verstehen» können. Selbsterkenntnis ist die finale Stufe der AI-Entwicklung und wird oft von Schwarzsehern als potenzieller Untergang der Menschheit prophezeit. Da eine selbstbewusste Maschine von sich aus auf Ideen wie die Selbsterhaltung kommen kann, ist diese Furcht auch nicht ganz unbegründet. Dennoch sind wir noch Jahrzehnte, wenn nicht Jahrhunderte, von der Realisierung von selbstbewussten Maschinen entfernt.

Anwendungsgebiete im Bau

Während andere Sektoren, insbesondere im Technologiebereich, AI bereits gewinnbringend einsetzen, ist in der Baubranche diesbezüglich noch nicht viel passiert. Das tiefe Produktivitätswachstum der letzten Jahrzehnte – rund 1% pro Jahr, deutlich weniger als das weltweite Wachstum der Gesamtproduktivität von 2.8% pro Jahr – ist mitunter auch ein Zeichen von fehlender Adaptation an neue Umstände und technische Möglichkeiten. Es stellt sich daher die Frage, ob und wie AI auch im Bau gewinnbringend eingesetzt werden kann, um diesen Trend zu durchbrechen. Laut Einschätzung von McKinsey ist zwar in naher Zukunft nicht mit einer grossen Verbreitung von AI im Bau zu rechnen. Dies, weil viele Firmen – trotz teilweise hohem Return on Investment auf AI-Investitionen – die Fähigkeiten für den Einsatz von AI (Personal, Prozesse und Tools) nicht haben. Dennoch lässt sich der Einfluss von AI auf Geschäftsprozesse auch im Bau nicht mehr länger ignorieren. Laut Prognosen wird der Markt der künstlichen Intelligenz im Bau bis 2026 weltweit rund 4.5 Milliarden USD erreichen. Bei einem globalen Marktvolumen von rund 430 Milliarden USD also etwa 10% an der gesamten Bauindustrie.

Verwandte Industrien (z.B. Transport, Warenproduktion) sind dabei, die bestehenden Barrieren untereinander abzubauen und immer mehr als verbundene Ökosysteme miteinander zu agieren. Dies erhöht die Wahrscheinlichkeit von Markteintritten in die Bauindustrie durch nicht-traditionelle Player. Die Eintrittsbarriere im Bau ist aufgrund des simplen Geschäftsmodells (Segmente, Aktivitäten, geografische Ausrichtung) ohnehin schon relativ tief im Bau. Diese Industrien haben zudem bereits einen Vorsprung im Einsatz von AI. Es lohnt sich daher, den Einfluss von AI auf das Bauhauptgewerbe einmal genauer zu analysieren.

Anwendungsfälle von AI im Bau

Der Einsatz von AI im Bauhauptgewerbe ist im Vergleich mit anderen Industrien noch sehr tief. Zudem sind die geplanten Investitionen in AI über die nächsten Jahre in den meisten Industrien höher. Einige Gründe dafür haben wir bereits angesprochen (zu wenig Ressourcen, fehlendes Knowhow). Ein weiterer Grund ist, dass AI-Algorithmen auf vergangenen Erfahrungen basieren und darum eine gewisse kritische Grundmasse an Daten benötigen, um gewinnbringend eingesetzt werden zu können. Unternehmen benötigen also grosse Mengen an Daten – in diesem Fall sind das Bauprojekte – um einen AI-Algorithmus entsprechend trainieren zu können. Dies fällt grossen Bauunternehmen deutlich einfacher als den vielen kleineren und mittleren Unternehmen, die insbesondere das Schweizer Bauhauptgewerbe ausmachen.

Auf bisher mehrheitlich globaler Ebene gibt es trotz der tiefen Marktreife im Bau einige Unternehmen, die AI für die folgenden Anwendungsfälle einsetzen.

Bild: Anwendungsfälle von AI im Bau (eigene Darstellung)

1) Optimierung der Projektplanung und Risikominimierung

Bauprojekte bergen erhebliche Risiken in den Bereichen Qualität, Sicherheit, Zeit und Kosten. Unberechenbare externe Einflüsse wie das Wetter erhöhen diese Risiken. Unternehmen wie die englische Firma nPlan nutzen AI und Machine Learning, um die Optimierung der Projektplanung durch kontinuierliche Simulierung von Millionen von Alternativen für den Projektablauf zu unterstützen. Dabei werden historische Daten wie geplante Start- und Enddaten sowie Kosten durch prädiktive Modelle für die Vorhersage von realistischen Timelines und Gesamtkosten für zukünftige Projekte verwendet. Der Gesamtprojektplan kann so stets den neusten Umständen angepasst werden.

Bild: Präzisere Projektplanung durch intelligente Datenanalyse (www.nPlan.io)

2) Intelligente Drohnen

Beim kalifornischen Unternehmen Skycatch werden Drohnen mit AI für den zukünftigen Einsatz auf Baustellen trainiert. Mit dem Endziel vollautomatisierte Baustelle im Sinn wird den Drohnen schrittweise beigebracht, wie eine Baustelle funktioniert. Zuerst wurden individuelle Elemente der Baustelle identifiziert – Kranen, Lagerbestände, Menschen, etc. Dann lernte die Drohne die individuellen Teile der Maschinen zu identifizieren, gefolgt von Handlungen, dann Handlungsabläufe, Abläufe im Kontext, usw. In Zukunft sollen diese erlernten Fähigkeiten eingesetzt werden, um Baustellen effizienter und produktiver zu machen. Zudem wird die Arbeitssicherheit erhöht: Potenzielle Gefahrenzustände wie fehlende Schutzkleidung oder unsichere Strukturen können durch die Bilderkennungssoftware identifiziert werden.

Bild: Drohnen mit Bilderkennungssoftware auf der Baustelle (www.skycatch.com)

3) Generatives Design

Generatives Design stellt eine der grössten Stärken von AI dar: Die Fähigkeit, viele verschiedene Variationen eines Modells zu untersuchen, um die beste Option zu finden. Eingesetzt wird es bisher erst in der Fertigung, aber Unternehmen wie Alice Technologies arbeiten an der Einführung im Bau, und zwar in Kombination mit BIM. Dabei wird das 3D-Gebäudemodell durch einen Machine Learning-Algorithmus erzeugt, wodurch wesentlich Arbeitsschritte wie konstruktive Bemessungen jenseits der Auslegung entfallen. Der Algorithmus untersucht dabei alle möglichen Variationen einer Lösung und kreiert stabilere oder günstigere Alternativen für das Design. Auch potenzielle Konflikte zwischen den verschiedenen Gebäudeteilen, Elektroinstallationen und Rohrleitungen können damit vermieden werden.

4) Nachhaltige Bauprojekte dank AI

Das britische Startup Qualis Flow nutzt Machine Learning für die Analyse und Überwachung von Umweltdaten auf Baustellen. Die Plattform analysiert Daten zur Nachhaltigkeit von Bauprojekten und prognostiziert Risikofaktoren in Bezug auf die Umwelt. Zudem wird die Einhaltung der Nachhaltigkeitsrichtlinien permanent überwacht und bei potenziellen Konflikten wird sofort ein Alarm ausgelöst. Da die Plattform komplett in der Cloud ist, besteht für alle Beteiligten uneingeschränkter Zugriff auf alle Daten.

5) Autonome Maschinen

Bereits jetzt sind autonom arbeitende Bulldozer und Bagger Realität – z.B. von der Firma Built Robotics. Diese können theoretisch rund um die Uhr arbeiten, was den Projektfortschritt stark beschleunigt. In Zukunft können auch autonome Maurerroboter, mobile Kleinroboter und sogar menschenähnliche Bauroboter eingesetzt werden. Fortgeschrittene Roboter werden durch AI gesteuert und werden durch die Lernerfahrung mit der Zeit immer präziser in ihrer Ausführung.

6) Intelligente Problemerkennung

Da sich AI bestens dazu eignet, historische Daten zu analysieren und daraus Prognosen zu zukünftigen Ereignissen bzw. Wahrscheinlichkeiten abzuleiten, können diese Daten z.B. zur Vorhersage von Baumängeln genutzt werden. Oder es werden über Sensoren, z.B. mit dem CAT Flottenmanagement, grosse Datenmengen von Baumaschinen gesammelt und mittels künstlicher Intelligenz Prognosen zu zukünftigen Schäden durch Abnutzung, Auslastung, usw. erstellt.

Zukünftige Anwendungsfälle von AI aus anderen Branchen

Mit Machine Learning, Natural Language Processing (die Verarbeitung der natürlichen Sprache) und Robotik vereint AI mehrere Technologien und Use Cases, die in anderen Branchen bereits verwendet werden und in Zukunft auch im Bau Anwendung finden können.

Algorithmen zur Transportwegoptimierung

Transportunternehmen nutzen bereits jetzt AI zur Optimierung von Transportwegen. Diese Technologie wird ausserdem weiter verbessert – in Zukunft sollen die Berechnungen noch genauer werden sowie Aspekte wie den Benzinpreis miteinbeziehen können. Eine derartige Technologie könnte demnach direkt in die Projektplanung im Bau einbezogen werden und auf Basis von ähnlichen Projekten die besten Transportwege berechnen.

Optimierung der Logistik im Detailhandel

AI hat im Detailhandel bereits massive Vorteile durch Verringerung der Stillstandszeit bei der Produktion, Reduktion des Überbestands und Erhöhung der Vorhersehbarkeit bei Lieferungen erbringen können. Da im Bau die Modularisierung und Voranfertigung immer wichtiger werden, kann diese Technologie potenziell direkt im Bau angewendet werden.

 

Moritz Lüscher leitet seit 2020 branchenweite Projekte zur digitalen Transformation beim Schweizerischen Baumeisterverband. In dieser Rolle analysiert er auch aktuelle Trends und deren Einfluss auf die Baubranche. Er verfügt über mehrjährige Erfahrung in der Unternehmensberatung im Bereich Business Process Excellence und Digital Transformation und war schon in verschiedenen Industrien tätig. Linkedin

 

 


Quellen

Gartner (2020). “2 Megatrends Dominate the Gartner Hype Cycle for Artificial Intelligence”

https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/

 

J. Bughin et al. (2017). “Artificial Intelligence – The Next Digital Frontier?” McKinsey Global In-stitute Discussion Paper

 

B. Buchanan (2006). “A (very) brief history of artificial intelligence” AI Magazine Volume 26 Number 4

 

McKinsey (2020). “The state of AI in 2020” McKinsey.com

https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/global-survey-the-state-of-ai-in-2020

 

N. Joshi (2019). “7 Types of Artificial Intelligence” Forbes.com

https://www.forbes.com/sites/cognitiveworld/2019/06/19/7-types-of-artificial-intelligence/

 

K. Johnson (2019). “AI Index 2019 assesses global AI research, investment, and impact” In refer-ence to the AI Index Annual Report 2019

https://venturebeat.com/2019/12/11/ai-index-2019-assesses-global-ai-research-investment-and-impact/

 

https://www.britannica.com/biography/Marvin-Lee-Minsky

 

https://codebots.com/artificial-intelligence/the-3-types-of-ai-is-the-third-even-possible

 

https://research.aimultiple.com/artificial-general-intelligence-singularity-timing/

 

N. Josi (2019). “How Far Are We From Achieving Artificial General Intelligence?” Forbes.com

https://www.forbes.com/sites/cognitiveworld/2019/06/10/how-far-are-we-from-achieving-artificial-general-intelligence/?sh=151014c46dc4

 

J. Blanco et al. (2018). “Artificial intelligence: Construction technology’s next frontier” McKin-sey.com

https://www.mckinsey.com/business-functions/operations/our-insights/artificial-intelligence-construction-technologys-next-frontier

 

S. Rao (2019). “The Benefits of AI In Construction” Constructible/Trimble

https://constructible.trimble.com/construction-industry/the-benefits-of-ai-in-construction

 

D. Chen (2019). “Big Data, Little Drones: How UAVs are Changing the World of AI” Skycatch.com

https://blog.skycatch.com/big-data-little-drones-how-uavs-are-changing-the-world-of-ai

 

https://www.globenewswire.com/news-release/2019/07/23/1886563/0/en/Artificial-Intelligence-AI-in-Construction-Market-to-Reach-USD-4-51-Billion-By-2026-Reports-And-Data.html

 

https://www.planradar.com/ch/ki-im-bauwesen/

Autor: Moritz Lüscher

Artikel teilen