Wir begegnen künstlicher Intelligenz nahezu täglich. Sei es bei selbstfahrenden Autos, Gesichts-, Bild- oder Spracherkennung, personalisierter Werbung, individuell abgestimmten Musikvorschlägen, Smart Homes, Wetter- und Sportberichten oder beim Einkaufen. Die hierbei eingesetzten neuronalen Netze ermöglichen auf Basis effizienter Datenanalysen das Erstellen von effektiven Vorhersagen, welche den menschlichen Alltag wesentlich erleichtern.
Aus diesem Grund setzen mittlerweile zahlreiche Branchen wie beispielsweise die Medizin, der Verkauf oder die Automobilindustrie auf künstliche Intelligenz, um Arbeitsprozesse zu verbessern. Der Baubetrieb und die Bauwirtschaft greifen bisher noch vergleichsweise wenig auf die Potenziale neuronaler Netze zurück.
Um den Weg der künstlichen Intelligenz auf die Baustelle zu ebnen, verfolgt die vorliegende Arbeit das Ziel, einen ganzheitlichen Ansatz für die Anwendung neuronaler Netze aufzuzeigen, welcher alle notwendigen Schritte von der Datenerhebung bis hin zur Modellbildung beinhaltet. Hierfür werden zunächst die theoretischen Grundlagen erläutert und anhand ausgewählter Prognosebeispiele, welche die Wichtigkeit der Verteilungsanalyse von Trainings- und Testdaten hervorheben, vertieft. Anschließend stehen sowohl bauferne als auch baubetriebliche und bauwirtschaftliche Einsatzmöglichkeiten im Fokus der Betrachtung, wobei die Inputparameterauswahl für Vorhersagen des Gesamt-Aufwandswertes und der Produktivitätsverluste eine tiefergehende Betrachtung erfährt.
Basierend auf einer umfassend durchgeführten Literaturrecherche wird gezeigt, dass ein wesentlicher Grund, weshalb künstliche Intelligenz bei Kosten-, Dauer- oder Produktivitätsprognosen bisher keine breite