KÜNSTLICHE INTELLIGENZ - · PDF fileVIRTUELLER AVATAR DER IMMOBILIE 24.03.2017 4 Eine...

KÜNSTLICHE INTELLIGENZ……und was das mit Immobilien zu tun hat.

DOKUMENTE, DOKUMENTE, DOKUMENTE…

24.03.2017 www.architrave.de 2

Status Quo

Property Management

@

Asset Management

@

Facility Management

@

DOKUMENTE, DOKUMENTE, DOKUMENTE…

24.03.2017 www.architrave.de 3

Status Quo

Fonds-management

Bieter Gutachter,Bewerter

Banken Regulation(z.B. BaFin)

? ? ? ? ?

Property Management

@

Asset Management

@

Facility Management

@

VIRTUELLER AVATAR DER IMMOBILIE

24.03.2017 www.architrave.de 4

Eine zentrale Ablage für alle Beteiligten

Fonds-management

Bieter Gutachter,Bewerter

Banken Regulation(z.B. BaFin)

Property Management

Asset Management

Facility Management

Architrave

A

B

C

KÜNSTLICHE INTELLIGENZ…

24.03.2017 www.architrave.de 5

…und was das mit Immobilien zu tun hat.

Real Estate(Status Quo)

Real Estate 2030

KÜNSTLICHE INTELLIGENZ

24.03.2017 www.architrave.de 6

Machine Learning, Deep Learning

ARIT IF ICIAL INTELLIGENCE

Early artificial Intelligencestirs excitement. MACHINE

LEARNING

Machine Learning beginsto flourish. DEEP

LEARNING

Hardware availability drives Deep Learning breakthroughs

I I I I I I I1950’s 1960’s 1970’s 1980’s 1990’s 2000’s 2010’s

Supervised

Unsupervised

Reinforcement

KÜNSTLICHE INTELLIGENZ

24.03.2017 www.architrave.de 7

Das Ziel: Automatisierung

3. Automate2. Assist1. Simplify

KLASSIFIZIERUNG

24.03.2017 www.architrave.de 8

Status Quo: Sortierung per Hand

Index 1 Index 2

KLASSIFIZIERUNG

24.03.2017 www.architrave.de 9

Imagine…

Index 1 Index 2Dokumentenklassen

KLASSIFIZIERUNG

24.03.2017 www.architrave.de 10

Automatisierte Sortierung

Dokumentenklassen

Index 1 Index 2

Classifier

Trainingdata Knowhow

PreprocessingAutocorrection

- Class “Grundbuchauszug”

- Confidence: 97%Extract text Classifier

MACHINE LEARNING

24.03.2017 www.architrave.de 11

Hintergrund

MACHINE LEARNING

24.03.2017 www.architrave.de 12

Leistung

• ~ 90% Genauigkeit• ~ 5000 Dokumente am Tag• Fehler beschränken sich auf wenige Klassen

Herausforderungen:• Textbasierte Klassifikation hat Grenzen• Schlechte Scanqualität• Überflüssige und irrelevante Dokumente

MACHINE LEARNING

1. Definition von 300 gängigen

Dokumentenklassen

2. Priorisierung der Legal DD relevanten

Klassen

24.03.2017 www.architrave.de 13

Neue Möglichkeiten am Beispiel Legal DD

3. Zusammenführung 4. Lücken

Lücken Prio 1:

• A0703 Baulasten

• A0900 Nachbarschaftsvereinbarungen

• A1900 Nutzungsgenehmigung

• A3105 Umwelt Due Diligence

• A3903 Pachtvertrag

• A4302 Mietminderung

• A4400 Kündigungen Mietverträge

• A4602 Mängelrügen

• A5700 Rechtsstreitigkeiten

• A5800 Objektbezogene Arbeitsverträge

• A5900 Zusatzinformationen für Spezialimmobilien

Dok.

Todo !

Prio Prio Prio

BEISPIELE FÜR INFORMATIONSEXTRAKTION

24.03.2017 www.architrave.de 14

Potenzielle Analysefelder

Bauprozess und Baumängel

• Bauantrag / Bau

• Management von Baumängeln

• Gewährleistungen, Gewährleistungsbürgschaften

Potentiale

• Flächenreserven, Nachverdichtungspotentiale

Eigenschaften von Immobilien

• Denkmalschutz

• Altlasten

• Technische Ausstattung

Gegenstandspezifisches Vertragsmanagement

• Wartungsverträge

• Mietvertragsmanagement

• Versorgermanagement

Datenvalidierung

• Vergleich mit Daten aus dem ERP System

STANDARDISIERUNG

24.03.2017 www.architrave.de 15

STANDARDISIERUNG

24.03.2017 www.architrave.de 16

Initiative Digitales Immobilienmanagement

STANDARDISIERUNG

24.03.2017 www.architrave.de 17

Die Zukunft: Datenräume, die sich selber befüllen

MV_HB006.doc

MV_HB006.doc

Vorsystem A

Vorsystem B

Vorsystem C Vorsystem D

Vorsystem E

DER GROSSE WURF

24.03.2017 www.architrave.de 18

Jedes Asset hat einen virtuellen Avatar

Plattform A

Plattform B

Kauf

Verkauf

Bestand

Asset Management

Facility Management

24.03.2017 www.architrave.de 19

VIELEN DANK!