Multimodal Modular Chain of Thoughts in Energy Performance Certificate Assessment

Diese Studie stellt einen kosteneffizienten Multimodal Modular Chain of Thoughts (MMCoT)-Ansatz vor, der Vision-Language-Modelle nutzt, um durch dekomponierte, strukturierte Schlussfolgerungen die Energieeffizienzklasse von Gebäuden aus begrenzten visuellen Daten genauer zu schätzen als herkömmliche Prompting-Methoden.

Das Wesentliche

Das Problem: Der teure Energie-Check

Stellen Sie sich vor, Sie wollen wissen, wie energieeffizient ein Haus ist. Dafür gibt es im Englischen das EPC (Energy Performance Certificate). Das ist wie ein „Nährwert-Label" für Gebäude, das anzeigt, ob das Haus ein Energie-Verbrauchsmonster (Klasse G) oder ein Energiesparwunder (Klasse A) ist.

Das Problem: Um dieses Label zu bekommen, muss ein teurer Experte mit einem Koffer voller Messgeräte zum Haus kommen, alles abmessen und Daten eingeben. Das kostet viel Geld und Zeit. In vielen Teilen der Welt kann sich das niemand leisten, oder es gibt gar keine Experten vor Ort. Ohne diese Daten können wir nicht wissen, welche Häuser saniert werden müssen, um das Klima zu schützen.

Die Lösung: Ein KI-Assistent, der „schlau nachdenkt"

Die Forscher Zhen Peng und Peter J. Bentley haben eine clevere Idee entwickelt: MMCoT (Multimodal Modular Chain of Thoughts).

Stellen Sie sich diese KI nicht als einen riesigen, alles wissenden Superhirn vor, das einfach nur ein Foto sieht und sofort die Antwort schreit. Das funktioniert bei komplexen Aufgaben wie dem EPC oft nicht gut. Stattdessen haben sie die KI wie einen guten Handwerker mit einer Checkliste trainiert.

Wie funktioniert das? (Die „Kette der Gedanken")

Statt das Haus auf einen Schlag zu bewerten, geht die KI in fünf kleinen Schritten vor, genau wie ein Experte, der sich Notizen macht:

1. Schritt 1: Das Alter schätzen.

   • Die Aufgabe: Die KI schaut sich das Foto der Fassade an. Ist es ein altes Backsteinhaus oder ein moderner Betonklotz?
   • Der Trick: Sie bekommt hier ein paar Beispielfotos (wie ein Lehrbuch) gezeigt, um zu lernen, wie alte und neue Häuser aussehen.
   • Das Ergebnis: „Das Haus ist wahrscheinlich aus den 1950ern."

2. Schritt 2: Die Fenster prüfen.

   • Die Aufgabe: Die KI schaut sich ein Foto der Fenster an. Sind sie einfach oder doppelt verglast?
   • Der Clou: Die KI weiß jetzt schon, dass das Haus aus den 1950ern ist (aus Schritt 1). Das hilft ihr! Ein Haus aus den 50ern hat oft andere Fenster als eines aus den 2020ern. Sie nutzt die Information aus Schritt 1 als Hinweis, aber schaut trotzdem genau hin.

3. Schritt 3: Die Heizung finden.

   • Die Aufgabe: Die KI sucht auf Fotos nach Heizkörpern oder Öfen.
   • Der Clou: Sie kombiniert wieder alles: „Es ist ein altes Haus (Schritt 1) mit bestimmten Fenstern (Schritt 2), also ist es wahrscheinlich eine alte Gasheizung und nicht eine moderne Wärmepumpe." Auch hier bekommt sie wieder Beispielfotos zur Hilfe.

4. Schritt 4: Das Licht checken.

   • Die Aufgabe: Schaut die KI auf Fotos von Innenräumen, sieht sie moderne LED-Lampen oder alte Glühbirnen?

5. Schritt 5: Die Gesamtbewertung.

   • Die Aufgabe: Jetzt fasst die KI alle ihre kleinen Notizen zusammen. „Altes Haus + alte Fenster + alte Heizung + alte Lampen = Wahrscheinlich Klasse E."
   • Sie nutzt alle vorherigen Schritte, um eine fundierte Gesamtschätzung abzugeben.

Warum ist das besser als andere Methoden?

Frühere KI-Versuche haben versucht, das Haus auf einen Schlag zu bewerten („Schau auf das Bild, sag mir die Klasse!"). Das war wie ein Schüler, der eine Matheaufgabe lösen soll, ohne den Rechenweg aufzuschreiben. Oft rät er falsch.

Die neue Methode (MMCoT) ist wie ein Schüler, der seine Arbeit zeigt. Er rechnet Schritt für Schritt. Wenn er bei Schritt 1 (Alter) einen kleinen Fehler macht, kann er das in Schritt 5 (Gesamtbewertung) teilweise korrigieren, weil er die Logik der einzelnen Schritte versteht.

Das Ergebnis: Günstig und clever

Die Forscher haben das an 81 Häusern in Großbritannien getestet.

• Kosten: Ein echter Experte kostet vielleicht 100 Euro. Diese KI kostet pro Haus nur etwa 5 Cent (in Form von Rechenleistung).
• Genauigkeit: Sie ist deutlich besser als andere KI-Modelle, die nur „raten".
• Fehler: Wenn die KI falsch liegt, liegt sie meistens nur einen Schritt daneben (z. B. Klasse D statt Klasse C), nicht komplett daneben (z. B. Klasse D statt Klasse A). Das ist für eine erste Einschätzung völlig in Ordnung.

Fazit

Diese Forschung ist wie ein digitaler Energie-Berater für die Armen. Sie braucht keine teuren Messgeräte und keine großen Datenbanken. Sie nimmt ein paar Fotos vom Handy, denkt logisch Schritt für Schritt nach und gibt eine gute Einschätzung ab. Das hilft, Millionen von Häusern weltweit zu identifizieren, die saniert werden müssen, um das Klima zu retten – und das ganz ohne teure Experten vor Ort.

Technische Zusammenfassung

1. Problemstellung

Die genaue Bewertung der Energieeffizienz von Gebäuden ist in Regionen mit begrenzten Daten und Ressourcen eine große Herausforderung. Offizielle Energieausweise (Energy Performance Certificates, EPC) erfordern in der Regel teure Vor-Ort-Inspektionen durch zertifizierte Experten oder detaillierte strukturierte Datensätze für datengetriebene Machine-Learning-Modelle.

• Datenknappheit: In vielen Entwicklungsländern oder bei älteren Gebäuden fehlen zuverlässige Daten, was die Anwendung traditioneller Methoden unmöglich macht.
• Komplexität der EPC-Bewertung: Die EPC-Bewertung ist eine mehrstufige, hierarchische Aufgabe, bei der das Endergebnis von mehreren interdependenten Attributen (z. B. Baujahr, Fensterart, Heizsystem) abhängt.
• Limitationen aktueller VLMs: Herkömmliche Vision-Language-Modelle (VLMs) scheitern bei standardisierten „Instruction-Prompting"-Ansätzen oft an der Komplexität solcher Mehrklassen-Klassifizierungsaufgaben, da sie Attribute oft isoliert betrachten und keine explizite gemeinsame Schlussfolgerung über mehrere Merkmale hinweg durchführen.

2. Methodik: Multimodal Modular Chain of Thoughts (MMCoT)

Das Paper stellt MMCoT vor, ein kosteneffizientes Framework, das VLMs nutzt, um EPC-Vorbewertungen ausschließlich auf Basis begrenzter visueller Informationen (Fotos) durchzuführen. Der Kernansatz ist die Zerlegung der komplexen Bewertungsaufgabe in eine sequenzielle Kette von Teilaufgaben mit expliziter Informationsweitergabe.

Architektur und Ablauf:
Das Framework führt die Bewertung in fünf aufeinanderfolgenden Stufen durch, wobei die Ergebnisse früherer Stufen als strukturierter Kontext („Chain Propagation") in nachfolgende Stufen eingespeist werden:

1. Baujahr-Schätzung: Basierend auf Außenfassaden-Fotos. Hier werden multimodale Few-Shot-Beispiele (Referenzbilder für verschiedene Baujahre) verwendet, um die visuelle Diskriminierung zu stabilisieren.
2. Fenstermerkmale: Schätzung der Verglasung (Einfach-, Doppel-, Dreifachverglasung) unter Berücksichtigung des vorhergesagten Baujahrs.
3. Heizsystem-Identifikation: Klassifizierung des Heizsystems (z. B. Kessel, elektrisch, Kamin) basierend auf Innen-/Außenfotos und den vorherigen Attributen. Auch hier werden Few-Shot-Beispiele genutzt.
4. Beleuchtungseffizienz: Schätzung des Anteils energieeffizienter Beleuchtung basierend auf Innenfotos und Kontextdaten.
5. EPC-Rating-Inferenz: Zusammenführung aller vorherigen Attribute und visueller Hinweise zur finalen Vorhersage des EPC-Ratings (Klassen A–G).

Schlüsselkomponenten:

• Modulare Kette (Chain Propagation): Intermediate Vorhersagen (z. B. Baujahr) werden nicht nur als Rohdaten, sondern als kontextuelle „schwache Priors" (weak priors) in die Prompts der nächsten Stufe integriert. Dies erlaubt dem Modell, logische Abhängigkeiten zu nutzen, ohne die visuelle Evidenz zu überschreiben.
• Multimodale Few-Shot-Exemplare: An kritischen Punkten (Baujahr, Heizung), wo visuelle Unterscheidung schwierig ist und keine standardisierten Annahmen greifen, werden Referenzbilder als visuelle Anker eingefügt.
• Strukturierte Prompts: Ein einheitliches Prompt-Template steuert den Prozess, wobei spezifische Anweisungen für jede Stufe und die Nutzung der propagierten Informationen definiert sind.

3. Wichtige Beiträge

• Neuer Ansatz für Datenknappheit: Entwicklung eines Frameworks, das ohne umfangreiche Trainingsdaten auskommt und auf Few-Shot/Zero-Shot-Fähigkeiten von VLMs setzt.
• Strukturelle Zerlegung: Erstmals wird die EPC-Bewertung als explizite, gestaffelte Inferenzkette modelliert, die die logische Struktur offizieller Bewertungsverfahren (wie RdSAP im UK) nachahmt, anstatt eine End-to-End-Vorhersage zu versuchen.
• Kombination von Techniken: Die erfolgreiche Integration von Chain-of-Thought-Logik (Kettenpropagation) mit multimodalen Few-Shot-Learning-Techniken in einem einzigen Prompt-System.
• Kosteneffizienz: Das System ermöglicht eine Vorbewertung für ca. 5 US-Cent pro Objekt, im Vergleich zu hunderten Euro für Expertenbewertungen.

4. Ergebnisse

Die Methode wurde an einem Datensatz von 81 Wohnimmobilien im Vereinigten Königreich evaluiert.

• Vergleich mit Baselines: MMCoT übertraf signifikant alle Baselines, darunter:
  • Eine regelbasierte Näherung (EPCTK/RdSAP).
  • Zero-Shot CLIP und GPT-Modelle ohne Chain-Propagation.
  • Ein leichtgewichtiges Few-Shot-Modell (Logistische Regression auf CLIP-Embeddings).
• Metriken:
  • Genauigkeit & Recall: MMCoT zeigte die höchsten Werte in beiden Kategorien.
  • Mean Absolute Error (MAE): Der Fehler wurde von 1,988 (RdSAP-Baseline) auf 0,741 reduziert.
  • Fehleranalyse: Die meisten Fehler traten zwischen benachbarten Klassen auf (z. B. C statt D), was auf eine korrekte Erfassung der ordinalen Struktur hindeutet. Extreme Klassen (A und G) waren schwieriger zu unterscheiden.
• Ablationsstudie:
  • Die Chain-Propagation trug signifikant zur Verbesserung der EPC-Schätzung bei, zeigte aber gemischte Ergebnisse bei einzelnen Attributen (manchmal negative Effekte bei Fenstern).
  • Multimodale Few-Shots zeigten keine statistisch signifikante Verbesserung isoliert, unterstützten aber indirekt die Gesamtperformance, insbesondere beim Baujahr.
  • Ein Kontrollexperiment mit zufälligen propagierten Daten bestätigte, dass die korrekte Weitergabe von Informationen essenziell für den Erfolg ist.

5. Bedeutung und Ausblick

• Entscheidungsunterstützung: MMCoT ist nicht als Ersatz für offizielle Zertifizierungen gedacht, sondern als kostengünstiges Tool für frühe Screening-Prozesse, Bewusstseinsbildung und großflächige Analysen in datenarmen Regionen.
• Skalierbarkeit: Da keine Experten vor Ort und keine großen Trainingsdatensätze benötigt werden, ist der Ansatz hochskalierbar.
• Limitationen: Die Studie basiert auf einer kleinen Stichprobe (81 Objekte) und UK-spezifischen Daten. Die Generalisierung auf andere Regionen und Gebäudearten sowie die Integration weiterer Datenquellen (z. B. Satellitenbilder) sind Gegenstand zukünftiger Forschung.

Fazit: Das Paper demonstriert, dass durch die Nachahmung menschlicher, gestaffelter Denkprozesse (Chain of Thoughts) in Verbindung mit multimodalen Referenzen Vision-Language-Modelle in der Lage sind, komplexe Gebäudeenergiebewertungen auch unter extremen Datenbeschränkungen präzise und kosteneffizient durchzuführen.