🤖 AI

Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification

Dieses Paper stellt Brick-DICL vor, ein neuartiges zweistufiges dynamisches In-Context-Learning-Framework, das Metadata-RAG, Class-RAG und Multi-LLM-Filtering nutzt, um die Zuordnung diverser Building-Management-System-Points zum standardisierten Brick-Schema zu automatisieren und die Genauigkeit signifikant zu verbessern, wodurch Herausforderungen im Zusammenhang mit einer hohen Anzahl an Klassen, begrenztem Domänenwissen und manuellem Verifizierungsaufwand überwunden werden.

Ursprüngliche Autoren: Yiyue Qian, Shinan Zhang, Huan Song, Negin Sokhandan, Hannah Marlowe, Diego Socolinsky

Veröffentlicht 2026-06-17

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yiyue Qian, Shinan Zhang, Huan Song, Negin Sokhandan, Hannah Marlowe, Diego Socolinsky

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie besitzen eine riesige Bibliothek mit Gebäudedaten, aber jedes Gebäude spricht eine andere Sprache. Ein Gebäude nennt einen Sensor „Temp_Sensor_01“, ein anderes „AHU_Room_Temp“ und ein drittes schreibt einfach nur „Zone 4 Heat“. Das ist das Problem mit Gebäudemanagementsystemen (BMS). Sie sind die Gehirne moderner Gebäude, aber da verschiedene Hersteller ihre eigenen chaotischen, nicht standardisierten Bezeichnungen verwenden, ist es unglaublich schwierig, sie alle miteinander zu verbinden, um Energie zu sparen oder die Leistung zu analysieren.

Um dies zu lösen, haben Experten ein „universelles Wörterbuch“ namens Brick Schema entwickelt. Es enthält fast 1.000 spezifische Kategorien (wie „Air Handling Unit“ oder „Discharge Air Temperature Sensor“), die jedes Gebäude sollte verwenden. Das Ziel ist es, diese chaotischen, einzigartigen Bezeichnungen automatisch in die korrekte Brick-Kategorie zu übersetzen.

Die Arbeit stellt Brick-DICL vor, ein intelligentes System, das wie ein superintelligenter Übersetzer fungiert, um diese Aufgabe automatisch zu erledigen. So funktioniert es, unterteilt in einfache Konzepte:

1. Das Problem: Zu viele Auswahlmöglichkeiten und zu wenig Wissen

Stellen Sie sich vor, Sie versuchen, ein Wort in einem Spiel wie „Wer bin ich?“ zu erraten, aber anstatt 20 Fragen zu stellen, müssen Sie das richtige Wort aus 936 Optionen auf einmal auswählen. Das ist die Herausforderung, vor der der Computer steht. Zudem sind Standard-KI-Modelle (Large Language Models) wie Experten für Allgemeinwissen; sie wissen viel über die Welt, kennen aber nicht die spezifischen, technischen Regeln der Gebäudetechnik. Sie könnten „Temperatursensor“ erraten, aber den spezifischen Teil „Abluft“ (Discharge Air) übersehen.

Die Arbeit der KI von Hand zu überprüfen, ist wie das Korrekturlesen eines 1.000-seitigen Buches; es dauert ewig und ist langweilig.

2. Die Lösung: Ein zweistufiger Detektivprozess

Brick-DICL löst dies mit einem „Two-Stage Dynamic In-Context Learning“-Ansatz. Betrachten Sie es als einen Detektiv, der einen Fall in zwei Schritten löst und dabei einen speziellen Aktenschrank mit vergangenen Fällen nutzt, um ihm zu helfen.

Stufe 1: Die Suche nach dem „ähnlichen Fall“ (Metadata RAG)

Die Analogie: Stellen Sie sich vor, Sie haben einen neuen Kriminalfall (eine chaotische Gebäudebeschriftung). Anstatt aus dem Stegreif zu raten, durchsucht das System eine riesige Datenbank mit bereits gelösten Fällen, um solche zu finden, die dem aktuellen Fall sehr ähnlich sehen.
Was es tut: Es findet 15 vergangene Beispiele, die der aktuellen Beschriftung am ähnlichsten sind. Es zeigt diese Beispiele der KI und sagt: „Schau, diese vergangene Beschriftung war ‚Temp_01‘ und wir haben entschieden, dass es ein ‚Raumsensor‘ ist. Da deine neue Beschriftung genau wie diese aussieht, solltest du wahrscheinlich auch ‚Raumsensor‘ raten.“
Das Ergebnis: Dies verleiht der KI das spezifische Wissen über die Gebäudetechnik, das ihr zuvor fehlte, und hilft ihr, eine gute erste Vermutung anzustellen.

Stufe 2: Die Suche zur „Eingrenzung“ (Class RAG)

Die Analogie: Selbst mit einer guten ersten Vermutung könnte die KI immer noch zwischen 936 Optionen verwirrt sein. Stellen Sie sich vor, die KI hat „Temperatursensor“ geraten. Anstatt die KI nun zu bitten, aus allen 936 Optionen zu wählen, sagt das System: „Okay, ignorieren wir alles andere. Schau dir nur die 20 Arten von Temperatursensoren an, die deinem Tipp am ähnlichsten sind.“
Was es tut: Es nimmt die erste Vermutung der KI und findet die 20 relevantesten Kategorien im Brick-Wörterbuch. Dann bittet es die KI, die beste Option nur aus diesen 20 auszuwählen.
Das Ergebnis: Dies macht die Aufgabe viel einfacher. Es ist, als würde man jemanden bitten, den besten Apfel aus einem Korb von 20 Äpfeln auszuwählen, anstatt den besten Apfel aus einem ganzen Supermarkt zu suchen.

3. Das Sicherheitsnetz: Das „Gremium der Richter“ (Multi-LLM Filtering)

Selbst kluge Detektive machen Fehler. Um zu vermeiden, dass schlechte Übersetzungen zur Korrektur an Menschen gesendet werden, nutzt Brick-DICL einen Multi-LLM-Mechanismus.

Die Analogie: Stellen Sie sich vor, Sie haben drei verschiedene Expertenrichter. Alle drei betrachten denselben Fall unabhängig vone voneinander.
- Wenn sich alle drei Richter auf die Antwort einigen, ist das System zuversichtlich und akzeptiert sie automatisch.
- Wenn die Richter sich uneinig sind (z. B. Richter A sagt „Raumsensor“, Richter B sagt „Außensensor“), markiert das System dies als „Geringe Konfidenz“ (Low Confidence).
Das Ergebnis: Menschen müssen nur dann eingreifen, um die Fälle zu korrigieren, in denen sich die KI-Richter streiten. Dies spart eine enorme Menge an Zeit, da das System die einfachen, offensichtlichen Fälle selbstständig abwickelt.

Das Fazit

Die Arbeit behauptet, dass dieses Brick-DICL-System:

Generalisiert: Es funktioniert in jedem Gebäude, egal wer es gebaut hat oder welche seltsamen Bezeichnungen verwendet wurden.
Leistungsstark: Es ist das erste System, das diese „dynamische“ zweistufige Suchmethode für dieses spezifische Problem anwendet, und es erreichte deutlich höhere Genauigkeitswerte als andere Methoden (wie Standard-KI-Modelle oder einfaches Raten).
Effizient: Durch die Nutzung des „Gremiums der Richter“ zur Filterung unsicherer Antworten reduziert es die manuelle Arbeit, die Menschen leisten müssen, um Gebäude „digital zu onboarden“, drastisch.

Kurz gesagt: Brick-DICL ist ein intelligenter, zweistufiger Übersetzer, der vergangene Beispiele nutzt, um die Regeln zu lernen, die Auswahlmöglichkeiten einschränkt, um die Aufgabe zu erleichtern, und ein Team von KI-Richtern einsetzt, damit Menschen nur die schwierigen Fehler korrigieren müssen.

Technisches Resümee: Brick-DICL

Problemstellung

Gebäudemanagementsysteme (BMS) sind entscheidend für die Optimierung der Energieeffizienz und der operativen Leistung moderner Gebäude. Eine erhebliche Barriere für die Integration und Datennutzung ist jedoch der Mangel an Standardisierung der BMS-Punkt-Metadaten bei verschiedenen Herstellern. Während das Brick-Schema eine standardisierte, Open-Source-Ontologie zur Darstellung von Gebäudeassets, Systemen und deren Beziehungen bietet, bleibt die Abbildung von Roh-BMS-Punkten auf die entsprechenden Brick-Klassen eine komplexe Aufgabe. Die Autoren identifizieren drei primäre Herausforderungen:

Skalierbarkeit: Das neueste Brick-Schema enthält 936 verschiedene Klassen, was ein massives Multi-Klassen-Klassifizierungsproblem darstellt.
Lücke im Domänenwissen: Large Language Models (LLMs) verfügen trotz ihrer allgemeinen Fähigkeiten oft nicht über das spezifische Domänenwissen, das für eine genaue Klassifizierung von BMS-Punkten erforderlich ist, da es ihnen an ausreichender Exposition gegenüber spezialisierten Datensätzen mangelt.
Verifizierungsaufwand: Die manuelle Überprüfung der von LLMs generierten Klassifizierungsergebnisse ist arbeitsintensiv und zeitaufwendig, insbesondere bei der Verarbeitung tausender Punkte über mehrere Gebäude hinweg.

Methodik: Brick-DICL

Um diese Herausforderungen zu adressieren, schlagen die Autoren Brick-DICL vor, ein zweistufiges Dynamic In-Context Learning (DICL)-Framework, das durch Retrieval-Augmented Generation (RAG) und einen Multi-LLM-Filtermechanismus erweitert wird.

1. Zweistufiges Dynamic In-Context Learning

Im Gegensatz zum traditionellen In-Context Learning (ICL), das eine feste Menge an Beispielen verwendet, ruft Brick-DICL dynamisch relevanten Kontext ab, um das LLM zu leiten.

Stufe Eins: Metadata Dynamic ICL (Metadata RAG)
- Ziel: Erzeugung einer initialen Vorhersage für die Brick-Klasse basierend auf den Metadaten-Attributen des BMS-Punkts.
- Mechanismus: Eine Vektordatenbank wird aus Trainingsbeispielen erstellt. Für einen neuen BMS-Punkt berechnet das System ein Embedding seiner Attribute und ruft die Top- $k$ ähnlichsten Beispiele mittels Cosinus-Ähnlichkeit ab.
- Prozess: Diese abgerufenen Beispiele, die demonstrieren, wie ähnliche Attributkombinationen auf spezifische Klassen abgebildet werden, werden mit dem neuen Input zusammengeführt, um einen dynamischen Prompt zu bilden. Das LLM generiert eine initiale Klassenvorhersage ( $c^{(1)}_{brick}$ ), eine Begründung ( $j$ ) und einen Konfidenzwert ( $s$ ).
Stufe Zwei: Class Dynamic ICL (Class RAG)
- Ziel: Verfeinerung der initialen Vorhersage durch Einengung des Klassifizierungsraums von 936 Klassen auf eine semantisch relevante Teilmenge.
- Mechanismus: Unter Verwendung der Vorhersage aus Stufe Eins ruft das System die Top- $m$ (z. B. 20) ähnlichsten Brick-Klassen aus dem vollständigen Schema ab.
- Zweistufige Generierung:
  1. Das LLM evaluiert alle abgerufenen Klassen und wählt 5 vorläufige Kandidaten aus.
  2. Das LLM führt eine fokussierte Evaluierung dieser 5 Kandidaten durch, um die Top-3 wahrscheinlichsten Klassen mit normalisierten Wahrscheinlichkeiten auszuwählen.
- Ausgabe: Die finale Ausgabe umfasst die Top-3 vorhergesagten Klassen, deren Wahrscheinlichkeiten, Begründungen und Konfidenzwerte.

2. Multi-LLM-Filtermechanismus

Um den manuellen Verifizierungsaufwand zu reduzen, setzt das Framework mehrere LLMs ein, um Vorhersagen für beide Stufen zu generieren. Eine Filterstrategie wird angewendet, um Vorhersagen mit geringer Konfidenz zu identifizieren, die eine menschliche Überprüfung erfordern. Die Autoren schlagen vier Strategien vor, um den Konsens zu bewerten:

All Agreement (Vollständige Übereinstimmung): Markiert als geringe Konfidenz, wenn irgendeine Vorhersage (Stufe 1 oder Stufe 2 Top-3) über verschiedene Modelle hinweg abweicht.
Top-3 Consensus (Top-3-Konsens): Markiert als geringe Konfidenz, wenn es keine vollständige Überschneidung der Top-3-Klassen über alle Modelle hinweg gibt.
Top-1 Agreement (Top-1-Übereinstimmung): Markiert als geringe Konfidenz, wenn die einzelne Top-Vorhersage über verschiedene Modelle hinweg abweicht.
Any-2 Consensus (Jede-2-Übereinstimmung): Markiert als geringe Konfidenz, wenn weniger als zwei gemeinsame Klassen unter den Top-3-Vorhersagen der Modelle existieren.

Markierte Fälle werden an eine Schnittstelle zur menschlichen Validierung weitergeleitet, während Fälle mit hoher Konfidenz automatisch akzeptiert werden.

Zentrale Beiträge

Das Paper beansprucht drei primäre Innovationen:

Generalisierbarkeit: Brick-DICL ist ein allgemeines Framework, das auf jedes BMS unabhängig vom Hersteller oder Metadatenformat anwendbar ist, indem es Metadata- und Class-RAG nutzt, um Punkte auf Brick-Klassen abzubilden.
Neuheit und Leistungsfähigkeit: Es ist der erste Ansatz, der spezifisch für die Handhabung der großen Anzahl an Brick-Klassen und des mangelnden Domänenwissens von LLMs ein dynamisches In-Context Learning entwirft. Es übertrifft bestehende Methoden auf Gebäudedatensätzen.
Effizienz: Die Multi-LLM-Filterstrategie reduziert den manuellen Verifizierungsaufwand erheblich, indem sie automatisch nur ambivalente oder unsichere Klassifizierungen für die menschliche Überprüfung markiert.

Experimentelle Ergebnisse

Das Framework wurde auf zwei Gebäudedatensätzen (B1 und B2) evaluiert, die BMS-Metadaten und Ground-Truth-Brick-Labels enthalten.

Performance vs. Baselines: Brick-DICL übertraf konsistent acht Baseline-Modelle, einschließlich prompting-basierter Methoden (Standard, statisch, zufällig und dynamisches ICL) sowie feinabgestimmter vortrainierter Sprachmodelle (BERT, DistilBERT, RoBERTa, SciBert). Insbesondere erreichte es eine überlegene Hits@1 und Hits@3 Genauigkeit auf beiden Gebäuden.
Hyperparameter-Einfluss:
- Shots (Stufe 1): Die Performance verbesserte sich generell mit einer höheren Anzahl an Shots, wobei ein 15-Shot-ICL die besten Ergebnisse erzielte.
- Abgerufene Klassen (Stufe 2): Das Abrufen von 20 Klassen lieferte die optimale Performance; eine Erhöhung darüber hinaus führte zu Rauschen.
Filterstrategien: Die Any-2 Consensus Strategie erwies sich als optimaler Kompromiss, da sie die niedrigste Disagreement-Ratio (Minimierung der manuellen Überprüfung) bei gleichzeitig starker Klassifizierungsgenauigkeit erreichte.
Ablationsstudie: Das Entfernen entweder der Metadata-DICL- oder der Class-DICL-Komponente führte zu moderaten Leistungsabfällen, während das Entfernen beider Komponenten zu einem signifikanten Rückgang führte, was bestätigt, dass alle Module für eine optimale Genauigkeit essenziell sind.

Bedeutung

Das Paper kommt zu dem Schluss, dass Brick-DICL die Herausforderungen der Standardisierung diverser BMS-Punkte effektiv adressiert. Durch die Kombination von dynamischem Retrieval mit Multi-LLM-Konsens beschleunigt das Framework den Weg zu standardisierten, interoperablen Gebäudemanagementsystemen. Es ermöglicht ein schnelles digitales Onboarding von Gebäuden, indem es eine hohe Klassifizierungsgenauigkeit mit minimalem menschlichem Eingriff erreicht, was den besseren Datenzugriff für die Gebäudeinbetriebnahme und das Energiemanagement erleichtert.