Projekttitel: Den Projekttitel bitte auch als Seitentitel eintragen. 

Ideengeber*in:

Potenzielle Projektpartner*innen

Bitte geben Sie an dieser Stelle Ihre potenziellen Projektpartner*innen an.

• Adap GmbH
• REOS GmbH
• Propport Data GmbH
• Verband der Wohnungswirtschaft Nord
• GEFMA
• Florian Fesch

Abstract

1. Mit Künstlicher Intelligenz und dem Federated Learning Ansatz wollen wir es möglich machen, Immobilien und Immobilienbestände auf ihre Nachhaltigkeit, Klimafreundlichkeit und Ressourceneffizienz hin zu messen, zu bewerten und im Betrieb beständig zu verbessern. Bisher sind die relevanten Daten in der Immobilienwirtschaft für KI Anwendungen nicht ausreichend verfügbar. Grund: Getrennte Datenbanken, „Daten-Silos“ und keine Kooperation und Teilung von Daten aus Wettbewerbsgründen und Gründen des Datenschutzes. Es bedeutet, dass Daten zwar irgendwo im Unternehmen vorhanden sind, jedoch in unterschiedlichen Formen, Qualitäten und nicht miteinander kompatibel. So kommt man natürlich nur schwer auf eine kritische Masse, um daraus eine gut funktionierende KI zu erstellen, die aus Daten zieht. Die Folgen: Genannte Datensilos, weitgehend singuläre Analytics, keine Vernetzung und Synergieeffekte in digitalen Anwendungen und zu geringe Datenmengen für sinnvolle KI-Anwendungen.
   Die Immobilienbranche ist zudem im Vergleich zu anderen Branchen wie Industrie, Logistik oder Konsumgütern, geprägt von relativ wenigen Projekten und langen Lebenszyklen. Der Vorteil im Immobilienbetrieb (Property und Facility Management) im Vergleich zum Bau oder dem Projektmanagement ist hier, dass es bei aller Unterschiedlichkeit der Immobilien viele ähnliche oder sogar strukturell gleiche Prozesse und Abläufe im Betrieb gibt, die sich auch regelmäßig wiederholen. So entstehen wertvolle Datenbestände, die sich per Data Analytics gezielt auswerten und auf definierte (Nachhaltigkeits-)Ziele hin optimieren lassen. 

   Eine weitere Herausforderung ist die Tatsache, dass Kooperationen und das Teilen von Daten zwischen Unternehmen der Branche genau nicht zum Standard im Markt gehören. Im Immobilienmarkt herrscht hoher Wettbewerbsgeist, es geht um sehr hohe Investitionssummen und finanzielle Risiken und es geht um Geschäftsgeheimnisse, die über das Zustandekommen oder Scheitern von Projekten entscheiden. Hinzu kommen noch Datenschutzvorschriften und Geschäftsgeheimnisse. Es ist also durchaus verständlich, dass zwar gerne die Kooperation beschworen wird, das Offenlegen, Teilen und gemeinsame Nutzen von Daten aus Sicht der einzelnen Unternehmen aber keinen Sinn machen oder sogar als gefährlich eigeschätzt werden.
   Das traditionelle KI Motto lautete: Bringe möglichst viele Daten zum KI System. REAL ANALYTICS dreht dieses Prinzip um, nach dem Motto: Bringe das lernende KI System zu den Daten. Das bedeutet, dass das Prinzip der Datenauswertung und der Analyse des KI-Systems auf die Datenquellen gespielt wird, auf denen sich die relevanten Daten befinden. Das Training von KI-Modellen passiert also auf den einzelnen Immobilien bzw. deren zugehörigen Datenbanken, auf verbauter Hardware oder sogar auf einzelnen Geräten oder Sensoren in den bestehenden Immobilien durch sogenanntes aggregiertes Lernen. Auf jedem Bestand wird mit den vorhandenen Daten sozusagen ein kleiner Teil des Ganzen gelernt. Die Erkenntnisse daraus, und eben nicht die Daten selbst(!), werden dann aggregiert und zueinander gebracht, um sozusagen die einzelnen Puzzleteile aus den Silos zu einem einheitlichen, schlüssigen und verlässlichen Bild zusammengesetzt.  Das Aggregieren der Teile geschieht mittels Secure Aggregation Protocol. So bleiben die einzelnen Puzzleteile zu jeder Zeit geheim. Erst die zusammengeführten Teile können dann entschlüsselt werden. Das Verbinden, Aggregieren und Entschlüsseln der Ergebnisse erfolgt auf einem eigenen Server im Unternehmen oder auf einem gesicherten Server in der Cloud. 

   Die Vorteile dabei liegen klar auf der Hand: Es gibt weiter eine lokale Datenspeicherung und keine zentrale Sammlung, niemand muss seine Daten mit anderen teilen oder offenlegen. Es besteht garantierter Datenschutz, da die Daten die Server oder Geräte nicht verlassen und beim Zusammensetzen des Puzzles anonymisiert sind. Die KI interessiert nur die Menge und die Qualität der Daten, nicht woher sie kommen, wo sie genau liegen oder wem sie letztlich gehören. Vor allem letztgenannte Frage „Wem gehören eigentlich die Immobiliendaten?“, ist ja durchaus relevant und vieldiskutiert bei und zwischen Immobilienbesitzern, Betreibern, Dienstleistern und den Nutzern oder Bewohnern selbst. Gleichzeitig haben alle Parteien, die am Federated Learning teilnehmen einen gesicherten Zugriff auf das Wissen und die Erkenntnisse aus den Datenbeständen und können diese, wie auch die trainierte KI, für eigene Zwecke nutzen. Und dafür brauchen die Partner, also die Unternehmen, auch keine neue Infrastruktur; die eigene vorhandene IT- und Datenlandschaft ist grundsätzlich ausreichend. Das Motto lautet hier also „Share the knowledge, not the data!“
   Das Projekt trägt dabei nicht nur zu Klimaschutz und Ressourceneffizienz im Immobilienbetrieb bei. Es ist durch den Federated Learning Ansatz sozusagen doppelt klimaschonend! Im Unterschied zu traditionellen KI bzw. Machine Learning Ansätzen benötigt Federated Learning viel weniger Energie, weniger Ressourcen und Speicherplatz und hat damit im eigenen Betrieb einen deutlich geringeren CO2 Fußabdruck als alle anderen bisherigen Data Science oder ML/KI-Ansätze.

Innovationsgrad

1. Das Projekt ist hoch innovativ, da Künstliche Intelligenz und Federated Learning bisher noch nicht in der Immobilienwirtschaft und im Immobilienbetrieb insbesondere für Zwecke der Nachhaltigkeit, des Klimaschutzes und der Ressourceneffizienz eingesetzt werden.

Welche Situation liegt aktuell wie vor?

1. Das Projekt adressiert in erster Linie die Treibhausgasemissionen im Betrieb von Immobilien, sowohl Wohn- als auch Gewerbeimmobilien aller Art. Der Gebäudesektor verursacht pro Jahr in Deutschland rund 120.000 Kilotonnen CO2-Äquivalente. Bau und Betrieb von Immobilien sind für mehr als ein Drittel der Treibhausgasemissionen in Deutschland verantwortlich. Der Großteil davon kommt aus dem sogenannten „Bestand“, also existierenden Immobilien, die betrieben werden. Im Immobilienbetrieb liegt deshalb das mit Abstand größte Potenzial für den Klimaschutz, denn 98 Prozent aller Gebäude in Deutschland zählen zum „Bestand“. Der Anteil des (Neu)Baus ist dagegen logischerweise extrem gering. Und auch hier gibt es großes Potenzial für Klimaschutz und Ressourceneffizienz, da beispielsweise Zement und Beton sehr CO2 intensiv produziert werden, rund die Hälfte des Müllaufkommens in Deutschland auf die Bauindustrie entfällt oder Cradle-to-Cradle-Ansätze bisher kaum konsequent berücksichtigt und umgesetzt werden.
   Die klimagerechte Modernisierung dieses riesigen Immobilien-Bestandes ist notwendig – aber eben auch aufwändig, teuer und vor allem in Anbetracht der Masse an Immobilien sehr langwierig. Mit „Real Analytics“ soll der klimafreundlichere Betrieb von Immobilien schneller und günstiger und effizienter erreicht werden. Das bringt Deutschland und Europa einen großen Schritt voran, die selbst gesetzten Klimaziele zu erreichen.

Welche Bedarfe und Lösungen (aktueller Stand der Wissenschaft und Technik) liegen bei welchen Marktteilnehmern*innen vor?

1. Bisher versuchen Immobilienbetreiber jeweils einzeln, die Klimabilanz ihrer Gebäude mit Datenauswertungen zu verbessern. Dazu werden in erster Linie Tabellenkalkulationen, (Power)BI Lösungen und eher selten auch ERP-Systeme verwendet. Data Science und Künstliche Intelligenz werden bisher nicht eingesetzt, da die Digitalisierung in den meisten Unternehmen nicht weit genug entwickelt ist und weil eine ausreichend große Datenbasis dafür in den einzelnen Unternehmen alleine nicht gegeben ist. Zudem fehlen etablierte und akzeptierte Nachhaltigkeitskennzahlen und ESG-Systematiken in der Branche, an denen sich Immobilienbetreiber orientieren könnten. Bisher prägen also diverse Einzellösungen den Markt, mit jeweils wenig „Impact“ auf die Nachhaltigkeit und den Klimaschutz im Immobilienbetrieb insgesamt.
   Auch im Bereich der sogenannten „Proptechs“ gibt es bisher jeweils Einzellösungen für die Optimierung und Steuerung einzelner Bereiche im Immobilienbetrieb, die auch an einzelnen Stellen die Klimabilanz von Gebäuden verbessern können. Auch diese Entwicklungen lösen nicht das bereits oben genannte Grundproblem von relativ kleinen und getrennten Datenbeständen und fehlenden Vergleichs- und Kennzahlen als systematische Orientierung in der Branche zur Verbesserung der Klimabilanz sowohl einzelner Gebäude, als auch ganzer Bestände beziehungsweise der Immobilienwirtschaft insgesamt. Zudem sind auch hier die einzelnen Proptech-Lösungen nicht vernetzt, so dass letztlich auch bei neuer Technologie weiter in Daten-Silos gearbeitet wird, ohne einen nennenswerten Gesamteffekt zu erzeugen.

Weshalb sind diese vorhandenen Lösungen nicht hinreichend genug?

Bisherige Ansätze lösen nicht das Problem der "Datensilos", sondern wählen einen Plattformansatz oder einen Data Warehouse Ansatz.

Bisherige Lösungen beziehen sich auf einzelne Funktionen oder Anlagen und können nicht den gesamten Gebäudebetrieb messen und optimieren oder normieren. 

Die Unternehmen und Betreiber in der Immobilienwirtschaft wollen unter den gegebenen Umständen ihre Datenbestände nicht teilen. 

Was ist der Fortschritt Ihrer Idee gegenüber dem Stand von Wissenschaft und Technik?

Neuartiger Ansatz über Federated Learning

Wahrung der Exklusivität und Schutz der internen Daten von Unternehmen, Nutzern und Betreibern

Flexible Anpassung durch Federated Learning und Cloud Computing

Etablierung von neuen  und datenbasierten quantitativen und qualitativen Standards für die Nachhaltigkeitsmessung und -Steuerung von Immobilien

Welche themenverwandten Standards, technische Regeln, Normenausschüsse, Gremien, Foren und Konsortien sind Ihnen bekannt bzw. existieren bereits?

DGNB

BREAM

LEAD

NaWoh

verschiedene Ökobilanzierungen für Immobilien

Beschreibung der Vorarbeiten: Welche Vorarbeiten sind vor einer möglichen Standardisierung Ihrer Idee noch zu leisten und mit welchem zeitlichen Faktor rechnen Sie hierbei?

Die Federated Learning Methode ist bereits in den Bereichen Mobilität, Kommunikation und Gesundheit in der Praxis erprobt. Das Open Source Framework "Flower" ist bereits vieltausendfach von Anwendern für verschiedene Zwecke und Versuche heruntergeladen und verwendet worden. Der nächste Schritt ist die Adaption an die Immobilienwirtschaft bzw. den Immobilienbetrieb. Für die Standardisierung sind Pilotptojekte zu realisieren, um eine ausreichend belastbare Daten- und Use Case Basis zu schaffen. In der Folge sollte daraus ein Standard bzw. Standard-KPI für die Nachhaltigkeitsmessung und -Optimierung von Immobilien resultieren.

Welchen Zusammenhang gibt es zwischen Ihrer Idee und dem von Ihnen ausgewählten DIN-Connect Themenschwerpunkt?

Die Real Analytics Lösung bezieht sich direkt auf das Facility Management und Property Management. In einer größeren Dimension kann es auch auch Quartiere und Städte bezogen werden (Stadt der Zukunft, Circular Economy)

Nutzen und Ziele

Bitte beschreiben Sie an dieser Stelle den Nutzen der von Ihnen eingereichten Idee. Beschreiben Sie hier bitte das Projekt anhand der angegebenen Kriterien.

Welches Ziel verfolgen Sie mit Ihrer Idee?

Umfassende und datenbasierte Messung und Optimierung der Nachhaltigkeit im Immobilienbetrieb.

Welchen Nutzen generiert Ihre Innovation für welche Zielgruppen?

Zielgruppe Nutzer & Mieter: Energieeffizienz, Kosteneffizienz

Zielgruppe Betreiber: Messung der Nachhaltigkeit der Immobilie, Optimierung der Nachhaltigkeit nach gesetzlichen und regulativen Vorgaben, Energieeffizienz, Kosteneffizienz

Zielgruppe Investoren: Messung der Nachhaltigkeit der Immobilie, Optimierung der Nachhaltigkeit nach gesetzlichen und regulativen Vorgaben, Energieeffizienz, Kosteneffizienz

Zielgruppe Gesetzgeber & Regulatoren: quantitative Basis für die Messung und Bewertung der Nachhaltigkeit von Immobilien

Wer profitiert von Ihrer Idee und dem daraus entwickeltem Standard?

Alle oben genannten Zielgruppen.

Wie werden die Ergebnisse nach Projektabschluss verwertet?

Die Ergebnisse sollen zur weiteren Entwicklung des zu Grunde liegenden KI Modells verwendet werden. Zudem sollen die Ergebnisse für einen weiteren Roll Out der Lösung verwendet werden.

Skizzieren Sie bitte die europäische/internationale Bedeutung

Immobilien sind europaweit und global für einen Großteil der CO2 Emissionen verantwortlich. Aufgrund der wachsenden Bevölkerung und des Trends der Verstädterung kommt dem Immobiliensektor eine entscheidende Rolle beim Erreichen der Klima- und Nachhaltigkeitsziele zu.

Skizzieren Sie bitte die Markt- und gesellschaftliche Relevanz

Im Immobilienmarkt gibt es einen enormen Bedarf nach technischen Lösungen für mehr Nachhaltigkeit im Immobilienbetrieb. Hinzu kommen stetig steigende Anforderung an die Nachhaltigkeit seitens gesetzlicher Regulatoren über Gesetze und Taxonomien. Investoren suchen gezielt nach nachweisbar nahhaltigen Objekten insbesondere im Immobilienmarkt. Die gesellschaftlichen Ziele zu Klimaschutz und Nachhaltigkeit können nur erreicht werden, wenn der Immobiliensektor einen nennenswerten Beitrag leistet. 

Kompetenzen und Ressourcen

1. Entwicklung des „Flower Framework“ für Federated Learning (Adap) https://flower.dev/
2. Paper „Flower: A friendly federated learning framework“, Proceedings oft he 3rd MLSys Conference, Austin, Texas, USA, 2020 (Adap)
3. Paper „Can federated learning save the planet?“, Tackling climate change with machine learning workshop at NeurIPS 2020, (Adap)
4. Erstellung der Studie „Die Entwicklung eines KI-Methodenkoffers, zur Messung von Umweltbelastungen im Rahmen der Machine Economy“ für das Wuppertal Institut, 2021/2022 https://codina-transformation.de/ (juS.TECH)
5. Auszeichnung mit dem Green BIM Award 2021 für die Adaption von Federated Learning auf den Immobilienbetrieb, BIM Tag Deutschland 2021 https://bimtagdeutschland.de/btd/green-bim-awards/ (juS.TECH & Adap)
6. Fachbuch „Real Sustainable - Nachhaltigkeit und Digitalisierung in der Immobilienwirtschaft“, Wiesbaden 2022 (A.Moring)
7. Fachbuch "KI im Job - Leitfaden zur erfolgreichen mensch-KI-Kooperation", Heidelberg 2021
8. Fachbuch „Binäre Innovation“, Wiesbaden 2018 (A.Moring)
9. Fachbuch „Bits & Bricks - Digitalisierung von Geschäftsmodellen in der Immobilienwirtschaft“, Wiesbaden 2018 (A.Moring)
10. Mitarbeit an der VDI Zentrum Ressourceneffizienz Studie „Potenziale der schwachen künstlichen Intelligenz für die betriebliche Ressourceneffizienz“, 2021 (juSTECH)
11. Mitarbeit am KI Positionspapier „KI und Nachhaltigkeit“ des KI Bundesverbands, 2021 (juS.TECH)
12. Expertenartikel „Es wird Zeit für eine intelligente Energiewende“, ThePioneer, 08.02.2021 (A.Moring)
13. Expertenartikel „Die fehlende Bilanz des autonomen Fahrens“, ThePioneer, 18.05.2021 (A.Moring)
14. Expertenartikel „Es ist höchste Zeit für den „seamless state“, ThePioneer, 12.04.2021 (A.Moring)
15. Expertenartikel „Soziale Gerechtigkeit durch KI ?“, ThePioneer, 14.06.2021 (A.Moring)
16. Vortrags- und Workshopreihe „KI & Nachhaltigkeit“ am Artificial Intelligence Center ARIC Hamburg (Q1 & Q2 2021, juS.TECH)
17. Vortrag „AI for Buildings & Construction“ KI Bundesverband & hub France iA 30.03.2021 (juS.TECH)
18. Vorträge zu „KI und Nachhaltigkeit“ und „AI in Health“ ai hamburg (21.04. & 11.05.2021, juS.TECH)
19. Vortrag „Digitalisierung und Nachhaltigkeit“ Real Estate Data Conference 25.03.2021 (A.Moring)
20. www.justech-ag.com
21. https://www.adap.com/en
22. https://reos.digital/
23. https://www.propportdata.com/de
24. https://www.gefma.de/
25. https://www.vnw.de/
26. https://florianfesch.com/

Standardisierungsscope/Anwendungsbereich

Der geplante Standard definiert Anforderungen in Bezug auf die Nachhaltigkeitsmessung von Immobilien an das Facility und Property Management und Immobilienbetreiber in Planung, Bau und insbesondere im Betrieb. 

Diese Anforderungen und Standards orientieren sich an den gesetzlichen Vorgaben nationaler Regulatoren und der EU. Letztlich werden die Standards dadurch etabliert, dass überhaupt erstmals datenbasiert die Nachhaltigkeit von Immobilien im Betrieb gemessen wird und optimiert werden kann. Bisher gibt es derartige quantitativ und qualitativ begründete Standards nicht. 

Hinweis zum geplanten Anwendungsbereich: Der Anwendungsbereich muss kurz und prägnant abgefasst werden. Er legt das Thema des Standards und die behandelten Sachverhalte fest, wobei die Grenzen der Anwendbarkeit des Standards oder seiner einzelnen Teile aufgezeigt werden.

Beispiel: Der geplante Standard definiert Anforderungen an [Merkmale/Eigenschaften/Kriterien] von [Produkten/Dienstleistungen/Verfahren/Systemen] für [Zielgruppen].

Bitte nennen Sie auch, wenn bereits möglich, um welche Anforderungen es sich hierbei handelt.