Trunk Tools reduziert Dokumentenprüfungszeit von Monaten auf Tage mit spezialisierter KI

Das Bauprojektmanagement-Unternehmen Trunk Tools hat eine spezialisierte dreischichtige KI-Architektur entwickelt, die die Prüfungszeiten für Dokumente erheblich verkürzt. Das Unternehmen gibt an, dass das System den Prüfungsprozess von 60 Tagen auf 10 Tage reduziert, wodurch kostspielige Fehler auf Baustellen vermieden und autonome Agenten in die Lage versetzt werden, Millionen von Dokumentseiten zu analysieren.

Herkömmliche, für allgemeine Zwecke entwickelte große Sprachmodelle (LLMs) haben Schwierigkeiten mit Daten aus spezialisierten Branchen wie dem Bauwesen. Diese Modelle sind auf Breite, nicht unbedingt auf Tiefe optimiert, und scheitern oft an der Interpretation branchenspezifischer Fachbegriffe, impliziter Arbeitsabläufe und komplexer Beziehungen. Sarah Buchner, Gründerin und CEO von Trunk Tools, erklärte, dass es ihr Ziel war, Daten aus verteilten Systemen zu erfassen, vorzuverarbeiten, zu strukturieren und dann darauf basierend KI-Modelle zu trainieren.

Das System von Trunk Tools besteht aus drei Schichten: Wahrnehmung (Perception), Semantik (Semantics) und Agenten (Agents). Die Wahrnehmungsschicht liest und extrahiert Daten aus unübersichtlichen Dokumenten wie PDFs und Zeichnungen, bei denen Symbole je nach Platzierung unterschiedliche Bedeutungen haben können. Die Semantikschicht verarbeitet diese Daten dann und versteht ihre Beziehungen, z. B. die Verbindung zwischen einer Türkennzeichnung und ihren Spezifikationen oder dem ausführenden Gewerk. Schließlich nutzt die Agentenschicht diese Informationen zur Unterstützung der Projektautomation und zur Beantwortung kritischer Fragen.

Die Entwicklung spezialisierter Modelle ist in Sektoren mit hohen Fehlerkosten und standardisierten Dokumentationen, wie dem Bauwesen, dem Rechtswesen und dem Gesundheitswesen, von entscheidender Bedeutung. Der Ansatz von Trunk Tools bietet eine Blaupause für die Umwandlung von Datenchaos in branchenspezifische Arbeitsabläufe, die für KI-Agenten geeignet sind. Das Unternehmen betont, dass domänenspezifisch trainierte Modelle zuverlässiger sind als allgemeine Modelle, denen die Fähigkeit fehlt, spezifische Branchendetails tiefgreifend zu verarbeiten.