Neue Publikation: Self-Improving Cost Estimation for Architectural Projects: A Feedback-Driven Approach
LesenKostenschätzung ist ein Gedächtnis- und Verstärkungsproblem. Arkesif modelliert es mit neurobiologischen Prinzipien.
Ein Gehirn friert Gelerntes nicht ein; es verdrahtet sich mit jeder neuen Erfahrung neu. Die Lernschicht von Arkesif arbeitet in derselben Reihenfolge: Signale sammeln, Wirksames stärken, Unnötiges beschneiden und das Gedächtnis regelmäßig neu aufbauen.
Ein Preis ist keine angeborene Zahl; er entsteht aus Erfahrung. Ein Büro blickt bei einem neuen Projekt auf frühere Arbeiten, Fehler und Korrekturen zurück. Ein lernendes System muss dasselbe tun.
Jede Zeile enthält drei Dinge: das biologische Prinzip, seine Entsprechung im Produkt und die gemessene Kennzahl. Echte Mechanik statt einer erfundenen „neuronalen Netz“-Erzählung.
Jede Korrektur ist ein Signal. Das Signal wird zum Merkmal, das Merkmal aktualisiert das Modell, das Modell erzeugt einen neuen Vorschlag — und die Schleife schließt sich.
Signal
Merkmal
Modell
Vorschlag
Rückmeldung
Ehrlichkeit gehört zur Forschung: Wir trennen, was heute läuft, von dem, was auf der Roadmap steht.
Läuft heute
Auf der Roadmap
Ein lernendes System ist nur vertrauenswürdig, wenn es sagt, was es tut. Keine Blackbox: Jeder Vorschlag zeigt Quelle, Stichprobenzahl und Vertrauensbereich. Ohne Ihre Freigabe gelangt nichts in die Kostenberechnung, und Modelle laufen je Firma getrennt.
Die folgenden Quellen sind die wissenschaftliche Grundlage der vier Mechanismen, die die Engine tatsächlich nutzt. Jede Zeile nennt den zugehörigen Mechanismus.
Co-occurrence learning (Hebb rule)
Hierarchical shrinkage — Trends in Cognitive Sciences 10(7)
Recency weighting and consolidation — Science 367(6473)
Statistical learning of regularities — J. Exp. Psychology: General 134(4)
Quellen werden nur zur Angabe genannt; Text und Diagramme dieser Seite sind eigenständig erstellt.
Die vollständige Forschung
Messmethode, Datensatz und Veröffentlichungen.