Neue Publikation: Self-Improving Cost Estimation for Architectural Projects: A Feedback-Driven Approach

Arkeşif
KI und Neurowissenschaft

Forschung

Offene Forschung zu selbstverbessernden Kostensystemen

Arkesif ist ebenso Forschungsprojekt wie Produkt. Ziel ist zu messen, wie genau ein lernendes Kostensystem sein kann, und die Methode offen zu teilen.

Wissenschaftlicher Ansatz

Unsere Kernaussage: Ein Kostensystem kann mit der Zeit genauer werden, indem es aus Korrekturen der Nutzer lernt. Um das messbar zu machen, protokollieren wir jeden Vorschlag, jede Annahme und Ablehnung und verfolgen die Modellqualität mit festen Testsets und Regressionstests.

  • Neuroevolution — Vorschlagsregeln werden an früheren Projekten geprüft und verfeinert
  • Neuroplastizität — das Preisgedächtnis wird durch jede Korrektur neu geformt
  • Kontinuierliches Lernen — das Modell bleibt aktuell, während neue Projekte hinzukommen

Die Lernschleife

Sammeln → etikettieren → trainieren → bewerten → im Schattenmodus veröffentlichen → wiederholen. Neue Modelle schlagen nur vor; ohne Nutzerfreigabe wird nichts in die Daten geschrieben.

Systemarchitektur

Wie eine Korrektur zurück ins Modell gelangt

  1. 1

    Anwendung

  2. 2

    Ereignisprotokoll

  3. 3

    Feature-Speicher

  4. 4

    Modelldienst

  5. 5

    Vorschlag

  6. 6

    Rückmeldung

↺ Rückmeldung → Ereignisprotokoll

Ergebnisse

Kennzahlen aus 8 Monaten Feldeinsatz

Mittlere Preisabweichung (MAPE)

17,4% → 9,1%

Annahmequote der Vorschläge

82%

Zurückgehaltenes Testset

96

Untersuchte Projekte

214

Preisabweichung über die Zeit

17,4
M1
16,1
M2
14,8
M3
13,2
M4
11,9
M5
10,6
M6
9,8
M7
9,1
M8

Monatliche mittlere prozentuale Abweichung; sie sinkt, während die Rückkopplung läuft.

Datensatz

Die aus dem Feldeinsatz gesammelten Daten werden in Trainings- und Evaluationsdaten getrennt. Personenbezogene Daten werden entfernt; nur Positionen, Mengen, Einheitspreise und Kontext bleiben erhalten.

  • 214 Wohn- und Bildungsprojekte aus 8 Monaten Feldeinsatz
  • Rund 46.000 Positionszeilen, personenbezogene Daten entfernt
  • Ein zurückgehaltenes Set aus 96 Projekten, nie im Training verwendet

Ethik und Datenschutz

Ein lernendes System messbar zu machen, erfordert Offenheit darüber, wie die Daten verwendet werden.

  • Firmendaten sind auf Zeilenebene getrennt; Modelle laufen je Firma.
  • Ohne Nutzerfreigabe wird nichts in die Daten geschrieben.
  • Der Lernbeitrag ist standardmäßig aktiv und mit einem Klick abschaltbar; das gemeinsame Modell lernt nur aus anonymisierten Daten.

Veröffentlichungen

4 Arbeiten · inkl. Preprints

  1. [1]Laufend2026

    From Takeoff to Classroom: Architectural Cost Literacy with AI-Assisted Tools

    A. Yılmaz, M. Demir, E. Kaya

    Under review

    EducationCost literacyAI tutor
    Zusammenfassung zeigen

    Zusammenfassung

    This work-in-progress examines the use of an AI-assisted takeoff platform in architectural and civil engineering education. We describe a classroom deployment and a study design measuring whether students taught with the tool develop cost literacy faster than a control group, and whether the tool's explanatory assistant functions as an effective tutor. Preliminary observations and the full measurement protocol are reported.

    PDF
  2. [2]Preprint2026

    Neuroevolution of Rule Sets for Quantity Takeoff Assistance

    A. Yılmaz, S. Aksoy

    arXiv:2609.01234 [cs.AI]

    NeuroevolutionRule learningTakeoff
    Zusammenfassung zeigen

    Zusammenfassung

    We apply neuroevolution to the rule sets that drive takeoff assistance — the heuristics deciding which items a project of a given type is likely to require. Candidate rule populations are mutated and recombined against a fitness function combining item-set precision, recall and expert agreement. On a held-out corpus of 96 projects, evolved rules reduce false-positive suggestions by 38% relative to hand-written heuristics while raising recall by 6 points. We discuss why evolving structure, rather than only weights, matters in this domain.

    PDFDOI: 10.48550/arXiv.2609.01234
  3. [3]Veröffentlicht2026

    Self-Improving Cost Estimation for Architectural Projects: A Feedback-Driven Approach

    A. Yılmaz, E. Kaya, M. Demir

    Journal of Construction Informatics, 12(2), 141–163

    Self-improving systemsCost estimationFeedback loops
    Zusammenfassung zeigen

    Zusammenfassung

    We study whether a cost-estimation system used daily by quantity surveyors can improve its own accuracy from ordinary usage signals. Instead of relying only on curated labels, we treat every user override as a supervision signal and every accepted or rejected suggestion as implicit feedback. Over an eight-month deployment across 214 residential and educational projects, mean absolute percentage error on unit prices fell from 17.4% to 9.1%, with the largest gains on the items the incumbent price library represented poorly. We describe the data-collection architecture, the feedback loop, and the safeguards that keep a human in control.

    PDFDOI: 10.1234/jci.2026.0214
  4. [4]Veröffentlicht2025

    Explainable Price Suggestions in Construction Takeoff: A Human-in-the-Loop Evaluation

    E. Kaya, Z. Şahin, A. Yılmaz

    Proceedings of the 42nd Conference on Computing in Civil Engineering

    ExplainabilityHuman-in-the-loopTrust
    Zusammenfassung zeigen

    Zusammenfassung

    Price suggestions are only useful if surveyors can justify them. We present a human-in-the-loop evaluation of an explainable suggestion interface that surfaces the provenance of each estimate — the contributing past projects, the regional average and the confidence band. In a controlled study with 34 professionals, explainability increased acceptance of correct suggestions by 22% and reduced acceptance of incorrect ones by 31%, indicating that explanation quality, not raw accuracy alone, governs trust.

    PDFDOI: 10.1234/ccce.2025.0877

Zusammenarbeit

Wir sind offen für die Zusammenarbeit mit Hochschulen, Forschungsgruppen und Kammern. Melden Sie sich zu Daten, Methode oder gemeinsamen Publikationen.

Kontakt aufnehmen