Seit ChatGPT der Öffentlichkeit zur Verfügung steht, ist generative Künstliche Intelligenz (GenAI) in aller Munde. Anwendungsfälle für GenAI konzentrieren sich meist noch auf die Bereiche Wissensmanagement, Process-Automation, Content-Creation und die Unterstützung kreativer Aufgaben. Doch liefert GenAI auch einen Mehrwert bei prädiktiven Aufgaben? In diesem Vortrag stellen wir ein Praxisbeispiel aus der Bauindustrie vor, bei dem GenAI zur Findung alternativer, umweltfreundlicherer Mischungsrezepturen für Zement und Beton herangezogen wird.

Zielpublikum: Data Scientists, IT-Entwickler und Forscher
Voraussetzungen: keine
Schwierigkeitsgrad: Advanced

Extended Abstract:
Die Bauindustrie und insbesondere die Beton- und Zementherstellung tragen massiv zum weltweiten CO₂-Ausstoß bei. Gleichzeitig ist Beton als Baustoff in weiten Bereichen als alternativlos zu betrachten. CO₂-optimierte Betonrezepturen bergen entsprechend enormes Potenzial für den Umweltschutz und stehen im Fokus der Forschung. Neben verbesserter Umweltfreundlichkeit müssen diese allerdings weiterhin Mindestanforderungen an mechanische Eigenschaften, wie beispielsweise der Druckfestigkeit, erfüllen. Schließlich müssen ebenso Faktoren wie Kosten und Verfügbarkeit berücksichtigt werden.

Die Suche nach neuen Varianten ist bisweilen sehr aufwendig: Typische Rezepturen werden durch Charakteristika wie Mischverhältnisse verschiedener Zementalternativen, Wassergehalt und Herstellungsprozess beschrieben. Während sich die CO₂-Bilanz des Herstellungsprozesses auf Basis dieser Parameter heuristisch abschätzen lässt, ist es a priori nicht möglich, Eigenschaften wie Druckfestigkeit des resultierenden Materials auf Basis von Modellen vorherzusagen. Zeitaufwendige und kostenintensive Experimente sind notwendig, um diese zu ermitteln.

Auf der TDWI 2023 stellten wir bereits unsere Erfahrungen mit Sequential Learning zur Findung CO₂-optimierter Betonrezepturen vor. Zusammen mit Kolleginnen und Kollegen der Bundesanstalt für Materialforschung und -prüfung (BAM) haben wir im Detail die Implikationen dieses Ansatzes für die Betonforschung analysiert. Durch Sequential Learning wird Schritt für Schritt ein Algorithmus mit neuem Wissen aus dem Labor angereichert und somit werden Vorhersagen iterativ verbessert. Eingebettet wurde dieses Prinzip in SLAMD, einer Webapp, die wir mit der BAM entwickelt haben. Diese stellt intuitive Funktionen für eine konkrete experimentelle Kampagne zur Verfügung und ermöglicht es so, die beschriebenen Ideen schneller umzusetzen.

Dieses Jahr berichten wir aus einem weiterführenden Projekt mit der TU Berlin und stellen unsere Erfahrungen mit dem Einsatz von Large Language Models (LLMs) zur Findung neuer Betonrezepturen vor. LLMs wie beispielsweise ChatGPT von OpenAI bieten gegenüber traditionelleren KI-Methoden den Vorteil, dass man mit ihnen in natürlicher Sprache über Prompts interaktiv kommunizieren kann. Die Zugänglichkeit für nicht IT-affine Anwender wird dadurch deutlich erhöht. Um das Potenzial von LLMs anhand robuster statistischer Analysen zu evaluieren, haben wir im Rahmen eines wissenschaftlichen Papers diverse Promptingstrategien für den Einsatz von LLMs im Bereich Sequential Learning verprobt und gebenchmarkt. Es zeigt sich: Mit den richtigen Strategien sind LLMs in der Lage, andere datengetriebene Ansätze zu schlagen. Das Potenzial des Ansatzes ist also deutlich erkennbar. Auf Basis der Ergebnisse haben wir SLAMD um einen LLM-basierten Bot erweitert, der Sequential Learning in natürlicher Sprache ermöglicht. Die vielversprechenden Ergebnisse zeigen, dass ein Ansatz über LLMs den Findungsprozess vereinfacht und gleichzeitig die Zugänglichkeit zu KI-Anwendungen erhöht.