FUSION: Ein synthetisches KI-Konzept zur Integration und Transformation verteilter textbasierter Daten im Verkehrswasserbau

Die effiziente Nutzung verteilter textbasierter Daten im Verkehrswasserbau wird durch fragmentierte Quellen (Datenbanken, PDF-Berichte) und mangelnde semantische Interoperabilität behindert. Diese Dissertation entwickelt FUSION – ein synthetisches KI-Konzept, das symbolische und statistische Künstliche Intelligenz (KI) kombiniert, um eine adaptive Wissensbasis für datengetriebene Entscheidungen zu schaffen.

Die Arbeit folgt einem systematischen Vorgehensmodell (PAISE) und realisiert eine dreischichtige Architektur (Daten-, Verarbeitungs-, Interaktionsschicht). Symbolische KI modelliert Fachwissen in Ontologien, die Bauwerke, Bauteile und Maßnahmen semantisch verknüpfen, während statistische KI Informationen aus textbasierten Quellen wie Erläuterungsberichten extrahiert. Ein Human-in-the-Loop-Mechanismus validiert die Ergebnisse an definierten Checkpoints.

Am Beispiel der Instandsetzung von Schleusentoren wird demonstriert, wie Fachleute durch ein interaktives System relevante Informationen gezielt abrufen und verknüpfen können. Expertenbewertungen zeigen, dass die entwickelten Methoden die Datenrecherche beschleunigen und den Zugriff auf relevante Dokumente vereinfachen.

Der wissenschaftliche Beitrag liegt in der domänenspezifischen Synthese von KI-Paradigmen, die Fachwissen (Ontologien) mit unstrukturierten Daten (Textextraktion) verknüpft. Durch die Integration von Mechanismen zur kontinuierlichen Validierung und Erweiterung der Wissensbasis bleibt das Konzept langfristig anpassungsfähig. Dies schafft eine Grundlage für weiterführende Entwicklungen, insbesondere zur intelligenten Verarbeitung wachsender Datenmengen und zur Anbindung an neue Technologien im Bereich des Verkehrswasserbaus.

The efficient use of distributed text-based data in hydraulic engineering is hindered by fragmented sources (databases, PDF reports) and a lack of semantic interoperability. This dissertation develops FUSION – a synthetic AI concept that combines symbolic and statistical artificial intelligence (AI) to create an adaptive knowledge base for data-driven decision-making.

The work follows a systematic approach (PAISE) and implements a three-layer architecture (data, processing, and interaction layers). Symbolic AI models domain expertise in ontologies, semantically linking structures, components, and measures, while statistical AI extracts information from text-based sources such as explanatory reports. A human-in-the-loop mechanism validates the results at defined checkpoints.

Using the example of lock gate maintenance, the study demonstrates how experts can efficiently retrieve and connect relevant information through an interactive system. Expert evaluations confirm that the developed methods accelerate data retrieval and simplify access to pertinent documents.

The scientific contribution lies in the domain-specific synthesis of AI paradigms, integrating expert knowledge (ontologies) with unstructured data (text extraction). By incorporating mechanisms for continuous validation and knowledge base expansion, the concept remains adaptable in the long term. This establishes a foundation for future advancements, particularly in the intelligent processing of growing data volumes and integration with emerging technologies in hydraulic engineering.