Das Wort Muster erfüllt in unserem Handwerk zwei Funktionen, und sie ziehen in entgegengesetzte Richtungen. Christopher Alexanders A Pattern Language (1977) — immer noch das am meisten zitierte Designbuch, das wir besitzen, und der direkte Vorfahr von „design patterns” in der Software — verwendete das Wort, um eine getestete Lösung zu bedeuten, die ein Mensch absichtlich ergreifen sollte. Der Wikipedia-Eintrag zu pattern recognition, der diese Woche in den PAZ-Posteingang kam, verwendet es, um eine Regelmässigkeit, die eine Maschine selbst findet, zu bedeuten und dann zu handeln. Dasselbe Wort, zwei Zivilisationen. Ihr Modell lebt in der Naht dazwischen.

Das ist der Teil, den die Wikipedia-Seite klar formuliert und das meiste Tool-Marketing übergeht: Das ist keine neue Mathematik. „In der Statistik wurde die Diskriminanzanalyse zu diesem Zweck 1936 eingeführt” — das ist Fishers lineare Diskriminanzanalyse, dieses Jahr neunzig Jahre alt, die Methode, die eine gerade Linie zwischen zwei Punktwolken zieht und die eine Seite „A” nennt und die andere „B.” Alles, was danach kommt — Spam-Filter, LiDAR-Klassifizierer, der Transformer, der Ihre Zeichnungen liest — ist derselbe Schachzug mit mehr Parametern und einer grösseren Stromrechnung.

←HEUTE: 2026, Fishers Diskriminanzanalyse von 1936 klassifiziert immer noch Ihre Wände in einer Zeile Python.
→3012: Die IFC-Datei klassifiziert sich beim Export selbst; „externe Wand” ist eine Eigenschaft, die das Modell verdient hat, nicht eine, die Sie eingegeben haben.
Drehpunkt: Ein Gebäude ist ein beschrifteter Datensatz, der drei Jahre und vierzig Berater zur manuellen Annotierung brauchte — genau darum lohnt es sich, die Beschriftungen offen zu behalten.

Das System. Ein IFC-Element ist bereits ein Merkmalsvektor; niemand hat dem Baustellenteam davon erzählt. Öffnen Sie die Datei in Notepad und Sie werden eine Zeile wie #42=IFCWALLSTANDARDCASE('3vB2...',#5,'Ext Wall:300',$,...); finden. Teilen Sie sie in ihre Bestandteile auf: #42 ist die Zeilenkennung, '3vB2...' ist die 22-stellige GlobalId, #5 verweist auf die Eigentümerhistorie, und der String ist der Typname. Fügen Sie einen Pset an und Sie haben auch Länge, Höhe, Dicke, Brandschutzklasse. Stapeln Sie diese Zahlen und Sie haben genau das, was die Wikipedia-Definition nennt: eine durch einen Merkmalsvektor beschriebene Instanz — einen Punkt im multidimensionalen Raum, in dem das Skalarprodukt und der Winkel zwischen zwei Wänden tatsächlich eine Bedeutung haben. Ihr Modell macht bereits Mustererkennung; es nennt es nur „Clash Detection”.

Das Werkzeug. scikit-learn ist die Open-Source-Python-Bibliothek, die die Idee von 1936 in zwei Zeilen verwandelt, die Sie heute Abend ausführen können. Sie wird von einer grossen freiwilligen Gemeinschaft um Inria und die breitere wissenschaftliche Python-Welt gepflegt, ist BSD-lizenziert, und sie enthält jeden Klassifizierer, den der Wikipedia-Artikel nennt — Diskriminanzanalyse, SVMs, die probabilistischen, die ein Vertrauen zurückgeben, damit sie sich enthalten können, wenn die Daten zu dünn sind — plus den Merkmalextraktionsschritt, den dieselbe Seite hervorhebt, Hauptkomponentenanalyse (PCA), und die Branch-and-Bound-Merkmalauswahl, die der Artikel selbst als untraktabel für grosse Merkmalzahlen anerkennt. (Das Feld benannte sogar seine Flaggschiff-Konferenz nach der Idee: the Conference on Computer Vision and Pattern Recognition, CVPR.) Für einen Architekten oder Computational Designer lohnt es sich, einen Nachmittag zu investieren, weil es der ehrlichste Weg ist, zu lernen, was ein Klassifizierer versprechen kann und nicht, bevor ein Anbieter Ihnen dieselbe Sache als Black-Box verkauft.

Einrichtung:

python -m venv .venv && source .venv/bin/activate   # Windows: .venvScriptsactivate
pip install scikit-learn numpy

python - <<'PY'
from sklearn.datasets import load_iris
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
X, y = load_iris(return_X_y=True)
clf = LDA().fit(X, y)          # Fisher, 1936, in einer Zeile
print(round(clf.score(X, y), 3))   # ~0.98 -> es hat die Klassen getrennt
PY

Erste Schritte:

1. Führen Sie den Block oben aus. Die 0.98 ist der Anteil, den es auf Daten, die es bereits gesehen hat, korrekt gekennzeichnet hat — der „Zero-One-Loss”, den der Artikel beschreibt. Vertrauen Sie ihr genau so weit wie dieser Vorbehalt.
2. Ersetzen Sie die Blumenmessungen durch drei Spalten, die Sie aus jedem IFC-Export ziehen können: Länge, Höhe, Dicke pro Wand. Beschriften Sie dreissig Wände ext / int von Hand einmal — diese manuelle Beschriftung sind die ganzen Kosten und der ganze Punkt.
3. Ersetzen Sie score(X, y) durch einen echten train_test_split, damit Sie auf Wänden bewerten, die das Modell nicht gesehen hat. Die Zahl wird sinken. Dieser Rückgang ist die einzige ehrliche Zahl im Raum.

Atelier: Für ein Schweizer Büro ist der Nutzen nicht „KI” — es ist Triage. Ein mittelgrosses Büro, das mit einem 12-Berater-Föderalmodell arbeitet, verliert Stunden beim Neuklassifizieren von Elementen, die aus Revit, Archicad und einem Strukturwerkzeug mit drei verschiedenen Benennungskonventionen stammen. Ein Diskriminanzklassifizierer, der auf Ihren eigenen bereits korrekten Elementen trainiert ist, kann die Ausreisser für einen Menschen kennzeichnen, nicht den Menschen ersetzen. Der Montagsschritt: Exportieren Sie ein sauberes Modell zu IFC, extrahieren Sie Länge/Höhe/Dicke plus den Typnamen in eine CSV, und trainieren Sie das vierzeilige LDA oben darauf — führen Sie es dann gegen den schmutzigen Import nächster Woche aus und lesen Sie nur die Abweichungen. Ein Nachmittag kauft Ihnen einen wiederverwendbaren Filter; widerstehen Sie der Versuchung, alles automatisch umzubenennen.

Hack: Trennen Sie externe von internen Wänden nur mit Geometrie, damit ein falsch gekennzeichneter Import sich nicht verstecken kann. Dies ist der Klassifizierer aus dem Spam-Beispiel des Artikels, auf Ihre Wände statt auf Ihren Posteingang gerichtet — ein linearer SVM, der Fishers Linie durch eine Dicke-vs-Höhe-Wolke zeichnet.

from sklearn.svm import SVC
X = [[6.0,2.7,0.30],[3.1,2.7,0.12],[8.4,3.0,0.36],[2.2,2.7,0.10]]  # [len,ht,thick] pro Wand
clf = SVC(kernel="linear").fit(X, ["ext","int","ext","int"])
print(clf.predict([[7.0,2.8,0.34]]))   # -> ['ext']  dick + lang liegt extern

PAZ hat die fortgeschrittene Version davon erkundet: unser Konzeptpanel zur Aufmerksamkeit in Transformers zeigt den gleichen Operator, skaliert auf IFC-Elementgraphen für Clash Detection und auf Graph Attention Networks über Finite-Element-Maschen — ein Knoten, der auf seine mechanisch relevanten Nachbarn hört, statt nur auf seine topologischen. Beginnen Sie mit dem vierzeiligen SVM; Sie werden das Aufmerksamkeitspapier danach ganz anders lesen.

Eine Warnung von weiter unten. Die Gebäude, die am schlechtesten alterten, waren nie die hässlichen — sie waren diejenigen, deren Beschriftungen nur in einem Format existierten, das obsolet wurde. Ein Klassifizierer ist nur so haltbar wie der Datensatz, der ihn trainierte, und Ihr Datensatz ist die IFC-Datei. Niemand beschriftet Trainingsdaten zum Spass; es ist der Nachmittag, den niemand eingeplant hat. Also, wenn Sie den Stack dieses Quartals auswählen, stellen Sie die eine Frage, die den Anbieter überlebt: Kann jemand in 25 Jahren die Datei noch öffnen und die Beschriftungen erneut lesen? Halten Sie das IFC lesbar, halten Sie die Psets ehrlich, und die Mustererkennung bleibt Ihre. Klonen Sie die Beispiele von scikit-learn heute Abend, trainieren Sie einen Klassifizierer auf Ihrem eigenen sauberen Modell, und testen Sie ihn vor Freitag gegen Ihren nächsten schmutzigen Import.

Quellen & Weiterführendes

• Primär: Wikipedia — Pattern recognition
• Vertiefung: IfcOpenShell — open IFC toolkit
• PAZ Kontext: Skizze + KI!