Connecting Intelligence
with Location.

Unzählige Dokumente wie Berichte, Pläne oder historische Akten enthalten wertvolle, aber oft nur implizite räumliche Bezüge. Dieses "verborgene" Wissen ist für digitale Prozesse nicht direkt nutzbar und erschwert die Arbeit, insbesondere bei der Übergabe von Aufgaben.

Wir entwickeln KI-Methoden, die auf Basis von Large Language Models (LLMs) diesen impliziten Raumbezug aus verschiedensten Unterlagen – auch aus gescannten Dokumenten – extrahieren. Die KI erkennt Ortsnamen, Adressen, Flurstücke oder individuelle Bezüge wie Bauteile oder Bauwerksabschnitte und verortet die Dokumenteninhalte so explizit im Raum. So werden unstrukturierte Datenschätze gehoben und für moderne Planungsprozesse in Digitalen Zwillingen oder Geodateninfrastrukturen (GDI) systematisch erschlossen, effizient auffind- und nachnutzbar gemacht.

Countless documents such as reports, plans or historical records contain valuable but often only implicit spatial references. This "hidden" knowledge cannot be used directly in digital processes and makes work harder, especially when handing over tasks.

We develop AI methods based on large language models (LLMs) that extract this implicit spatial reference from a wide range of documents – including scanned ones. The AI recognises place names, addresses, land parcels or specific references such as building components or structural sections, and thereby explicitly locates the document content in space. In this way, unstructured data treasures are unlocked and systematically made available, findable and reusable for modern planning processes in digital twins or spatial data infrastructures (SDI).

Geodateninfrastrukturen (GDI) enthalten riesige Mengen an Geodaten, doch das Auffinden relevanter Datensätze ist oft eine Herausforderung. Herkömmliche Suchmechanismen stoßen hier an ihre Grenzen.

Wir entwickeln einen innovativen Ansatz, der Large Language Models (LLMs) mit Retrieval-Augmented Generation (RAG) und räumlichen Indizierungstechniken kombiniert. Dies ermöglicht eine intuitive Datensuche mittels natürlicher Sprache auf Daten und Metadaten. Anwender können so Datensätze finden, die sowohl den thematischen als auch den geografischen Aspekten ihrer Anfragen exakt entsprechen, was die Effizienz der Datennutzung signifikant steigert.

Spatial data infrastructures (SDI) hold vast amounts of geodata, yet finding relevant datasets is often a challenge. Conventional search mechanisms reach their limits here.

We are developing an innovative approach that combines large language models (LLMs) with retrieval-augmented generation (RAG) and spatial indexing techniques. This enables intuitive natural language search across data and metadata. Users can find datasets that match both the thematic and the geographic aspects of their queries precisely, significantly increasing the efficiency of data use.

Metadaten sind die Grundlage für die Auffindbarkeit, Nutzung und Interoperabilität von Geodaten - sowohl für manuelle als auch für automatisierte Prozesse.

Die manuelle Erstellung von Metadaten für Geodaten ist zeitaufwendig und fehleranfällig, was die Nutzung und den Austausch wertvoller Datenressourcen hemmt. Unser Projekt adressiert dieses Problem durch den Einsatz von Large Language Models (LLMs) und spezialisierten KI-Modellen.

Die KI analysiert den Inhalt von Geodatensätzen – wie Vektor-Features, Raster-Layer oder Punktwolken – und extrahiert automatisch relevante Informationen. Daraus werden strukturierte, standardkonforme Metadaten (z.B. nach ISO 19115 oder INSPIRE-Vorgaben) generiert. Dies umfasst die Erstellung von Titeln, Zusammenfassungen, Schlüsselwörtern und die Ableitung der räumlichen Ausdehnung. Das Ergebnis ist eine drastische Effizienzsteigerung und eine signifikante Verbesserung der Datenqualität in Geodateninfrastrukturen (GDI).

Metadata is the foundation for the findability, use and interoperability of geodata - for both manual and automated processes.

Creating metadata for geodata manually is time-consuming and error-prone, which hampers the use and exchange of valuable data resources. Our project addresses this problem by using large language models (LLMs) and specialised AI models.

The AI analyses the content of geodatasets – such as vector features, raster layers or point clouds – and automatically extracts relevant information. From this, structured, standards-compliant metadata (e.g. following ISO 19115 or INSPIRE requirements) is generated. This includes creating titles, abstracts and keywords, and deriving the spatial extent. The result is a dramatic gain in efficiency and a significant improvement in data quality in spatial data infrastructures (SDI).